Incrémentalité

L'incrémentalité demande si une conversion aurait eu lieu sans la dépense - la question que toutes les conversions natives évitent. Elle distingue vendre à ceux qui auraient acheté de gagner des nouveaux acheteurs. Ne pas la mesurer, c'est ne pas piloter.

Deux plantes pressées côte à côte sur une planche d'herbier - une dense et sombre, une pâle et étiolée.
L'écart est la preuve

-

L’incrémentalité est la question que toute mesure marketing devrait poser et que les dashboards de régie évitent par construction : « cette conversion aurait-elle eu lieu sans la dépense ? » Elle distingue mécaniquement deux choses qui se confondent dans le reporting natif - vendre à des acheteurs qui auraient converti de toute façon, et gagner des acheteurs nouveaux.

La distinction est fondatrice. Byron Sharp l’expose dans Marketing: Theory, Evidence, Practice (ch. 6) en opposant response rate (le pourcentage de la cible qui agit) et incremental response (l’écart vs un groupe contrôle). Les Binet et Sarah Carter la reprennent dans How not to Plan (ch. 70) en y ajoutant l’angle de mesure : le digital a démultiplié les capacités de tracking, mais a aussi structuré un cadrage où la mesure du dashboard et la mesure de l’effet causal ne sont pas la même chose.

La mécanique économétrique derrière est robuste. Ronny Kohavi, dans Trustworthy Online Controlled Experiments, formalise l’A/B test randomisé comme gold standard épistémologique. Marc Runge et Koen Pauwels, dans leurs travaux sur le Marketing Mix Modeling open-source, traduisent ce que les régies font subir aux modèles observationnels : un activity bias qui attribue à la publicité ce qui résulte de l’auto-sélection du consommateur - déjà en chemin vers l’achat.

Cette page traite la distinction, ses méthodes de mesure par ordre de rigueur, et le pont avec le pilotage d’une scale-up B2C qui pilote déjà au ROAS natif. Elle ne traite ni la mise en œuvre technique d’un geo-test, ni les arcanes du MMM - chacun a sa page.

L’essentiel en 5 points

  • Le response rate optimise une mécanique de campagne ; l’incremental response décide si elle a créé de la valeur.
  • Les dashboards natifs ne mesurent pas l’incrémentalité par design - ils sont conçus pour attribuer des actions, pas pour modéliser un effet causal.
  • Toutes les conversions reportées ne se valent pas - hiérarchie de présomption d’incrémentalité, du click prospecting au paid search brand.
  • Quatre méthodes par rigueur : A/B test user-level, geo-experiments, ghost ads, MMM calibré par expérimentation.
  • Test de la mesure-théâtre : la mesure ne vaut que si l’organisation est prête à changer l’allocation selon le résultat.

Response rate vs incremental response

C’est la distinction fondatrice posée par Byron Sharp dans Marketing: Theory, Evidence, Practice. Deux métriques que tout marketing data-driven confond systématiquement :

Métrique Mesure Utile pour
Response rate % de la cible qui agit optimiser la mécanique d’une campagne
Incremental response écart vs groupe contrôle décider si la campagne a créé de la valeur

Le piège classique : sélectionner une audience à intent fort - retargeting, RFM élevé, lookalike de clients - produit un response rate spectaculaire. Ces acheteurs auraient pourtant acheté de toute façon. Sans groupe contrôle, le lift reporté est un artefact de sélection, pas une preuve d’effet.

Pourquoi les dashboards natifs ne la mesurent pas

Ce n’est pas un défaut technique des plateformes, c’est un choix de cadrage. Comme le résument Binet et Carter : « it’s never been its purpose - only to capture user-level actions, not to model their impact on the business trajectory. » Marketing Architects pousse plus loin : « Digital attribution set us back a decade… the model could only see the bottom of the funnel. »

Trois biais structurels en découlent (détail dans la page Attribution) - last-click, cannibalisation cross-canal, halo non mesuré. Conséquence opérationnelle : l’attribution dashboardée redistribue mécaniquement les budgets vers les canaux mesurables, défavorisant tous les leviers à effet long terme.

La hiérarchie des conversions par valeur incrémentale

Toutes les conversions reportées ne se valent pas. De la plus à la moins incrémentale :

  1. Click-through < 24 h sur prospecting - forte présomption d’incrémentalité.
  2. Click-through 1-7 jours prospecting - bonne présomption, fenêtre encore cohérente avec l’intent.
  3. Click-through retargeting - audience déjà pré-engagée, présomption faible.
  4. View-through prospecting - aucune action n’a vérifié que l’impression a été vue. « Viewed through conversions are the flimsiest of all » (Jon Loomer).
  5. View-through retargeting - quasi-bruit, double biais audience + format.
  6. Paid search brand - les gens cherchaient déjà la marque. Le test eBay sur paid search est l’exemple cardinal : couper le levier ne fait pas baisser les conversions, elles repartent par l’organic.

Un dashboard qui agrège ces six niveaux en un seul chiffre masque la composition. Deux comptes au même volume de conversions reportées peuvent diverger d’un facteur 3 sur l’incrémentalité réelle.

Les méthodes de mesure, par rigueur

De la plus rigoureuse à la plus permissive :

  1. A/B test randomisé user-level - gold standard épistémologique formalisé par Kohavi. Limité en marketing de masse par la contrainte SUTVA : l’exposition d’un utilisateur affecte celle des autres via le bouche-à-oreille et les algos.
  2. Geo-experiments - Google GeoX, Meta Conversion Lift. Le fait que les régies proposent elles-mêmes ces tests admet implicitement que leurs dashboards sont biaisés.
  3. Ghost ads - banner placebo sur le groupe contrôle, contrôle plus propre que le geo-test pour les canaux qui s’y prêtent.
  4. MMM calibré par expérimentation - le seul outil qui couvre tous les canaux uniformément, à condition que les paramètres soient calibrés par des geo-tests externes plutôt que par les données régie.

Runge et Pauwels formalisent l’enjeu central : les modèles observationnels surestiment systématiquement l’impact causal des canaux par activity bias. Les customer-initiated ads (le retargeting et la search brand en sont les archétypes) attribuent à l’ad un achat qui résulte de l’auto-sélection du consommateur. C’est la traduction économétrique du Rosser Reeves Effect, et l’argument pour ne jamais piloter sur un modèle observationnel non validé expérimentalement.

Le bon framework, formalisé par Joe Kaminsky (Cesium) : laisser Meta optimiser, lui donner toute la donnée, mais évaluer le canal via un dispositif externe qui couvre tous les leviers uniformément. « Independent validation is 100 % key… they’re still biased towards their own platform. »

La mesure-théâtre

Le test à appliquer à tout dispositif d’incrementality, repris à Kaminsky : « measurement that doesn’t lead to a change in behavior is pure theater. » Deux questions à se poser avant de lancer un test :

  1. Existe-t-il un résultat possible qui changerait l’allocation budgétaire ?
  2. L’organisation est-elle prête à exécuter ce changement ?

Si la réponse à l’une des deux est non, le test est de la mesure-théâtre - un rituel coûteux dont le résultat sera ignoré. La méthodologie est facile ; la décision de l’appliquer est culturellement difficile.

Si ta scale-up plafonne aujourd’hui

Pattern type : ROAS Google 5x, ROAS Meta 3x. La conclusion native - « le perf marche » - est ce qui masque le plateau. Décomposition de ce que ces ROAS captent réellement : le ROAS Google inclut du brand search à incrémentalité quasi-nulle ; le ROAS Meta inclut du retargeting non isolé et du view-through à incrémentalité quasi-nulle ; le last-click capte aussi tout l’effet brand offline accumulé sur des années. Quand la scale-up coupe le brand budget pour redéployer sur la perf, les ROAS tiennent 6 à 12 mois puis décrochent - le moment où l’effet brand accumulé s’érode.

Deux pièges natifs Meta à connaître. La régie retarget par défaut même dans une campagne ciblée broad : « Meta wants your results to look good » (Jon Loomer). Et sa feature incremental attribution - un ML interne propriétaire - sert au diagnostic, pas au pilotage : Loomer rapporte n’en avoir pas eu de bons résultats, car la régie n’a pas le contre-factuel réel qu’un geo-test fournit. Cas révélateur : le redécoupage Meta de l’attribution click-through annoncé pour 2026 mesure rétroactivement le gonflage antérieur - ce qui disparaît du remarketing reporté chiffre ce qui était déjà non-incrémental.

Quatre actions par coût croissant :

1. Audit des breakdowns natifs. Gratuit, une journée. Composition réelle des conversions sur 90 jours, par âge de cookie et par type de campagne. Premier diagnostic qui révèle l’ampleur du retargeting caché et du view-through.

2. Coupure paid search brand en geo-test. 4-6 semaines. Mesure la cannibalisation organic - le cas eBay reproduit chez toi, en plus petit.

3. Geo-test brand-building. 6-12 semaines, via Meta Conversion Lift ou un dispositif externe. Mesure l’incrémentalité d’un canal upstream que les ROAS natifs ne savent pas voir.

4. MMM calibré. 3-6 mois, calibré par les geo-tests précédents. Le seul outil qui pilote tous les canaux en cohérence.

Le critère de succès n’est pas « on a la bonne réponse » mais « l’organisation est prête à changer l’allocation selon le résultat. » Le piège classique consiste à investir dans la mesure avant d’avoir préparé la gouvernance qui en exploitera les résultats.

Pour aller plus loin

  • Attribution - La mécanique des biais qui rendent l’incrémentalité invisible aux dashboards.
  • Rosser Reeves Effect - La causalité inverse à la base de la non-incrémentalité du retargeting.
  • Meta Ads — Pilotage - Comment lire les biais natifs Meta et activer les bons breakdowns pour révéler la composition réelle des conversions.

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.