Audience lookalike locale : tester l’uplift sans diluer le budget
Le vrai risque du lookalike local est de confondre extension d’audience et croissance incrémentale
Une audience lookalike locale, c’est-à-dire une audience composée de profils statistiquement similaires à une population source et activée autour de zones de chalandise ou de points de vente, promet de résoudre une tension classique du drive-to-store : sortir de la base CRM sans revenir à l’achat média de masse. Pour un réseau retail, l’idée est séduisante. On part des meilleurs clients magasin, des visiteurs récents, des utilisateurs ayant consulté un stock local ou des acheteurs d’une catégorie stratégique, puis on demande à une plateforme d’identifier des profils proches dans un périmètre géographique exploitable.
Mais cette promesse devient rapidement coûteuse si elle n’est pas testée en uplift. L’uplift désigne l’écart de comportement causé par une campagne entre une population exposée et une population comparable non exposée. En drive-to-store, il peut se mesurer en visites incrémentales, ventes incrémentales ou marge incrémentale. Sans cette lecture causale, une audience lookalike peut afficher un CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, très compétitif, tout en capturant des clients qui seraient venus en magasin sans exposition. Le reporting semble performant, le budget est consommé, mais la contribution nette reste faible.
Le sujet est particulièrement sensible localement. Plus une audience est proche d’un magasin, plus sa probabilité naturelle de visite est élevée. Une campagne diffusée autour d’un point de vente a donc mécaniquement plus de chances d’être associée à une visite, même si son effet réel est limité. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, surestime alors souvent la performance des audiences déjà intentionnistes ou géographiquement favorisées. Le lookalike local doit donc être piloté non pas comme un simple levier d’élargissement, mais comme un dispositif d’expérimentation : quelles poches d’audience ajoutent réellement du trafic, à quel coût marginal, et jusqu’à quel niveau d’expansion la rentabilité se maintient-elle ?
La discipline consiste à maintenir trois équilibres. Le premier oppose similarité et volume : une audience trop proche de la seed audience, population source utilisée pour entraîner le modèle, peut être précise mais trop restreinte ; une audience trop large dilue vite la probabilité d’action. Le deuxième oppose proximité géographique et incrémentalité : les individus très proches convertissent mieux, mais ne sont pas toujours les plus influençables. Le troisième oppose ROAS, return on ad spend, ratio entre chiffre d’affaires attribué ou incrémental et dépenses média, et marge : une campagne peut générer du chiffre d’affaires attribué mais consommer des remises, cannibaliser l’organique ou saturer les meilleurs clients. Tester l’uplift permet de sortir de cette illusion de performance.
Construire une seed locale exploitable : le modèle apprend un comportement, pas une intention théorique
La qualité d’une audience lookalike dépend d’abord de la population source. Une seed trop large produit une similarité moyenne ; une seed trop étroite peut manquer de volume et amplifier des biais locaux. En drive-to-store, il faut définir précisément le comportement que l’on veut reproduire. Cherche-t-on des visiteurs magasin ? Des acheteurs rentables ? Des clients nouveaux ? Des profils capables de se déplacer pour une catégorie à forte marge ? Des utilisateurs sensibles à une offre locale mais non encore clients ? Chaque objectif appelle une seed différente.
Une erreur fréquente consiste à utiliser tous les acheteurs des douze derniers mois. Ce choix rassure par le volume, mais il mélange des comportements hétérogènes : clients fidèles à forte marge, acheteurs opportunistes pendant les soldes, clients e-commerce sans appétence magasin, visiteurs d’un magasin urbain très dense et clients d’un retail park périurbain. Le modèle risque alors de rechercher des signaux génériques de consommation plutôt que des signaux prédictifs d’une visite locale incrémentale.
Une seed plus robuste combine plusieurs filtres. Le premier est la récence : un achat ou une visite dans les 90 derniers jours a souvent plus de pouvoir prédictif qu’un achat ancien, sauf pour les catégories à cycle long comme l’ameublement, l’optique ou l’automobile. Le deuxième est la fréquence : un client ayant visité deux fois un magasin en six mois porte un signal plus stable qu’un visiteur unique. Le troisième est la valeur : panier moyen, marge, catégorie achetée, taux de retour, usage de remise. Le quatrième est la localisation : magasin fréquenté, temps de trajet, isochrone, c’est-à-dire zone définie selon un temps d’accès plutôt qu’une distance brute, densité concurrentielle et typologie de zone.
Un cadre opérationnel consiste à créer plusieurs seeds au lieu d’une seule. Par exemple, une enseigne de bricolage peut distinguer les acheteurs projets à forte marge, les visiteurs récurrents de proximité, les clients ayant consulté le stock local et les acheteurs d’une catégorie saisonnière comme le jardin. Chaque seed donnera naissance à un lookalike différent, avec un message, une zone d’activation et un protocole de mesure adaptés. Le but n’est pas de maximiser le nombre de profils similaires, mais d’identifier le couple seed-audience où la probabilité d’influence est supérieure au coût média.
Le seuil de taille doit être piloté avec pragmatisme. Selon les plateformes, quelques milliers de profils matchables peuvent suffire pour lancer un modèle, mais la stabilité s’améliore souvent au-delà de 10 000 à 50 000 individus, selon la qualité des identifiants et le canal utilisé. Il vaut mieux une seed de 30 000 clients cohérents qu’une seed de 300 000 profils contradictoires. Le volume est une condition technique ; la cohérence comportementale est une condition marketing.
Segmenter l’expansion : tester les paliers de similarité au lieu d’ouvrir brutalement l’audience
La plupart des plateformes proposent des niveaux d’expansion : 1 %, 2 %, 5 %, 10 % des profils les plus similaires à la seed dans une population donnée, ou des scores propriétaires équivalents. Plus le palier augmente, plus le volume disponible grandit, mais plus la similarité moyenne diminue. Localement, cette dilution peut être double : dilution comportementale et dilution géographique. On touche des profils moins proches de la seed et parfois moins accessibles au point de vente.
Le pilotage expert consiste à isoler les paliers au lieu de les fusionner. Un palier 1 % doit être traité comme une cellule de test distincte, avec son budget, sa fréquence, sa création et son groupe témoin. Le palier 2 % à 5 % doit être analysé séparément. Le palier supérieur ne doit être ouvert que si la contribution marginale des paliers précédents reste positive. Cette logique évite que la performance moyenne masque la baisse de rendement de l’audience élargie.
Prenons un exemple chiffré. Une enseigne de cosmétique teste trois paliers autour de 120 magasins. Le lookalike 1 % touche 180 000 personnes, avec 3 200 visites attribuées et 1 100 visites incrémentales mesurées pour 22 000 euros de budget, soit 20 euros par visite incrémentale. Le lookalike 3 % touche 520 000 personnes, avec 7 400 visites attribuées et 2 000 visites incrémentales pour 55 000 euros, soit 27,50 euros par visite incrémentale. Le lookalike 8 % touche 1,2 million de personnes, avec 12 000 visites attribuées mais seulement 2 500 visites incrémentales pour 130 000 euros, soit 52 euros par visite incrémentale. Si le panier moyen incrémental est de 46 euros et la marge brute de 48 %, le troisième palier détruit probablement de la valeur à court terme, sauf objectif assumé de notoriété locale ou de recrutement long terme.
Ce raisonnement doit être complété par la valeur client. Une visite incrémentale à 35 euros peut être acceptable si elle recrute un nouveau client à forte LTV, lifetime value, valeur économique attendue sur la durée de relation. Elle est difficilement défendable si elle provient d’un client promotionnel à faible marge. Les paliers lookalike doivent donc être évalués sur la marge incrémentale, le taux de nouveaux clients, le réachat à 30 ou 60 jours et la cannibalisation éventuelle des clients organiques.
La création doit aussi évoluer selon le palier. Les profils très proches de la seed peuvent recevoir un message direct : stock disponible, avantage fidélité, itinéraire, rendez-vous. Les profils plus éloignés nécessitent davantage de preuve : avis clients, différenciation du point de vente, service, garantie, expertise, bénéfice catégorie. Utiliser le même call-to-action sur tous les paliers revient à demander à une audience froide de se comporter comme une audience chaude. La dilution budgétaire commence souvent par une dilution du message.
Définir un protocole d’uplift : holdout, géotest et randomisation doivent précéder l’optimisation
Tester l’uplift impose de choisir une méthode de contrôle avant le lancement. Le holdout, groupe volontairement non exposé servant de témoin, est la méthode la plus lisible lorsque l’audience est suffisamment volumineuse et que la plateforme permet une exclusion stable. On randomise l’audience éligible : par exemple 90 % exposés, 10 % non exposés. On compare ensuite les visites, ventes ou marges entre les deux groupes sur une fenêtre temporelle définie. Si le groupe exposé affiche 4,2 % de visites et le holdout 3,5 %, l’uplift est de 0,7 point. Sur 400 000 personnes exposées, cela représente 2 800 visites incrémentales.
La randomisation individuelle est puissante, mais elle a des limites. En média programmatique, les identifiants peuvent être instables. Un utilisateur du holdout peut être exposé par un autre canal. Une partie des visites magasin peut ne pas être reconnue en caisse. Les restrictions de tracking mobile réduisent parfois la capacité à relier exposition et visite. Il faut donc traiter le holdout comme une estimation robuste, pas comme une vérité absolue.
Les tests géographiques sont souvent plus adaptés aux réseaux retail. On sélectionne des zones ou magasins comparables : historique de chiffre d’affaires, trafic naturel, densité de concurrence, saisonnalité, promotion, stock, typologie socio-démographique et accessibilité. Certaines zones sont activées, d’autres servent de contrôle. La méthode permet de mesurer un effet agrégé sur le point de vente, y compris des ventes non matchées individuellement. Elle exige en revanche une grande rigueur d’appariement : comparer un flagship urbain à un magasin périurbain en sous-stock conduit à des conclusions inutilisables.
Un protocole hybride est souvent le plus fiable. Il combine un holdout audience dans les plateformes capables de le gérer, un suivi magasin par zones test et contrôle, et une analyse post-campagne sur les données caisse. L’objectif est de trianguler la performance : attribution média, comportement CRM, ventes magasin et signaux négatifs. Si les trois lectures convergent, la décision est solide. Si le ROAS attribué est élevé mais que l’uplift magasin est faible, il faut réduire l’expansion, revoir la seed ou changer de scénario.
Le choix de la fenêtre d’observation est également stratégique. Pour une offre alimentaire ou restauration, l’effet peut se mesurer sur 24 à 72 heures. Pour l’équipement de la maison, la beauté premium ou les services avec rendez-vous, il faut parfois observer 14 à 30 jours. Une fenêtre trop courte sous-estime les parcours longs ; une fenêtre trop longue augmente le bruit organique. La fenêtre doit suivre le cycle d’achat, pas les contraintes du dashboard.
Contrôler l’achat média : une bonne audience peut être détruite par une diffusion trop large ou trop répétée
Une audience lookalike locale n’a de valeur que si l’achat média respecte le contexte d’usage. Dans 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 sur une impression disponible, permet d’arbitrer à l’impression selon l’utilisateur, le contexte, le format, l’heure et la localisation. Mais l’automatisation ne remplace pas les règles business. Une impression servie à un profil similaire mais éloigné, hors horaire d’ouverture ou dans un inventaire faiblement attentionnel peut dégrader l’uplift tout en améliorant artificiellement la couverture.
La première règle est géographique. Le rayon kilométrique doit rarement être le seul critère. Un utilisateur situé à 3 kilomètres peut être à 8 minutes en métro dans une grande ville ou à 25 minutes en voiture dans une zone congestionnée. L’isochrone est plus pertinent pour calibrer la probabilité de visite. Il faut aussi intégrer la fonction du magasin : destination premium, achat de dépannage, retrait click and collect, service conseil, catégorie à forte implication. Plus la raison de déplacement est faible, plus la zone doit être stricte.
La deuxième règle est temporelle. Diffuser massivement lorsque les magasins sont fermés peut être utile pour construire la considération, mais moins pour déclencher une visite immédiate. Une campagne visant l’itinéraire ou le coupon doit privilégier les heures d’ouverture et les moments de mobilité. À l’inverse, une campagne de préparation d’achat peut fonctionner en soirée si elle renvoie vers la consultation de stock, la prise de rendez-vous ou le panier sauvegardé. Le signal horaire doit donc être aligné avec le rôle du message dans le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation.
La troisième règle est la fréquence. Le capping, limitation du nombre d’expositions ou de sollicitations sur une période donnée, protège le budget et l’attention. Sur une audience lookalike froide, une fréquence trop élevée compense rarement le manque d’intention. Dans de nombreux cas display mobile, un cap de 3 à 5 expositions par semaine peut servir de point de départ, avec des tests par palier. Mais la fréquence doit être analysée en valeur marginale : la quatrième exposition ajoute-t-elle encore des visites incrémentales ou se contente-t-elle de récupérer des conversions déjà probables ?
Enfin, l’inventaire doit être qualifié. Une audience pertinente diffusée sur des emplacements peu visibles, frauduleux ou non brand safe produit du bruit. Les indicateurs de visibilité, de complétion vidéo, de temps d’exposition, de contexte applicatif et de qualité éditeur doivent être intégrés au diagnostic. Un CPM, coût pour mille impressions, plus bas n’est pas une économie si le coût par visite incrémentale augmente.
Lire les résultats économiquement : l’attribution raconte le parcours, l’uplift décide du budget
Une campagne lookalike locale doit être évaluée sur plusieurs couches d’indicateurs. Le CTR, click-through rate, taux de clic entre impressions et clics, renseigne sur l’attractivité immédiate du message, mais il ne prouve pas l’intention magasin. Le taux de visite attribuée indique une corrélation entre exposition et déplacement, mais pas nécessairement une causalité. Le ROAS attribué donne une vision commerciale, mais il peut inclure des ventes organiques. Le coût par visite incrémentale et la marge incrémentale sont les indicateurs décisifs pour arbitrer le budget.
Un tableau de pilotage mature doit croiser au minimum : palier lookalike, magasin ou cluster, distance ou isochrone, fréquence, création, canal, coût média, visites attribuées, visites incrémentales, chiffre d’affaires incrémental, marge, taux de nouveaux clients, opt-out éventuels et réachat. Cette granularité permet d’identifier les zones où le lookalike fonctionne réellement. La moyenne nationale est souvent trompeuse : un palier 5 % peut être rentable dans les zones urbaines denses et non rentable dans les zones périurbaines déjà saturées ou peu accessibles.
La notion de coût marginal est centrale. Si le premier palier génère 1 000 visites incrémentales pour 20 000 euros, son coût moyen est de 20 euros. Si le deuxième palier ajoute 900 visites pour 35 000 euros supplémentaires, son coût marginal est de 38,90 euros. Si le troisième ajoute 500 visites pour 60 000 euros supplémentaires, son coût marginal atteint 120 euros. La décision ne doit pas être prise sur le coût moyen global, mais sur la rentabilité du prochain euro investi.
Il faut également surveiller la cannibalisation promotionnelle. Une audience lookalike peut être composée de profils qui auraient acheté sans remise, mais qui utilisent l’avantage parce qu’il leur est proposé. Dans ce cas, le chiffre d’affaires attribué peut augmenter tandis que la marge baisse. Le suivi doit donc intégrer la marge nette après remise, le taux d’utilisation de coupon, la part de clients nouveaux et le panier incrémental réel. Pour les enseignes omnicanales, il faut aussi vérifier si la campagne déplace des ventes e-commerce vers le magasin sans augmenter la valeur totale.
Enfin, l’uplift n’est pas toujours immédiat. Certains scénarios lookalike contribuent à la considération locale et se matérialisent par une hausse des recherches de magasin, des consultations de stock, des demandes d’itinéraire ou des prises de rendez-vous avant la vente. Ces signaux intermédiaires doivent être suivis, mais ils ne doivent pas remplacer la preuve économique. Ils servent à diagnostiquer le funnel, pas à justifier indéfiniment un budget non incrémental.
Mettre en place des règles d’arrêt : éviter que l’algorithme optimise le reporting plutôt que la valeur
Le principal danger d’une activation lookalike locale est l’absence de règles d’arrêt. Les plateformes optimisent souvent vers les conversions les plus faciles à attribuer : utilisateurs déjà proches, profils très réactifs, clients déjà intentionnistes, zones historiquement performantes. Si l’annonceur ne fixe pas de contraintes, l’algorithme peut concentrer la diffusion sur des segments peu incrémentaux mais très favorables au reporting.
Les règles d’arrêt doivent être définies avant la campagne. Elles peuvent inclure un coût par visite incrémentale maximal, un ROAS marge minimal, une fréquence maximale par palier, un seuil de stock local, un taux d’opt-out, une baisse de performance créative ou une limite de budget par cluster de magasins. Par exemple, une enseigne peut décider de couper tout palier dont le coût par visite incrémentale dépasse 40 euros après 100 000 impressions qualifiées, sauf si le taux de nouveaux clients dépasse 60 % et que la LTV attendue justifie l’investissement.
Les exclusions sont aussi importantes que les inclusions. Il faut exclure les acheteurs récents lorsque l’objectif est le recrutement, les zones où le stock ne permet pas d’honorer la promesse, les clients déjà sollicités par SMS ou push dans une fenêtre courte, et les magasins dont la capacité opérationnelle est saturée. Une campagne drive-to-store qui génère du trafic vers un point de vente mal préparé détruit l’expérience client et fausse la mesure.
La gouvernance doit associer média, CRM, data et retail. Le média contrôle l’achat, les caps et les inventaires. Le CRM fournit les exclusions, la valeur client et la pression relationnelle. La data construit les groupes de contrôle et lit l’incrémentalité. Le retail valide les stocks, les horaires, la capacité magasin et la pertinence locale de l’offre. Sans cette coordination, le lookalike devient un levier média isolé, alors que son efficacité dépend de la chaîne complète d’activation.
Cette discipline n’empêche pas l’apprentissage algorithmique. Elle le cadre. L’objectif n’est pas de brider la plateforme, mais de lui donner une fonction économique claire : maximiser la marge incrémentale sous contrainte de qualité d’audience, de pression, de contexte local et de budget marginal. La différence entre un test utile et une dépense diluée se joue souvent dans cette gouvernance.
Conclusion : tester petit, mesurer causalement, élargir seulement quand le rendement marginal tient
Une audience lookalike locale peut devenir un excellent levier de drive-to-store si elle est construite et évaluée comme un instrument d’expansion contrôlée. Sa valeur ne réside pas dans le volume qu’elle ouvre, mais dans sa capacité à identifier des individus additionnels que la campagne peut réellement faire progresser vers la visite ou l’achat magasin. La similarité statistique n’est qu’un point de départ ; l’uplift est la preuve.
Une feuille de route actionnable peut se résumer en huit étapes. Premièrement, définir l’objectif business : recrutement, réactivation, soutien d’un magasin, lancement de catégorie ou génération de rendez-vous. Deuxièmement, construire des seeds cohérentes fondées sur des comportements locaux à valeur : visites récentes, achats magasin, marge, consultation de stock, catégorie et accessibilité. Troisièmement, créer des paliers de similarité distincts au lieu d’un lookalike massif. Quatrièmement, associer à chaque palier une zone, une création et une fréquence adaptées. Cinquièmement, mettre en place un protocole d’uplift avec holdout, géotest ou combinaison des deux. Sixièmement, piloter l’achat média par contexte, horaire, isochrone, inventaire et capping. Septièmement, analyser les résultats sur la marge incrémentale et le coût marginal, pas seulement sur le ROAS attribué. Huitièmement, couper rapidement les paliers, zones ou fréquences qui n’ajoutent plus de valeur.
Le principe directeur est simple : élargir uniquement lorsque le prochain euro investi produit encore une contribution incrémentale défendable. Dans un environnement où les coûts média augmentent, où les signaux de tracking se fragmentent et où la pression mobile doit être maîtrisée, le lookalike local ne peut plus être piloté au volume. Il doit être testé comme un portefeuille de paris mesurables, avec des seuils de rendement, des groupes de contrôle et une lecture magasin. C’est à cette condition qu’il permet d’étendre le reach sans diluer le budget.
