Définition

Test d’incrémentalité : définition et fonctionnement

Le test d’incrémentalité isole la part réelle d’une conversion rapportée qu’un canal publicitaire a réellement provoquée, en utilisant un groupe de contrôle comme référence de comparaison.

L'équipe OpenAdLibraryRenseignement publicitaire & recherche sur la publicité native

5 septembre 2026 · Mis à jour le 25 octobre 2026 · 2 min de lecture

Illustration éditoriale : Test d’incrémentalité : définition et fonctionnement

Le test d’incrémentalité est une expérience contrôlée qui estime la part de l’activité de conversion rapportée pour un canal publicitaire que la publicité a réellement provoquée, plutôt que de se fier aux conversions que le suivi de la plateforme attribue à ses annonces. Vous retenez un groupe d’utilisateurs ou de zones géographiques de voir les annonces d’un canal spécifique, puis comparez le résultat avec un groupe qui les a vues. Un test bien conçu lit l’écart entre les groupes comme une estimation de l’effet incrémental du canal pour cette audience, cette période et cette configuration, assortie de son incertitude ; les résultats qui subsistent dans le groupe de contrôle sont ceux qui se sont produits sans les annonces.

Pourquoi les chiffres rapportés par la plateforme peuvent différer des résultats incrémentaux#

Les plateformes publicitaires attribuent les conversions aux annonces selon leurs propres règles. Si quelqu’un était déjà sur le point d’acheter via la recherche organique ou un clic de recherche de marque, et a aussi vu une annonce de reciblage en cours de route, le suivi standard conversion tracking peut encore créditer cette annonce dans sa attribution window. Un crédit plus doux, où une plateforme compte une conversion après qu’un utilisateur a simplement vu une annonce, accentue l’écart ; ce mécanisme s’appelle view-through attribution. Les conversions qu’une plateforme rapporte ne sont donc pas la même chose que les conversions que ses annonces ont provoquées. Le test d’incrémentalité pose une question différente : si ce canal n’avait pas fait de publicité, la conversion aurait-elle tout de même eu lieu ?

C’est une question différente de celle à laquelle un pixel de suivi répond seul, c’est pourquoi le test d’incrémentalité s’utilise en complément des tableaux de bord de plateforme, et non à leur place.

Comment les équipes le mettent en œuvre concrètement#

Plusieurs conceptions sont utilisées. Un test au niveau géographique affecte des régions à une condition de test ou de contrôle, par exemple en diffusant les annonces d’un canal dans certaines régions et en les retenant dans d’autres, et compare les résultats tels que les ventes ou les conversions entre les régions ; les expériences géographiques de Google répartissent aléatoirement des régions qui ne se chevauchent pas, tandis que GeoLift de Meta construit un contrôle synthétique à partir des régions non traitées. Un test au niveau utilisateur utilise l’outil de lift de conversion d’une plateforme publicitaire : Conversion Lift de Meta répartit aléatoirement les personnes entre un groupe test qui voit les annonces et un groupe de contrôle qui ne les voit pas, et Google Ads Conversion Lift propose des études basées sur les utilisateurs et sur la géographie, bien que Google indique qu’il n’est pas disponible pour tous les comptes.

La façon dont l’effet est estimé dépend de la conception. Dans un test aléatoire au niveau utilisateur, l’estimation correspond à la différence de résultats entre le groupe test et le groupe de contrôle, qui peut être rapportée en conversions supplémentaires ou en pourcentage par rapport au groupe de contrôle. À titre d’exemple hypothétique, si 10 000 utilisateurs test produisent 300 conversions et 10 000 utilisateurs du groupe de contrôle en produisent 250, le lift estimé est de 50 conversions, soit 20 % de plus que le groupe de contrôle, même si la plateforme a attribué les 300 conversions à ses annonces. Les tests géographiques ne reposent généralement pas sur cette simple soustraction : ils comparent les régions traitées avec ce qu’un modèle, comme un contrôle synthétique construit à partir des régions non traitées, dit qu’elles auraient produit sans les annonces. Un canal affichant un ROAS auto-rapporté élevé dans la plateforme peut afficher un effet incrémental bien plus faible lors d’un test ; l’ampleur de l’écart dépend du canal, de l’audience et de la fenêtre de mesure.

À quoi cela sert#

Les acheteurs médias utilisent les tests d’incrémentalité pour éclairer l’allocation du budget entre les réseaux, et pas seulement pour auditer un canal isolément. Un résultat décrit l’audience, la période et le niveau de dépense qui ont été testés.

Les archives publicitaires publiques ne peuvent pas mesurer l’incrémentalité. Une annonce qui a été observée pendant longtemps ne prouve pas qu’elle a provoqué des conversions supplémentaires, car ad longevity enregistre combien de temps une annonce a été vue, et non les dépenses ou les résultats. Ce que les archives peuvent offrir, ce sont des hypothèses : les pages d’ad intelligence d’OpenAdLibrary montrent quelles créations et quels réseaux un annonceur a été observé en train d’utiliser, et pendant combien de temps, ce qui peut vous aider à décider quoi tester avec votre propre groupe de contrôle avant de consacrer le ad spend du test.

Erreurs fréquentes#

Le groupe de contrôle doit être suffisamment grand, et affecté de manière suffisamment aléatoire ou apparié avec suffisamment de soin, pour détecter un vrai signal et non simplement du bruit. Un test court sur un canal à faible volume peut ne pas comporter assez de conversions pour détecter un effet, et la documentation GeoLift de Meta avertit que lancer un test géographique sans analyse de puissance préalable conduit à une forte probabilité de ne pas trouver de lift même lorsqu’il existe. Un pic saisonnier ou une promotion site-wide n’invalide pas à lui seul un test aléatoire, car les deux groupes en font l’expérience, mais le lift mesuré décrit alors cette période et peut ne pas se vérifier lors de semaines normales. Un événement qui ne touche qu’un seul groupe, comme une promotion régionale dans un test géographique, peut biaiser le résultat ; maintenez donc les autres actions marketing constantes entre les régions de test et de contrôle. Effectuez le test pendant une période représentative couvrant au moins un cycle d’achat, dimensionnez le groupe de contrôle avec un calcul de puissance, et n’arrêtez pas prématurément simplement parce que le chiffre intermédiaire semble bon, ou mauvais.

Questions fréquentes

Combien de temps doit durer un test d’incrémentalité ?

Il n’existe pas de durée standard. Elle dépend du volume de conversion de référence, de la taille d’effet que vous souhaitez détecter et du temps que mettent les clients à convertir. La documentation GeoLift de Meta recommande de couvrir au moins un cycle d’achat complet et un minimum de 15 jours de données quotidiennes (4 à 6 semaines si les données sont hebdomadaires), et de réaliser une analyse de puissance avant le lancement pour déterminer la durée nécessaire d’un test ; les outils de lift des plateformes fixent leurs propres exigences. Les comptes à faible volume peuvent avoir besoin d’un test plus long ou d’un groupe de contrôle plus important pour séparer un effet réel de la variation normale.

Quelle est la différence entre le test d’incrémentalité et le test A/B ?

Les deux sont des expériences contrôlées, et ils répondent à des questions différentes. Un test A/B compare généralement deux versions d’un élément que les deux groupes reçoivent toujours, comme deux créations ou deux pages d’atterrissage. Un test d’incrémentalité compare une exposition à une absence d’exposition pour estimer ce que la publicité elle-même a ajouté à un résultat que vous mesurez, comme les conversions ou les ventes.

Le test d’incrémentalité peut-il remplacer l’attribution de la plateforme ?

Pas entièrement. L’attribution de la plateforme reste utile pour les décisions quotidiennes comme la mise en pause des ensembles d’annonces sous-performants. Le test d’incrémentalité convient mieux aux questions plus larges comme l’allocation du budget par canal. La fréquence à laquelle répéter un test dépend de l’ampleur des changements de vos dépenses, de vos créations, de vos audiences et de la saisonnalité ; il n’existe pas de rythme standard.

Le test d’incrémentalité fonctionne-t-il avec de petits budgets ?

C’est plus difficile. Les petits comptes ont souvent trop peu de conversions pour détecter un effet dans un délai raisonnable, et un test trop petit peut manquer un effet réel, de sorte qu’un résultat nul issu d’un test sous-dimensionné ne prouve pas que la publicité ne fait rien. Un calcul de puissance avant le lancement indique si votre volume est suffisant ; s’il ne l’est pas, les options incluent un test plus long, un groupe de contrôle plus large ou une autre méthode, et les comptes à très faible dépense peuvent devoir se contenter de signaux directionnels. Les tests au niveau géographique ne suppriment pas ce problème : Meta recommande les tests basés sur les personnes plutôt que ceux basés sur la géographie lorsque c’est possible, car ils ont une puissance statistique plus élevée.

Écrit parL'équipe OpenAdLibrary

Renseignement publicitaire & recherche sur la publicité native

Nous développons OpenAdLibrary, la plateforme ouverte de transparence publicitaire. Chaque jour, nos systèmes capturent des publicités natives en direct sur Taboola, Outbrain, MGID, Revcontent, Teads, Yahoo et MSN, identifient le véritable annonceur derrière chacune d'elles et suivent le clic jusqu'à sa page de destination. Ces guides synthétisent ce que nous observons dans ces données pour vous permettre d'étudier le marché plus rapidement.