Attribution marketing : comprendre et choisir son modèle d’attribution

​Dossiers des experts Webmarketing​

Ce guide consolide et remplace notre dossier en trois parties « Webmarketing, automatisation et attribution », publié à l’origine à la fin des années 2010. Les analyses de fond et les données originales ont été conservées ; les éléments devenus obsolètes ont été retirés ou explicitement datés. Dernière mise à jour : août 2026.

Vous dépensez sur Google Ads, Meta, LinkedIn, l’affiliation et l’emailing. À la fin du mois, vous additionnez les conversions rapportées par chaque plateforme et vous obtenez un chiffre supérieur à votre chiffre d’affaires réel. Ce décalage n’est pas un bug : c’est la définition même du problème d’attribution.

L’attribution marketing consiste à répartir le mérite d’une conversion entre les différents points de contact qui l’ont précédée. La question est simple à formuler et très difficile à trancher — d’autant que le paysage a beaucoup bougé : Google a supprimé la majorité de ses modèles d’attribution en 2023, Meta a changé sa règle de comptage en mars 2026, et la collecte de données dépend désormais entièrement du consentement.

Ce guide fait le point : ce qu’est un modèle d’attribution, ce qu’il en reste concrètement dans Google Ads et GA4 en 2026, les cinq angles morts qu’aucun modèle ne corrige, et la méthode que nous appliquons en agence pour confronter le ROI perçu au ROI réel.

L’attribution répond à une question de comptabilité : quand un internaute a vu une publicité Meta, cliqué sur une annonce Google, ouvert un email puis acheté trois jours plus tard, lequel de ces points de contact a « produit » la vente ?

Aucune réponse n’est objectivement vraie. On ne peut pas rejouer le parcours sans la publicité Meta pour vérifier. Un modèle d’attribution est donc une convention de répartition, pas une mesure. C’est le point de départ le plus important de ce guide : changer de modèle ne change pas vos ventes, cela change la façon dont vous vous les racontez.

• La mesure : combien de conversions ai-je enregistrées, et sont-elles correctement collectées ? C’est un problème de tracking.
• L’attribution : à quel canal les rattacher ? C’est un problème de convention.
• L’incrémentalité : combien de ces conversions n’auraient pas eu lieu sans ce canal ? C’est un problème d’expérimentation.

Beaucoup d’arbitrages budgétaires ratés viennent d’une confusion entre les trois. Un modèle d’attribution ne dira jamais si un canal est incrémental ; il dira seulement comment le crédit a été réparti selon la règle choisie.

Historiquement, six modèles d’attribution des conversions cohabitaient dans les outils Google :

• Dernier clic : 100 % du crédit au dernier point de contact. Simple, lisible, et structurellement injuste envers tout ce qui intervient en amont.
• Premier clic : l’inverse. Valorise la découverte, ignore la transformation.
• Linéaire : crédit réparti à parts égales entre tous les points de contact.
• Dépréciation temporelle (time decay) : plus un contact est proche de la conversion, plus il pèse.
• Basé sur la position : typiquement 40 % au premier contact, 40 % au dernier, 20 % répartis au milieu.
• Attribution algorithmique (data-driven) : la répartition est calculée à partir de vos propres données.

Les modèles à règles fixes ont un mérite : ils sont explicables. Vous pouvez dire à votre direction financière exactement pourquoi tel canal reçoit tel crédit. Ils ont un défaut majeur : la règle est arbitraire et ne s’adapte ni à votre cycle de vente, ni à votre secteur.

L’attribution algorithmique abandonne la règle fixe. Le modèle compare les parcours qui ont converti à ceux qui n’ont pas converti et estime la contribution marginale de chaque point de contact. En théorie c’est plus juste : le crédit reflète un effet observé plutôt qu’une convention.

En pratique, trois limites :

• Elle exige du volume. Sans historique suffisant, le modèle n’a rien à comparer.
• Elle est opaque. Vous ne pouvez pas auditer la répartition, seulement la constater.
• Elle ne voit que ce que la plateforme voit. Un modèle data-driven Google ignore vos campagnes Meta, et réciproquement.

Ce dernier point est décisif, et nous y revenons plus bas : l’attribution algorithmique déplace le problème, elle ne le résout pas.

Google Ads. L’annonce date du 20 avril 2023 : les modèles premier clic, linéaire, dépréciation temporelle et basé sur la position sont dépréciés. Ils ont disparu de l’API à la mi-juillet 2023, et les actions de conversion qui les utilisaient encore ont été basculées automatiquement en septembre 2023. Il ne reste que deux modèles : dernier clic et data-driven.

Google Analytics 4. Même mouvement : premier clic, linéaire, dépréciation temporelle et basé sur la position ont été retirés des rapports d’attribution en novembre 2023.

Si vous lisez encore des articles qui expliquent comment « choisir entre les six modèles d’attribution Google », ils décrivent un produit qui n’existe plus.

Dans Google Ads, vous n’avez plus que deux options par action de conversion.

Data-driven est le modèle par défaut. Google calcule la contribution de chaque interaction à partir des données de votre compte.

Dernier clic reste disponible. Il garde son intérêt dans deux situations : quand vous n’avez pas le volume nécessaire pour qu’un modèle data-driven soit fiable, et quand vous avez besoin d’une lecture stable dans le temps pour comparer des périodes.

Sur les seuils de volume, la documentation de Google est contradictoire selon les pages et les époques. Les pages d’aide actuellement en ligne mentionnent, pour certains types d’actions de conversion, un seuil d’éligibilité de l’ordre de 3 000 interactions publicitaires et 300 conversions sur 30 jours pour activer le modèle, et environ 2 000 interactions et 200 conversions pour le conserver. Un billet du blog Google de 2021 affirme à l’inverse que ces seuils ont été supprimés. Vérifiez dans votre propre interface plutôt que dans un article : c’est le seul endroit où l’information est à jour pour votre compte.

GA4 propose trois modèles :

• Attribution basée sur les données, canaux payants et organiques
• Dernier clic, canaux payants et organiques
• Dernier clic, canaux payants Google

Les fenêtres de rétrospective sont paramétrables. Pour les événements clés d’acquisition (première ouverture, premier achat), la valeur par défaut est de 30 jours, avec une option à 7 jours. Pour les autres événements clés, la valeur par défaut est de 90 jours, avec des options à 30 ou 60 jours. Ce réglage est structurant : sur un cycle de vente B2B de quatre mois, une fenêtre de 30 jours ne verra jamais le premier point de contact.

Deux évolutions récentes méritent d’être connues :

• 16 janvier 2026 : GA4 permet de définir des paramètres d’attribution par événement clé, plutôt qu’un réglage unique pour toute la propriété. Un rapport d’analyse de l’attribution des conversions est également apparu en bêta.
• 4 mai 2026 : le reporting des conversions cross-canal est arrivé en alpha dans la Data API.

Un point de vigilance : le modèle appliqué par défaut à l’ensemble des rapports GA4 fait l’objet d’affirmations contradictoires en ligne, sans déclaration officielle claire. Nous ne le trancherons pas ici — vérifiez le réglage effectif dans les paramètres d’attribution de votre propriété.

Si la question du choix d’outil se pose au-delà de l’attribution, nous l’avons traitée séparément dans notre comparatif GA4, Matomo ou analytics souverain.

Changer de modèle d’attribution revient à redécouper un gâteau. Les problèmes qui suivent concernent la taille du gâteau — et aucun modèle ne les règle.

Google Ads mesure les conversions attribuables à Google. Meta mesure les conversions attribuables à Meta. Aucun des deux ne voit l’autre. Quand un même acheteur a été exposé aux deux, les deux le comptent. C’est pourquoi la somme des conversions déclarées par vos plateformes dépasse systématiquement votre nombre de commandes réel.

Ce n’est pas un défaut technique, c’est le modèle économique. Une plateforme publicitaire dont le rôle est de justifier son budget n’a aucune incitation à sous-estimer sa contribution.

Le corollaire pratique : ne pilotez jamais un arbitrage inter-canaux avec les chiffres des plateformes. Utilisez une source unique — back-office, CRM ou ERP — et servez-vous des plateformes pour optimiser à l’intérieur d’un canal, pas pour comparer les canaux entre eux.

Un internaute découvre un produit sur son téléphone dans les transports, y repense le soir sur sa tablette, et commande le lendemain depuis son poste de travail. Sans identifiant utilisateur commun, ces trois sessions sont trois personnes différentes pour vos outils, et le parcours que votre modèle d’attribution analyse est un parcours qui n’a jamais existé.

La seule parade robuste est l’identification : compte client, connexion, identifiant transmis à vos outils de mesure. Cela suppose un travail produit autant que technique — donner une raison de se connecter avant l’achat, et pas seulement au moment de payer.

Le trafic classé « direct » est en grande partie une catégorie fourre-tout : liens ouverts depuis une application mobile, redirections mal configurées, paramètres UTM perdus dans une chaîne de redirections, clics depuis un PDF ou un client mail lourd. Tout ce que l’outil ne sait pas rattacher atterrit là.

Nous avons mesuré ce phénomène sur un panel de 25 écoles de commerce françaises à l’aide de SimilarWeb. Le trafic direct y représentait en moyenne 46,35 % des visites — un niveau qui n’est pas crédible comme mesure de la seule notoriété, dans un secteur où la décision passe massivement par la recherche et la comparaison en ligne.

Quand près de la moitié de votre trafic est « direct », près de la moitié de votre attribution est un point d’interrogation. Le premier chantier n’est alors pas de choisir un modèle, c’est de récupérer le signal.

La plupart des débats sur l’attribution portent sur la répartition du crédit. Très peu portent sur ce qui est compté — alors que c’est là que se logent les erreurs les plus coûteuses.

Un formulaire rempli n’est pas un client. Une mise au panier n’est pas une vente. Une vente n’est pas une marge. Si vos campagnes sont optimisées sur un événement situé loin de l’argent, l’algorithme optimisera avec une grande efficacité une métrique qui ne finance rien.

Le cas le plus fréquent en B2B : optimiser sur le lead. L’algorithme apprend à produire des leads, et il y parvient très bien — en allant chercher les profils qui remplissent le plus facilement un formulaire, c’est-à-dire souvent les moins qualifiés. La correction passe par la remontée des conversions hors ligne : renvoyer aux plateformes le fait qu’un lead est devenu client, et à quelle valeur.

Le volume d’interactions nécessaire par conversion varie énormément d’un canal, d’un produit et d’un marché à l’autre. C’est une donnée à établir sur vos propres comptes, pas à lire dans une moyenne sectorielle.

Dernier point sur la définition : le chiffre d’affaires de la première commande n’est pas le bon dénominateur si votre activité repose sur le réachat. Le KPI pertinent est la valeur vie client. Un canal qui affiche un ROAS médiocre à la première commande peut être le meilleur canal de l’entreprise sur douze mois — et vous le couperez si vous ne regardez que la fenêtre d’attribution.

Depuis mars 2024, le Consent Mode v2 est requis pour diffuser de la publicité personnalisée et mesurer des audiences dans l’EEE et au Royaume-Uni : deux signaux supplémentaires, « ad_user_data » et « ad_personalization », s’ajoutent aux paramètres existants. Le dispositif a été étendu à la Suisse en juillet 2024. Google procède à des audits et peut suspendre l’accès aux fonctionnalités d’audience et de conversion en cas de non-conformité.

Quand le consentement est refusé, les plateformes ne comptent plus : elles modélisent. Google indique un seuil de l’ordre de 700 clics publicitaires sur sept jours, par pays et par regroupement de domaines, pour que la modélisation des conversions se déclenche.

Attention à une statistique très largement mal citée : le chiffre de « plus de 70 % » publié par Google en 2021 désigne la part des parcours clic-vers-conversion perdus qui sont récupérés par la modélisation. Il ne signifie pas que 70 % de vos conversions sont modélisées. Google ne publie pas de chiffre actuel sur ce point ; méfiez-vous de tout contenu qui l’affirme.

Conséquence concrète : une part de vos conversions est une estimation statistique. Ce n’est pas illégitime, mais cela impose de la prudence sur les micro-arbitrages, et cela rend la qualité de votre collecte first-party décisive. C’est exactement le travail que nous menons sur les dispositifs de tracking et de mesure.

C’est le changement le plus susceptible de vous faire tirer une mauvaise conclusion cette année. Depuis le 3 mars 2026, l’attribution post-clic de Meta ne compte plus que les clics sur lien, et non plus l’ensemble des clics. Une nouvelle « engage-through attribution » remplace l’ancienne attribution post-vue engagée, et la fenêtre d’engagement vidéo passe de 10 à 5 secondes.

Effet pratique : le nombre de conversions post-clic remonté par Meta baisse, sans qu’aucune performance réelle n’ait changé. Toute comparaison année sur année qui traverse mars 2026 est faussée. Annotez vos tableaux de bord : c’est le genre de rupture qui déclenche des arbitrages budgétaires injustifiés six mois plus tard.

Par ailleurs, plusieurs sources concordantes font état d’un retrait des fenêtres post-vue à 7 et 28 jours de l’API Ads Insights en janvier 2026, ainsi que de limites de rétention resserrées. Nous n’avons pas pu confirmer ce point dans la documentation officielle : vérifiez dans votre propre compte avant de reconstruire un reporting dessus.

Trois mouvements convergent.

• Data Manager API. Depuis le 15 juin 2026, l’import de conversions hors ligne et les téléchargements de conversions améliorées pour les prospects passent par la Data Manager API et ne sont plus acceptés par l’API Google Ads.
• Unification des conversions améliorées. Les conversions améliorées pour le Web et pour les prospects ont fusionné en un réglage unique courant juin 2026, avec la possibilité, depuis avril 2026, d’alimenter les données fournies par l’utilisateur depuis plusieurs sources.
• Google tag gateway. Annoncé en mai 2025, il ne remplace pas le tagging server-side : Google recommande explicitement les deux, et non l’un ou l’autre.

Toujours au 15 juin 2026, GA4 a fait du Consent Mode son mécanisme unique de contrôle des données. Si vous aviez conservé des réglages de contrôle parallèles, ils ne font plus référence.

Beaucoup de contenus racontent encore une version périmée de cet épisode. Le déroulé exact :

• 22 juillet 2024 : Google abandonne la dépréciation des cookies tiers dans Chrome.
• 22 avril 2025 : Google renonce à afficher une invite autonome de choix utilisateur. C’est la date qui acte réellement le maintien des cookies tiers.
• 17 octobre 2025 : Google retire la majorité des API Privacy Sandbox, dont l’Attribution Reporting API, Topics, Protected Audience, Private Aggregation et Shared Storage.

Certaines briques survivent et restent utiles : CHIPS, FedCM, Private State Tokens, Fenced Frames, Storage Access API, les mitigations de bounce tracking et les User-Agent Client Hints.

La conclusion pratique n’a pas changé pour autant. Les cookies tiers survivent dans Chrome, mais Safari et Firefox les bloquent depuis des années, la durée de vie des cookies first-party posés en JavaScript est limitée sur Safari, et la contrainte s’est déplacée vers le consentement. Le chantier reste identique : collecte first-party propre, server-side, identification client.

Les pixels dans les emails. La CNIL a adopté le 12 mars 2026 une recommandation (délibération n° 2026-042, publiée le 14 avril 2026) sur l’utilisation des pixels de suivi dans les courriers électroniques. Le consentement est requis pour les pixels de personnalisation et de mesure d’audience, avec un délai de trois mois prévu pour informer les contacts déjà présents en base. C’est le sujet le moins couvert et le plus immédiatement opérationnel de cette liste : il touche directement l’attribution email, dont les taux d’ouverture et les parcours reconstruits reposent sur ces pixels.

La mesure fondée sur l’adresse IP. Pour les campagnes diffusées à compter du 3 août 2026, Google lance dans l’EEE, au Royaume-Uni et en Suisse une mesure et une personnalisation publicitaires fondées sur l’adresse IP. Elle requiert un consentement valide et une information explicite de l’utilisateur. Si vous opérez sur ces marchés, c’est un sujet à traiter avec votre CMP dès maintenant.

Le cadre général. Le règlement ePrivacy a été retiré en février 2025, mais la directive et l’article 82 de la loi Informatique et Libertés continuent de s’appliquer. Le « Digital Omnibus » présenté le 19 novembre 2025 est une proposition, pas un texte en vigueur : ne construisez rien dessus. Et le sujet n’est pas théorique — la CNIL a prononcé le 3 septembre 2025 des sanctions de 325 millions d’euros contre Google et 150 millions contre Shein pour dépôt de cookies sans consentement.

Si l’attribution est une convention et que le signal est partiellement modélisé, il faut une autre famille d’outils pour répondre à la seule question qui compte vraiment : si je coupe ce budget, que se passe-t-il ?

Le principe est celui d’un essai contrôlé : on prive un groupe d’exposition et on compare. C’est la seule méthode qui produise une réponse causale plutôt qu’une répartition.

Longtemps réservés aux très gros budgets, ces tests se sont démocratisés. En novembre 2025, Google a abaissé le seuil d’entrée de ses tests d’incrémentalité dans Google Ads d’environ 100 000 $ à 5 000 $ par expérimentation, en annonçant des résultats concluants jusqu’à 50 % plus souvent. Le test d’incrémentalité n’est plus un luxe de grand compte.

Le MMM ne suit pas les individus : il modélise l’effet des investissements sur les ventes à partir de séries agrégées. Il est de ce fait insensible aux cookies, au consentement et au cross-device — ce qui explique son retour en grâce.

Google a ouvert le code de Meridian en janvier 2025 et le développe activement : un Scenario Planner en février 2026, une version « Meridian Studio » annoncée en mai 2026 avec un pilote sur le second semestre, et Meridian GeoX, une brique open source de mesure géo-incrémentale, annoncée également en mai 2026. Côté Meta, Robyn reste disponible, même si son rythme de publication s’est nettement ralenti depuis fin 2024.

Le MMM n’est pas un remplaçant de l’attribution : il travaille à une autre maille, plus lente et plus stratégique, et il demande de l’historique. La combinaison qui fonctionne aujourd’hui est un triptyque : attribution pour l’optimisation quotidienne à l’intérieur d’un canal, incrémentalité pour valider ponctuellement, MMM pour arbitrer le budget global.

Nous ne publierons pas de classement d’outils : le bon choix dépend trop de votre volume, de votre stack et de votre organisation, et les classements vieillissent mal. En revanche, voici les questions qui discriminent réellement les solutions.

• Quelle est la source de vérité ? Si l’outil ne se réconcilie pas avec votre back-office ou votre CRM, vous ajoutez un chiffre au débat au lieu de le trancher.
• Que fait-il du trafic non consenti ? Modélisation, exclusion, extrapolation : la réponse change complètement la lecture des résultats.
• Gère-t-il l’identité ? Sans résolution d’identité cross-device, l’outil hérite intégralement de l’angle mort n° 2.
• Peut-il ingérer des conversions hors ligne, et à quelle valeur ? C’est la condition pour optimiser sur la marge plutôt que sur le formulaire.
• La méthode est-elle auditable ? Un modèle propriétaire non documenté vous fait remplacer l’opacité de Google par une autre opacité, payante celle-là.
• Que coûte la maintenance ? Un outil d’attribution mal alimenté produit des chiffres faux avec beaucoup d’assurance.

Dans la majorité des cas que nous rencontrons, l’investissement le plus rentable n’est pas l’achat d’un outil d’attribution : c’est la fiabilisation de la collecte en amont. Un modèle sophistiqué appliqué à des données trouées produit une erreur sophistiquée.

Le protocole que nous appliquons chez nos clients tient en cinq questions, posées canal par canal :

• Pour un euro investi sur le canal A, quel est le ROI global constaté au niveau trimestriel, mesuré sur le chiffre d’affaires réel ?
• Pour ce même euro, quels ROI affichent les différents systèmes d’attribution ?
• Peut-on identifier la source d’une décorrélation entre ROI réel et ROI perçu ?
• En cas de décorrélation, quelle valeur de ROI faut-il réellement attribuer au canal A ?
• Est-il possible d’obtenir un résultat équivalent via un canal de nature différente ?

Le raisonnement au trimestre est volontaire. Il neutralise la plupart des effets de fenêtre d’attribution et il oblige à confronter les chiffres des plateformes à une donnée que personne ne peut contester : l’encaissement.

Nous avons mené ce test avec un grand compte du secteur de la literie, accompagné de longue date. À la demande de l’annonceur — sollicité directement par Google — nous avons vérifié que les critères de volume étaient réunis, exposé les avantages et les risques, puis décidé ensemble de limiter le test à une gamme unique plutôt qu’au compte entier.

Résultat : après une phase d’apprentissage de sept semaines pendant laquelle la rentabilité a été inférieure à celle obtenue en gestion manuelle, le système s’est stabilisé sur un niveau identique à celui d’avant. Deux explications : le compte était déjà finement optimisé par des gestionnaires expérimentés, et sur un volume de requêtes limité l’algorithme a fini par paramétrer ciblages et enchères comme un humain l’aurait fait.

La conclusion n’est pas que l’automatisation ne sert à rien — c’est qu’elle produit sa valeur là où l’humain ne peut pas suivre : beaucoup de signaux, beaucoup de volume, beaucoup d’arbitrages par jour. Sur un compte déjà propre et à volume restreint, elle rattrape le niveau existant, elle ne le dépasse pas. Et la phase d’apprentissage a un coût réel qu’il faut budgéter avant de lancer le test, pas le découvrir en cours de route.

Le lien avec l’attribution est direct : un algorithme d’enchères optimise sur les conversions telles que le modèle d’attribution les lui décrit. Si le modèle sur-crédite un canal, l’automatisation améliorera avec zèle une performance qui n’existe pas.

Ce guide s’appuie notamment sur une enquête menée auprès de nos clients à la fin des années 2010, avec plus d’une cinquantaine de réponses recueillies. Nous la citons pour ce qu’elle est : un instantané daté, dont les constats se sont révélés durables.

Les secteurs représentés allaient de la fintech B2C à la génération de leads B2B, en passant par une start-up de l’apprentissage des langues, de grands acteurs du retail en ligne et le tourisme B2B et B2C.

Trois perceptions dominaient. L’automatisation était vue comme plus rapide mais pas nécessairement plus efficace ; elle était perçue comme appelée à dominer le marché ; et elle privait les annonceurs d’une transparence à laquelle ils étaient habitués.

Les deux premières se sont vérifiées. La troisième s’est aggravée : entre la disparition des modèles d’attribution paramétrables, la généralisation du data-driven et la modélisation des conversions non consenties, la part de la mesure qui échappe à l’annonceur n’a jamais été aussi grande. C’est précisément pour cela que la question « quel modèle d’attribution choisir ? » est aujourd’hui secondaire par rapport à « quelle donnée est-ce que je maîtrise réellement ? ».

Dans cet ordre, et pas dans un autre :

• Fiabilisez la collecte. Tracking server-side, Consent Mode correctement implémenté, UTM cohérents, réduction du « direct » non identifié.
• Définissez la bonne conversion. Le plus près possible de l’argent, avec remontée des conversions hors ligne et de leur valeur.
• Choisissez ensuite un modèle, et n’en changez plus sans le documenter. Un changement de modèle non annoté produira une fausse tendance six mois plus tard.
• Réconciliez au trimestre avec votre back-office, votre CRM ou votre comptabilité.
• Testez l’incrémentalité sur vos deux plus gros postes budgétaires avant d’arbitrer.

C’est le travail que nous menons sur les dispositifs de tracking et de mesure et dans le pilotage des budgets d’acquisition en tant qu’agence de webmarketing. Si vous ne savez pas dire aujourd’hui quel écart sépare les conversions déclarées par vos plateformes de vos commandes réelles, c’est par là qu’il faut commencer — et nous pouvons en parler.