Le dernier clic (last-clic) reste souvent le modèle d’attribution par défaut, celui qui s’affiche sans qu’on l’ait vraiment choisi. Il crédite le dernier point de contact avant la conversion et ignore tout ce qui a construit la décision en amont : la campagne display qui a fait connaître la marque, l’emailing qui a entretenu l’intérêt, le réseau social qui a levé le dernier doute. Des modèles plus fins existent, du linéaire à la position en U, jusqu’à l’attribution data-driven. Mais choisir un modèle ne suffit pas. Reste la question qui compte vraiment pour un directeur marketing : comment on applique tout ça, concrètement, sans transformer le reporting en chantier permanent ?
La réponse déplace le problème plutôt qu’elle ne le résout. Quel que soit le modèle retenu, tout part de la qualité des données qui l’alimentent. Avant même de choisir entre dernier clic, premier clic ou attribution data-driven, il faut soigner les fondations de la mesure. Un modèle sophistiqué appliqué à des données mal collectées ne produit qu’une illusion de précision.
Le tagage UTM, fondation silencieuse de toute mesure
Les paramètres UTM (source, support, campagne) forment la base de tout système d’attribution. Sans un nommage cohérent, appliqué à chaque visite et à chaque événement, aucun modèle ne peut produire une lecture exploitable. C’est la tâche la moins gratifiante du dispositif. C’est pourtant celle qui conditionne tout le reste.
Configurer GA4 pour qu’il serve réellement l’attribution
Paramétrer correctement votre outil d’analytics, GA4 ou un autre, ne se limite pas à définir vos conversions. Construire des groupes de canaux qui reflètent vos leviers réels compte parmi les chantiers les plus utiles pour la suite. C’est aussi l’un des plus régulièrement négligés. Un groupe de canaux mal découpé mélange des leviers qui n’ont rien à voir entre eux, et l’attribution qui en sort ne raconte plus grand-chose de fiable.
Le suivi multi-devices, l’exercice le plus exigeant
C’est la partie la plus compliquée à mettre en place. C’est aussi celle qui rapporte le plus pour l’attribution. Trois leviers structurent ce travail.
La fonction User ID vient en premier. En envoyant à GA4 l’identifiant de vos utilisateurs connectés, vous rattachez une visite mobile puis un achat sur ordinateur à un seul et même parcours, au lieu de deux utilisateurs distincts. Sans cette liaison, l’attribution fragmente artificiellement des trajets qui n’auraient jamais dû l’être, et le levier qui a réellement déclenché la vente disparaît derrière deux profils fantômes qui n’existent que dans l’outil de mesure.
Vient ensuite la configuration du Consent Mode, à vérifier régulièrement. Un taux de refus qui grimpe sans que personne ne le remarque grignote en silence la fiabilité de vos rapports.
Enfin, le choix du modèle de reporting compte davantage qu’on ne le pense. Dans GA4, préférez le modèle mélangé au modèle observé pour profiter des options d’extrapolation de l’outil. Il faut être réaliste : un tracking total n’est plus possible aujourd’hui, quelle que soit la rigueur du dispositif. Autant exploiter les fonctions qui compensent ce qui échappe à la mesure directe.
Ce que GA4 propose, et ce qu’il ne propose plus
À partir de ces fondations, une vraie base de travail se dessine. Dans un GA4 bien configuré, les rapports donnent accès aux modèles data-driven, dernier clic et premier clic. Pourtant, savoir quel modèle s’applique dans quel rapport reste rarement évident à l’œil nu. Et tous les modèles n’y sont plus disponibles : le linéaire, le déclin temporel et la position en U ont disparu de l’interface.
Sortir de l’interface pour reprendre la main
Une première option consiste à exporter vos données, vers BigQuery, une base de données ou même Google Sheets, pour construire des visualisations qui isolent précisément le modèle recherché, ou qui comparent plusieurs modèles entre eux. Vous choisissez alors exactement ce que vous voulez lire, sans dépendre de ce que l’interface décide de montrer.
L’étape suivante va plus loin : reconstruire soi-même, depuis ces exports, les calculs des modèles disparus de GA4. C’est faisable. C’est aussi nettement plus complexe, et cette complexité ne se justifie pas pour toutes les organisations. Un e-commerce au cycle de vente court n’a pas les mêmes besoins qu’un compte B2B au parcours long et multicanal.
Ce qui reste à trancher
Aucun modèle d’attribution ne remplace une décision humaine sur ce qui compte pour votre activité. La donnée éclaire, elle ne décide pas à votre place. La vraie question n’est donc pas « quel modèle choisir », mais « quelle qualité de données construire pour qu’un modèle, n’importe lequel, dise enfin quelque chose de vrai ».
Un dernier point mérite d’être clair. Cette mise en pratique n’est pas un projet ponctuel qu’on lance puis qu’on oublie. Le tagage se dégrade dès qu’une nouvelle campagne part sans nomenclature vérifiée, les groupes de canaux vieillissent quand un nouveau levier apparaît sans y être rattaché, et le taux de consentement évolue avec chaque changement de bannière cookies.
Chez DARWIN, cette question de la qualité des fondations précède systématiquement le choix de l’outil, dans chaque configuration d’attribution que nos experts analytics accompagnent. Vous voulez savoir où se situe votre dispositif actuel sur cette échelle ? C’est souvent la première chose qu’un audit de tracking révèle.
Tags