Une campagne TV est diffusée et, dans les minutes qui suivent, les recherches de marque progressent, le trafic vers le site augmente et les campagnes Search Brand enregistrent davantage d’activité. GA4 mesure ces comportements digitaux, mais peut-il identifier la campagne TV comme étant à l’origine de cette dynamique ? Pas nécessairement.
C’est l’une des limites fondamentales de l’attribution : ce qui est mesuré et attribué n’est pas toujours équivalent à ce qui a réellement influencé le consommateur. Cette distinction est essentielle pour analyser un mix média combinant des leviers online et offline, dont les rôles diffèrent tout au long du funnel.
L’enjeu consiste alors à distinguer les médias qui créent ou stimulent la demande, ceux qui la captent et ce que les outils analytics sont réellement capables d’attribuer.
GA4 mesure les interactions observables, pas l’ensemble de l’influence média
GA4 constitue un outil central pour analyser l’acquisition, les comportements sur site et les conversions. Son modèle d’attribution Data-Driven permet de répartir le crédit d’une conversion entre différents points de contact observables, plutôt que de raisonner uniquement selon une logique de dernier clic.
Cette approche reste néanmoins tributaire des signaux disponibles. Or, une partie importante de l’influence publicitaire intervient avant toute interaction digitale identifiable.
C’est particulièrement évident pour les médias offline. TV, affichage, DOOH, radio ou presse peuvent développer la notoriété, la mémorisation et l’intention sans générer de point de contact directement exploitable par GA4. Lorsqu’un consommateur exposé à une campagne recherche ensuite la marque sur Google ou accède directement à son site, GA4 observe son arrivée digitale, mais ne dispose pas nécessairement du signal permettant de la rattacher à l’exposition média qui l’a précédée.
Le même phénomène existe dans l’environnement digital. Une exposition vidéo, Social Media ou Display peut influencer un utilisateur sans provoquer de clic, avant qu’il ne revienne ultérieurement par Search, Organic ou Direct.
L’absence d’attribution à un média ne signifie donc pas nécessairement l’absence de contribution.
Des effets immédiats aux parcours de plusieurs mois
La temporalité constitue une difficulté supplémentaire. L’effet d’une campagne peut être quasi instantané : une diffusion TV peut, par exemple, provoquer un pic de recherches de marque ou de trafic vers la homepage pendant ou immédiatement après sa diffusion.
À l’inverse, pour des produits ou services impliquant davantage de considération, la conversion peut intervenir plusieurs semaines ou plusieurs mois après les premières expositions.
Le parcours consommateur peut ainsi se construire sur différentes temporalités, différents médias et différents appareils. Plus il se fragmente, plus la capacité à relier précisément l’ensemble des influences à une conversion individuelle diminue.
Les principaux biais à intégrer dans l’analyse
Au-delà des médias offline, plusieurs phénomènes réduisent la visibilité disponible dans les outils analytics :
Biais de mesure | Concrètement | Impact sur l’analyse |
|---|---|---|
Les expositions sans clic ou sans interaction digitale | Un utilisateur peut voir une publicité vidéo ou Display sans cliquer. Dans le cas de la TV, de l’affichage ou de la radio, il peut même n’exister aucune interaction digitale à mesurer. | Le média peut contribuer à la notoriété, à la mémorisation ou à l’intention sans apparaître clairement dans le parcours attribué. |
La perte de certains identifiants et le cross-device | Un utilisateur découvre une marque sur son smartphone puis revient plus tard depuis son ordinateur. | Si les signaux disponibles ne permettent pas de relier les interactions, une partie du parcours peut être difficile à reconstruire. GA4 utilise également de la modélisation dans certains cas où le passage entre appareils ne peut pas être observé directement. |
Le consentement et la modélisation | Lorsqu’un utilisateur ne donne pas son consentement, certaines données ne peuvent pas être observées de la même manière. Sous certaines conditions, GA4 utilise alors de la modélisation pour compléter une partie des données manquantes. | Les rapports peuvent combiner données observées et données modélisées. Le niveau de visibilité n’est donc pas identique pour tous les parcours. |
Ces limites ne rendent pas les données GA4 moins utiles. Elles définissent simplement le périmètre dans lequel elles doivent être interprétées.
Créer la demande n’est pas la même chose que la capter
Cette distinction est particulièrement importante dans l’analyse du Search.
Lorsqu’un utilisateur recherche volontairement une marque, son niveau d’intention est déjà élevé. Search, SEO ou accès direct interviennent alors souvent dans la captation d’une demande existante. Mais cette demande n’est pas nécessairement apparue spontanément : elle peut avoir été créée ou renforcée en amont par une campagne TV, une présence en affichage, une vidéo, du Social Media ou du Display.
Le parcours peut ainsi prendre la forme suivante :
TV / affichage / vidéo → exposition et mémorisation → recherche de marque → Search → conversion
Dans GA4, Search sera particulièrement visible car il intervient à un moment où l’intention est forte et l’interaction mesurable. Le média qui a participé à la création de cette intention peut, lui, être absent du parcours attribué.
Les médias de notoriété contribuent à créer et nourrir la demande ; les médias de captation permettent de la transformer en visite puis, potentiellement, en conversion.
Comparer ces leviers uniquement sur la base des conversions qui leur sont attribuées revient donc à comparer des médias dont les fonctions dans le funnel sont différentes.
Un exemple concret : quand l’attribution peut orienter la lecture
Prenons un exemple volontairement simplifié. Une marque lance une campagne YouTube destinée à développer sa notoriété.
Canal | Avant campagne | Pendant la campagne | Évolution |
|---|---|---|---|
Search | 80 | 110 conversions | +30 |
Direct | 20 | 60 conversions | +40 |
YouTube attribué | – | 15 conversions | +15 |
Total | 100 | 185 | +85 |
Une lecture centrée exclusivement sur l’attribution pourrait conduire à considérer YouTube comme marginal, avec seulement 15 conversions attribuées, tandis que Search et Direct apparaissent nettement plus performants.
Une lecture média pose une question supplémentaire : la campagne a-t-elle contribué à l’augmentation de la demande ensuite captée par Search et Direct ?
La progression simultanée de ces canaux constitue un signal intéressant, mais pas une preuve de causalité. Saisonnalité, promotions, SEO, concurrence ou autres campagnes peuvent également influencer les résultats. L’analyse doit donc confronter ces variations aux périodes de diffusion et à d’autres indicateurs avant de conclure.
C’est précisément la différence entre attribution et incrémentalité : l’attribution répartit le crédit entre les interactions observées ; l’incrémentalité cherche à déterminer ce que la campagne a réellement généré en plus de ce qui se serait produit sans elle.
Chez Mediamix, nous analysons le rôle du média au-delà de son attribution
Cette lecture a une conséquence directe sur notre manière d’évaluer les campagnes : les médias ne peuvent pas être comparés uniquement sur la base des conversions que GA4 leur attribue.
Un levier de notoriété et une campagne Search Brand n’interviennent ni au même niveau du funnel, ni avec le même objectif. Leur performance doit donc être interprétée en tenant compte de leur rôle dans le mix média et du contexte dans lequel ils sont activés.
Dans nos analyses, nous mettons les données GA4 en perspective avec d’autres signaux disponibles : évolution du trafic Direct, recherches de marque, performance du Search Brand, données des plateformes média ou encore variations observées pendant les périodes de diffusion. L’objectif n’est pas d’attribuer artificiellement ces évolutions à un média, mais d’identifier des signaux cohérents permettant d’enrichir l’analyse.
Pour aller plus loin, d’autres méthodologies de mesure peuvent compléter l’attribution, notamment les études de Brand Lift, les tests d’incrémentalité ou le Marketing Mix Modeling (MMM). Ce dernier permet d’analyser statistiquement la contribution des différents leviers marketing à la performance globale, sans dépendre de la reconstitution du parcours individuel dans GA4.
Une hausse du Search Brand pendant une campagne de notoriété, par exemple, ne doit pas être automatiquement interprétée comme une amélioration autonome du Search : elle peut aussi être le reflet d’une demande plus forte générée en amont. À l’inverse, un média auquel peu de conversions sont directement attribuées ne doit pas être considéré comme inefficace sur ce seul critère.
C’est pourquoi nous privilégions une lecture globale de la performance, dans laquelle l’attribution constitue un indicateur parmi d’autres plutôt qu’une mesure exhaustive de la contribution de chaque média.
De l’attribution à la mesure de la contribution média
GA4 reste une pièce essentielle de l’écosystème de mesure, mais l’attribution ne peut, à elle seule, restituer toute la contribution d’un mix média.
La question « Quel canal a obtenu la conversion ? » doit donc être complétée par une seconde : « Quels médias ont contribué à créer l’attention, l’intention et la demande qui ont rendu cette conversion possible ? »
C’est cette lecture que nous privilégions chez Mediamix : interpréter les données GA4 dans leur contexte média, tenir compte du rôle de chaque levier dans le funnel et croiser les signaux disponibles plutôt que d’opposer les canaux sur la seule base des conversions attribuées.
L’objectif n’est pas de chercher à attribuer artificiellement chaque conversion à l’ensemble du mix, mais de disposer d’une lecture suffisamment complète pour prendre de meilleures décisions d’investissement média.