Funnel app-to-store : détecter les ruptures entre clic et visite

Entre le clic et la visite, la perte de valeur se joue rarement au dernier mètre

Dans un dispositif app-to-store, l’objectif n’est pas seulement de générer un clic mobile vers une page magasin, une fiche produit ou un coupon. L’objectif est de transformer une interaction digitale en déplacement physique mesurable, puis en transaction ou en relation client durable. Cette nuance est essentielle : beaucoup de campagnes affichent un CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, acceptable au niveau du clic ou du téléchargement de coupon, mais échouent à créer un trafic magasin incrémental. Le problème n’est alors pas le volume d’audience, mais la rupture entre intention déclarée et action réelle.

Le funnel, parcours structuré allant de l’exposition publicitaire à l’engagement, puis à la visite et à la conversion, doit être analysé comme une chaîne de micro-décisions. Un utilisateur voit une annonce, clique, attend le chargement, accepte ou refuse une permission, consulte un magasin, vérifie une disponibilité, demande un itinéraire, se déplace, entre en point de vente, trouve ou non le produit, puis achète éventuellement. Chaque étape peut détruire une partie de la valeur. Les ruptures les plus coûteuses sont souvent invisibles dans les reportings standards, car les plateformes optimisent sur les événements faciles à capter : clic, ouverture d’app, page vue, coupon affiché.

Pour les annonceurs retail, locaux et omnicanaux, le diagnostic app-to-store impose donc de dépasser le taux de clic. Un CTR, click-through rate, taux de clic entre impressions et clics, élevé peut signaler une création performante, mais il peut aussi traduire une promesse trop promotionnelle, une audience déjà captive ou un inventaire générateur de clics accidentels. À l’inverse, une campagne avec un CTR modéré peut produire davantage de visites qualifiées si elle touche des utilisateurs proches, intentionnistes et exposés au bon moment. L’enjeu est de savoir où la chaîne casse : avant le clic, après le clic, pendant la consultation locale, au moment du déplacement ou dans le magasin.

Cette lecture est d’autant plus critique que la mesure mobile est fragmentée. Les identifiants publicitaires sont moins stables, les consentements sont hétérogènes, les environnements app et web mobile communiquent imparfaitement, et l’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, surestime souvent les derniers signaux observables. Détecter les ruptures entre clic et visite n’est donc pas un exercice de dashboarding. C’est une discipline d’analyse causale, technique et opérationnelle.

Modéliser le funnel app-to-store comme une succession de seuils, pas comme un tunnel linéaire

Un funnel app-to-store robuste doit distinguer au minimum sept niveaux. Le premier est l’exposition : impression display, social, push, SMS, RCS ou message in-app. Le deuxième est l’engagement initial : clic, swipe, ouverture de push ou interaction avec un bouton. Le troisième est l’atterrissage : page magasin chargée, deep link ouvert dans l’application, fiche produit affichée, coupon accessible. Le quatrième est l’intention locale : consultation d’horaires, recherche de magasin, disponibilité produit, sélection d’un point de vente. Le cinquième est l’action de déplacement : clic itinéraire, appel magasin, ajout au wallet, réservation, prise de rendez-vous. Le sixième est la visite physique mesurée. Le septième est la conversion économique : achat caisse, retrait, devis, inscription fidélité ou réachat.

La plupart des analyses s’arrêtent trop tôt. Elles comparent dépenses média, clics et visites attribuées, puis en déduisent un coût par visite. Cette lecture agrégée masque les ruptures intermédiaires. Par exemple, une campagne peut générer 100 000 clics, 72 000 pages chargées, 28 000 consultations de magasin, 9 000 clics itinéraire, 3 200 visites observées et 1 050 transactions matchées. Si l’on regarde seulement le ratio clic-visite, la performance est de 3,2 %. Mais le diagnostic utile se situe dans les écarts : 28 % des clics seulement produisent une intention locale ; 32 % des intentions locales déclenchent un itinéraire ; 35 % des itinéraires aboutissent à une visite observée. Chaque ratio appelle une hypothèse différente.

Le framework le plus efficace consiste à construire une matrice étape par étape avec quatre colonnes : volume entrant, taux de passage, coût cumulé et valeur attendue. Le taux de passage clic vers landing mesure la friction technique. Le taux landing vers magasin mesure la pertinence du contenu local. Le taux magasin vers itinéraire mesure l’intention de déplacement. Le taux itinéraire vers visite mesure l’accessibilité, la concurrence et la promesse. Le taux visite vers achat mesure la capacité du point de vente à convertir. Cette approche évite de traiter toutes les pertes comme un problème média.

Il faut également segmenter le funnel. Une moyenne nationale peut cacher des comportements opposés. Les utilisateurs situés à moins de 10 minutes d’un magasin peuvent avoir un taux clic-itinéraire de 14 %, tandis que ceux situés à plus de 25 minutes plafonnent à 3 %. Les clients CRM actifs peuvent convertir après une seule relance, tandis que les prospects lookalike nécessitent une preuve plus riche. Les magasins de centre-ville peuvent générer beaucoup d’itinéraires piétons mais peu de transactions si le stock est limité. Les retail parks peuvent produire moins de clics, mais un panier moyen supérieur. Sans segmentation, l’analyse du funnel devient descriptive, pas décisionnelle.

Identifier les ruptures techniques : latence, deep linking, tracking et permissions détruisent de la valeur avant même l’intention

La première famille de ruptures est technique. Elle intervient avant que l’utilisateur n’ait réellement évalué l’offre. Sur mobile, chaque seconde de chargement supplémentaire augmente le risque d’abandon. Les benchmarks varient selon les secteurs, mais une page qui passe de 2 à 5 secondes de chargement peut perdre 20 % à 40 % de ses visites utiles, surtout en trafic payé. Dans un contexte drive-to-store, cette perte est aggravée par le fait que l’utilisateur est souvent en mobilité, avec une attention limitée et une connectivité variable.

Le deep linking est un autre point critique. Un deep link permet d’ouvrir directement une page précise dans une application plutôt que de renvoyer vers une page générique ou l’accueil. Si l’utilisateur clique sur une publicité pour vérifier le stock d’un produit dans son magasin le plus proche, mais atterrit sur la page d’accueil de l’app ou sur une page web qui lui demande de choisir manuellement sa ville, la rupture est immédiate. La campagne a généré un clic, mais l’expérience détruit l’intention. Les équipes doivent tester systématiquement les liens sur iOS, Android, web mobile, utilisateurs avec application installée, utilisateurs sans application, sessions connectées et non connectées.

Les permissions peuvent également créer des ruptures silencieuses. Une demande de géolocalisation trop précoce, mal formulée ou non contextualisée peut faire chuter le passage vers le magasin sélectionné. À l’inverse, ne pas demander la localisation au bon moment oblige l’utilisateur à saisir une adresse ou à parcourir une liste de magasins, ce qui augmente la friction. La bonne pratique consiste à demander la permission lorsque la valeur est explicite : trouver le stock le plus proche, calculer un temps de trajet, afficher les horaires ouverts maintenant, ou proposer un retrait disponible. La permission n’est pas un prérequis technique ; c’est un échange de valeur.

Le tracking constitue une autre zone de risque. Une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires, peut déclarer des clics que l’outil analytics ne retrouve pas si les redirections sont trop longues, si les paramètres UTM sont perdus, si le consentement analytics est refusé ou si le passage app-web casse la session. En achat RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression disponible, ces écarts peuvent être significatifs. Un différentiel de 10 % à 25 % entre clics plateforme et sessions analytics n’est pas rare. Il ne faut pas l’accepter comme une fatalité : il doit être ventilé par source, OS, format, réseau, temps de chargement et statut de consentement.

Un audit technique app-to-store doit donc inclure au moins cinq contrôles. Premièrement, mesure du temps de chargement réel par device et réseau. Deuxièmement, test des deep links et fallback web. Troisièmement, comparaison entre clics média, sessions analytics et événements app. Quatrièmement, vérification des fenêtres de consentement et de leur impact sur les événements mesurés. Cinquièmement, contrôle de la disponibilité des données magasin : horaires, stock, adresse, téléphone, services, accessibilité. Une rupture technique non corrigée fausse tout le reste : elle fait croire à un problème d’audience alors que la fuite se produit dans l’expérience.

Distinguer clic curieux, intention locale et intention de déplacement

La deuxième famille de ruptures concerne la qualité de l’intention. Tous les clics ne sont pas des signaux équivalents. Un clic sur une bannière promotionnelle à forte remise peut traduire une curiosité opportuniste, sans disposition réelle à se déplacer. Un clic sur un bouton d’itinéraire, une consultation de stock ou une prise de rendez-vous révèle une intention plus proche de la visite. L’erreur consiste à agréger ces événements dans une même logique de conversion intermédiaire.

Pour diagnostiquer correctement, il faut hiérarchiser les micro-conversions. Une page vue produit a une valeur faible si elle n’est pas contextualisée localement. Une consultation de magasin est plus forte, mais elle peut rester exploratoire. Un clic itinéraire est un signal robuste, mais pas une preuve de visite. Un coupon ajouté au wallet indique une intention différée. Une réservation ou une prise de rendez-vous représente un engagement plus coûteux pour l’utilisateur. Chaque signal doit recevoir un poids différent dans l’optimisation.

Un modèle simple peut attribuer un score d’intention locale. Par exemple : page magasin chargée, 1 point ; consultation d’horaires, 2 points ; disponibilité produit vérifiée, 3 points ; clic itinéraire, 5 points ; coupon sauvegardé, 6 points ; appel magasin, 7 points ; réservation, 10 points. Ce score n’est pas une vérité universelle, mais il permet de comparer les sources média au-delà du clic. Une campagne A peut générer 30 000 clics et 45 000 points d’intention ; une campagne B seulement 18 000 clics mais 62 000 points d’intention. Si le budget est piloté au clic, la campagne A gagne. Si le budget est piloté sur l’intention locale pondérée, la campagne B devient prioritaire.

La proximité doit être intégrée à cette lecture. La distance brute est moins pertinente que l’isochrone, zone calculée selon le temps de trajet plutôt que le nombre de kilomètres. Un utilisateur à 2 kilomètres en centre-ville dense peut être moins accessible qu’un utilisateur à 8 kilomètres en périphérie avec un accès direct. Le taux de passage clic-visite doit donc être analysé par tranches de temps : moins de 5 minutes, 5 à 15 minutes, 15 à 30 minutes, plus de 30 minutes. Dans beaucoup de catégories retail, l’élasticité est forte : au-delà de 20 ou 25 minutes, l’utilisateur exige une raison de déplacement beaucoup plus solide, comme un stock rare, un prix, un service ou un rendez-vous.

Le contexte temporel est tout aussi déterminant. Un clic à 9 h sur une offre valable en magasin le jour même n’a pas le même potentiel qu’un clic à 23 h. Une campagne alimentaire, beauté ou restauration doit raisonner en fenêtres courtes, parfois inférieures à 6 heures. Une campagne ameublement, automobile ou optique peut accepter une maturation de plusieurs jours ou semaines. Le funnel app-to-store ne doit donc pas appliquer une fenêtre d’attribution unique à toutes les catégories. Une visite dans les 24 heures peut être pertinente pour une opération de déjeuner ; une visite dans les 14 jours peut être pertinente pour une prise de rendez-vous optique.

Mesurer sans se tromper : l’attribution clic-visite surestime souvent les segments déjà intentionnistes

La mesure de visite magasin est indispensable, mais elle peut produire une illusion de performance. Les utilisateurs qui cliquent, consultent un itinéraire ou ouvrent l’application sont souvent plus proches, plus fidèles ou déjà en phase d’achat. Si ces utilisateurs visitent ensuite un magasin, il est tentant d’attribuer la visite à la campagne. Pourtant, une partie d’entre eux serait venue sans exposition supplémentaire. C’est la différence entre performance attribuée et performance incrémentale.

Le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué ou incrémental et dépenses marketing, doit être calculé avec cette nuance. Un ROAS attribué de 8 peut masquer un ROAS incrémental de 1,5 si la campagne touche surtout des clients organiques. À l’inverse, une campagne de conquête peut afficher un ROAS attribué modeste mais produire de nouveaux visiteurs à forte valeur future. Le marketing expert ne doit pas arbitrer uniquement sur ce que la plateforme sait rattacher, mais sur ce que l’activation change réellement.

Prenons un cas concret. Une enseigne spécialisée lance une campagne app-to-store autour de 120 magasins. Budget : 90 000 euros. Le reporting média indique 180 000 clics, 14 400 clics itinéraire, 5 600 visites attribuées et 420 000 euros de chiffre d’affaires matché en caisse. Le ROAS attribué est de 4,7. Le coût par visite attribuée est de 16,1 euros. À première vue, la campagne est défendable. Mais un groupe témoin, ou holdout, population éligible volontairement non exposée pour mesurer l’effet causal, révèle que le taux de visite naturel était de 2,6 %, contre 3,4 % chez les exposés comparables. L’uplift est donc de 0,8 point. Sur 250 000 personnes réellement exposées de manière qualifiée, cela représente 2 000 visites incrémentales, pas 5 600. Le coût par visite incrémentale remonte à 45 euros.

Ce diagnostic ne condamne pas la campagne. Il permet de l’optimiser. Si les visites incrémentales proviennent principalement des utilisateurs situés entre 10 et 20 minutes, avec consultation de stock et exposition à une création service, il faut réallouer le budget vers ce segment. Si les visiteurs à moins de 5 minutes affichent beaucoup de ventes attribuées mais peu d’uplift, ils étaient probablement déjà clients du magasin. Le rôle de l’attribution est de décrire les parcours ; le rôle de l’incrémentalité est de décider l’investissement.

Les protocoles de mesure doivent être adaptés au volume et au contexte. Pour des campagnes nationales, un holdout individuel de 5 % à 10 % peut suffire si l’exposition est contrôlable. Pour des campagnes locales, les tests géographiques sont souvent plus réalistes : magasins activés contre magasins comparables non activés. L’appariement doit tenir compte du trafic historique, de la saisonnalité, de la typologie de zone, des promotions, des stocks, de la concurrence et des jours d’ouverture. Une comparaison entre un magasin de centre-ville et un retail park périphérique ne prouve rien, même si les volumes semblent proches.

Relier les ruptures du funnel aux causes business : promesse, stock, accessibilité et expérience magasin

Une rupture entre clic et visite n’est pas toujours un problème média ou digital. Elle peut révéler une incohérence business. Si l’utilisateur clique sur une offre locale mais découvre un stock indisponible, la fuite est logique. Si la page annonce un retrait possible mais que le créneau le plus proche est dans trois jours, l’intention s’érode. Si le magasin ferme dans 25 minutes au moment du clic, le déplacement devient improbable. Si l’offre est nationale mais que le magasin local ne la met pas en avant, la conversion caisse chute.

Le stock est l’un des facteurs les plus sous-estimés. Dans de nombreuses catégories, afficher la disponibilité locale peut augmenter fortement le taux de passage vers l’itinéraire. Mais cette promesse devient dangereuse si les données ne sont pas fiables. Une disponibilité annoncée à tort détruit la confiance et peut augmenter les avis négatifs. Le bon arbitrage consiste à afficher des statuts prudents : disponible, faible stock, vérifier en magasin, retrait sous 2 heures, retrait sous 24 heures. La précision doit être alignée avec la fiabilité opérationnelle.

L’accessibilité est une autre cause majeure. Les campagnes app-to-store utilisent souvent un rayon géographique, par exemple 5 ou 10 kilomètres autour du magasin. Ce critère est trop grossier. Il ignore les barrières urbaines, les transports, le stationnement, les zones de travaux, la météo, les habitudes de trajet et la concurrence. Un magasin situé à 3 kilomètres peut être moins accessible qu’un magasin à 12 minutes d’autoroute. Les analyses de rupture doivent donc intégrer des isochrones, mais aussi des variables de contexte : jour de semaine, heure, météo, événement local, saturation commerciale.

L’expérience magasin ferme le funnel. Une hausse des visites ne suffit pas si les équipes ne sont pas informées de la campagne, si le coupon n’est pas reconnu en caisse, si l’offre n’est pas visible, ou si le produit est mal implanté. Beaucoup de ruptures sont détectées après la visite : trafic incrémental réel mais conversion faible. Dans ce cas, le diagnostic ne doit pas conclure à un mauvais ciblage. Il doit interroger le merchandising, la formation caisse, la disponibilité produit, la file d’attente, la cohérence prix et la remontée des transactions.

Un indicateur utile est le ratio visite-transaction par magasin activé. Si le taux moyen est de 28 % mais que certains magasins tombent à 12 % avec un trafic similaire, il faut auditer l’exécution locale. Si les magasins à faible conversion sont aussi ceux où le stock était inférieur à 80 % de disponibilité sur les produits promus, la rupture est opérationnelle. Si la conversion est forte mais le volume de visites faible, le problème est plus haut dans le funnel : audience, promesse, pression média ou accessibilité.

Mettre en place un tableau de pilotage orienté ruptures, pas seulement performances

Un dashboard app-to-store mature doit organiser les indicateurs autour des passages entre étapes. Il ne suffit pas d’afficher impressions, clics, visites et chiffre d’affaires. Il faut suivre les ratios de transformation intermédiaires : impression vers clic, clic vers session chargée, session vers page magasin, page magasin vers intention locale, intention vers itinéraire ou coupon, itinéraire vers visite, visite vers transaction, transaction vers réachat. Chaque ratio doit être lisible par canal, campagne, création, segment, magasin, distance, horaire et statut client.

Le coût doit également être cumulé par étape. Le coût par clic est insuffisant. Le coût par session chargée corrige les pertes techniques. Le coût par intention locale qualifiée mesure la pertinence du contenu. Le coût par clic itinéraire mesure l’envie de déplacement. Le coût par visite incrémentale mesure la contribution réelle. Le coût par transaction marge mesure la rentabilité. Cette cascade évite de couper une source média qui clique peu mais génère des visites, ou de surinvestir dans une source qui clique beaucoup sans déplacer.

La qualité des visites doit être intégrée. Une visite de 90 secondes détectée à proximité d’un magasin peut être un passage devant la vitrine ou un bruit de localisation. Une visite de 12 minutes pendant les heures d’ouverture, suivie d’un achat matché ou d’un usage coupon, est beaucoup plus robuste. Les partenaires de mesure utilisent généralement des règles de dwell time, durée minimale de présence, et de géofencing, périmètre géographique virtuel autour d’un lieu. Ces paramètres doivent être connus, testés et adaptés. Un géofence trop large autour d’un centre commercial attribuera des visites à tort ; un géofence trop strict sous-estimera les magasins avec parkings ou entrées multiples.

Les seuils d’alerte doivent être définis à l’avance. Par exemple : écart supérieur à 20 % entre clics plateforme et sessions analytics ; taux de chargement inférieur à 85 % ; taux page magasin vers itinéraire inférieur de 30 % à la médiane catégorie ; chute du taux visite-transaction dans certains magasins ; hausse des opt-out après relance SMS ; fréquence média supérieure à 6 expositions sans progression d’intention. Ces seuils permettent d’intervenir en cours de campagne, pas seulement en post-mortem.

Enfin, le tableau de bord doit articuler court terme et apprentissage. À court terme, il sert à réallouer le budget, couper les inventaires faibles, corriger les liens, ajuster les créations et exclure les magasins non prêts. À moyen terme, il alimente une base de benchmarks : quels segments convertissent après un clic itinéraire, quelles distances restent rentables, quels formats produisent une intention locale, quelles catégories nécessitent un rendez-vous, quels magasins transforment le mieux le trafic incrémental. Le funnel devient un actif de connaissance, pas seulement un reporting de campagne.

Corriger les ruptures : scénariser la relance plutôt que forcer le clic

Une fois les ruptures identifiées, la réponse ne consiste pas toujours à augmenter la pression média. Si la fuite intervient entre impression et clic, il faut tester la promesse, le format, l’audience ou le contexte. Si la fuite intervient entre clic et page chargée, il faut corriger la technique. Si la fuite intervient entre page magasin et itinéraire, il faut enrichir la preuve locale : stock, horaires, services, avis, distance, temps de trajet, avantage. Si la fuite intervient entre itinéraire et visite, il faut questionner l’accessibilité, le timing et la force de l’offre. Si la fuite intervient entre visite et achat, il faut mobiliser le retail.

La relance doit être conditionnelle. Un utilisateur qui a cliqué sans charger la page ne doit pas recevoir le même message qu’un utilisateur ayant consulté le stock puis abandonné. Le premier peut être relancé par un format moins intrusif avec une promesse clarifiée. Le second peut recevoir un rappel plus actionnable, par exemple disponibilité confirmée, créneau de retrait ou avantage limité. Un client opt-in SMS ayant ajouté un coupon au wallet peut justifier une relance directe, mais un prospect froid ayant simplement cliqué sur une bannière ne doit pas être sur-sollicité.

Le capping, limitation de la fréquence d’exposition ou de sollicitation sur une période donnée, doit tenir compte de l’étape du funnel. Une fréquence de rappel peut être acceptable pour un utilisateur ayant montré une intention forte. Elle devient coûteuse et irritante pour un utilisateur sans engagement. La règle opérationnelle peut être simple : plus le signal est bas dans le funnel, plus la relance peut être personnalisée et courte ; plus le signal est haut, plus la relance doit être légère, informative et espacée.

Les exclusions sont décisives. Un acheteur doit sortir de la campagne produit. Un utilisateur ayant visité le magasin mais non acheté peut basculer vers un message de service ou une enquête si le consentement le permet. Un client exposé à un SMS ne doit pas être surexposé en push et social avec la même offre. Un magasin en rupture de stock doit être exclu des créations orientées produit. Sans orchestration, les canaux empilent des messages et créent eux-mêmes des ruptures relationnelles.

La création doit aussi progresser. Le premier message peut poser la promesse. Le deuxième doit ajouter une preuve locale. Le troisième doit lever une friction : stock, horaire, itinéraire, rendez-vous, retrait, facilité de paiement. Répéter trois fois la même remise ne transforme pas un clic curieux en visite ; cela augmente surtout le risque de fatigue. Dans un funnel app-to-store, la fréquence efficace dépend moins du nombre de contacts que de la capacité de chaque contact à réduire une incertitude.

Conclusion : détecter les ruptures revient à reprendre le contrôle économique du trafic magasin

Le funnel app-to-store doit être piloté comme une chaîne de valeur, pas comme une succession de métriques isolées. Le clic est un signal utile, mais il n’est ni une intention suffisante ni une preuve de visite. Entre l’engagement mobile et l’entrée en magasin, les ruptures peuvent être techniques, expérientielles, locales, opérationnelles ou méthodologiques. Les confondre conduit à de mauvaises décisions : augmenter le budget quand il faudrait réduire la latence, changer l’audience quand il faudrait corriger le stock, couper un canal quand le problème vient du magasin, ou célébrer un ROAS attribué qui capture des visites organiques.

Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, cartographier le funnel complet : exposition, clic, session, page magasin, intention locale, action de déplacement, visite, transaction. Deuxièmement, instrumenter chaque micro-conversion avec des événements fiables et comparables entre web mobile, application, CRM et média. Troisièmement, segmenter les ratios par distance, isochrone, magasin, statut client, canal, création et horaire. Quatrièmement, auditer les ruptures techniques : temps de chargement, deep links, consentement, tracking, données magasin. Cinquièmement, distinguer clic curieux, intention locale et intention de déplacement par des scores pondérés. Sixièmement, mesurer l’incrémentalité avec holdout ou tests géographiques pour séparer visites attribuées et visites réellement additionnelles. Septièmement, relier les ruptures aux causes business : stock, promesse, accessibilité, exécution magasin. Huitièmement, scénariser les relances et exclusions selon l’étape du funnel plutôt que pousser uniformément la pression.

Le principe directeur est simple : une rupture n’est utile que si elle débouche sur une décision. Si le taux clic-session est faible, on corrige la technique. Si le taux session-itinéraire est faible, on renforce la pertinence locale. Si le taux itinéraire-visite est faible, on vérifie timing, accessibilité et promesse. Si le taux visite-transaction est faible, on agit sur le magasin. Si l’attribution est forte mais l’uplift faible, on réalloue vers des segments plus incrémentaux. Le pilotage app-to-store devient alors un système d’apprentissage continu.

Pour les professionnels du marketing mobile, la maturité ne consiste plus à prouver que le digital influence le magasin. Elle consiste à savoir précisément où cette influence se perd, combien elle coûte et quelle action permet de la restaurer. C’est à ce niveau de granularité que le trafic magasin cesse d’être une promesse média et devient un actif mesurable, optimisable et réellement rentable.