Ciblage lookalike : étendre le drive-to-store sans bruit média
Le lookalike drive-to-store ne sert pas à acheter plus d’audience, mais à trouver des clients additionnels à forte probabilité de visite
Le ciblage lookalike, ou ciblage de profils similaires, est devenu un réflexe dans les plans d’acquisition mobile. Le principe est simple : partir d’une population source, appelée seed audience, puis demander à une plateforme média ou data de trouver des individus qui lui ressemblent statistiquement. Dans une logique drive-to-store, stratégie visant à générer du trafic qualifié vers un point de vente physique, la promesse est attractive : étendre la portée au-delà des clients connus sans diffuser massivement auprès d’audiences peu intentionnistes.
Mais l’usage retail du lookalike est souvent moins rigoureux que son vocabulaire ne le laisse entendre. Beaucoup de campagnes partent d’une base trop large, par exemple tous les acheteurs des douze derniers mois, tous les inscrits CRM ou tous les visiteurs du site. Le modèle reproduit alors une moyenne floue : des clients proches et éloignés, rentables et peu rentables, récents et dormants, sensibles à la promotion et fidèles à prix plein. Résultat : l’extension d’audience augmente la couverture, mais aussi le bruit média, c’est-à-dire la diffusion auprès d’individus dont la probabilité de visite ou d’achat incrémental reste faible.
Pour les annonceurs retail, locaux et omnicanaux, le sujet n’est donc pas de savoir si le lookalike fonctionne en général. Il est de savoir comment construire un lookalike qui étend réellement le bassin de recrutement magasin sans diluer le budget. L’enjeu est économique autant que média : réduire le CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée ; améliorer le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires ; et surtout mesurer l’incrémentalité, c’est-à-dire la part des visites ou ventes qui n’auraient pas eu lieu sans campagne.
Un lookalike performant en drive-to-store repose sur trois conditions. Premièrement, une audience source qui représente le comportement recherché, pas seulement un volume disponible. Deuxièmement, des signaux locaux suffisamment discriminants : distance, fréquence de visite, magasin préféré, panier, catégorie, récence, disponibilité produit. Troisièmement, une mesure qui distingue la proximité statistique de la contribution réelle. Sans ces trois éléments, le lookalike devient un accélérateur de dépenses plutôt qu’un levier d’expansion maîtrisée.
Choisir la bonne seed audience : le modèle apprend ce qu’on lui donne, pas ce qu’on espère
La qualité du lookalike dépend d’abord de la qualité de la seed audience. Une seed audience est le groupe de référence utilisé par un algorithme pour identifier des profils similaires. Dans un cas drive-to-store, la question centrale est : similaires à qui ? Aux clients qui achètent en magasin ? Aux meilleurs clients ? Aux visiteurs récents ? Aux clients réactivés ? Aux acheteurs d’une catégorie stratégique ? Le choix n’est pas neutre, car il oriente directement l’apprentissage du modèle.
Une erreur fréquente consiste à utiliser une seed trop volumineuse pour rassurer l’algorithme. Par exemple, une enseigne de sport disposant de 1,5 million de contacts CRM pourrait créer un lookalike à partir de tous les acheteurs identifiés des douze derniers mois. Le volume est confortable, mais le signal est bruité. Le modèle risque de confondre des acheteurs de chaussures running à forte valeur, des acheteurs promotionnels occasionnels, des parents venus pour une rentrée scolaire, et des clients passés une seule fois pendant les soldes. Le résultat sera une audience similaire à un agrégat, donc peu actionnable.
Une approche plus robuste consiste à construire plusieurs seeds selon des objectifs distincts. Pour recruter des visiteurs magasin rentables, la seed peut inclure les clients ayant acheté au moins deux fois en magasin sur les six derniers mois, avec un panier supérieur au percentile 60 et une marge positive. Pour soutenir une catégorie, elle peut inclure les acheteurs récents de cette catégorie, enrichis par les consultations de stock ou de disponibilité locale. Pour réactiver une zone, elle peut se concentrer sur les clients ayant déjà visité un magasin comparable dans une zone de chalandise proche.
La méthode RFM, récence, fréquence, montant, segmentation classant les clients selon la date du dernier achat, la fréquence d’achat et la valeur dépensée, reste un socle utile. Mais en drive-to-store, elle doit être complétée par la dimension locale. Un client à forte valeur mais situé à 35 kilomètres du point de vente cible n’a pas la même utilité pour une campagne locale qu’un client moins dépensier mais situé dans un isochrone de 12 minutes. L’isochrone désigne une zone calculée selon le temps de trajet plutôt que la distance brute ; il est souvent plus pertinent que le rayon kilométrique en milieu urbain ou périurbain.
Un seuil minimal de taille reste nécessaire. Selon les plateformes, une seed de quelques milliers d’individus peut suffire, mais les performances se stabilisent généralement mieux au-delà de 10 000 à 50 000 profils matchables, selon le canal, le pays et la qualité des identifiants. Le volume ne doit toutefois pas être obtenu en mélangeant des comportements incompatibles. Il vaut mieux une seed de 25 000 clients très cohérents qu’une seed de 300 000 profils hétérogènes qui apprennent au modèle à rechercher une similarité trop générale.
Intégrer les signaux locaux : distance, magasin, fréquence et catégorie doivent peser dans l’expansion
Un lookalike orienté e-commerce peut se contenter de signaux comportementaux digitaux : visites de page, achats en ligne, panier moyen, catégories consultées, fréquence d’achat. En drive-to-store, ces signaux restent utiles, mais ils ne suffisent pas. La probabilité de visite dépend fortement du contexte physique : accessibilité du magasin, densité concurrentielle, habitudes de déplacement, horaires, typologie de zone, disponibilité produit et capacité opérationnelle locale.
La distance est le premier filtre. À moins de 500 mètres, une création peut pousser une action immédiate : itinéraire, coupon valable aujourd’hui, retrait disponible. Entre 1 et 5 kilomètres, l’offre doit davantage justifier le déplacement : stock rare, service, remise, événement ou conseil. Au-delà, la campagne relève souvent davantage de la considération locale que de l’activation immédiate. Un modèle lookalike qui ignore cette logique peut identifier des profils statistiquement proches des meilleurs clients, mais physiquement peu susceptibles de se déplacer.
Le magasin de référence est tout aussi important. Dans un réseau de 200 points de vente, deux magasins peuvent avoir des clientèles très différentes : centre-ville, retail park, zone touristique, quartier de bureaux, périphérie résidentielle. Construire un lookalike national unique revient parfois à gommer ces différences. Une alternative consiste à créer des clusters de magasins comparables, selon le chiffre d’affaires, le mix produit, la zone de chalandise, le trafic naturel, la concurrence et le profil clientèle. Les audiences lookalike sont ensuite générées par cluster plutôt qu’au niveau national.
La catégorie produit ajoute un autre niveau de précision. Une enseigne d’équipement de la maison ne doit pas nécessairement chercher les mêmes profils pour une campagne cuisine, literie, jardin ou décoration. Les cycles d’achat, les paniers moyens et les distances acceptables varient. Un client prêt à parcourir 20 minutes pour un projet cuisine ne le fera pas pour un achat d’appoint. Le lookalike doit donc être aligné avec la valeur et la contrainte de la catégorie.
Les signaux de visite peuvent aussi enrichir la seed lorsqu’ils sont disponibles et consentis. Un passage en magasin identifié via carte de fidélité, une demande d’itinéraire, un scan de coupon, une consultation de stock local, un retrait click and collect ou une prise de rendez-vous sont des signaux plus proches de l’intention locale qu’un simple clic publicitaire. Dans le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, ces signaux se situent plus bas que l’impression ou la visite de page. Ils produisent souvent des lookalikes moins volumineux, mais plus qualifiés.
Maîtriser l’achat média : le lookalike ne remplace pas le contrôle de fréquence, de contexte et d’inventaire
Une fois l’audience construite, l’achat média devient déterminant. Le lookalike n’est pas une garantie de performance s’il est diffusé dans des contextes peu attentionnels, avec une fréquence excessive ou sur des zones trop larges. En programmatique, l’achat passe souvent par une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires. Le RTB, real-time bidding, mécanisme d’enchères en temps réel, permet d’acheter une impression au moment où elle devient disponible, selon la valeur estimée de l’utilisateur, du contexte et de l’emplacement.
Le risque principal est de confondre extension contrôlée et diffusion opportuniste. Une audience lookalike peut être disponible à grande échelle, mais toutes les impressions ne se valent pas. Un utilisateur similaire exposé à 8 h 30 dans une application de navigation à proximité d’un magasin n’a pas la même valeur qu’un utilisateur similaire exposé à minuit dans un inventaire de faible attention. Le ciblage d’audience doit être croisé avec des règles de contexte : horaires, géographie, device, format, environnement éditorial, distance au point de vente, fréquence et récence d’exposition.
Le capping, limitation de la fréquence d’exposition ou de sollicitation sur une période donnée, est un garde-fou essentiel. Sur une audience lookalike, la tentation est d’augmenter la pression pour compenser une intention plus faible que sur les clients CRM. Mais au-delà d’un certain seuil, la fréquence marginale produit peu de visites additionnelles et augmente la fatigue. Dans de nombreux plans display mobile, une fréquence de 3 à 6 expositions par semaine peut être un point de départ raisonnable, à ajuster selon la durée du cycle, la catégorie et les signaux d’engagement. L’important est de mesurer la contribution incrémentale par palier de fréquence, pas seulement le CTR, click-through rate, taux de clic entre impressions et clics.
Le choix du format doit aussi suivre l’intention. Pour une audience lookalike froide, une création strictement promotionnelle peut générer du clic opportuniste mais peu de visites qualifiées. Une combinaison plus efficace peut associer une vidéo courte de preuve, une bannière locale avec stock ou service, puis un message plus actionnable sur les individus ayant montré un signal d’intérêt. Le lookalike ne doit pas être traité comme un segment de bas de funnel par défaut. C’est souvent une audience de middle funnel local, à faire progresser vers l’intention de visite.
Enfin, l’exclusion est aussi importante que l’inclusion. Il faut exclure les clients déjà exposés à une campagne CRM récente, les acheteurs récents lorsque l’objectif est le recrutement, les zones où le stock est insuffisant, les magasins fermés ou saturés, et parfois les clients organiques très probables. Un bon lookalike drive-to-store ne cherche pas à toucher tous les profils similaires ; il cherche à toucher ceux pour lesquels une exposition peut réellement modifier le comportement.
Mesurer l’incrémentalité : un lookalike peut bien convertir sans créer de ventes additionnelles
La mesure est le point de vérité. Un lookalike peut afficher un CPA attractif et un ROAS attribué élevé tout en capturant des ventes qui auraient eu lieu sans campagne. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, est utile pour suivre les parcours, mais elle ne prouve pas la causalité. Le last click, modèle attribuant toute la conversion au dernier point de contact, est particulièrement insuffisant en drive-to-store, où l’exposition peut influencer une visite sans clic, et où l’achat peut être finalisé en caisse plusieurs jours plus tard.
La bonne approche consiste à distinguer trois niveaux. Le premier est le ROAS attribué : chiffre d’affaires relié à l’audience exposée selon une règle de matching ou de fenêtre temporelle. Le deuxième est le coût par visite ou par achat observé : dépenses divisées par visites ou transactions mesurées. Le troisième est l’effet incrémental : écart entre le comportement du groupe exposé et celui d’un groupe comparable non exposé. C’est ce troisième niveau qui permet de savoir si l’expansion lookalike crée de la valeur additionnelle.
Prenons un exemple. Une enseigne de beauté active une audience lookalike de 600 000 profils autour de 150 magasins. Budget média : 80 000 euros. Les ventes attribuées en magasin dans les dix jours suivant exposition atteignent 520 000 euros, soit un ROAS attribué de 6,5. La campagne semble performante. Mais un groupe de contrôle géographique, composé de magasins comparables non activés, montre que 410 000 euros de ventes auraient probablement été générés sans la campagne. Les ventes incrémentales sont donc de 110 000 euros. Le ROAS incrémental tombe à 1,38. Si la marge brute moyenne est de 45 %, la marge incrémentale est de 49 500 euros, inférieure au budget média. Le diagnostic change radicalement.
Un protocole plus fin consiste à randomiser l’audience éligible. On conserve par exemple 10 % à 15 % de profils lookalike en holdout, c’est-à-dire en groupe témoin non exposé, lorsque la plateforme et les contraintes opérationnelles le permettent. Si le groupe exposé affiche 3,6 % de visites magasin sur 14 jours et le holdout 2,9 %, l’uplift est de 0,7 point. Sur 500 000 individus exposés, cela représente 3 500 visites incrémentales. Si le coût média est de 70 000 euros, le coût par visite incrémentale est de 20 euros. Ce chiffre doit ensuite être rapproché du taux de transformation magasin, du panier moyen, de la marge et de la LTV, lifetime value, valeur économique attendue d’un client sur la durée de relation.
Les tests géographiques sont souvent plus réalistes pour le retail. Des magasins ou zones sont activés, d’autres servent de contrôle. Il faut les apparier sur l’historique de ventes, la saisonnalité, la typologie de zone, les promotions, la concurrence et le trafic naturel. La méthode est moins pure qu’une randomisation individuelle, mais elle reflète mieux l’effet local agrégé. Elle permet aussi de détecter des effets que le matching individuel sous-estime, comme l’influence sur des clients non identifiés en caisse.
Optimiser l’échelle sans bruit : créer des paliers de similarité et des règles d’arrêt
L’un des arbitrages les plus délicats du lookalike est le niveau d’expansion. Les plateformes proposent souvent des paliers de similarité, par exemple les 1 %, 2 %, 5 % ou 10 % de profils les plus proches d’une seed dans une population donnée. Plus le pourcentage augmente, plus le volume grandit, mais plus la similarité moyenne diminue. En drive-to-store, cette dilution peut être coûteuse, car une audience moins similaire et plus éloignée physiquement consomme rapidement le budget sans produire de visites additionnelles.
Une méthode rigoureuse consiste à tester les paliers séparément. Le palier 1 % peut générer un CPA plus faible mais un volume limité. Le palier 2 % à 5 % peut offrir le meilleur compromis entre volume et rentabilité. Au-delà de 5 % ou 10 %, la performance peut se dégrader, sauf si le marché est dense, la catégorie très mass market ou l’offre particulièrement forte. Il ne faut pas décider à partir du CTR, mais à partir du coût par visite incrémentale, du ROAS marge et du taux de nouveaux clients réellement recrutés.
Un exemple simple : une enseigne alimentaire spécialisée teste trois paliers autour de ses magasins urbains. Le lookalike 1 % touche 120 000 personnes, génère 1 800 visites incrémentales pour 24 000 euros, soit 13,33 euros par visite. Le lookalike 3 % touche 360 000 personnes, génère 3 900 visites incrémentales pour 60 000 euros, soit 15,38 euros par visite. Le lookalike 8 % touche 900 000 personnes, génère 5 200 visites incrémentales pour 150 000 euros, soit 28,85 euros par visite. Le volume augmente, mais l’efficacité marginale chute. Si le panier moyen incrémental est de 32 euros avec 35 % de marge, les deux premiers paliers peuvent être défendables selon la LTV ; le troisième devient difficile à justifier sans objectif de notoriété ou d’ouverture de magasin.
Les règles d’arrêt sont donc essentielles. Une campagne lookalike doit prévoir des seuils de sortie : coût par visite incrémentale maximal, fréquence maximale, stock minimum, fatigue créative, taux d’exclusion CRM, ROAS marge minimal, baisse de performance par palier. Sans ces règles, les algorithmes optimisent souvent vers des conversions faciles à attribuer plutôt que vers de la valeur réellement additionnelle.
La création doit également évoluer selon le palier. Les profils les plus proches de la seed peuvent recevoir un message plus direct : stock, coupon, itinéraire, rendez-vous. Les profils plus éloignés nécessitent davantage de preuve : bénéfices catégorie, avis, services, différenciation magasin. Étendre l’audience sans adapter le message revient à augmenter le bruit : on parle plus fort à des personnes moins prêtes à agir.
Gouvernance data et consentement : le lookalike performant doit rester explicable et maîtrisé
La performance média ne doit pas faire oublier les contraintes data, juridiques et organisationnelles. Le lookalike repose sur des identifiants, des signaux comportementaux, des correspondances plateforme et parfois des données de localisation. La conformité au consentement, la minimisation des données et la qualité des partenaires sont des conditions de base. Un modèle opaque peut générer de la performance apparente tout en créant un risque relationnel ou réglementaire.
La première exigence est la traçabilité de la seed. Les équipes marketing doivent savoir quels clients l’alimentent, sur quelle période, avec quels consentements, quelles exclusions et quels objectifs. Une seed construite à partir de clients ayant seulement accepté des communications CRM ne peut pas nécessairement être réutilisée sans précaution dans des environnements publicitaires tiers. Les règles varient selon les cadres contractuels, les plateformes et les pays, mais le principe opérationnel reste le même : l’usage média doit être prévu, documenté et gouverné.
La deuxième exigence est la fraîcheur des données. Une seed de clients performants datant de dix-huit mois peut être trompeuse si l’assortiment, les prix, la concurrence ou les habitudes de déplacement ont changé. En retail, les signaux récents ont souvent plus de valeur prédictive que les historiques longs, surtout pour les catégories saisonnières. Une fenêtre de trois à six mois peut être pertinente pour des achats fréquents ; douze à vingt-quatre mois peuvent se justifier pour des cycles longs comme l’ameublement, l’optique ou l’équipement de la maison.
La troisième exigence est l’explicabilité business. Les équipes ne doivent pas seulement savoir que le lookalike performe ; elles doivent comprendre pourquoi certains segments, magasins ou zones répondent mieux. Cette lecture permet d’améliorer les opérations : ajuster les stocks, renforcer une offre locale, préparer les équipes magasin, revoir les zones de chalandise, modifier la pression CRM. Le lookalike ne doit pas rester un objet média isolé. Il doit nourrir la stratégie omnicanale.
Enfin, il faut éviter la dépendance à une seule plateforme. Les jardins fermés peuvent fournir des lookalikes puissants, mais la comparabilité entre environnements reste limitée. Une plateforme peut optimiser sur l’engagement, une autre sur la visite estimée, une autre sur l’achat matché. Les méthodologies ne sont pas toujours homogènes. Les annonceurs doivent conserver une couche de mesure indépendante autant que possible : groupes de contrôle, données caisse, CRM, tests géographiques et règles internes de rentabilité.
Conclusion : étendre intelligemment, mesurer causalement, couper rapidement ce qui n’ajoute pas de valeur
Le ciblage lookalike peut être un levier puissant pour étendre le drive-to-store, mais seulement s’il est traité comme une méthode d’expansion contrôlée, pas comme un bouton d’élargissement d’audience. Sa valeur ne vient pas de la similarité statistique en elle-même. Elle vient de la capacité à identifier des individus proches des meilleurs comportements magasin, exposés dans un contexte local pertinent, avec une création adaptée à leur niveau d’intention, puis à vérifier que leur visite ou leur achat est réellement additionnel.
Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, définir l’objectif business : recrutement, réactivation, soutien à un magasin, lancement de catégorie, déstockage ou fidélisation. Deuxièmement, construire des seed audiences cohérentes, fondées sur des comportements à valeur : achats magasin récents, marge, fréquence, catégorie, visites identifiées, consultation de stock ou rendez-vous. Troisièmement, intégrer les signaux locaux : distance, isochrone, magasin préféré, zone de chalandise, typologie de point de vente et disponibilité produit. Quatrièmement, créer des paliers de similarité testables plutôt qu’un seul lookalike massif. Cinquièmement, croiser l’audience avec des règles média strictes : contexte, horaire, inventaire, fréquence, exclusion et géographie. Sixièmement, adapter les créations selon le niveau de proximité et d’intention, de la preuve locale jusqu’au CTA d’itinéraire ou de réservation. Septièmement, mesurer l’incrémentalité avec holdout, tests géographiques ou groupes de contrôle, en distinguant ROAS attribué, ROAS incrémental et ROAS marge. Huitièmement, instaurer des règles d’arrêt pour couper les paliers, zones ou fréquences qui n’ajoutent plus de valeur.
L’arbitrage central est clair. Élargir trop vite augmente le volume mais dilue la pertinence. Rester trop proche de la seed limite l’échelle. Optimiser au clic favorise parfois la curiosité plutôt que la visite. Optimiser à la visite peut sous-estimer la marge. Optimiser au ROAS attribué peut capter des ventes organiques. Le rôle du marketing expert est donc de piloter la progression entre couverture, qualification et causalité.
Dans un marché où les coûts média augmentent et où les signaux de tracking deviennent plus fragmentés, le lookalike drive-to-store doit devenir plus sélectif, plus local et plus mesuré. Bien utilisé, il permet de sortir de la base CRM sans retomber dans l’achat de masse. Mal cadré, il transforme une audience prometteuse en bruit média sophistiqué. La différence se joue dans la seed, dans les contraintes locales, dans la discipline d’achat et dans la preuve incrémentale.
