Attribution premier clic vs dernier clic

Ce que sont l’attribution premier clic et dernier clic

La plupart des clients interagissent plusieurs fois avec une marque avant de convertir. Ils peuvent voir une publicité sociale, cliquer plus tard sur un résultat de recherche, puis revenir via un email une semaine après, et enfin acheter. Les modèles d’attribution déterminent lequel de ces points de contact reçoit le crédit de la conversion qui en résulte. L’attribution premier clic accorde tout le crédit au tout premier point de contact du parcours. L’attribution dernier clic accorde tout le crédit au point de contact immédiatement avant la conversion.

Les deux sont des modèles mono-touch, c’est-à-dire qu’ils attribuent 100 % du crédit à une seule interaction et ignorent tout le reste du parcours, même si plusieurs canaux ont manifestement contribué.

Comment chaque modèle fonctionne

L’attribution premier clic répond à la question « qu’est-ce qui a intéressé cette personne au départ ». Si quelqu’un a découvert une marque via une publicité Meta, puis converti trois semaines plus tard après une visite directe, le premier clic crédite la publicité Meta d’origine, puisqu’elle était le point d’entrée dans la relation.

L’attribution dernier clic répond à la question « qu’est-ce qui a fait basculer cette personne ». Avec le même exemple, le dernier clic créditerait la visite directe, puisqu’elle était le point de contact immédiatement avant l’achat, même si la publicité Meta est ce qui a présenté la marque au client en premier lieu.

Aucun des deux modèles ne regarde les points de contact intermédiaires. Un modèle comme l’attribution linéaire répartit le crédit de façon égale sur tout le parcours, et l’attribution par dégressivité temporelle pondère davantage les points de contact récents que les premiers, mais premier clic et dernier clic restent les deux points de repère les plus simples et les plus courants.

Pourquoi cela compte

Le choix du modèle change quels canaux semblent avoir de la valeur, parfois de façon spectaculaire. Les canaux qui excellent à faire découvrir de nouveaux clients, comme les campagnes de prospection large, ont tendance à bien paraître en premier clic et mal en dernier clic, puisqu’ils sont rarement le point de contact final. Les canaux qui excellent à conclure un client déjà intéressé, comme le retargeting ou la recherche de marque, paraissent bien en dernier clic et mal en premier clic.

Aucune des deux perspectives n’est fausse en soi, mais s’appuyer sur une seule donne une image incomplète et parfois trompeuse de ce qui génère réellement les résultats. Une entreprise qui ne regarde que les données de dernier clic risque de sous-financer l’activité de prospection qui alimente son pipeline de clients au départ, puisque la prospection reçoit rarement du crédit sous ce modèle.

Comment agir

Regardez plusieurs modèles d’attribution côte à côte plutôt que de choisir un modèle par défaut et de le traiter comme la réponse définitive. Comparer les vues premier clic et dernier clic pour un même parcours de conversion met en évidence quels canaux font le travail de découverte et lesquels font le travail de conclusion, ce qui est une information utile même sans modèle combiné parfait.

Dans la mesure du possible, privilégiez des modèles multi-touch comme l’attribution linéaire ou l’attribution data-driven pour la planification budgétaire globale, et réservez les vues premier clic ou dernier clic à des questions spécifiques, comme comprendre d’où viennent les nouvelles relations client par rapport à ce qui les conclut. Le test d’incrémentalité reste le meilleur contrôle des conclusions de tout modèle d’attribution, puisque l’attribution décrit une corrélation le long d’un parcours, pas une causalité.

Erreurs courantes

Choisir le dernier clic comme seule mesure de la valeur d’un canal sous-évalue systématiquement l’activité de prospection et de notoriété. Supposer que le premier clic capture la « vraie » source d’une conversion ignore que les points de contact ultérieurs ont pu accomplir un travail significatif pour transformer un intérêt réel en vente. Comparer des campagnes évaluées sous des réglages d’attribution différents, sans noter le modèle utilisé, produit des chiffres qui ne sont en réalité pas comparables. Traiter n’importe quel modèle mono-touch comme un substitut à un véritable test d’incrémentalité confond corrélation le long d’un parcours de clics et causalité.