Long Data

Les données granulaires (Big Data) sont structurellement court-termistes, alors que les effets qui produisent la rentabilité sont longs et ~80 % offline (le « dark matter »). La parade n'est pas un meilleur dashboard mais du Long Data (3 ans minimum) lu dans un scorecard équilibré.

Carotte de dendrochronologie et section de tronc, anneaux annuels comptés à la loupe - gravure naturaliste 19e.
La mémoire est dans les anneaux

Plus la donnée est granulaire, plus elle ment sur la durée. C’est le paradoxe que la mesure marketing moderne n’a jamais résolu : les instruments les plus précis jamais construits - trackers, pixels, MMM temps réel - échantillonnent le présent si finement qu’ils ne voient plus les phénomènes lents qui décident de la rentabilité. Les effets qui font la valeur d’une marque sont longs, majoritairement offline, et structurellement invisibles à une machine réglée sur la semaine. La parade documentée n’est pas un meilleur dashboard : c’est une fenêtre plus longue. Les Binet et Sarah Carter l’ont nommée dans How not to Plan : « You don’t need Big Data, you need Long Data ».

L’idée s’inscrit dans la lignée des analyses d’efficacité de l’IPA britannique que Les Binet et Peter Field ont mise en chiffres dans The Long and the Short of It, et que Carter prolonge côté pratique dans How not to Plan (2018). Le corpus empirique qui l’étaye a pris de l’ampleur depuis : l’étude économétrique Profit Ability 2 de Thinkbox (141 marques, £1,8 Md de budget), les 150 cas asiatiques du Pace Principle compilés par WARC, la base System1/Effie de plus de 600 campagnes mondiales, et, côté produit, les disciplines d’expérimentation formalisées par Kohavi, Tang et Xu.

La robustesse est bonne pour des données de terrain de cette taille : il s’agit de grandes bases économétriques et de méta-analyses, répétées sur des marchés et des décennies différents, qui convergent - pas d’études isolées. Les conditions de validité sont nommées dans la page : la plupart des ordres de grandeur viennent de marchés matures et bien mesurés (Royaume-Uni, médias payants), et les chiffres exacts dépendent du mix de chaque catégorie. Ce qui se transporte partout, c’est la mécanique : une fenêtre de mesure courte tronque mécaniquement les effets différés, quel que soit le canal.

Cette page déroule cette mécanique en cinq temps : pourquoi la granularité voit court, ce que le « dark matter » offline laisse hors champ, ce que la fenêtre de mesure ampute, pourquoi le blocage est gouvernance et pas technique, et comment combiner Big Data et Long Data sans renoncer à l’un ni à l’autre. Elle ne traite pas des biais d’attribution eux-mêmes (voir l’attribution) ni de la fixation métrique comme loi générale (voir la loi de Goodhart).

L’essentiel en 4 points

  • La donnée granulaire est structurellement court-termiste : il faut du Long Data - 3 ans de back data minimum - pour voir les effets qui portent la rentabilité.
  • 80 % du marketing est offline et invisible aux instruments digitaux : le « dark matter ». Et le 20 % visible lui-même est mal mesuré quand on l’isole.
  • La fenêtre de mesure ampute les effets différés : 58 % du payback d’un euro média arrive après la 13e semaine - juger au trimestre revient à mesurer au plus ~42 % de la valeur réelle.
  • La parade est un dispositif, pas un dashboard : scorecard équilibré, fenêtre d’évaluation de la marque à 6 mois minimum, MMM nourri de 3 ans d’historique, deux reportings séparés.

Granularité : pourquoi Big Data voit court

Comme le documentent Les Binet et Sarah Carter dans How not to Plan (ch. 26 et 72), « granular data is usually short term. Short-term data exaggerates short-term effects and underestimates long-term effects. You don’t need Big Data, you need Long Data. » La donnée granulaire rend visibles les pics d’activation et invisibles les drifts lents : cannibalisation entre canaux, érosion du prix moyen, perte de parts de marché. Rien ne casse - tout glisse. Le dashboard reste vert pendant que la position se dégrade, et rien dans la granularité ne signalera le moment où la glissade a commencé.

Le seuil minimal pour qu’un trend raconte quelque chose : 3 ans de back data. Or les research companies réduisent leur historique à 12-24 mois - ce qui rend l’analyse long terme techniquement impossible avant même d’avoir été discutée. Ce n’est pas un défaut de la donnée : c’est un choix d’approvisionnement qui précable toute la chaîne de décision en aval.

Le dark matter : 80 % du marketing est offline

Le second angle mort est massif et quantifié. Toujours dans How not to Plan (ch. 46 et 71) : plus de 80 % du retail, de la consommation média et du bouche-à-oreille est offline ; plus de 90 % des visiteurs d’un réseau social ne publient rien. « 80 % of the marketing universe is behaviour that can’t easily be tracked, so we concentrate on the 20 % that’s visible. » Les Binet et Carter proposent une heuristique de lecture : « next time you see a percentage in a headline, subtract it from 100 % - the larger number may be where the opportunity is. »

Et le 20 % visible lui-même est mal mesuré quand on l’isole : le last-click fait ramasser à la SEM l’effet d’une campagne TV, la cannibalisation cross-canal compte comme incrémentaux des acheteurs qui auraient acheté de toute façon, le halo des campagnes brand reste non attribué - la mécanique complète a sa page (l’attribution). L’angle mort s’étend aux canaux organiques digitaux, documente Kevin Indig dans Growth Memo : le trafic référent de YouTube ne pèse que ~2 % de celui de sites pourtant clairement influencés par la plateforme - l’utilisateur regarde une vidéo, part sans cliquer, et le parcours disparaît des instruments. « Linear cross-channel attribution is eroding so marketers need to take bigger swings based on judgment, logic and qualitative signals. »

Le verdict de Les Binet et Peter Field est plus tranchant encore : un pilotage publicitaire temps réel réglé sur le court terme est une « death-sentence » potentielle pour la marque (The Long and the Short of It, ch. 2).

La fenêtre de mesure ampute les effets différés

La parade théorique tient en un instrument : le scorecard équilibré. Les Binet et Peter Field prescrivent un tableau mêlant court et long terme, indicateurs avancés et retardés, attitudes et comportements et business : « the shorter the evaluation time frame, the more the inbuilt prejudice towards rational campaigns. » Les effets de brand-building s’évaluent sur 6 mois au minimum (idéalement un an) - et même à un an, seulement ~50 % de l’effet final d’une campagne TV de marque est apparent. Le vrai jugement demande deux à trois ans.

Le coût du raccourci est chiffrable, pas théorique. Profit Ability 2 (Thinkbox), sur le cas Financial Services mené par Wavemaker : optimiser le media mix pour le payback court terme plutôt que le full-term coûte 4 % de profit sur l’année - £1,4 M perdus sur £16 M de budget, la TV linéaire passant de 51 % à 63 % du mix entre l’optimum court terme et l’optimum long terme. La cause est mécanique, et la même étude la décompose sur 141 marques (£1,8 Md) : un euro média rend 24 % en semaine 1, 18 % en carryover (semaines 2-13), 58 % en effets soutenus (semaine 14 à 2 ans). Plus des deux tiers du payback surviennent donc après la 13e semaine - la TV linéaire a le carryover le plus élevé, les canaux digitaux les plus faibles. Une marque qui n’évalue qu’au trimestre mesure au plus ~42 % de la valeur réelle.

Ce n’est pas le canal qui change la nature des effets, c’est la fenêtre qui ampute la visibilité. Le Pace Principle de WARC (150 cas asiatiques) montre que les campagnes mesurées au-delà de leur période d’activation affichent des résultats significativement plus élevés que les mêmes mesurées sur 1-4 semaines : « even short-term performance marketing continues to work in memory and you see effects thereafter. » Et le canal le plus instrumenté ne fait pas exception : une étude de Les Binet avec Meta, citée dans l’épisode d’Uncensored CMO avec Tom Goodwin, révèle que « 60 % of the benefit of a campaign happened outside of the window people were measuring it ».

Reste le paradoxe organisationnel que documente l’analyse System1 et Effie sur plus de 600 campagnes mondiales : la confiance dans le dashboard est inversement corrélée à la performance business. Les annonceurs les plus sûrs de leurs métriques digitales court terme (clics, conversions, ROAS plateforme) reportent la plus faible croissance de part de marché et de profit. Seules ~9 % des meilleures campagnes mondiales rapportent une croissance de profit incrémentale convaincante, contre ~70 % une hausse de revenu : revenu n’est pas profit. La métrique long terme (profit, part de marché) ne s’agrège pas dans le dashboard intra-fenêtre - d’où l’orientation systémique vers la métrique courte qui sur-rapporte. C’est le terrain d’élection de la loi de Goodhart, qui documente le mécanisme amont.

Un problème de gouvernance, pas de technique

Si la fenêtre courte était un simple défaut d’instrument, un meilleur outil suffirait. Les données disent autre chose : c’est le cycle de décision qui tronque. Les campagnes pré-testées surperforment à 6 mois (+10 % de sales effects) mais sous-performent à 2 ans et plus, à budget équivalent ; à l’inverse, les campagnes accompagnées d’un brand tracking surperforment à 2 ans et plus (+31 %). « Pre-testing is no substitute for brand tracking » - le test prédictif court remplace mal la lecture longue, et les deux ne s’interchangent pas. Et seuls ~9 % des marketeurs APAC mesurent au-delà de 6 mois : les effets long terme se produisent de toute façon, mais sans fenêtre de mesure ils ne remontent jamais dans les arbitrages de budget. C’est un problème de gouvernance, pas de technique.

Le cycle opérationnel raconte la même histoire par la durée. Selon le retour d’expérience de Mark Binkley, cité dans le podcast Sleeping Barber, la durée standard d’une campagne est tombée de 8-10 à 6-8 semaines - et la cadence (reporting hebdo, clôture, campagne suivante) fait que personne ne mesure post-campagne : l’organisation est déjà passée à autre chose quand les effets retardés commencent. La parade structurelle : un investissement de fond continu (hum, always-on) ponctué de pulses culturels (beats). Le hum supprime la discontinuité de mesure et laisse l’économétrie capter les effets sur 24 mois et plus (le Media Mix Modeling) ; la doctrine du burst culturel, complémentaire, a sa propre page.

Combiner Big Data et Long Data

Les Binet et Carter ne font pas du Long Data un substitut : la prescription est un appareillage complet - Big Data pour le tactique (optimisation intra-canal), Long Data pour le stratégique (SOV et SOM, part de marché, prix, élasticité), économie pour relier les deux, test et contrôle in-market pour la causalité, 3 ans de back data au minimum.

« Building a brand is like flying a plane: you need your instruments (real-time) but also a map (long-term). You need Big Data and Long Data »

Les Binet & Sarah Carter, How not to Plan

Le même biais vaut côté produit : Kohavi, Tang et Xu documentent dans Trustworthy Online Controlled Experiments que les A/B tests courts surestiment les effets immédiats et sous-estiment les longs (loi d’Amara) - la triangulation et ses limites ont leur page (l’expérimentation contrôlée).

Le geste se voit chez les opérateurs DTC qui tiennent les deux pôles. L’équipe de Tecovas, racontée sur le podcast Marketing Operators, tient une routine hebdomadaire de relecture du trailing 700 jours (par mois, trimestre, année sur année) : un ancrage contre la sur-réaction aux fluctuations, où l’intimité avec les chiffres se construit dans le geste, pas dans un dashboard auto-généré. À l’autre pôle, le même écosystème pilote un accrual horaire cumulatif en glissement annuel pendant les pics (Cyber Five) pour détecter les dérives à la mi-journée. Les deux ne se remplacent pas : l’avion a besoin de ses instruments et de sa carte.

Pour ranger ces horizons, Marketing Architects proposent un cadre simple - micro, macro, business : les pics de trafic site et search dans la minute qui suit un passage TV (micro), le trafic et la conversion sur semaines et mois (macro), les métriques de marque, la LTV et la part de marché sur 3 à 12 mois (business). La discipline qui l’accompagne : pré-définir quels signaux sont attendus à quel horizon avant le lancement - mesurer l’effet d’une campagne TV à la conversion immédiate sous-estime l’effet réel de 70 à 90 %.

Une précision d’intention, pour éviter le contresens : ce réquisitoire ne condamne pas la performance, il l’étend. Le suivi horaire de pic et la relecture du trailing 700 jours cohabitent chez les mêmes opérateurs ; le scorecard équilibré ne supprime pas le dashboard temps réel, il lui retire le monopole du jugement. La question opérationnelle n’est pas « perf ou brand » mais : à quel horizon se prend chaque décision, et quelle métrique est défendable à cet horizon-là ?

Si ta scale-up plafonne aujourd’hui

Le pont n’est pas un meilleur tableau de bord : c’est un dispositif de mesure qui donne à la marque sa propre fenêtre de jugement.

1. Mesure la marque indépendamment de la perf. Un panel mensuel (SOV, SOM, recall) ou un brand tracker (Brand Equity), et une fenêtre d’évaluation fixée à 6 mois minimum. Sans métrique indépendante, chaque euro brand est jugé contre des KPIs perf qu’il ne fait pas bouger directement - et perd l’arbitrage par défaut.

2. Construis un MMM avec assez de back data. Trois ans d’historique minimum pour capter les effets non attribuables aux clics (Media Mix Modeling). Un MMM nourri de 12 mois ne verra jamais le carryover.

3. Sépare les reportings. Performance (court) et marque (long) dans deux scorecards distincts, chacun jugé à son horizon : la métrique défendable devant le CFO n’est pas la même à 4 semaines et à 18 mois. L’argument monétisé de la réallocation est dans les chiffres Thinkbox : 4 % de profit pleine année perdus sur un mix optimisé court terme, et deux tiers du payback après la semaine 13.

4. Accepte que certaines dépenses brand ne soient pas attribuables à court terme. C’est un feature, pas un bug : l’absence d’attribution immédiate est la signature des effets qui s’accumulent.

5. Avant un refresh créatif ou un repositionnement, « long data is in the archives ». Audite 2-3 ans de conversation préexistante (Reddit, forums, commentaires YouTube) plutôt que de lancer un nouveau test : le cas Skoda Octavia, relu par WARC, repose sur 25 ans de conversation existante.

Pour aller plus loin

  • Efficacité vs Efficience - Pourquoi l’optimisation court terme peut détruire le long terme : l’efficience n’est pas l’efficacité.
  • Attribution - Les biais d’isolation du 20 % online : last-click, cannibalisation, halo non attribué.
  • Media Mix Modeling - L’outil qui relie Big et Long Data, et son vrai blocker organisationnel.
  • Expérimentation Contrôlée - La triangulation et les limites des tests courts : pourquoi un A/B d’un mois ne dit rien de l’an deux.
  • Split Brand-Activation - Le 60/40 que la mesure court terme empêche de piloter.
  • Wear-in vs Wear-out - Le créatif qui s’installe lentement puis s’use : un autre angle mort du court-termisme.

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.