Confirmation Bias

Le biais de confirmation aggrave les décisions avec l'expertise - le capital identitaire investi dans les croyances passe avant la preuve. Les dashboards natifs l'entretiennent. L'antidote est le test contrôlé qui force la confrontation à un résultat qu'on n'a pas choisi.

Le seul chiffre qui compte

Le biais de confirmation - la tendance à ne chercher et ne retenir que les informations qui confirment ce qu’on croit déjà - est une heuristique System 1 : automatique, rapide, économe en énergie cognitive. Elle a une valeur adaptative dans un monde qui exige des décisions rapides. Le problème n’est pas le biais lui-même, mais l’environnement professionnel qui le nourrit sans le corriger.

Selon Jon Loomer, consultant Meta Ads dont les travaux forment l’essentiel des sources de cette page, le biais de confirmation survient “when you already believe something to be true and then you only pay attention to the evidence that supports it.” Cette définition est banale. Ce qui l’est moins, c’est son mécanisme d’aggravation dans le marketing à la performance : le feedback est long (les effets de marque se mesurent en années), bruité (30 conversions par jour avec ±50 % de variance aléatoire) et confondu (le last-click ne mesure pas la cause, il répartit du crédit). C’est le terrain idéal pour que le biais prospère sans jamais être mis à l’épreuve.

L’observation la plus contre-intuitive est celle-ci : le biais s’aggrave avec l’expérience. “The advertisers who fall into this trap the hardest are the experienced ones - they look for reasons that don’t require them to change.” L’expert a investi du capital identitaire dans ses choix passés. Reconnaître qu’un levier qu’il défend depuis cinq ans ne marche pas, c’est menacer l’identité professionnelle - pas juste réviser une tactique.

La conséquence est que les organisations qui accumulent le plus d’expérience en acquisition peuvent paradoxalement accumuler le plus de biais non corrigés - sauf si elles ont mis en place des tests contrôlés qui forcent la confrontation à un résultat qu’elles n’ont pas choisi.

L’essentiel en 4 points

Le biais s’aggrave avec l’expertise : l’expérience investit dans des croyances, la remise en cause menace l’identité professionnelle.
Les dashboards natifs l’entretiennent : fenêtres d’attribution gonflées, métriques sans contre-factuel, variance lue comme signal.
Il opère à toutes les échelles : l’annonceur qui résiste au changement et l’industrie entière qui perpétue des règles empiriques non testées (Rule of Seven, 5× fidélisation).
L’antidote n’est pas l’argumentation mais le test contrôlé - il force la confrontation à un résultat qu’on n’a pas choisi.

Le mécanisme et le piège de l’expérience

Selon Jon Loomer (Confirmation Bias Makes You a Worse Advertiser) : “confirmation bias is when you already believe something to be true and then you only pay attention to the evidence that supports it.” C’est une heuristique System 1 par défaut, et le marketing réunit les conditions exactes où elle se nourrit au lieu d’être corrigée : chaîne de feedback longue (effets brand à 2 ans), bruitée (variance sur faible volume) et confondue (last-click).

Contre-intuitivement, le biais s’aggrave avec l’expérience : “the advertisers who fall into this trap the hardest are the experienced ones… they look for reasons that don’t require them to change.” L’expert a investi du capital identitaire dans ses choix passés ; reconnaître qu’un levier qu’il défend depuis 5 ans ne marche pas menace l’identité professionnelle, pas juste la décision. Loomer lui-même reconnaît avoir résisté à l’expansion Advantage+ précisément parce que “targeting strategies were what I became known for and expansion was a threat to my brand” (Your Stubbornness Is Killing Your Results) - la résistance est proportionnelle à l’identité professionnelle investie dans la pratique contestée. Le biais est une protection psychologique, pas une erreur de raisonnement.

L’archétype : le retargeting

Selon Jon Loomer (Reach Only New Customers), l’annonceur lit les KPIs natifs et conclut sans audit : “amazing cost per conversion… see, remarketing works. Advantage Plus doesn’t. But they have no idea how much of their budget went to remarketing when they used Advantage Plus.” Trois couches empilées : (1) le KPI natif est gonflé par construction - cibler des audiences décidées produit de la sur-attribution (Rosser Reeves Effect) ; (2) la comparaison cross-campagne est confondue (Advantage+ contient du retargeting non isolé) ; (3) les outils correctifs natifs (audience segments × breakdown by attribution) restent ignorés. Et la régie a un intérêt structurel à servir le retargeting : “Meta wants your results to look good.” Le diagnostic ne porte plus sur la mesure - ça, c’est le Rosser Reeves Effect - mais sur la résistance psychologique à la corriger quand on est expert.

Cas mécanique amplifié - les non-link clicks sur audience chaude. Selon Jon Loomer (What You Don’t Know About Meta Attribution), Meta compte comme “clic” tout tap à l’intérieur de l’ad (like, reaction, ouverture vidéo), pas seulement le clic outbound. Sur une audience chaude (followers, email list, visitors récents), ces clics réflexes se produisent sans que l’utilisateur ait vraiment vu l’ad ; puis dans la fenêtre 7-day-click, il achète sur son chemin habituel (recherche directe, email). L’ad reçoit le crédit : “That like could be a reflexive response and they really might have no idea what was in that ad. It made no impression on them, then within 7 days they performed the action that your ad was optimized for.” Pour l’annonceur expérimenté en acquisition, c’est l’archétype le plus difficile à corriger - le dashboard montre un ROAS retargeting impeccable parce qu’il est défini par cette mécanique.

Les manifestations

Asymétrie d’interprétation des spikes (Jon Loomer, Why Your Ads Aren’t Working Today) : “we assume positive spikes represent reality while drops reflect that something is wrong.” Sur 10-30 conversions/jour, ±50 % de bruit pur lu comme du signal.
Blâme externe et peur déguisée en rigueur : “c’est Meta” (Loomer, Excuses Holding Back Results) et “encore un test attribution avant de bouger” - “fear often disguises itself as rigor” (WARC, Effective marketing is built on soft skills) - sont deux images-miroir de l’évitement. Sa forme extrême, le bottomless pit (Loomer, Avoid the Bottomless Pit of Despair) : “only the tactics matter” - si la cause est toujours dans le paramétrage, on ne touche jamais aux variables réelles (produit, offre, landing).
Auto-conditionnement (Loomer, Social Proof Might Not Matter) : “Meta never told me social proof mattered. I just assumed it.” Cinq ans d’observations non-contrôlées (l’ad performante a plus de temps pour accumuler de l’engagement - effet lu comme cause) ; on “sait” sans avoir jamais vérifié.
Job security bias - micromanager pour se rendre visible. Selon Jon Loomer (The Baseball Manager Analogy: What Advertisers Get Wrong) : “an advertiser, whether they know it or not, is largely doing this out of perceived job security. They might be thinking, if I’m not constantly tweaking things, what am I needed for?” Le micromanagement (ciblage élaboré, bid tweaking, ad set splitting) dilue le budget et interrompt l’apprentissage de l’algo - et pourtant persiste parce qu’il signale de l’activité. Révélateur : “your ads are what you should care about most. This is the talent.” Biais fort chez les agences et in-house managers dont la valeur perçue dépend du nombre de leviers manipulés plutôt que des résultats.
Attachement émotionnel aux ads (Loomer, Don’t Get Emotionally Attached to Your Ads) : le besoin de contrôle cache un attachement ; on crée un ad set séparé pour forcer la delivery d’un créatif neuf - réaction qui paraît tactique mais protège l’identité créative. “Don’t have an emotional attachment to that bait. If it doesn’t work, you recast.” Les comptes à 8-15 ad sets parallèles sont souvent le sédiment de ces réactions, pas une stratégie de test.
Survivor bias industrie (The Marketing Architects, How Do Earned, Owned and Paid Media Fit in Your Marketing) : les case studies “earned → growth” sont la queue droite extrême (Blendtec a eu sa vidéo virale, Vitamix est le leader). Viser “le prochain Liquid Death” imite un profil de risque dont la médiane est < 1 % de réplication.
Métriques zombies - le biais à l’échelle de l’industrie. Documenté par Dale Harrison (consultant mesure marketing) dans le podcast Sleeping Barber (SBP 130 - Zombie Metrics: Don’t Fall for Misleading Data) : des règles empiriques sans fondement circulent depuis des décennies parce que personne ne les a testées. (a) Rule of Seven (7 expositions avant achat) - inventée en 1850 par un vendeur de magazines pour vendre plus de pages ; 60 ans de recherche la réfutent. (b) 5× plus coûteux d’acquérir que de retenir - misquote d’une note de bas de page d’un rapport de 1979, publié trois fois dans HBR sans justification. (c) AIDA funnel - créé en 1898 pour des vendeurs de porte-à-porte, présuppose que tout le monde est toujours in-market, contredisant la règle 95-5. Mécanisme commun : “there’s this invisible hand that’s guiding us… all kinds of metrics associated with that that we just don’t question because that’s just what we do.”
Variantes institutionnelles : on confond la durée du stimulus earned (cycle news 24-72 h) avec la durée de l’effet (memory structures durables) - on classe l’earned en “PR stunt” et on désinvestit (WARC, Beyond the buzz: linking effectiveness and earned media). Et le brand-safety keyword blocking : la recherche prouve zéro impact négatif, 80 % des CMOs soutiennent les news environments, mais les agences bloquent par risk-aversion - 30 % de l’inventory news invendu (WARC, How advertising ended up). La preuve nouvelle ne résout pas : le blocker est la structure d’incitations agence, pas la conviction.

L’antidote : le test d’auto-falsification

Selon Jon Loomer (How to Exclude Customers from Your Ads) : “the biggest obstacle to better results isn’t the algorithm. It isn’t a setting. It isn’t even your creative. It might be your unwillingness to question what you believe.” Le test contrôlé est la seule technique qui contourne le biais - il force la confrontation à un résultat qu’on n’a pas choisi. Trois niveaux, du moins au plus exigeant :

Breakdowns natifs (audience segments × attribution) - gratuits, 30 min, ignorés par ~90 % des annonceurs.
Geo / lift tests natifs (Meta Conversion Lift, Google GeoX) - l’aveu par la plateforme que ses propres dashboards sont biaisés (voir Attribution).
MMM à calibration externe (Media Mix Modeling ).

Discipline complémentaire, le dissent first - selon LaMontagne (The Marketing Architects, Marketing’s Role in Product) : “call your baby ugly” avant de la promouvoir (identifier explicitement les faiblesses et contre-arguments). Le résultat n’est pas une campagne moins défendable mais mieux défendue. Cadre conceptuel posé par Les Binet et Sarah Carter dans How not to Plan : chercher activement la déconfirmation, pas la validation.

Si ta scale-up plafonne aujourd’hui

Le biais est particulièrement fort sur ce profil, par convergence de quatre facteurs :

1. L’acquisition tient ses promesses au début.

Les premières années DTC, le CPA/ROAS est effectivement corrélé à la croissance (la marque part de zéro, toute conversion est quasi-incrémentale). Cette validation initiale ancre la croyance - et elle n’est pas fausse, elle est juste caduque à mesure que la marque grandit.

2. L’équipe s’est construite sur ces compétences.

Reconnaître la limite du modèle, c’est reconnaître que l’expertise interne est partiellement obsolète. Le coût psychologique est réel - pas juste une résistance irrationnelle, mais une menace sur l’identité professionnelle de personnes qui ont construit leur valeur sur ces leviers.

3. Les boards regardent ce qui bouge.

Le ROAS bouge chaque jour, la part de marché chaque année. La revue se cale sur la métrique mobile, la plus exposée au biais - les signaux lents (Say-Do Gap ) restent invisibles dans les rituels de reporting standard.

4. Le plateau ressemble à un problème d’exécution.

Le réflexe biaisé (“on n’optimise pas assez”) renforce exactement le pilotage qui produit le Performance Plateau : plus de paramétrage, plus de segmentation, moins de budget exposé aux nouveaux acheteurs.

D’où la tactique : ne pas attaquer la croyance (elle remet en cause l’identité au pire moment), mais proposer le test contrôlé qui la valide ou l’infirme. Si la croyance est juste, le test la renforce ; si elle est fausse, c’est le test - pas l’auditeur - qui livre le verdict.

Pour aller plus loin

Rosser Reeves Effect - La source d’erreur qui alimente le biais : ceux qui notent une pub sont déjà des acheteurs de la marque, et la corrélation est lue comme un effet causal.
Attribution - Pourquoi les outils de mesure natifs ne mesurent pas la cause mais répartissent du crédit - et comment ce biais structurel entretient le premier.
Incrémentalité - La question que le biais évite : “cette conversion aurait-elle eu lieu sans la dépense ?” Et les méthodes qui y répondent honnêtement.
Efficacité vs Efficience - Le biais conduit à piloter au ratio (ROI, ROAS) plutôt qu’en valeur absolue - la distinction entre les deux change tous les arbitrages budgétaires.
Meta Ads - Les leviers opérationnels et les biais natifs de la plateforme où le biais de confirmation se déploie le plus densément.
Performance Plateau - Ce que produit le biais quand il opère sans correction : la mécanique du 95-5 combinée à un pilotage non corrigé.

Sources

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.