Dans Growth Memo, Kevin Indig, consultant en croissance organique, examine les limites de l’attribution pour la recherche IA.
L’attribution ne voit qu’une partie du parcours
Kevin Indig décrit un parcours où l’utilisateur interroge une IA, consulte sa synthèse, puis rejoint directement le site d’une marque. Un modèle fondé sur les clics peut alors ignorer l’origine de la découverte. Les restrictions de consentement et l’usage de plusieurs appareils compliquent aussi le suivi.
L’auteur ne propose pas d’abandonner le suivi du trafic issu des assistants IA. Il reste un signal directement observable. Mais il ne renseigne ni sur les échanges avant la visite ni sur la demande créée par les actions de visibilité.
Kevin Indig cite le cas de n8n, une plateforme d’automatisation. Selon la comparaison publiée par Graphite, l’attribution au dernier contact dans GA4 associait environ 1 % des conversions aux IA. Cette proportion atteignait environ 9 % dans une enquête qui demandait aux utilisateurs comment ils avaient connu le service. Ces chiffres comparent deux méthodes d’attribution au sein d’une seule entreprise.
Croiser trois indicateurs pour évaluer la visibilité dans les IA
Kevin Indig propose la triangulation, soit le croisement de trois indicateurs aux limites différentes.
- La part de voix, qui mesure la présence relative de la marque dans les recommandations des IA.
- L’origine de la découverte déclarée par les clients, ou les informations consignées dans le CRM.
- Les conversions.
Selon lui, une évolution concordante renforce la confiance dans l’analyse. Des écarts appellent un examen plus précis. Cette approche ne suffit pas à établir un lien de causalité entre la visibilité obtenue et les résultats commerciaux.
Comparer les résultats avec et sans action marketing
L’attribution répartit le crédit d’une conversion entre les points de contact identifiés. L’incrémentalité cherche à estimer combien de conversions supplémentaires une action a produites. Pour mesurer l’effet propre d’une action, elle compare les résultats observés avec une estimation de ce qui se serait passé sans cette action.
Kevin Indig présente plusieurs méthodes, selon ce que l’entreprise peut isoler ou faire varier.
- Les groupes témoins aléatoires permettent de comparer des utilisateurs, des comptes ou des zones exposés à une action avec d’autres qui ne le sont pas.
- Les tests géographiques réservent l’action à certains marchés, puis comparent les résultats avec des marchés similaires.
- Les déploiements progressifs utilisent temporairement les groupes en attente comme témoins.
- Les tests par alternance comparent des périodes avec et sans action, après prise en compte des variations récurrentes.
Quand la répartition aléatoire est impossible, il évoque les quasi-expériences, qui reconstituent une situation de comparaison. Pour les canaux difficiles à isoler, la modélisation du mix marketing (MMM) estime leur contribution à partir de données historiques, idéalement avec un calibrage fondé sur des tests.
