Mesurer le drive-to-store sans surestimer l’attribution

Le drive-to-store ne se mesure pas à la visite attribuée, mais à la visite réellement créée

Le Drive-to-Store, stratégie visant à générer du trafic qualifié vers un point de vente physique à partir de leviers digitaux ou CRM, est devenu un terrain de mesure complexe. Les plateformes savent reporter des impressions géolocalisées, des clics sur itinéraire, des visites estimées, des ventes rattachées à une exposition et parfois un ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires. Cette apparente précision peut pourtant conduire à une surestimation massive de l’efficacité si l’attribution est confondue avec la causalité.

L’attribution désigne la méthode qui assigne une conversion, une visite ou une vente à un ou plusieurs points de contact marketing. Elle répond à une question opérationnelle utile : quel canal, quelle campagne ou quelle création était présent dans le parcours observé ? Mais elle ne répond pas automatiquement à la question économique la plus importante : cette visite aurait-elle eu lieu sans campagne ? En drive-to-store, cette distinction est critique, car une part élevée des personnes exposées sont déjà proches du magasin, déjà clientes, déjà intentionnistes ou déjà soumises à des signaux de demande organique.

Un exemple simple illustre le problème. Une enseigne alimentaire investit 80 000 euros dans une campagne mobile géolocalisée autour de 120 magasins. Le reporting annonce 42 000 visites attribuées et un coût par visite de 1,90 euro. À première vue, le CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, paraît performant. Mais si 70 % de ces visites proviennent de clients habituels présents dans la zone de chalandise et qui seraient venus de toute façon, le coût par visite incrémentale peut dépasser 6 euros. L’écart change entièrement l’arbitrage budgétaire.

La mesure drive-to-store doit donc être construite comme un dispositif de preuve, pas comme une simple lecture de dashboard. Elle doit isoler les visites additionnelles, neutraliser les biais de proximité, tenir compte de la qualité des données de localisation, comparer des populations ou zones comparables, et intégrer la valeur économique réelle : panier, marge, nouveau client, réachat, cannibalisation et contribution réseau. Sans cette discipline, l’annonceur optimise souvent vers les zones et audiences les plus faciles à attribuer, pas vers celles où le marketing crée le plus de valeur.

Comprendre les biais d’attribution : proximité, intention, densité et sélection algorithmique

Le premier biais en drive-to-store est le biais de proximité. Les campagnes locales ciblent naturellement des individus situés près des magasins ou circulant dans leurs zones de chalandise. Or la proximité est déjà un déterminant majeur de la visite. Un utilisateur exposé à 300 mètres d’un point de vente a une probabilité organique de passage beaucoup plus élevée qu’un utilisateur situé à 8 kilomètres. Attribuer la visite à la campagne sans contrôler cette probabilité revient à créditer le média d’un comportement en partie préexistant.

Le deuxième biais est le biais d’intention. Les plateformes, qu’il s’agisse de social ads, de display mobile, de search local ou de programmatique, optimisent souvent vers les utilisateurs les plus susceptibles de cliquer, de demander un itinéraire ou de visiter. Cette optimisation est utile pour la performance apparente, mais elle augmente le risque de sélection. L’algorithme trouve les personnes déjà proches de l’achat. Le last click, modèle attribuant toute la conversion au dernier point de contact, accentue encore ce biais en valorisant l’interaction la plus proche de la visite, même si le rôle causal du message est faible.

Le troisième biais est le biais de densité. Les zones urbaines fournissent davantage d’impressions, de signaux mobiles, de points d’intérêt et de visites mesurables. Une campagne peut donc afficher plus de visites attribuées dans les centres-villes simplement parce que les volumes observables y sont plus élevés. Si l’on ne rapporte pas la performance au trafic naturel, à la population exposable, à la pression média par habitant ou au potentiel commercial, les zones denses semblent mécaniquement plus performantes que les zones périurbaines.

Le quatrième biais est la sélection algorithmique dans l’achat média. Une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires, peut ajuster les enchères en RTB, real-time bidding, mécanisme d’enchères en temps réel pour acheter une impression disponible. Si l’objectif d’optimisation est une visite estimée, la DSP peut concentrer la diffusion sur les profils et environnements où la visite est plus facilement détectable, plutôt que sur ceux où l’exposition modifie réellement le comportement. L’algorithme optimise la variable fournie, pas l’incrémentalité.

Enfin, l’attribution drive-to-store est sensible au biais de réconciliation des données. Les visites sont souvent inférées à partir de signaux GPS, SDK applicatifs, panels mobiles, données opérateurs, géofences ou identifiants publicitaires. Chaque méthode comporte des limites : précision variable, latence, couverture incomplète, consentement, perte de signal, déduplication imparfaite, confusion entre passage devant le magasin et entrée réelle. Une visite attribuée n’est donc pas toujours une visite physique certaine, encore moins une visite incrémentale.

Définir correctement une visite : géofence, dwell time, fenêtre d’attribution et qualité du signal

Avant de discuter d’incrémentalité, il faut définir ce que l’on mesure. Une visite magasin n’est pas un événement trivial. Elle dépend d’une géofence, zone virtuelle dessinée autour d’un point de vente, d’un dwell time, durée minimale de présence permettant de distinguer une visite d’un simple passage, et d’une fenêtre d’attribution, période pendant laquelle une visite est rattachée à une exposition ou à un clic. Des paramètres trop larges gonflent mécaniquement les résultats.

La géofence doit être adaptée à la réalité du site. Pour un magasin isolé en retail park, une zone de 50 à 100 mètres peut être exploitable si la précision GPS est suffisante et si les parkings ne créent pas trop d’ambiguïtés. Pour une boutique en centre commercial, la mesure est beaucoup plus délicate : une géofence trop large capte les visiteurs du centre, pas nécessairement ceux du magasin. Pour un point de vente en rue commerçante dense, un rayon de 30 mètres peut encore inclure des passants ou des clients de magasins voisins. Plus l’environnement est dense, plus la mesure doit être prudente.

Le dwell time est un filtre essentiel. Une présence de 30 secondes peut suffire à qualifier un passage en drive ou en restauration rapide, mais elle est insuffisante pour une enseigne d’ameublement, d’optique ou d’équipement sportif. À l’inverse, fixer un dwell time trop long peut exclure des visites réelles très rapides, par exemple un retrait click and collect. La règle doit dépendre de la catégorie, du format magasin et du parcours attendu. Une bonne pratique consiste à tester plusieurs seuils, par exemple 2, 5, 10 et 15 minutes, puis à comparer leur cohérence avec les données caisse ou trafic magasin.

La fenêtre d’attribution est un autre levier de surestimation. Si une impression mobile est suivie d’une visite dans les 30 jours, peut-on raisonnablement attribuer cette visite à l’exposition ? Pour une offre de restauration ou une promotion quotidienne, une fenêtre de 24 à 72 heures est souvent plus défendable. Pour l’automobile, l’ameublement ou les services sur rendez-vous, une fenêtre de 7 à 21 jours peut être pertinente, mais elle augmente aussi le bruit organique. La fenêtre doit être alignée sur le cycle d’achat et testée contre un groupe de contrôle.

La qualité du signal doit également être auditée. Les équipes marketing doivent demander la couverture du panel, le taux de précision, les règles de nettoyage, le taux de visites rejetées, la méthode de déduplication et la capacité à distinguer employés, livreurs, riverains et clients. Un signal de localisation obtenu en arrière-plan n’a pas la même précision qu’un signal actif en premier plan. Une mesure basée sur un panel peut être utile pour comparer des tendances, mais fragile pour piloter un coût par visite absolu. Dans certains cas, les ventes caisse, coupons scannés, codes promotionnels ou identifiants fidélité apportent une validation plus robuste que la seule visite estimée.

Séparer reporting attribué et mesure incrémentale : deux lectures utiles, mais pas interchangeables

Le reporting attribué reste nécessaire. Il permet de suivre les impressions, la couverture, la fréquence, les clics, les demandes d’itinéraire, les visites estimées et les ventes rattachées. Il aide à détecter une création faible, une zone sous-diffusée, une anomalie de tracking ou un coût média excessif. Mais il ne doit pas être utilisé seul pour arbitrer les budgets, car il mesure une contribution apparente, pas une contribution causale.

La mesure incrémentale cherche à estimer l’effet additionnel réellement causé par la campagne. Elle répond à une question plus exigeante : combien de visites, de tickets ou de ventes supplémentaires ont été générés par rapport à une situation sans exposition ? Cette mesure peut révéler une situation contre-intuitive : une campagne avec un ROAS attribué élevé peut avoir une faible incrémentalité si elle touche surtout des clients déjà acquis ; une campagne avec un ROAS attribué plus modeste peut créer davantage de valeur si elle active des zones ou segments moins spontanément acheteurs.

Un cas chiffré le montre clairement. Une enseigne de bricolage lance deux vagues drive-to-store. La vague A cible les clients fidèles à moins de 5 kilomètres des magasins et génère 600 000 euros de ventes attribuées pour 60 000 euros investis, soit un ROAS attribué de 10. La vague B cible des foyers intentionnistes situés entre 8 et 15 minutes de trajet, avec un message stock et service. Elle génère 360 000 euros de ventes attribuées pour 50 000 euros investis, soit un ROAS attribué de 7,2. Si l’analyse s’arrête là, la vague A paraît supérieure.

Mais un holdout, groupe témoin non exposé conservé pour mesurer l’écart de comportement, révèle que la vague A produit seulement 35 000 euros de ventes incrémentales, car les fidèles auraient majoritairement acheté pendant l’opération. La vague B produit 70 000 euros de ventes incrémentales, avec une marge moyenne plus élevée. Le ROAS incrémental de la vague A tombe à 0,58 en chiffre d’affaires incrémental par euro investi, tandis que celui de la vague B atteint 1,4. L’attribution racontait une histoire de volume ; l’incrémentalité raconte une histoire de création de valeur.

Les deux lectures doivent coexister. Le reporting attribué sert au pilotage tactique : diffusion, formats, enchères, créations, zones, cadence. L’incrémentalité sert à la décision stratégique : augmentation ou réduction du budget, choix des segments, arbitrage entre canaux, validation du modèle économique. Le risque apparaît lorsque l’on exige du reporting attribué une preuve qu’il ne peut pas fournir.

Mettre en place des groupes de contrôle : holdout individuel, test géographique et différence-en-différences

Le groupe de contrôle est le socle de la mesure incrémentale. Dans un environnement adressable, par exemple SMS, push, email, audience CRM activée en média ou identifiants fidélité, la méthode la plus directe consiste à réserver 5 % à 10 % de la population éligible en holdout. Ces individus répondent aux mêmes critères de ciblage que les exposés, mais ne reçoivent pas la campagne. L’écart de visite ou de vente entre exposés et témoins permet d’estimer l’uplift, c’est-à-dire l’augmentation incrémentale attribuable à l’action.

La randomisation doit être rigoureuse. Un holdout national tiré au hasard peut être insuffisant si la campagne est locale. Il faut souvent stratifier par magasin, zone de chalandise, segment client, récence d’achat, valeur client, distance au point de vente et canal disponible. Sinon, le groupe témoin peut contenir trop de clients urbains, trop de dormants ou trop de zones peu concurrentielles, ce qui fausse la comparaison. La bonne question n’est pas seulement de savoir si un groupe témoin existe, mais s’il est comparable sur les variables qui influencent la visite.

Lorsque la randomisation individuelle est impossible, les tests géographiques deviennent utiles. Ils consistent à exposer certaines zones ou magasins et à comparer leur évolution à des zones ou magasins témoins. Le protocole doit commencer par l’appariement : chiffre d’affaires historique, trafic, panier moyen, saisonnalité, densité de population, concurrence, pression CRM, stock, météo, événements locaux et typologie urbaine. Les tests les plus robustes utilisent au moins 6 à 12 semaines d’historique pour vérifier que les zones test et contrôle évoluaient de manière similaire avant campagne.

La différence-en-différences est un framework reconnu pour ce type de mesure. Elle compare l’évolution d’une zone exposée avant et après campagne avec l’évolution d’une zone témoin sur la même période. Si les magasins exposés progressent de 9 % et les témoins comparables de 4 %, l’effet estimé est de 5 points, sous réserve que les tendances auraient été parallèles sans campagne. Cette hypothèse de tendances parallèles doit être testée sur l’historique, et non supposée par confort.

Pour les réseaux importants, une méthode plus avancée consiste à construire un contrôle synthétique. Le synthetic control combine plusieurs zones témoins pondérées afin de reproduire le comportement historique de la zone exposée avant campagne. Cette approche est particulièrement utile lorsque l’on teste un dispositif sur une grande région, une ville ou un sous-réseau de magasins. Elle demande plus de maturité analytics, mais elle limite le risque de comparer une zone test à un témoin mal choisi.

La puissance statistique ne doit pas être négligée. Le minimum detectable effect, effet minimum détectable, indique la variation minimale que le test peut identifier avec une probabilité suffisante. Si une campagne peut raisonnablement générer un uplift de 3 %, mais que le dispositif ne peut détecter que 12 %, le test risque de conclure à tort à l’absence d’effet. Les équipes marketing doivent donc calibrer la taille des groupes, la durée, les indicateurs et le niveau de bruit avant le lancement, pas seulement analyser les résultats après coup.

Réconcilier visite, vente et marge : la mesure ne doit pas s’arrêter au trafic magasin

Mesurer des visites incrémentales est un progrès, mais ce n’est pas suffisant. Toutes les visites n’ont pas la même valeur. Un flux additionnel peut générer peu de chiffre d’affaires si le magasin est saturé, si le stock est insuffisant, si l’offre attire surtout des achats opportunistes ou si les visiteurs viennent retirer des produits à faible marge. À l’inverse, une campagne peut produire peu de visites mais des paniers élevés, des clients nouveaux ou des ventes à forte marge.

La réconciliation avec la caisse est donc centrale. Elle peut passer par un identifiant fidélité, un coupon unique, un code promotionnel, un wallet, une carte bancaire tokenisée lorsque le cadre légal et contractuel le permet, ou une modélisation agrégée au niveau magasin. Chaque méthode a ses limites. Le coupon sous-estime les ventes si tous les clients ne le présentent pas. L’identifiant fidélité exclut les acheteurs anonymes. La modélisation magasin capte des effets agrégés mais perd la granularité individuelle. La solution dépend de la catégorie, de la base adressable et du niveau de consentement disponible.

Il faut également distinguer ventes attribuées, ventes incrémentales et marge incrémentale. Une vente attribuée est reliée à une exposition selon une règle d’attribution. Une vente incrémentale est estimée comme causée par la campagne. La marge incrémentale tient compte du mix produit, du niveau de remise, du coût média et parfois du coût opérationnel magasin. Pour un directeur marketing, le bon indicateur de décision n’est pas le coût par visite attribuée, mais la contribution incrémentale nette.

Prenons une campagne locale de prêt-à-porter. Budget : 100 000 euros. Reporting : 55 000 visites attribuées, 1,82 euro par visite, 900 000 euros de chiffre d’affaires attribué. Le ROAS attribué est de 9. Un test géographique indique cependant seulement 120 000 euros de chiffre d’affaires incrémental. La marge brute moyenne des ventes incrémentales est de 38 %, soit 45 600 euros de marge brute. Après coût média, la contribution est négative de 54 400 euros. Si l’on ajoute que 40 % des ventes concernent des produits déjà fortement remisés, l’opération est encore moins favorable. Le dashboard attribué semblait excellent ; la contribution économique est insuffisante.

À l’inverse, une campagne locale pour une enseigne d’optique peut afficher un faible volume de visites attribuées, mais un excellent résultat incrémental si elle génère des rendez-vous qualifiés et des paniers élevés. Dans ce cas, le coût par visite peut être secondaire par rapport au coût par rendez-vous honoré, au taux de transformation magasin, à la marge par équipement et au réachat. La mesure doit donc être adaptée au modèle économique, pas standardisée uniquement autour de la visite.

Gérer l’omnicanal : éviter de créditer le drive-to-store d’un effet déjà porté par le CRM, le search ou la promotion

Le drive-to-store est rarement isolé. Une campagne locale se déroule souvent en même temps qu’un email promotionnel, un SMS, une notification push, une campagne search locale, des annonces social ads, une mise en avant dans l’application, une opération magasin et parfois une promotion nationale. Si l’on mesure chaque canal avec sa propre règle d’attribution, plusieurs leviers peuvent revendiquer la même visite ou la même vente. C’est le problème de la sur-attribution omnicanale.

Un client peut recevoir un email le lundi, voir une publicité mobile le mardi, cliquer sur une annonce search le mercredi, puis acheter en magasin le samedi. Le canal search peut obtenir le last click, le display peut revendiquer une visite post-view, le CRM peut revendiquer une conversion post-envoi, et le magasin peut considérer que la promotion en rayon a déclenché l’achat. Additionner ces contributions produit une performance totale supérieure à la réalité économique. Le marketing ne doit pas compter plusieurs fois le même euro.

La première discipline consiste à hiérarchiser les fenêtres d’attribution et à dédupliquer les conversions. Une conversion ne doit pas être comptabilisée simultanément comme pleine contribution de plusieurs canaux dans un reporting financier. Les règles peuvent être différentes pour l’analyse média et pour la comptabilité de performance, mais elles doivent être explicites. La seconde discipline consiste à intégrer des groupes de contrôle par canal ou par combinaison de canaux lorsque c’est possible. Par exemple, tester SMS seul, média mobile seul, SMS plus média mobile et groupe témoin permet d’observer les effets de synergie ou de cannibalisation.

Le MMM, marketing mix modeling, méthode économétrique qui estime l’impact des leviers marketing sur les ventes agrégées en tenant compte de variables externes, peut compléter les tests. Il est utile pour comprendre les effets à moyen terme, les interactions entre canaux, la saisonnalité, les promotions, la météo et la concurrence. En revanche, il demande des historiques fiables, des variations suffisantes de pression marketing et une granularité adaptée. Il ne remplace pas les tests incrémentaux ; il les complète en donnant une lecture plus globale.

Le MTA, multi-touch attribution, modèle qui répartit une conversion entre plusieurs points de contact individuels, peut aider à comprendre les séquences de parcours, mais il reste fragile en drive-to-store. La perte des identifiants, le consentement, les environnements fermés, les visites non loguées et les conversions magasin anonymes limitent sa portée. Pour des décisions budgétaires lourdes, il est risqué de s’appuyer uniquement sur un modèle multi-touch qui observe surtout les parcours traçables. Les clients les mieux mesurés ne sont pas toujours les plus représentatifs.

La bonne approche est donc hybride. Utiliser l’attribution pour piloter l’exécution, les holdouts pour mesurer l’effet causal sur les audiences adressables, les tests géographiques pour valider l’impact magasin, et le MMM pour replacer le drive-to-store dans l’ensemble du mix. Cette combinaison réduit la dépendance à une seule méthode et rend les arbitrages plus robustes.

Conclusion : construire une mesure drive-to-store défendable devant le marketing, la data et la finance

Mesurer le drive-to-store sans surestimer l’attribution impose de changer de niveau d’exigence. La visite attribuée est un indicateur utile, mais insuffisant. Elle renseigne sur une proximité observée entre exposition et comportement ; elle ne prouve pas que la campagne a créé ce comportement. Pour prendre de bonnes décisions budgétaires, les annonceurs doivent passer d’une logique de crédit média à une logique de contribution incrémentale.

Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, définir précisément la visite : géofence, dwell time, fenêtre d’attribution, règles d’exclusion et qualité du signal. Deuxièmement, distinguer systématiquement reporting attribué, performance normalisée et mesure incrémentale. Troisièmement, mettre en place des holdouts individuels quand les audiences sont adressables, avec une randomisation stratifiée par zone, magasin et valeur client. Quatrièmement, utiliser des tests géographiques appariés lorsque la mesure individuelle est incomplète. Cinquièmement, vérifier la puissance statistique avant le lancement pour éviter les tests incapables de détecter l’effet attendu.

Sixièmement, réconcilier les visites avec les ventes, la marge, les nouveaux clients, les clients réactivés et le réachat, plutôt que d’optimiser uniquement le coût par visite. Septièmement, dédupliquer les contributions omnicanales afin de ne pas additionner plusieurs attributions pour une même conversion. Huitièmement, arbitrer sur la contribution incrémentale nette, en intégrant coût média, remises, marge, pression relationnelle et capacité opérationnelle des magasins.

Le point critique est la gouvernance. Les équipes média cherchent souvent à maximiser le ROAS attribué, les équipes CRM à activer les segments les plus réactifs, les équipes retail à soutenir les magasins prioritaires, les équipes data à garantir la validité statistique et les directions financières à mesurer la contribution réelle. La surestimation de l’attribution apparaît lorsque ces objectifs ne sont pas alignés. Un dispositif mature explicite les hypothèses avant campagne, fixe les règles de mesure, conserve des témoins, accepte les résultats contre-intuitifs et réalloue les budgets vers les segments réellement incrémentaux.

La question à poser à chaque bilan drive-to-store n’est donc pas seulement combien de visites avons-nous attribuées ? Elle est combien de visites et de ventes avons-nous créées en plus, à quel coût, avec quelle marge et sur quels clients ? C’est cette question, plus exigeante mais plus fiable, qui permet de transformer le drive-to-store en levier de croissance locale mesurable plutôt qu’en machine à produire des conversions apparentes.