La plupart des dispositifs d’analyse marketing n’existent que pour survivre aux réunions. Des tableaux de bord que personne n’ouvre entre deux points d’étape, des modèles d’attribution dont tout le monde se méfie en silence, des bilans trimestriels conçus pour qu’aucune décision ne s’impose jamais. Je construis une mesure qui supporterait d’être expliquée à voix haute, à votre DAF ou au client que l’on mesure.
Le tracking est audité avant qu’on s’y fie, parce que c’est dans le paramétrage que personne ne vérifie que les chiffres déraillent en premier. L’attribution est traitée comme un ensemble de mensonges utiles à trianguler, et j’y réintègre les appels téléphoniques et les résultats hors ligne que votre tableau de bord ignore aujourd’hui. L’incrémentalité se prouve par des tests sur groupe témoin que toute équipe marketing peut mener, sans service de data science ; c’est ainsi que j’ai validé un retour de 342 pour 1, quand la version du tableau de bord était trop belle pour que j’y appose ma signature. Le marketing mix modeling intervient là où le budget et la répartition entre canaux le justifient, avec un non lucide là où ce n’est pas le cas. Enfin, la gouvernance, cette discipline profondément ennuyeuse des UTM et des conventions de nommage, décide s’il sera même possible de répondre aux questions de l’an prochain.
Mon exigence pour les livrables, je l’ai empruntée au meilleur client que j’aie jamais eu. Chaque analyse se termine par une décision, avec, énoncé à l’avance, le chiffre qui la ferait changer. Les tableaux de bord sont refaits jusqu’à ce que leurs destinataires les ouvrent vraiment, ce qui veut généralement dire moins de graphiques, un langage plus simple et une page qui dit quoi faire lundi.
Ici, la protection des données est une contrainte de conception : une mesure soumise au consentement, des données first-party réellement mises en action, des data clean rooms alimentées uniquement par des données first-party assez propres pour que le matching fonctionne, et des dispositifs pour secteurs réglementés qui ont déjà passé l’examen HIPAA, la loi américaine sur les données de santé. Si vos chiffres inspirent confiance mais pas vos décisions, c’est cet écart qui fait l’objet de la mission. Elle est généralement plus courte que les trois dernières présentations de prestataires que vous avez subies, et elle se termine par des chiffres que vous défendrez sans ciller.
Des chiffres que vous défendrez à voix haute
La mission : combler l’écart entre des tableaux de bord qui inspirent confiance et des décisions prises en confiance.
Engager la conversationQuestions fréquentes
Avons-nous besoin d’une équipe de data science pour mener des tests sur groupe témoin ?
Non. Un test sur groupe témoin compare un groupe exposé aux publicités à un groupe équivalent qui ne l’est pas, et une équipe marketing peut en concevoir un et en lire les résultats avec un échantillon de la bonne taille. Le retour de 342 pour 1 obtenu pour eBay a été validé de cette façon.
À quel modèle d’attribution devons-nous nous fier ?
Utilisez-en plusieurs, et ne vous fiez à aucun isolément. Les rapports des plateformes, les outils d’analytics et les modèles multitouch voient chacun une partie du tableau ; le travail consiste donc à les trianguler, à y ajouter les appels et les ventes hors ligne, puis à trancher les questions qui comptent par des tests sur groupe témoin.
La mesure fonctionne-t-elle encore avec les règles de consentement et HIPAA ?
Oui. Les balises ne se déclenchent qu’avec le consentement, les données first-party font le travail qui leur est permis, et les dispositifs pour secteurs réglementés ont déjà résisté à l’examen HIPAA.
Dans The Signal (en anglais)
Voir toutes les notes (en anglais)Impressions Are Not Created Equal. Frequency Should Not Be Either.
A search impression, a feed impression, and a banner impression are three different events wearing one name. Why every channel needs its own frequency math.
27 juin 2026Most Attribution Dashboards Get Built and Then Ignored
A dashboard nobody opens has a trust problem. The fix is admitting uncertainty on the dashboard itself instead of hiding it behind false precision.
3 avril 2026Marketing Mix Modeling Came Back From the Dead Because Nothing Else Survived
MMM was the dusty econometrics of big TV advertisers until signal loss made it modern again. What mix modeling does, what it needs, and who should wait.
1er avril 2026You Do Not Need a Data Science Team to Run a Holdout
Incrementality testing sounds like a research department. It is a spreadsheet, a map, and the discipline to leave some money on the table for six weeks.
25 mars 2026Every Attribution Model Is Wrong. Choose the One Wrong in Your Favor.
First-touch, last-touch, linear, data-driven: what each marketing attribution model assumes, what it hides, and how to use models without believing them.
24 mars 2026Your Match Rate Is the Ceiling on Everything Else
Every first-party data strategy depends on one unglamorous number: how much of your customer file the platforms can recognize. Typical is about 20 percent.
