La plateforme publicitaire annonce un mois record, mais la boutique ne voit aucune différence. La campagne d’un produit qui « ne se vend pas » tient pourtant la route dans les résultats. Les deux phénomènes ont la même origine : les conversions et l’attribution ne fonctionnent pas comme le laissent croire les plateformes. Ce guide fait le point sur ce que l’on sait avec certitude des sources de vente, sur ce qu’aucun système ne sait, et sur la manière de prendre malgré tout de bonnes décisions budgétaires.
Notions
Conversion et attribution en e-commerce : définitions
Les deux notions semblent techniques, pourtant elles déterminent la lecture de chaque rapport :
Définitions
Une conversion est un événement comptabilisé par un système de mesure donné selon ses propres règles : fenêtre temporelle, mode de comptage et exigences de consentement. Une conversion dans la plateforme publicitaire et une commande payée dans la boutique sont deux choses différentes, souvent avec des chiffres différents sur la même période.
L’attribution est une manière conventionnelle de répartir le mérite d’une conversion entre les points de contact avec le client. Conventionnelle, car personne ne voit le parcours complet : chaque système n’en connaît que sa propre partie.
Ces définitions donnent une règle pratique pour lire les rapports. Le nombre de conversions répond à la question « qu’a comptabilisé ce système ? », et non « combien la boutique a-t-elle vendu ? ». L’attribution répond à la question « comment avons-nous convenu de répartir le mérite ? », et non « quel canal a réellement déclenché l’achat ? ». Lire les plateformes en gardant cela à l’esprit évite la plupart des malentendus coûteux.
Base de la boutique
Ce que la boutique n’enregistre pas sur les sources de vente
La base de la boutique tient un registre des commandes, pas l’historique du client sur internet. Avant que la commande n’existe, le client a pu voir une vidéo publicitaire, cliquer sur une annonce produit, revenir depuis une newsletter et n’acheter qu’à la énième visite. Voici un parcours type et ce qu’il en reste dans la boutique :
La boutique a enregistré le numéro, le montant, les produits et la date. Les trois contacts précédents vivent dans trois systèmes différents : chacun ne voit que sa partie, aucun ne voit l’ensemble.
Ce que la base de la boutique contient concrètement, et ce qu’elle ne contient pas :
| La boutique enregistre | La boutique n’enregistre pas |
|---|---|
| les commandes : montants, statuts, produits, client | les sessions précédentes et les visites sans achat |
| les lignes de commande : quantités, prix, remises et coût de revient des produits | le canal et la campagne d’entrée, ni le parcours complet entre appareils |
| client nouveau ou récurrent (d’après l’historique des commandes) | les impressions publicitaires et les contacts sans clic |
| les codes promo, moyens de paiement et modes de livraison | les coûts publicitaires et les données de campagne |
À retenir
Le canal et la campagne d’achat sont connus de GA4 et des plateformes publicitaires, chacun selon ses propres règles. Cette répartition est une estimation utile pour comparer les canaux, à condition d’appliquer partout la même mesure ; la confondre avec la cause de l’achat conduit à sous-estimer systématiquement les canaux qui agissent en début de parcours.
Failles de mesure
Consentements, cookies, tags : où se perdent les conversions
Entre une commande et sa trace dans les outils de mesure, plusieurs filtres s’interposent. Le RGPD impose un consentement à la mesure : une partie des clients le refuse et leurs transactions disparaissent de l’analytics. Les cookies sur lesquels reposent les identifiants de clic voient leur durée raccourcie par les navigateurs et sont supprimés par les bloqueurs. Les balises de suivi doivent avoir le temps de s’exécuter sur la page de remerciement : si la redirection après le paiement est interrompue, le tag ne se déclenche pas. Effet sur des chiffres indicatifs :
Les plateformes ne s’en tiennent pas à ces données clairsemées : elles modélisent statistiquement les conversions manquantes, ajoutent des achats après simple affichage de l’annonce et appliquent leurs propres fenêtres d’attribution. C’est pourquoi le chiffre du tableau de bord peut être à la fois supérieur au nombre de commandes (modélisation, fenêtres, doublons entre plateformes) et amputé de transactions réelles (consentements, bloqueurs). Les mécanismes de ces écarts sont détaillés dans un guide dédié : l’analytics e-commerce automatisé.
La commande enregistre l’effet. La cause reste dispersée entre les plateformes, les navigateurs et les consentements. Aucune base ne la conserve en entier.
Effet panier
La pub du produit A vend aussi B et C
Une annonce produit amène le client dans la boutique, pas en caisse avec un seul article. Le client clique sur une annonce de café, puis ajoute au panier un second café et des filtres. Une campagne de marque fait la même chose à l’échelle de tout le catalogue : elle vend « n’importe quoi », car elle amène des personnes qui décident de leur achat une fois dans la boutique.
Annonce produit
Café Éthiopie, grains 1 kg coût du clic : 0,50 €Commande n° 10482
Café Éthiopie 1 kg22,00
Café Brésil 250 g6,00
Filtres papier ×1003,00
Total31,00 €
Un clic à 0,50 €, trois lignes sur le ticket. À laquelle imputer le coût ? Et si le client a cliqué sur l’annonce du café mais n’a acheté que les filtres : la campagne café a-t-elle échoué ou fonctionné ?
C’est pourquoi le calcul « coût publicitaire du produit A divisé par les ventes du produit A » induit en erreur dans les deux sens. Il sous-estime la campagne dont les clics aboutissent à l’achat d’autres produits, et surestime les produits qui s’ajoutent aux paniers générés par d’autres. Même Google Shopping, seule plateforme avec un coût au niveau du produit, connaît le coût publicitaire du produit cliqué. Sur le contenu du panier qui en découle, il ne dit rien.
Risque réel
Couper des campagnes sur la base d’un faux calcul par produit fait perdre les ventes du panier entier. La campagne d’un produit d’appel peut afficher un résultat désastreux calculé sur ce seul produit, et excellent au niveau des commandes qu’il déclenche. L’évaluation doit se faire au niveau de la campagne : valeur de conversion des paniers complets selon GA4 ou la plateforme, et rentabilité globale via le MER calculé sur le chiffre d’affaires de la boutique.
Limites des données
Relier chaque dépense à chaque commande est impossible
Les trois sections précédentes mènent à une seule conclusion technique. La boutique stocke les effets sans les parcours, les outils de mesure voient des parcours troués, et le panier rompt le lien entre le produit promu et le produit acheté. Il n’existe donc aucune méthode capable de relier chaque euro dépensé à une commande précise, chez personne, dans aucun outil. Plutôt que de chercher ce lien, mieux vaut connaître les trois niveaux de fiabilité des données :
Données fiables
- Commandes payées : montants, produits, marge (conformes à la comptabilité)
- Dépenses publicitaires par plateforme, campagne et jour
- MER : chiffre d’affaires divisé par les dépenses totales. Aucune attribution ne peut le fausser
Approximations (utiles si la règle est unique)
- Répartition des ventes par canal selon GA4, avec un même modèle pour tous les canaux, à titre d’estimation
- ROAS des canaux et campagnes selon GA4 ou les plateformes, toujours avec la source indiquée et comparé au sein d’une même source
- Attribution data-driven dans GA4 comme second point de vue pour les canaux d’assistance
Hors de portée (pour tout le monde)
- Le parcours complet de chaque client à travers canaux et appareils
- Le coût publicitaire attribué à une commande précise
- Le coût publicitaire du produit A rapporté aux ventes du produit A (exception partielle : Google Shopping connaît le coût du produit cliqué, mais pas le panier)
Remarque méthodologique : les éditeurs d’outils qui promettent une « attribution multi-touch complète » sont eux aussi soumis aux consentements, aux bloqueurs et aux achats multi-appareils : leurs parcours sont modélisés à partir de données incomplètes, pas observés. La bonne question ne porte pas sur la promesse mais sur la couverture : quelle part du total des commandes de la boutique l’analytics sur lequel ils modélisent voit-il réellement ?
En pratique
Mesurer l’efficacité pub malgré les trous d’attribution
Connaître les limites simplifie la mesure au lieu de la compliquer. Puisque le niveau « commande précise » est hors de portée, tout l’effort se reporte sur les niveaux qui fonctionnent : commandes, canaux et jours. Voici une méthode éprouvée :
Fixer un point de référence
Les indicateurs de rentabilité globale se calculent sur les commandes payées de la boutique. Les chiffres des plateformes servent de signaux d’orientation pour l’optimisation au sein de chaque plateforme, jamais de comptabilité.
Le MER chaque semaine
Chiffre d’affaires des commandes divisé par les dépenses publicitaires totales. Insensible à l’attribution, aux consentements et à la modélisation. S’il baisse alors que les budgets augmentent, la publicité perd réellement en efficacité.
Un seul modèle GA4 pour comparer les canaux
Pour comparer les plateformes : transactions et chiffre d’affaires par canal selon GA4, avec un même modèle pour tous (par ex. dernier clic), considérés comme une estimation. En complément, l’attribution data-driven de GA4 sert de contrôle pour les canaux d’assistance.
Hygiène du suivi et tests
Surveillez la couverture GA4 : nombre quotidien de transactions purchase dans GA4 face au nombre de commandes de la boutique. Une baisse signale un problème de consentement ou de balisage. Mesurez l’impact des campagnes de marque par des tests : activez, coupez, comparez le MER et les ventes.
Ce dispositif exige une condition technique : les commandes, les dépenses et les données GA4 doivent se retrouver au même endroit, sur le même calendrier de jours. DataOrganizer la maintient automatiquement : chaque jour, il récupère les commandes de la boutique, les coûts de toutes les plateformes et les données GA4, calcule le MER sur le chiffre d’affaires de la boutique et la couverture GA4 sur les totaux journaliers, et présente la répartition par canal selon GA4 et les interfaces publicitaires, avec la source indiquée. Les questions se posent à l’assistant IA dans l’application ou via MCP dans votre propre chat ; la facturation ne porte que sur les sources connectées.
Tous sont « vrais ». Chacun compte autre chose :
| Système | Nombre | Ce qui est réellement compté |
|---|---|---|
| Google Ads | 412 | conversions dans une fenêtre de 30 jours après le clic, en partie modélisées |
| GA4 | 356 | transactions mesurées avec consentement ; l’écart de 33 avec la boutique (comparaison des totaux) vient généralement des refus de consentement et des bloqueurs |
| Boutique | 389 | commandes payées · point de référence |
Pour les décisions budgétaires : le MER d’août s’élève à 6,4 (23 655 € de chiffre d’affaires / 3 695 € de dépenses). Pour comparer les canaux, j’utilise les transactions et le chiffre d’affaires selon GA4, avec un seul modèle pour Google, Meta et les autres ; c’est une estimation de la répartition, avec une couverture GA4 de 91,5 % (356 / 389).
Calcul pour les chiffres du chat : 23 655 € / 3 695 € = 6,4. Toutes les valeurs des exemples de cet article sont illustratives : les mécanismes sont universels, les proportions diffèrent d’une boutique à l’autre.
FAQ
Questions fréquentes sur les conversions et l’attribution
Une boutique en ligne enregistre-t-elle d’où vient le client ?
Non. La base de la boutique stocke les commandes : montants, statuts, produits, client, moyen de paiement, mode de livraison et codes promo. Le canal et la campagne d’achat sont connus de GA4 et des interfaces publicitaires, chacun selon ses propres règles. La boutique ne connaît ni les sessions antérieures, ni les impressions publicitaires, ni les coûts.
Pourquoi Google Ads affiche-t-il plus de conversions que je n’ai de commandes ?
L’interface compte selon ses propres règles : fenêtres d’attribution (par exemple 30 jours après le clic), conversions après simple impression et conversions modélisées là où le consentement manque. En plus, une même transaction peut apparaître à la fois dans Google et dans Meta. Le point de référence reste les commandes payées ; lisez les interfaces comme un signal de tendance.
Peut-on relier le coût d’une publicité à une commande précise ?
Non : la commande dans la boutique ne contient aucune information sur le clic ou la campagne, les plateformes ne fournissent pas le coût d’un clic individuel lié à une transaction, et une même publicité vend des produits différents. Les niveaux fiables sont le MER (chiffre d’affaires total de la boutique divisé par la dépense totale) et le canal, la campagne et le jour selon GA4 ou les interfaces, à titre d’estimation. Exception partielle : Google Shopping connaît le coût publicitaire du produit cliqué, mais toujours pas le contenu du panier.
Comment calculer le retour d’une campagne sur la marque ?
Pas via le ROAS de l’interface : la publicité sur la marque capte les clics de personnes qui auraient souvent acheté de toute façon, et son effet se répartit sur tout le panier. Une approche plus honnête consiste à faire des tests d’activation et de coupure en observant le MER, les ventes et le trafic de marque, et, à plus grande échelle, des tests géographiques. Ce type de publicité s’évalue au niveau des résultats de toute la boutique pendant la période de test.
Quel modèle d’attribution est le meilleur pour l’e-commerce ?
Aucun ne restitue la réalité : chacun répartit le mérite de façon conventionnelle. Une combinaison fonctionne bien : un modèle fixe dans GA4 pour comparer les canaux, le modèle data-driven de GA4 comme second point de vue et le MER comme mesure du retour sur l’ensemble du budget, insensible à l’attribution. Plus de détails sur cette combinaison dans le guide de l’analytique e-commerce automatisée.
L’essentiel du guide
Trois principes pour une approche saine de l’attribution
1. Séparez les faits de l’interprétation. Les commandes payées, les dépenses et le MER sont des données solides. La répartition des ventes par canal selon GA4 ou les interfaces est conventionnelle : elle sert d’estimation si vous comparez les canaux avec un seul modèle. Le parcours client complet et le coût rattaché à une commande restent hors de portée pour tout le monde, quelles que soient les promesses des outils.
2. Évaluez les campagnes au niveau des paniers qu’elles ouvrent. La publicité du produit A vend aussi B et C, et celle sur la marque vend n’importe quel produit. Le calcul « coût de la publicité A divisé par les ventes de A » pénalise les campagnes qui amènent des clients et récompense les produits ajoutés aux achats initiés ailleurs ; lisez la valeur des paniers complets par campagne dans GA4 ou l’interface, et le retour global dans le MER.
3. Mesurez la qualité de votre propre suivi. La couverture GA4, c’est-à-dire les transactions dans GA4 rapportées aux commandes de la boutique sur les mêmes jours, indique sur quelle part des données vous travaillez réellement. DataOrganizer maintient cette mesure automatiquement : commandes, coûts et GA4 au même endroit, MER calculé sur le chiffre d’affaires de la boutique, et canaux selon GA4 et les interfaces, avec la source indiquée.
DataOrganizer · une mesure fondée sur les commandes, pas sur des promesses
Connectez votre boutique, vos plateformes publicitaires et GA4 : commandes, dépenses et couverture GA4 se retrouvent au même endroit, et vous voyez les canaux selon GA4 et les interfaces, avec la source indiquée. Compte démo immédiat, vous ne payez que les sources connectées.