Geolift, Conversion Lift, MMM : comment vraiment savoir si un canal génère des ventes

Vous additionnez ce que vous remontent Meta, Google et vos analytics, et le compte n'y est jamais. Normal. L'attribution ne répond pas à la question que vous vous posez vraiment. Elle vous dit quel canal chaque plateforme crédite pour une vente. Elle ne vous dit pas ce qui se serait passé si vous n'aviez rien dépensé. Cette question là, l'incrémentalité, se mesure avec des expérimentations statistiques : le Conversion Lift, le CausalImpact, le Geolift et, dans une autre cour, le MMM. Voici ce que chacune vaut, et laquelle sortir selon votre situation.

Un avertissement avant d'entrer dans le détail : si vous cherchez une certitude, vous allez être déçu. On parle de méthodes statistiques, donc d'incertitude par construction. On cherche à la réduire, jamais à la supprimer. Quel que soit le test, il reste une part de réel qu'aucun modèle ne capte, et les biais sont nombreux : contamination entre zones géographiques, saisonnalité, actions des concurrents, promotions, cannibalisation entre canaux, effets différés mal estimés, canaux oubliés, post view invisible, échantillon trop petit pour détecter un effet réel. Aucune méthode ne les neutralise tous. La seule vraie parade, c'est de croiser plusieurs approches, de tester dans la durée et de chercher des signaux de convergence plutôt qu'un chiffre unique : quand un Geolift, un Conversion Lift et un MMM pointent dans la même direction, vous tenez quelque chose. Et plus votre marketing est complexe, plus les parcours de vos clients le sont, plus cette part d'incertitude grandit. C'est inconfortable, mais c'est honnête, et c'est déjà infiniment mieux que de gober un chiffre d'attribution.

Soyons clairs, aussi, sur le moment où ces sujets se posent. On commence à y penser à un certain niveau de maturité, parce que tout ça demande du budget, du temps et l'entrée dans un nouvel univers d'expérimentation. Avant d'en arriver là, il y a énormément à mettre en place. La base, c'est d'abord un reporting solide : un data hub qui centralise toutes vos sources, des metrics et des dimensions correctement calculés et définis, des dashboards clairs. Savoir lire des metrics blended comme le ROMI ou le CPL blended, c'est déjà un cap franchi. Et pour mener des projets de mesure de ce type, il faut en plus une donnée propre et structurée, sinon aucun modèle ne tient. Si vous voulez être accompagné, sur ces fondations comme sur les tests, l'équipe analytics de Coudac est là pour ça.

TL;DR

1. L'attribution n'est pas fausse. Elle est mal nommée. Son vrai métier, c'est de nourrir les algorithmes publicitaires, pas d'arbitrer vos budgets. Vue sous cet angle, la double attribution est un comportement attendu, pas un bug.
2. Quand votre parcours est court et vos canaux peu nombreux, une attribution last click bien comprise reste utile. Quand vous empilez SEO, branding, TV, influence et plusieurs régies, elle décroche.
3. La seule famille de méthodes qui répond à « est-ce que ce canal me rapporte vraiment » est l'expérimentation. Elle isole une variable, fait tourner le réel et vous donne une probabilité, pas une décimale magique.
4. Conversion Lift : un vrai test randomisé au niveau utilisateur, donc un design solide. Le hic, c'est une black box dans le jardin de Meta, qui note sa propre efficacité.
5. CausalImpact : un contrefactuel reconstruit par séries temporelles. Léger, faisable en interne, mais le résultat ne vaut que vos séries de contrôle.
6. Geolift : la preuve la plus propre. Du CA back office réel, des zones rigoureusement appariées, et surtout pas enfermé dans une seule régie. Lourd à monter.
7. MMM : l'arme des gros pour arbitrer tout le mix. Observationnel, pas expérimental. Puissant si on y met tous les canaux et qu'on le calibre avec des tests. Dangereux sinon.
8. Les outils de multi-touch attribution qui promettent de « tout réconcilier » ratent l'essentiel : le post view. La plupart sont une usine à gaz. Acceptez la double attribution et testez pour de vrai.

L'attribution n'est pas fausse, elle est mal nommée

Commençons par lever un malentendu, parce qu'il empoisonne tout le reste. L'attribution n'est pas un mauvais concept et elle n'est pas fausse en soi. Elle est trompeuse dans son nom. On croit qu'elle sert à aider un décideur à attribuer une conversion à un canal pour juger de sa pertinence et arbitrer des budgets. Elle peut servir à ça, mais seulement à certaines conditions.

D'abord, c'est du déclaratif. Même quand elle a l'air objective, elle se base sur du tracké : un clic, un click ID, un cookie, un device ID, un identifiant de session. Et il existe une dizaine de modèles qui répartissent le mérite différemment. Aucun ne mesure le contrefactuel, c'est à dire combien de ces ventes auraient eu lieu sans la pub.

Ensuite, tout dépend de votre contexte. Si vous faites du lead avec un parcours de décision court, une attribution last click très restrictive est défendable : elle se rapproche de la réalité, parce qu'il y a peu d'étapes entre l'exposition et la conversion. Dans ce cas, en connaissant ses biais, l'attribution fait le job. Le problème arrive quand vous activez beaucoup de canaux en même temps : de l'organique, du SEO lourd, de la TV, des campagnes de branding, de l'influence. Là, se reposer sur l'attribution pour arbitrer devient un pari, et les black box de multi-touch n'ont jamais convaincu sur leur capacité à faire prendre de meilleures décisions.

Mais voici le point que tout le monde rate. L'attribution reste extrêmement pertinente, à condition de regarder à qui elle parle vraiment : aux algorithmes, pas aux décideurs. Quand un canal s'attribue une conversion, il dit en réalité « je me suis trouvé sur le chemin de cette conversion ». Il apprend que ce profil d'utilisateur est susceptible de convertir, donc pertinent à cibler. C'est l'attribution qui apprend à l'algo à connaître votre cible. Sous cet angle, tout s'éclaire : il est parfaitement normal que les chiffres ne matchent pas quand vous les additionnez et que vous les comparez au back office. Chaque régie ignore les autres. Ça les arrange de montrer des résultats flatteurs, et surtout ce n'est pas leur job de se soucier de l'attribution réelle. La double attribution n'est pas une anomalie à corriger, c'est le fonctionnement attendu d'un système conçu pour entraîner des algos.

La vraie question, c'est l'incrémentalité

Si le sujet de fond ne se règle pas avec de l'attribution, c'est qu'il ne relève pas de l'attribution. Il relève de l'incrémentalité. Une seule question compte : si je n'avais pas dépensé là, est-ce que j'aurais quand même eu ces résultats ?

Et cette question se mesure avec des statistiques, plus précisément avec des expérimentations. Un test bien fait isole une variable, fait tourner le réel et vous dit avec quelle probabilité votre canal a généré de l'incrémental. La contrepartie : ça prend du temps et il faut accepter de ne pas dépenser partout pendant la mesure. C'est à double tranchant, mais c'est la seule famille de méthodes qui répond vraiment.

Le test qu'on nous demande en premier : le blackout

Au fond, tout ce besoin naît d'une peur très simple : est-ce que je ne dépense pas pour rien sur tel canal ? Et la première réponse qui vient à l'esprit, c'est de couper. On éteint le canal partout, d'un coup, et on regarde si le chiffre d'affaires baisse. C'est le blackout, et c'est de loin le test numéro un qu'on nous demande de mettre en place.

On comprend la tentation : c'est gratuit, ça ne demande aucun outil ni aucune stat, et ça a l'air d'un vrai test puisqu'on agit sur le réel et qu'on regarde le back office. C'est pourtant une fausse bonne idée, pour trois raisons.

1. Pas de groupe de contrôle. Vous comparez la période sans le canal à la période d'avant, qui n'avait ni la même saisonnalité, ni les mêmes promos, ni les mêmes actions concurrentes, ni le même niveau sur les autres canaux. Impossible d'isoler l'effet du canal de tout ce qui a bougé en même temps.
2. Les effets différés vous trompent. Un canal ne s'arrête pas de produire le jour où vous le coupez : ce que vous avez construit en notoriété continue de convertir quelques semaines. Les premières semaines ont l'air normales, vous en concluez que le canal ne sert à rien, et la vraie chute arrive plus tard, quand le pipe se vide. Vous avez déjà tiré la mauvaise conclusion.
3. C'est du tout ou rien à l'échelle nationale. Vous ne mesurez rien, vous constatez vaguement un avant et un après, vous perdez le bénéfice du spend si le canal était utile, et vos algos repassent en phase d'apprentissage au redémarrage. Beaucoup de risque pour une lecture floue.

La bonne nouvelle, c'est que l'intuition du blackout est juste, c'est son exécution qui ne l'est pas. Agir sur le réel et mesurer le CA back office, c'est exactement ce qu'on veut. Il manque deux choses : un groupe de contrôle qui donne un vrai point de comparaison, et une échelle qui ne mette pas tout le business en jeu. Ajoutez les deux, et le blackout devient un Geolift. Voilà ce qu'on suggère à la place : de vraies expérimentations, qui gardent le bon réflexe et lui donnent un cadre.

Il existe plusieurs types d'expérimentations, et la différence entre elles tient surtout à l'endroit où l'on crée la comparaison : au niveau des utilisateurs, au niveau du temps, ou au niveau des zones géographiques. À côté, le MMM joue dans une autre catégorie, parce qu'il ne teste pas, il modélise. On les prend dans l'ordre.

Conversion Lift : un vrai test randomisé, mais en black box

Le Conversion Lift est l'outil maison de Meta, accessible dans l'onglet Experiments. Contrairement à l'idée reçue, ce n'est pas juste « un Geolift en plus léger ». C'est méthodologiquement le design le plus propre qui existe : une randomisation au niveau utilisateur. Meta répartit votre audience en deux groupes, un groupe exposé à vos pubs et un groupe témoin qui ne l'est pas (la technique des ghost ads), puis compare le taux de conversion des deux. C'est la définition même d'un test randomisé contrôlé. Quand c'est bien implémenté, c'est exactement ce qu'on veut.

L'avantage pratique : c'est beaucoup plus rapide à lancer qu'un Geolift, sans travail de découpage géographique en amont. Vous paramétrez, vous laissez tourner, Meta vous sort un rapport avec un score de fiabilité (plus il approche de 100, plus le test a tourné assez longtemps avec assez de budget). Sur un test qu'on a mené récemment, en trois semaines et avec un budget noto autour de 36 000 €, le test a identifié plus de 800 conversions incrémentales, environ 75 000 $ de ventes additionnelles, pour un ROAS incrémental estimé à x1,21. On peut aussi paramétrer des événements secondaires (view content, add to cart, nouveaux clients) pour voir l'effet sur le haut de funnel, pas seulement sur l'achat, parce que ce que vous poussez en branding se répercute sur les semaines suivantes.

Maintenant, l'œil critique, et il ne porte pas sur la méthode. Le problème n'est pas le design, qui est solide. Le problème, c'est que c'est Meta qui mesure l'efficacité de Meta, dans son propre jardin fermé, sans que vous puissiez auditer l'implémentation. Deux signaux doivent vous alerter. D'abord, la méthodologie est succincte : la façon dont ils mesurent ce qu'auraient fait les gens non exposés n'est pas franchement documentée. Ensuite, un ROAS affiché « x1,21 » au centième près, sans intervalle de confiance, c'est statistiquement suspect : un vrai test rend une fourchette, pas une décimale magique. Le Conversion Lift est donc très utile pour dégrossir, surtout avec l'historique d'un test précédent pour comparer. Mais on lit la doc avant d'avaler les chiffres, et on garde en tête qu'on ne mesure qu'un seul écosystème.

CausalImpact : reconstruire le contrefactuel quand on ne peut pas randomiser

Le Conversion Lift suppose que vous puissiez randomiser proprement, dans une plateforme qui s'y prête. Ce n'est pas toujours le cas. C'est là qu'intervient CausalImpact, le package open source de Google (en R, avec des portages Python).

Le principe est différent : aucune randomisation. On reconstruit un contrefactuel par séries temporelles. CausalImpact utilise un modèle bayésien de séries temporelles structurelles pour prédire ce qui se serait passé sans l'intervention, à partir de séries de contrôle non affectées par cette intervention (d'autres marchés, d'autres métriques corrélées mais hors périmètre du test). Concrètement : vous coupez un canal à une date donnée, et le modèle vous dit « voilà la courbe qu'on aurait dû observer si rien n'avait changé ». L'écart entre le réel et cette courbe, c'est l'effet estimé.

L'intérêt est double. C'est léger et faisable en interne, sur votre propre donnée back office, sans dépendre d'une régie. Et c'est exactement l'outil pour les situations où un test randomisé est impossible ou trop coûteux. La limite à connaître : c'est quasi-expérimental, pas expérimental. Le contrefactuel est modélisé, pas observé dans un groupe de contrôle tiré au sort. Sa qualité dépend entièrement de vos séries de contrôle : si elles sont mal choisies ou contaminées par l'intervention, le résultat ne vaut rien. C'est moins robuste qu'un vrai test randomisé, mais bien plus honnête qu'une lecture d'attribution, et c'est souvent le moteur statistique qui tourne sous une analyse géographique.

Geolift : la preuve la plus propre

On arrive à notre préférée, et pour une bonne raison : le Geolift ne se base pas sur de la donnée traquée. Il se base sur votre donnée back office, votre vrai chiffre d'affaires, avec un modèle statistique par dessus. Et surtout, contrairement au Conversion Lift, il n'est pas enfermé dans une seule régie : il mesure l'effet réel, toutes sources confondues.

Le principe : on découpe votre territoire (par ville, région, pays, peu importe), puis on construit une version synthétique de vos zones traitées à partir d'une combinaison pondérée de zones de contrôle comparables (même profil d'audience, même panier moyen, même taux de conversion). On coupe ou on maintient le spend dans les zones traitées, et on regarde l'écart de revenu réel par rapport à ce groupe synthétique. Si Paris est statistiquement reproductible à partir d'un ensemble d'autres villes et que vous ne dépensez que sur Paris, l'écart qui apparaît, c'est de l'incrémental. Pas du déclaratif. Du chiffre d'affaires constaté.

Le vrai travail, et la vraie difficulté, c'est la sélection des zones et l'analyse de puissance en amont. Vous ne pouvez pas faire ça à la main. Meta met à disposition un package open source, GeoLift, qui construit le contrôle synthétique et estime la puissance du test avant de le lancer. Google a sa propre méthodologie d'expériences géographiques. Dans tous les cas, il faut une donnée propre en entrée, sinon rien ne tient. C'est technique. Mais quand c'est bien fait, c'est ce qui se rapproche le plus d'une preuve.

Comme toute approche statistique, le Geolift ne vous donne pas une vérité absolue, il vous donne une fourchette et une probabilité : « je suis sûr à 95 % que l'incrément se situe entre telle et telle valeur ». C'est une autre façon de raisonner que l'attribution, et c'est justement ça qui la rend honnête.

MMM : l'arme des gros, puissante et piégeuse

Le Marketing Mix Modeling joue dans une autre cour, et il faut être clair sur la différence de nature. Tout ce qu'on a vu jusqu'ici, ce sont des expérimentations : on agit sur le réel et on mesure. Le MMM, lui, ne teste rien. Il est observationnel : il modélise statistiquement la contribution de tous vos leviers à votre performance, sur de l'historique long, à partir de données agrégées. C'est de la régression sur le passé, pas une expérience.

C'est l'outil de l'annonceur qui veut arbitrer son mix entier sans rien couper. Les deux références open source sont Meridian côté Google et Robyn côté Meta (concurrents directs), plus des solutions payantes comme celle de Funnel, autour de 50 000 €. Fait notable : Meridian est désormais intégré dans Google Analytics 360, la version entreprise, disponible mondialement depuis janvier 2025, avec un Scenario Planner no-code sorti en février 2026. L'outil se démocratise vite.

Concrètement, qu'est-ce qu'on en sort, et pourquoi est-ce que ça répond à la question ? Un MMM comme Meridian ou Robyn décompose votre performance et vous rend trois choses qu'aucune attribution ne sait produire. D'abord une contribution et un ROI par canal sur la période : combien de CA Meta, Google, la TV ou l'influence ont réellement généré, à condition de les avoir tous intégrés. Ensuite des courbes de réponse, qui montrent à partir de quel niveau de dépense chaque levier sature et rapporte de moins en moins. C'est là que se cache l'information qui vaut de l'or : le rendement marginal de votre prochain euro, canal par canal. Enfin, sur cette base, une recommandation d'allocation et des scénarios : si je déplace 20 % de budget de Meta vers YouTube, qu'est-ce que ça donne sur mon CA total ? C'est exactement ce que permet le Scenario Planner de Meridian. Voilà pourquoi le MMM répond à la question du mix là où l'attribution échoue : il ne vous dit pas qui a touché le dernier clic, il vous dit où placer le prochain euro compte tenu des rendements décroissants de chaque canal.

Ses forces sont réelles : pas besoin d'arrêter de dépenser, il gère les effets différés et la saturation (adstock), capte les effets long terme du haut de funnel, et reste privacy safe puisqu'il ne touche aucune donnée utilisateur. Mais il y a deux pièges majeurs.

Le premier : il ne vaut que ce que vous lui donnez en entrée. Si vous faites de la TV ou de l'influence et que vous ne les intégrez pas, le modèle attribue mal l'impact de Google et de Meta, il leur fait porter ce qu'il n'a pas su rattacher ailleurs. Un MMM qui tourne sur deux canaux quand vous en activez cinq est tout simplement faux. À surveiller aussi : Meridian dispose de plus de données sur les canaux Google que sur les autres, ce qui peut gonfler leur contribution si vous ne corrigez pas.

Le second : l'interprétation. Une fois lancé, le MMM ne rend pas une conclusion mais une quinzaine de modèles plausibles, avec des résultats différents, et vous laisse « choisir celui qui correspond le mieux à votre business ». Si c'est à vous de choisir les chiffres qui vous arrangent, on a un problème de méthode.

La parade existe, et c'est le point que la plupart des présentations de MMM oublient. Le MMM moderne est fait pour être calibré par des expérimentations : on injecte les résultats d'un Conversion Lift ou d'un Geolift comme priors dans le modèle. Meridian comme Robyn documentent explicitement cette calibration. Autrement dit, MMM et tests d'incrémentalité ne sont pas des rivaux entre lesquels il faudrait trancher : les tests disciplinent le MMM et réduisent justement ce problème des quinze modèles. Notre position : le MMM est puissant pour un gros annonceur avec beaucoup d'historique et de spend, à condition d'y mettre tous vos canaux et de le calibrer avec de vrais tests. Ne le vendez pas, et ne l'achetez pas, comme une boule de cristal. C'est un outil d'aide à la décision, pas un oracle.

Et les autres tests ?

Trois méthodes méritent d'être citées pour compléter le tableau, même si elles répondent à des questions plus spécifiques.

Le Brand Lift mesure la notoriété, le rappel publicitaire et la considération, par sondage. Il ne mesure pas des ventes, c'est une autre famille, utile pour le haut de funnel mais souvent gourmande en budget. Les tests switchback, ou tests on off temporels, alternent activation et coupure sur des fenêtres de temps : pratiques quand on ne peut pas découper proprement des géos, typiquement en marketplace ou en local. Enfin, les holdouts d'audience maison consistent à garder un pourcentage de votre audience non exposé : c'est exactement le mécanisme qui tourne sous le Conversion Lift, que vous pouvez parfois piloter vous même.

Et les outils de multi-touch attribution ?

Là, on va être directs. Les outils qui promettent de capter tous vos clics, de tout centraliser et de lisser la contribution de chaque levier avec un beau modèle mathématique ne valent généralement pas l'effort.

La raison est simple : le post view. La grande majorité de ces outils ne le captent pas. Or comment savoir qu'un client a vu une pub sur Meta ou sur YouTube avant d'acheter, sans post view ? S'ils ne font que ramasser des clics publicitaires et organiques, les stocker dans des cookies et passer un modèle dessus, vous pouvez le faire maison, et au moins vous saurez l'expliquer à vos clients. Certains acteurs jurent qu'ils suivent le post view, mais tant qu'on n'a pas le détail de leur méthodologie, on appelle ça de la fumisterie packagée.

Le pragmatisme l'emporte : un breakdown 7 jours clic sur Meta vous donne à peu près la même vision, et au moins c'est tangible. Mieux vaut accepter la double attribution et investir dans de vrais tests d'incrémentalité que d'empiler une usine à gaz censée tout réconcilier. La vraie question à se poser : connaissez-vous une seule boîte qui a installé un outil de multi-touch attribution et qui a pris de meilleures décisions derrière ?

Alors, lequel choisir ?

Pas de « ça dépend » fourre tout. Voici notre grille.

1. Vous voulez la preuve la plus propre qu'un canal génère de l'incrémental, toutes sources confondues, et vous avez le budget et la patience : Geolift. La méthode la plus rigoureuse, parce qu'elle s'appuie sur du CA réel et qu'elle n'est pas enfermée dans une régie.
2. Vous voulez dégrossir vite, vous êtes surtout sur Meta, et vous gardez un œil critique : Conversion Lift. Design solide, lancement léger, mais c'est Meta qui note Meta.
3. Vous ne pouvez pas randomiser proprement et vous voulez estimer l'effet d'une coupure ou d'un changement sur votre propre donnée : CausalImpact. Léger, interne, quasi-expérimental.
4. Vous êtes un gros annonceur multi-canal avec de l'historique, et vous voulez arbitrer tout votre mix : MMM, à condition d'y mettre tous vos canaux et de le calibrer avec des tests d'incrémentalité.
5. Dans tous les cas, fuyez les outils qui promettent de tout réconcilier sans tester. Ce ne sont pas des réponses, ce sont des slides.

‍