Attribution multi-touch (MTA) : définition et modèles

L’attribution multi-touch (MTA) est un modèle de mesure qui répartit le crédit d’une conversion sur chaque point de contact marketing avec lequel un client a interagi avant d’acheter, plutôt que d’attribuer tout le crédit à une seule annonce ou à un seul clic. Si un acheteur a vu une annonce native, a ensuite cliqué sur une annonce de retargeting, puis a converti après une recherche de marque, la MTA attribue une part fractionnée de cette conversion à chacun des trois points de contact au lieu de tout attribuer au dernier.

Modèles MTA courants#

Les modèles linéaires donnent le même crédit à chaque point de contact. Les modèles à décroissance temporelle accordent plus de poids aux points de contact proches de la conversion qu’aux plus anciens. Les modèles basés sur la position (en forme de U) donnent une part plus importante au premier et au dernier point de contact, en répartissant le reste au milieu. Les modèles basés sur les données ou algorithmiques, souvent construits à partir des valeurs de Shapley ou d’une approche similaire de théorie des jeux, estiment la contribution marginale de chaque point de contact directement à partir des données historiques plutôt qu’en appliquant une règle fixe.

En quoi cela diffère des modèles à point unique#

L’alternative la plus simple consiste à créditer le point de contact qui a déclenché le dernier événement à l’intérieur d’une fenêtre d’attribution définie, via un pixel de conversion au moment de l’achat. C’est simple à calculer mais cela sous‑évalue systématiquement les canaux du haut de l’entonnoir comme les placements de découverte native, qui tendent à introduire un produit plutôt qu’à conclure la vente. La MTA tente de corriger cela en répartissant le crédit sur l’ensemble du parcours, ce qui fait généralement que la publicité native et la publicité display du haut de l’entonnoir semblent plus précieuses sous un modèle MTA qu’elles ne le sont sous un modèle au dernier clic.

Pourquoi il est devenu plus difficile de la mettre en œuvre#

La MTA dépend du regroupement des points de contact d’un même utilisateur à travers les appareils et les sessions, ce qui nécessite des identifiants persistants : cookies, identifiants publicitaires mobiles ou correspondance d’utilisateur connecté. Les restrictions de cookies dans les navigateurs et les limites de suivi au niveau des plateformes ont rendu ce regroupement plus poreux au fil du temps, de sorte que les modèles MTA s’appuient de plus en plus sur un appariement modélisé ou probabiliste pour combler les lacunes plutôt que sur un suivi de clic déterministe. C’est en partie la raison pour laquelle davantage d’annonceurs investissent maintenant dans la collecte de données de première partie, car un enregistrement utilisateur que vous possédez directement survit mieux aux changements de suivi des plateformes qu’un enregistrement que vous louez.

Où cela s’insère parmi les autres mesures#

La MTA fonctionne le mieux comme un diagnostic du milieu de l’entonnoir, montrant quels points de contact ont tendance à apparaître ensemble sur un parcours gagnant, plutôt que comme la parole finale sur la valeur d’un canal. Les équipes d’achat média sérieuses vérifient périodiquement si la valeur de canal implicite par le modèle tient dans une expérimentation réelle, car un canal que la MTA indique comme contribuant à un tiers des conversions peut encore montrer un effet proche de zéro une fois désactivé pour un groupe test.

Comprendre quels canaux génèrent la notoriété du haut de l’entonnoir commence par savoir ce qui est réellement diffusé. L’outil de veille des annonces natives d’OpenAdLibrary montre quels annonceurs diffusent activement des créations natives dans votre secteur, une donnée utile avant de décider combien de crédit d’attribution un canal mérite dans votre propre modèle.

Notes pratiques de mise en place#

Obtenir une MTA fiable nécessite un identifiant de suivi cohérent sur chaque réseau afin que les points de contact du même utilisateur puissent réellement être appariés, ainsi qu’une durée de fenêtre d’attribution appliquée de façon cohérente sur tous les canaux. Des fenêtres incompatibles entre plateformes – par exemple une fenêtre de 7 jours sur un tableau de bord et de 30 jours sur un autre – rendront toute comparaison MTA inter‑canaux invalide avant même que le modèle ne s’exécute. Nettoyer vos données de dépenses publicitaires et de conversion en amont vaut la peine avant d’investir dans un modèle plus sophistiqué basé sur les données.