Aller au contenu

Signal Engineering

Le signal engineering façonne le signal de conversion renvoyé à la régie : quel événement, quelle valeur, quel timing. À l'ère du bidding algorithmique, ce signal apprend à l'algorithme à chercher la valeur réelle plutôt que le volume le moins cher.

Basecamp · relevé de terrain

Catalogue
Canaux
Relevé le
Lecture
10 min
Station de sémaphore en laiton sur une falaise, un drapeau de signalisation levé, l'autre posé au sol - gravure naturaliste 1
Le signal, pas l'enchère

En signal engineering, depuis que Meta a introduit son optimisation au coût par achat (OCPM) en 2014, puis que l’automatisation s’est généralisée (Advantage+, App Campaigns, Performance Max), le métier de media buyer a changé de nature. L’annonceur n’accède plus à l’enchère elle-même : il définit un objectif, un budget, et surtout un signal de conversion. C’est ce signal que la machine optimise, et sa qualité détermine ce qu’elle apprend à chercher.

Le corpus qui documente cette discipline est essentiellement praticien : des podcasts d’acquisition mobile (Mobile User Acquisition Show, Sub Club), la newsletter 021 de Barbara Galiza, spécialiste du tracking, et les travaux d’Eric Seufert sur l’économie de la mesure post-ATT. Des retours d’expérience à grande échelle, pas des études longitudinales : solides sur le « comment », à valider sur son propre compte.

La page traite du signal envoyé aux plateformes de bidding : quel événement déclarer, quelle valeur lui attacher, à quel moment le transmettre, et comment l’algorithme apprend à partir de ces données. Elle ne couvre ni le paramétrage régie par régie (traité dans des pages dédiées) ni l’instrumentation technique du tracking lui-même, qui en est le prérequis amont.

L’essentiel en 4 points

  • Quand l’algorithme règle l’enchère, le signal de conversion devient la seule variable contrôlée par l’annonceur - et la définition du « bon client » se joue à ce niveau, pas dans l’Ads Manager.
  • Trois états du signal : brisé, normal, sophistiqué. Réparer avant d’optimiser - un écart de plus de 10 % entre conversions déclarées et données internes est bloquant.
  • Volume contre qualité : sous le plancher d’événements hebdomadaires l’optimisation décroche ; au-dessus, filtrer et enrichir vaut mieux que tout envoyer.
  • La valeur transmise doit être façonnée (proxy de LTV, valeurs différenciées) et le timing privilégie vite plutôt que juste : au-delà de 24 heures, un signal perd l’essentiel de sa valeur.

Comment le signal engineering déplace le levier

Selon l’expérience d’Itai Kafri (podcast Mobile User Acquisition Show), le métier a basculé : on ne contrôle plus les inputs de l’enchère, on définit un objectif, un budget et un signal - « You are deciding what to tell it and how you want it to optimize for you, and that turns out to be the whole game ». Le signal de conversion qu’on renvoie devient le levier d’optimisation primaire.

Le corollaire est brutal. Selon Barbara Galiza (021), sous Performance Max, Advantage+ ou broad match, l’événement de conversion est la seule variable encore contrôlée par l’annonceur : « Feed it a weak signal, and it will find users who match that weak signal. Feed it the wrong signal, and it will find the wrong users: efficiently and at scale. » L’algorithme est littéral et rapide : un mauvais signal ne produit pas moins de résultats, il produit efficacement les mauvais. La performance ne se joue donc plus dans la gestion fine des adsets mais dans la définition de ce qu’on déclare valoir.

Trois états du signal - réparer avant d’optimiser

Selon Thomas Petit (podcast Sub Club), tout signal se trouve dans l’un de trois états : brisé, normal, ou sophistiqué. Réparer un signal brisé est la priorité absolue, avant toute itération sur la créa ou l’audience, et le cas est fréquent, y compris dans de grandes organisations. Le premier diagnostic d’audit ne regarde donc pas l’Ads Manager mais l’Events Manager : comparer le volume de conversions déclaré par la plateforme aux données internes (Amplitude, backend, Mixpanel). Un écart supérieur à 10 % est bloquant, et il n’est pas rare d’en voir 30 à 50 %.

Un signal « normal » n’est pas encore bon. Selon Barbara Galiza, les plateformes réclament quatre qualités que la plupart des campagnes n’atteignent pas : une fréquence suffisante (environ 50 conversions par semaine et par ad set pour sortir du learning phase), la cohérence (déduplication client-side/server-side, sans laquelle la plateforme compte deux fois trop de conversions), la compatibilité d’attribution post-iOS14 (le client-side seul rate 80 %+ des conversions), et des données de valeur dans le payload.

Volume contre qualité : le trade-off fondateur

Filtrer un signal pour l’améliorer réduit mécaniquement son volume, et sous un plancher l’algorithme décroche. Selon Thomas Petit, le seuil qui circule est de 50 à 100 événements par semaine et par campagne ; sous une dizaine par jour, l’optimisation dysfonctionne. Passé ce seuil en revanche, l’utilité marginale du volume s’effondre : envoyer 30 événements par jour très filtrés vaut mieux que 300 bruts.

Quand l’événement cible est trop rare, la parade n’est pas d’attendre. Selon Barbara Galiza, on optimise sur un événement proxy à plus fort volume et plus haut dans le funnel (Start Trial plutôt que Subscribe, Add to Cart plutôt que Purchase), à condition d’y attacher une valeur prédite pour que l’algorithme distingue les proxys entre eux.

Façonner la valeur, pas seulement l’événement

Sans champ valeur, un abonné à 500 $ par an et un trial à 5 $ sont identiques aux yeux de la régie, qui optimise alors le volume bon marché. Selon Barbara Galiza, « an imperfect value signal is far better than no value signal at all » : une valeur assignée par palier de plan, segment de lead ou taille d’entreprise suffit à démarrer.

Mais la valeur brute transmise par défaut (le revenu réel du SDK) est trompeuse : elle survalorise l’annuel sur le mensuel et ignore la conversion tardive du free trial. Selon Thomas Petit, le revenue engineering consiste à envoyer une valeur proxy de la LTV prédite à un horizon fixé, pour dire à la plateforme ce qui est vraiment rentable - ce qui ne lui est pas naturel.

Ce que l’algorithme cherche dans cette valeur n’est pas la précision en dollars mais le classement. Selon Itai Kafri, des packages à 47 $ et 54 $ ne créent aucun signal exploitable ; les envoyer à 10 $ et 50 $ crée la séparation dont l’algorithme a besoin pour apprendre. Les outliers hyper-valeur doivent alors être capés au haut du range normal, sinon la plateforme part en chasse de profils introuvables et renchérit tous les CPA. Cas rapporté par Andrew Faris : une marque dont 40 % des clics sur ses annonces bagagerie achetaient en réalité des portefeuilles (l’audience chaude de la catégorie dominante) ramène ce chiffre à 6 % par signal engineering.

Le timing : vite plutôt que juste

Selon Thomas Petit, au-delà des premières 24 heures un signal devient à peu près inutile à l’algorithme : mieux vaut un proxy comportemental à J0 (trois actions dans les deux premières heures) qu’attendre la fin d’un free trial de 7 jours. Itai Kafri nomme le tradeoff : envoyer trop tôt (faible confiance) nourrit l’algo de mauvaises données, trop tard fait passer d’une fenêtre D1 à D7 et dégrade la performance - d’où une prédiction à haute cadence avec seuil de confiance dynamique pour envoyer au plus tôt les utilisateurs qui mûrissent vite.

La contrainte se durcit sur les cycles longs. Selon l’équipe Optmyzr, quand le cycle de vente dépasse la fenêtre d’import GClid (environ 24 mois), la seule issue est un modèle prédictif sur les signaux d’engagement précoces, retransmis en moins de deux semaines : « even waiting 90 days is often the wrong thing to do ».

Filtrer et enrichir en amont

Le signal ne se subit pas, il se construit. Selon Thomas Petit, plutôt que d’envoyer tous les free trials, on isole les qualified trials - les critères (device, âge, réponse d’onboarding) qui prédisent la non-conversion - sans ingénierie lourde. Certaines réponses d’onboarding sont même de puissants prédicteurs (un « niveau d’anxiété élevé » dans une app de santé mentale), au point qu’on peut concevoir des questions qui maximisent la variance de valeur. Eric Seufert pousse la logique : créer un obstacle (hurdle) que seuls les utilisateurs à haute intention franchissent - une étape supplémentaire, un CAPTCHA - devient un proxy de LTV capable de relever le ROAS en filtrant l’audience.

L’implémentation se fait de préférence côté serveur. Selon Barbara Galiza, le server-side tracking permet de décider quand déclencher l’événement (après confirmation de paiement, après scoring du lead, après vérification anti-fraude) et de l’enrichir avant envoi, là où le navigateur est limité à la session. Le même mécanisme autorise les événements synthétiques : selon Barbara Galiza, le signal peut provenir du backend ou du CRM (qualification commerciale, action produit prédictive) via Google Offline Conversion Import ou Meta Conversions API, et non du pixel. Ce qui suppose de définir d’abord le « bon client » (le lead qualifié, l’action qui prédit la rétention) puis de remonter à l’événement, jamais l’inverse.

Un système vivant, pas un réglage

Le signal engineering n’est pas un paramétrage figé mais une boucle de reinforcement learning : chaque signal modifie le mix d’utilisateurs que l’algorithme ramène. Cas rapporté par Itai Kafri : un client au modèle pLTV « très précis » a vu sa performance s’effondrer en deux jours parce que le modèle survalorisait un micro-segment (Google Search Partners), vers lequel 45 % du trafic a basculé en 48 heures. D’où deux couches distinctes : une réaction rapide au user mix quotidien, et un ré-entraînement plus lent du modèle. Selon Thomas Petit, il faut monitorer en continu l’écart entre valeurs transmises et revenus réels, et réviser les hypothèses tous les six mois ou à chaque changement de plan, de prix ou de mix de canaux.

Nuance de praticien : le signal engineering n’est pas toujours rentable

Avant de construire un modèle pLTV, Itai Kafri pose trois diagnostics : quelle est la taille du pool qui survit au-delà de J7 (si 95 % churne avant, le signal J7 suffit) ; la valeur post-J7 est-elle redistribuable (si les utilisateurs front-loadent leurs dépenses, re-classer ne change rien au ROI annuel) ; le modèle peut-il réellement re-classer (en jeux casual et hyper-casual, la corrélation J7-LTV est si forte que le signal J7 est déjà optimal). Investir là où le signal existant est déjà bon ne crée aucune différenciation.


Si ta scale-up plafonne aujourd’hui

Le réflexe hérité de l’ère perf, « j’optimise en réglant mes campagnes », est périmé : le levier est en amont, dans le signal. Concrètement, à l’écran de la régie :

  • Auditer l’Events Manager avant l’Ads Manager. Un écart de plus de 10 % entre conversions déclarées et données internes est un stop, pas un détail de tracking.
  • Attacher une valeur au payload, même grossière (palier de plan, segment de lead), et passer en tROAS ou value-based dès qu’elle est différenciée - un signal de valeur imparfait bat l’absence de signal.
  • Choisir l’événement d’optimisation depuis une définition explicite du « bon client », pas depuis ce qui était disponible au lancement.
  • Préférer un proxy rapide (moins de 24 h) et prédictif à un vrai événement tardif.
  • Instrumenter server-side (Conversions API, Offline Conversion Import) pour contrôler timing et valeur.

Le paramétrage régie par régie se règle dans Meta Ads - Paramétrage, Google Search Ads - Paramétrage et, côté app, SKAdNetwork - SKAN ; le setup amont de toute la chaîne relève de l’instrumentation du tracking.


Deux angles morts à garder en tête. Une limite structurelle d’abord : selon Itai Kafri, Meta et TikTok plafonnent la fenêtre de conversion à 7 jours - les plateformes ne savent optimiser que vers du court terme observé, et le signal engineering est une parade à ce plafond, pas sa suppression. Un piège de mesure ensuite : amplifier volontairement l’écart de valeurs (baisser les bas, gonfler les hauts) pour forcer la séparation rend le ROAS illisible dans la plateforme - on optimise mieux le signal au prix de la lecture directe. Le levier flirte ainsi avec la loi de Goodhart : à trop soigner la métrique envoyée, on risque d’optimiser le proxy et non la valeur qu’il représente, d’où l’exigence de valider par l’incrémentalité.

Pour aller plus loin


Sources


ℹ️ À propos de cette page

Direction éditoriale : Romain Nicault.

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.