Ciblage Large Meta

Le ciblage large (en anglais broad targeting) désigne un ad set ouvert : on n’y restreint ni par centres d’intérêt ni par audience personnalisée, le placement des annonces est confié à l’algorithme. La thèse qui s’est imposée dans le corpus practitioner Meta entre 2021 et 2026 est qu’il ne s’agit pas d’une audience à choisir parmi d’autres, mais du régime par défaut du canal : les intérêts et les lookalikes n’y sont plus que des suggestions, que la machine élargit ou ignore selon ce qu’elle juge le plus efficace.

L’idée vient du terrain, pas d’un laboratoire. Sa matière est entièrement practitioner : les media buyers Meta qui documentent leurs comptes en temps réel (Dara Denney, Jon Loomer, Andrew Faris, Curtis Howland, Etienne Garcia), les podcasts DTC (Limited Supply) et les newsletters growth (Growth Gems). Ce sont des retours d’expérience à l’échelle de comptes réels, de quelques milliers à plusieurs millions de dollars par mois - pas des expériences contrôlées. Leur convergence est d’autant plus notable que ces opérateurs ne travaillent pas ensemble.

Deux pièces hissent néanmoins le corpus au-dessus du simple témoignage. D’un côté, une analyse de comptes Thesis sur trente jours, où l’ad set broad sort le plus d’achats de chaque compte de scaling. De l’autre, un test d’incrémentalité mené par Netflix et rapporté par Limited Supply, où Meta, chargée de trouver seule les utilisateurs qui s’inscriraient, écrase le ciblage manuel par intérêts et démographie. La réserve tient à la nature du terrain : la doctrine broad est écrite par des marques qui ont déjà payé l’infrastructure de données qui la rend viable.

La page traite du régime d’audience sur Meta - ce que « broad » signifie, ce qu’il remplace, et à quelles conditions il fonctionne. Elle ne traite ni le paramétrage écran par écran (Meta Ads - Paramétrage), ni l’architecture de compte (Structure de Compte Meta), ni la mécanique de diffusion de l’algorithme (Diffusion Algorithmique Meta) : trois couches voisines, chacune sa page.

L’essentiel en 4 points

• Le broad n’est pas une audience parmi d’autres : c’est le régime par défaut où l’algorithme place lui-même les personnes, les intérêts et les lookalikes n’étant plus que des suggestions.
• Intérêts et ascendants graduels ont cédé : le seul levier d’audience réellement scalable est la créa et le budget.
• Le broad présuppose un pixel entraîné - une marque zéro-à-un séquence intérêts, lookalikes, puis broad.
• Le paramétrage minimal tient en quatre types d’audiences et un objectif Purchase ; au-delà, c’est de la complexité qui coûte du signal.

Le ciblage est une suggestion, la créa est devenue le ciblage

Un ad set broad est une audience sans intérêts ni audience personnalisée : le ciblage est ouvert, confié à la machine. Selon l’expérience de Dara Denney (FACEBOOK AD STRATEGIES), la logique est de laisser la créa faire le ciblage - on ne restreint plus l’audience, c’est le contenu publicitaire qui va chercher les bonnes personnes.

Le mécanisme est documenté par la régie elle-même. Selon Jon Loomer (How Many Active Ad Sets Should You Have in a Meta Ads Campaign?), le ciblage détaillé et les lookalikes ne fonctionnent plus que comme des suggestions : Meta atteint de toute façon les mêmes personnes dans chaque ad set, si bien que multiplier les ad sets par audience ne segmente pas le ciblage, elle fragmente le budget. L’algorithme ne se contente pas d’élargir, il peut ignorer une sélection : selon Andrew Faris (7 Meta Ads Mistakes), Meta prévient qu’il sortira des intérêts ou du lookalike choisis s’il estime gagner davantage en dehors du segment, et reconstruit son propre lookalike au niveau de l’annonce d’après les signaux d’engagement.

Selon Dara Denney (7 Things Only Experts Know About Facebook Ads), intérêts et lookalikes sont en cours de dépréciation par la régie elle-même, et le broad devient la seule audience réellement scalable : une créa validée en broad est plus scalable qu’une créa validée sur une audience restreinte. Ce basculement est le versant audience d’un mécanisme traité au chapitre 1, où la créa est devenue le signal de ciblage que l’algorithme interprète.

Ce que la recherche établit

Les deux preuves les plus dures du corpus convergent. Selon Dara Denney (The Best Audience on Facebook Ads: BROAD TARGETING), sur trente jours de comptes Thesis, l’ad set broad sortait le plus d’achats de chaque compte de scaling, plus d’un tiers des achats des core campaigns et jusqu’à 50 à 60 % dans plusieurs cas ; le gain des lookalikes, testé ponctuellement, meurt plus vite que celui du broad. Selon Limited Supply (Incrementality, Data, the Funnel), un test d’incrémentalité mené par Netflix - confier à Meta la mission de trouver seule les utilisateurs qui s’inscriraient - a écrasé le ciblage manuel par intérêts et démographie, assez pour que le broad soit ensuite déployé globalement.

Le recensement praticien est plus radical encore. Selon Dara Denney (The Only 2 Audiences I Use on Meta Ads), sur dix comptes Meta analysés en 2024, zéro marque n’utilisait de lookalikes, les intérêts étaient rares et souvent sous-performants face au broad, et le retargeting dédié déclinait massivement puisque ses audiences sont récupérées dans Advantage+ Shopping : le ciblage s’est réduit à broad + ASC. La même source décrit ASC comme fonctionnant sur un spectre d’intention - explicite (visiteurs, add-to-cart, engageurs) puis implicite (in-market non découverts, captés par la lecture des produits vendus) -, ce qui explique sa scalabilité.

Trois pièces complètent le tableau. Selon Curtis Howland (The DTC Meta Ads Tier List), les lookalikes ont perdu tout avantage sur le broad et Advantage+ depuis les évolutions d’Andromeda, « une version inférieure » en 2026. Selon Etienne Garcia (Le secret des marques qui scalent très vite sur Meta), l’algorithme post-Andromeda a besoin de volume de signal avant la précision du ciblage : au-dessus d’environ 50 conversions par semaine, les campagnes larges surpassent les étroites. Enfin selon Dara Denney (How to Structure Your Meta Ads Account in 2026), le broad ne remplace pas seulement les intérêts, il remplace aussi le retargeting dédié - un retargeting surpondéré asséchant la découverte de nouveaux utilisateurs.

La question qui commande : le pixel a-t-il de quoi apprendre ?

Le broad n’est pas un interrupteur qu’on active sur un compte neuf. Selon Limited Supply (What You Might Be Getting Wrong as a DTC Founder), le ciblage large présuppose un pixel entraîné par des années de spend : une marque zéro-à-un doit démarrer en intérêts, passer aux lookalikes à mesure que l’audience se construit, et n’atteindre le broad qu’ensuite - lancé trop tôt, il dilue le spend sans signal d’apprentissage. C’est la tension centrale du concept : la doctrine broad est écrite par des marques qui ont déjà payé l’infrastructure de données qui la rend viable.

Le corollaire est que les audiences restent des injonctions de signal, jamais des architectures durables. Selon Dara Denney (Watch Me Build a Facebook Ads Account With a $10K/Month Budget), une audience d’intérêt surproduit pendant une à deux semaines puis décroît, quelle que soit sa taille : le ciblage agit comme un re-boot de signal pour l’algorithme, des quick wins, pas un levier de performance soutenable.

Cette poche alternative existe pourtant. Selon Dara Denney (The Only 4 Audiences I Use on Facebook Ads), broad, intérêts et lookalikes visent la même population par des chemins différents : on ne rencontre pas les mêmes personnes en premier selon le chemin, et ces différences comptent pour la traction d’un lancement comme pour l’efficience marginale d’un compte.

Le paramétrage minimal qui reste

Broad ne signifie pas « zéro exclusion » : le périmètre de prospection se définit par soustraction, pas par ajout. Selon Andrew Faris (7 Meta Ads Mistakes), toute structure d’ad sets multipliée par des segments d’intérêts ou de lookalikes doit être consolidée en ciblage broad, l’algorithme reconstruisant de toute façon sa propre audience. Quatre types d’audiences suffisent, même à grande échelle : selon Dara Denney (The Only 4 Audiences), broad pur, stack d’intérêts, stack de lookalikes et retargeting consolidé couvraient des comptes à 1 M$ par mois, la complexité au-delà n’apportant rien face à l’algorithme.

L’empilement remplace la segmentation. Selon Dara Denney (Why I Stack My Interest Targeting on Facebook Ads), empiler dans un seul ad set les intérêts liés à un même noyau bat la multiplication des single-interest ad sets : l’algorithme exploite les chevauchements pour prioriser les personnes les plus susceptibles de convertir, et le stacking neutralise le gaspillage par recouvrement. La même source écarte l’isolement de chaque intérêt pour « savoir d’où viennent les clients » : quand l’intérêt gagnant s’éteint, l’apprentissage isolé ne se transfère pas, là où l’ad set empilé cumule des apprentissages qui préparent le scaling. Enfin, selon Dara Denney (10 STRATEGIES TO PROFIT FROM FACEBOOK ADS), l’algorithme performe mieux au-dessus d’environ 4 millions de personnes par ad set : regrouper des audiences déjà prouvées atteint ce seuil plutôt que de fractionner.

Deux réglages d’objectif ferment le cadre. Selon Jon Loomer (When Broad Targeting Fails), le broad plus objectif Purchase est la configuration par défaut solide, l’algorithme convergeant vers les segments les plus propices à l’achat ; avec des objectifs haut-de-funnel (clics, vues de page, engagement), l’algorithme maximise des événements peu coûteux et attire fraude et clics accidentels, ce qui appelle un ciblage restreint ou des événements personnalisés filtrant l’intention. Et selon Dara Denney (10 Mistakes to Avoid on Facebook Ads in 2022), la créa se teste en broad comme ground-truth : si un créatif performe en broad, il performera sur les audiences ciblées.

Tension ouverte

Tension ouverte. L’école « broad par défaut » et le how-to documenté ne se recouvrent pas parfaitement. Selon Growth Gems #129, le ciblage démographique et comportemental sur Meta est largement non pertinent en 2025, la seule exception utile restant l’exclusion d’âge. Mais selon Growth Gems #137, BetterMe maintient une présence significative en detailed targeting parallèlement au broad (mix 60/30/10), parce que les intérêts capturent des niches que le broad ne trouve pas assez vite sur un nouveau marché. La frontière n’est pas tranchée : le broad domine la scalabilité, le detailed targeting garde une fenêtre de découverte en ouverture de marché.

Reste une hypothèse de praticien. Selon Dara Denney (My Predictions for 2023), Meta continuera de réduire les options de ciblage et ajoutera des suggestions d’audience « à la TikTok » pour rassurer les acheteurs mal à l’aise avec la créa-comme-ciblage. Le ciblage large reste inconfortable pour la plupart, et celui qui l’assume prend une avance.

Si ta scale-up plafonne aujourd’hui

1. Pré-empte le mauvais réflexe.

Le réflexe naturel est « il me manque un segment d’audience pour croître ». Sur Meta, pars du broad plus objectif Purchase, et ne restreins que si les résultats révèlent un vrai problème d’audience. Restreindre par défaut, c’est fragmenter le signal avant même de savoir s’il manquait.

2. Consolide avant d’empiler.

Consolider les ad sets plutôt que les multiplier, et n’empiler que des audiences qui cumulent des apprentissages. Un ad set qui reçoit moins d’une cinquantaine de conversions par semaine apprend en continu sans converger : le budget réel est le seuil d’apprentissage.

3. Vérifie la maturité de ton pixel avant d’appliquer la doctrine.

Le broad présuppose un pixel entraîné par des années de spend. Une marque zéro-à-un séquence : intérêts, puis lookalikes à mesure que l’audience se construit, puis broad. Lancer le broad trop tôt dilue le spend sans signal.

4. Traite les intérêts comme un re-boot, jamais comme une architecture.

Une audience d’intérêt surproduit une à deux semaines puis décroît. Utilise-la par vagues, sans réallouer le budget structurel sur la foi d’une surperformance de moins d’un mois.

Le paramétrage écran par écran vit dans Meta Ads — Paramétrage, l’architecture de campagne dans Structure de Compte Meta, la mécanique de diffusion dans Diffusion Algorithmique Meta.

Pour aller plus loin

• Meta Ads — Paramétrage - Le réglage du compte par étape et par niveau : ce que la machine lit, ce qu’on lui transmet, et la règle de ne toucher que sur preuve.
• Structure de Compte Meta - L’architecture de compte : quelques campagnes isolées par fonction, un minimum d’ad sets, une consolidation qui préserve le signal.
• Enchères Manuelles Meta - Les gouverneurs de dépense posés sur les deux moteurs de l’enchère, quand et comment transmettre ton économie à la machine.
• Format Créatif Meta - Le format comme variable d’audience : pourquoi la créa porte désormais le ciblage.
• Mythe de la Segmentation - Pourquoi segmenter ne construit pas de demande.
• Ciblage Comportemental et Ciblage Contextuel - Le ciblage hors Meta quand le cookie disparaît.
• Diversification Créative - Produire la diversité qui alimente l’apprentissage de l’algorithme.

Sources

• Dara Denney, FACEBOOK AD STRATEGIES: What’s working now & iOS 14 update. Laisser la créa faire le ciblage.
• Dara Denney, 7 Things Only Experts Know About Facebook Ads. La dépréciation des intérêts et lookalikes par la régie.
• Dara Denney, The Best Audience on Facebook Ads: BROAD TARGETING [post iOS 14]. L’analyse trente jours des comptes Thesis.
• Dara Denney, The Only 2 Audiences I Use on Meta Ads…. Le recensement 2024 : broad + ASC et le spectre d’intention.
• Dara Denney, The Only 4 Audiences I Use on Facebook Ads…. Les quatre types d’audiences qui suffisent à grande échelle.
• Dara Denney, Why I Stack My Interest Targeting on Facebook Ads…. L’empilement contre la multiplication des ad sets.
• Dara Denney, Watch Me Build a Facebook Ads Account With a $10K/Month Budget (FACEBOOK ADS FUNNEL). L’audience d’intérêt comme re-boot de signal.
• Dara Denney, How to Structure Your Meta Ads Account in 2026 (the right way). Le broad qui remplace aussi le retargeting dédié.
• Dara Denney, 10 STRATEGIES TO PROFIT FROM FACEBOOK ADS // Facebook Ads Strategies 2020. Le seuil d’environ 4 millions de personnes par ad set.
• Dara Denney, 10 Mistakes to Avoid on Facebook Ads in 2022. La créa testée en broad comme ground-truth.
• Dara Denney, My Predictions for 2023 (Agency life, Facebook Ads, ChatGPT & more…). L’hypothèse de réduction continue des options de ciblage.
• Jon Loomer, How Many Active Ad Sets Should You Have in a Meta Ads Campaign?. Le ciblage détaillé réduit à une suggestion.
• Jon Loomer, When Broad Targeting Fails. Broad + Purchase par défaut, le piège des objectifs haut-de-funnel.
• Andrew Faris, 7 Meta Ads Mistakes Costing You Insane Amounts Of Money. Meta qui sort d’un segment et reconstruit son propre lookalike.
• Limited Supply, Incrementality, Data, the Funnel, Oh My! (with Olivia Kory of Haus). Le test d’incrémentalité Netflix.
• Limited Supply, What You Might Be Getting Wrong as a DTC Founder. Le pixel entraîné comme prérequis du broad.
• Curtis Howland, The DTC Meta Ads Tier List. Les lookalikes « version inférieure » après Andromeda.
• Etienne Garcia, Le secret des marques qui scalent très vite sur Meta (IM8, Hims, Loop Earplugs…). Le volume de signal avant la précision du ciblage.
• Sylvain Gauchet (Growth Gems), 💎 Growth Gems #129 - Creatives, Paid UA, and AI. Le ciblage démographique largement non pertinent en 2025.
• Sylvain Gauchet (Growth Gems), 💎 Growth Gems #137 - Creatives and Onboarding. Le mix 60/30/10 de BetterMe.

ℹ️ À propos de cette page

Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.

Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.