Attribution drive-to-store : relier média et visites réelles
Relier une impression mobile à une visite magasin exige plus qu’une fenêtre d’attribution
Le Drive-to-Store, stratégie visant à transformer une exposition digitale en trafic qualifié vers un point de vente physique, est devenu un terrain de maturité pour les annonceurs retail, locaux et omnicanaux. La question n’est plus seulement de savoir combien d’impressions ont été servies autour d’un magasin, ni combien de visites ont été observées après exposition. L’enjeu est de déterminer quelle part de ces visites a réellement été influencée par le média, dans quelles conditions, avec quelle valeur économique et avec quel niveau de confiance méthodologique.
Cette distinction est décisive. Une campagne peut afficher 25 000 visites post-exposition et un coût par visite apparent très compétitif, tout en générant peu de trafic additionnel si elle touche principalement des clients déjà proches, déjà fidèles ou déjà intentionnistes. À l’inverse, une campagne moins spectaculaire en volume peut créer davantage de valeur si elle réactive des clients dormants, conquiert une zone sous-pénétrée ou augmente la fréquence sur des segments à forte marge. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, ne peut donc pas se limiter à un rapprochement mécanique entre exposition publicitaire et présence en magasin.
Pour piloter correctement le CPA, cost per acquisition, c’est-à-dire le coût nécessaire pour générer une conversion attribuée, et le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué ou incrémental et dépenses média, les équipes marketing doivent relier trois couches de données : l’exposition média, le signal de visite réelle et la valeur business associée. Le média indique qui a été touché, quand, où, combien de fois et via quel format. La mesure de visite indique si un individu ou un device a été observé dans un périmètre magasin après l’exposition. La donnée business, CRM ou caisse, permet de qualifier la visite : nouveau client, client existant, achat, panier, marge, catégorie, réachat.
Le problème est que ces trois couches ne sont jamais parfaitement alignées. Le média fonctionne par identifiants publicitaires, cookies limités, identifiants propriétaires ou segments probabilistes. La visite réelle repose sur des données de localisation, des panels, des SDK, des signaux Wi-Fi ou des rapprochements agrégés. La vente magasin dépend de la caisse, de la carte de fidélité, du coupon, du paiement ou d’identifiants CRM. L’attribution Drive-to-Store consiste précisément à organiser ces signaux imparfaits pour produire une décision suffisamment robuste, sans confondre précision apparente et causalité réelle.
De l’exposition à la visite : le funnel local comporte des ruptures que l’attribution doit expliciter
Le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, est rarement linéaire dans le Drive-to-Store. Un utilisateur peut voir une bannière mobile le lundi, rechercher l’adresse du magasin le mardi, recevoir un email promotionnel le mercredi, passer devant le point de vente le jeudi et acheter le samedi. Le média n’est qu’un signal parmi d’autres. Pour autant, il peut jouer un rôle déclencheur, de rappel ou de réassurance, notamment lorsque la campagne active une proximité, une offre locale, une disponibilité produit ou un service différenciant.
La première rupture se situe entre impression et attention. En programmatique, une impression servie via une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires, n’implique pas que l’utilisateur ait réellement considéré le message. Le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression disponible, optimise souvent vers des signaux de probabilité : clic, visite estimée, audience, contexte, localisation, device. Mais l’impression reste un contact faible si le format est peu visible, si la fréquence est insuffisante ou si le message n’est pas adapté au contexte local.
La deuxième rupture se situe entre attention et intention. Un clic sur une création locale, une demande d’itinéraire ou une consultation de page magasin sont des signaux plus forts qu’une impression, mais ils ne garantissent pas la visite. Certains utilisateurs cliquent pour comparer, vérifier un horaire, consulter un stock ou sauvegarder une offre. D’autres ne cliquent jamais mais se déplacent après exposition. Une attribution strictement post-clic sous-estime donc les effets de mémorisation et de proximité, tandis qu’une attribution post-impression trop large surestime l’effet média.
La troisième rupture se situe entre visite observée et visite utile. Une présence dans un périmètre géographique autour d’un magasin ne signifie pas nécessairement entrée effective, encore moins achat. En centre commercial, en rue commerçante dense ou en zone de transit, le risque de faux positif augmente. Une visite doit être définie avec des règles : durée minimale de présence, précision du signal, exclusion des employés, distinction entre passage devant vitrine et présence en magasin, fréquence de visite antérieure, horaires d’ouverture. Sans ces règles, le reporting peut additionner du bruit géographique et présenter une efficacité artificielle.
La quatrième rupture se situe entre visite et valeur. Une campagne peut augmenter le trafic mais dégrader la rentabilité si elle attire des acheteurs très promotionnels ou des visites peu converties. L’inverse existe aussi : un faible volume de visites peut être très rentable si les paniers sont élevés et les marges solides. L’attribution Drive-to-Store doit donc intégrer la qualité de la visite, pas seulement son occurrence. Pour un réseau, le bon indicateur peut être la marge incrémentale par euro investi, le taux de nouveaux clients à 90 jours, le coût par rendez-vous honoré ou le chiffre d’affaires additionnel par magasin, selon l’objectif initial.
Choisir un modèle d’attribution : last touch, multi-touch et incrémentalité ne répondent pas à la même question
Les modèles d’attribution Drive-to-Store sont souvent mélangés alors qu’ils répondent à des questions différentes. Le last touch, ou dernier point de contact, attribue la visite ou la vente au dernier levier mesurable avant conversion. Il est simple à lire et utile pour piloter l’exécution tactique, mais il favorise naturellement les canaux proches de l’action : push, SMS, search local, retargeting, demande d’itinéraire. Il ne mesure pas correctement le rôle des médias de couverture ou de considération.
Le multi-touch attribution, ou attribution multi-contact, répartit la valeur entre plusieurs expositions ou interactions. Dans un parcours local, il peut reconnaître qu’un utilisateur a été exposé à une campagne display, puis a cliqué sur une annonce search, puis a reçu un SMS avant de visiter. Le modèle peut être linéaire, dégressif dans le temps, basé sur la position dans le parcours ou algorithmique. Son intérêt est de mieux représenter l’orchestration média. Sa limite est forte : il répartit une valeur attribuée, mais ne prouve pas que cette valeur est additionnelle. Il peut sophistiquement distribuer des ventes qui auraient eu lieu sans campagne.
L’incrémentalité mesure l’effet additionnel réellement causé par l’activation par rapport à un scénario sans exposition. C’est la question la plus stratégique : combien de visites, de ventes ou de marge n’auraient pas existé sans la campagne ? Elle nécessite des groupes de contrôle, des tests géographiques, des holdouts CRM ou des modèles économétriques. Elle est plus exigeante, parfois moins flatteuse, mais beaucoup plus utile pour arbitrer les budgets.
Un exemple chiffré illustre l’écart. Une enseigne de jardinerie investit 80 000 euros dans une campagne mobile autour de 120 magasins. Le reporting attribué annonce 32 000 visites post-exposition, soit 2,50 euros par visite. En reliant une partie des visites à la caisse via carte de fidélité et coupons uniques, l’enseigne estime 9 600 achats attribués, avec un panier moyen de 46 euros. Le chiffre d’affaires attribué atteint 441 600 euros et le ROAS attribué semble donc supérieur à 5,5.
Mais un holdout de 10 % sur les clients CRM éligibles et un test géographique sur 30 magasins comparables montrent une autre réalité. Le taux de visite du groupe exposé est de 7,4 %, contre 6,3 % pour le groupe témoin. L’uplift est donc de 1,1 point. Sur 400 000 personnes exposées, cela représente 4 400 visites incrémentales. Si 30 % convertissent en magasin, avec un panier moyen de 46 euros et une marge brute de 38 %, la marge incrémentale atteint environ 23 100 euros. Le diagnostic change : la campagne génère de la valeur, mais pas suffisamment en profit direct si l’objectif était uniquement la rentabilité court terme. Elle peut toutefois rester pertinente si elle écoule un stock saisonnier, soutient des magasins sous-fréquentés ou recrute des clients à forte lifetime value.
Fiabiliser la mesure des visites réelles : précision géographique, qualité du panel et règles métier
La mesure de visite est le cœur sensible de l’attribution Drive-to-Store. Elle repose souvent sur des données de localisation mobile collectées avec consentement, puis rapprochées d’une base de points de vente. La qualité dépend de plusieurs paramètres : précision GPS, fréquence des signaux, taille du panel, représentativité des utilisateurs, fraîcheur des données, capacité à distinguer les magasins proches et gestion des environnements complexes comme centres commerciaux, gares ou rues denses.
Un premier principe consiste à qualifier le périmètre magasin. Dessiner un cercle de 50 mètres autour d’une adresse peut suffire pour un magasin isolé en périphérie, mais devient dangereux en centre-ville. Il faut parfois utiliser des polygones précis, exclure les zones de passage, distinguer les entrées du centre commercial et appliquer une durée minimale de présence. Une présence de 90 secondes n’a pas le même sens qu’une présence de 12 minutes. Pour un fast-food, 4 minutes peuvent suffire ; pour un magasin d’ameublement, ce seuil serait trop faible.
Un deuxième principe consiste à nettoyer les signaux. Les employés, livreurs, prestataires ou riverains peuvent créer des visites récurrentes non commerciales. Les devices observés tous les jours au même endroit pendant plusieurs heures doivent être exclus ou segmentés. Les visites nocturnes, hors horaires d’ouverture, doivent être traitées séparément. Les données de localisation imprécises, par exemple issues d’une triangulation large plutôt que d’un GPS fiable, doivent être pondérées ou supprimées. L’objectif n’est pas de maximiser le volume de visites mesurées, mais de réduire les faux positifs qui dégradent la décision.
Un troisième principe consiste à documenter la fenêtre d’attribution. Une visite dans les 24 heures suivant exposition n’a pas la même valeur interprétative qu’une visite 14 jours plus tard. La fenêtre pertinente dépend du cycle d’achat. Restauration, drive alimentaire ou opération flash peuvent nécessiter une fenêtre de 1 à 3 jours. Bricolage, optique, automobile ou équipement de la maison peuvent justifier 7 à 30 jours, mais avec un risque croissant de bruit organique. Une bonne pratique consiste à analyser la courbe de latence : quelle part des visites survient à J0, J1, J3, J7, J14 ? Si la majorité du volume incrémental apparaît très tôt, une fenêtre courte est plus crédible. Si le volume attribué continue de croître sans écart témoin, le modèle capte probablement du comportement naturel.
Un quatrième principe consiste à relier visite et transaction dès que possible. Les coupons uniques, les codes caisse, les cartes de fidélité, les réservations, les rendez-vous, les demandes d’itinéraire et les tickets dématérialisés permettent de qualifier la visite. Leur couverture n’est jamais totale, mais elle apporte une couche de vérité business. Une campagne peut ainsi être évaluée selon plusieurs niveaux : visite observée, visite qualifiée, achat identifié, marge, réachat. Cette gradation évite de confondre trafic physique et performance commerciale.
Construire des groupes de contrôle : la condition pour séparer corrélation et causalité
La méthode la plus robuste pour relier média et visites réelles consiste à intégrer un contrefactuel, c’est-à-dire une estimation de ce qui se serait produit sans campagne. Dans les environnements adressables, le holdout est souvent le dispositif le plus lisible. Il consiste à réserver aléatoirement une fraction de l’audience éligible, par exemple 5 % à 10 %, qui ne recevra pas l’activation. La comparaison entre exposés et non exposés permet de calculer l’uplift.
La randomisation doit cependant être stratifiée. Un holdout national peut être biaisé s’il sous-représente certains magasins, certaines zones, certaines valeurs clients ou certaines distances. Pour une campagne locale, il faut stratifier au minimum par magasin de rattachement, segment CRM, récence d’achat, distance au point de vente et potentiel commercial. Sans cela, le groupe témoin peut être structurellement moins intentionniste ou plus fidèle, ce qui fausse l’estimation.
Lorsque la campagne est principalement média et non adressable, les tests géographiques deviennent essentiels. Ils consistent à exposer certaines zones ou certains magasins et à garder d’autres zones comparables en contrôle. La difficulté est l’appariement. Un magasin urbain dense ne doit pas être comparé à un magasin périurbain sans correction. Les variables à contrôler incluent chiffre d’affaires historique, trafic, panier moyen, saisonnalité, concurrence, densité de population, accessibilité, stock, pression CRM, météo et opérations commerciales locales.
La méthode de différence-en-différences est souvent adaptée. Elle compare l’évolution d’un groupe test et d’un groupe contrôle avant et après campagne. Si les magasins exposés progressent de 9 % pendant l’activation et les magasins témoins de 4 %, l’effet estimé est de 5 points, sous réserve que les tendances pré-campagne soient parallèles. Cette hypothèse doit être vérifiée sur plusieurs semaines d’historique. Si les groupes divergeaient déjà avant la campagne, le résultat post-campagne ne peut pas être attribué proprement au média.
Les tests doivent aussi être dimensionnés. Un minimum detectable effect, ou effet minimum détectable, indique la variation minimale que le dispositif peut identifier avec une puissance statistique acceptable. Si une enseigne espère un uplift de 2 % mais ne teste que 8 magasins très volatils, le test risque d’être incapable de détecter l’effet réel. À l’inverse, un dispositif trop large peut être coûteux ou opérationnellement difficile. La décision doit être prise avant la campagne avec les équipes analytics, et non après coup lorsque le reporting est déjà produit.
Relier média, CRM et caisse : l’attribution utile doit qualifier la valeur de la visite
Une visite réelle n’a pas la même valeur selon qu’elle provient d’un prospect inconnu, d’un client fidèle, d’un client dormant ou d’un acheteur déjà en parcours omnicanal. C’est pourquoi l’attribution Drive-to-Store gagne en précision lorsqu’elle se connecte au CRM, customer relationship management, ensemble des outils et méthodes permettant de gérer la relation client à partir de données, de scénarios et de points de contact.
La segmentation RFM, récence, fréquence, montant, méthode qui classe les clients selon la date du dernier achat, la fréquence d’achat et la valeur dépensée, permet de distinguer les audiences naturellement actives des segments réellement influençables. Un client ayant acheté trois fois dans les trente derniers jours et habitant à cinq minutes du magasin aura une probabilité organique élevée de revenir. Lui attribuer une visite après exposition surestime probablement la contribution média. Un client dormant depuis douze mois, situé à quinze minutes et exposé à une offre locale pertinente, peut produire moins de volume mais plus d’incrémentalité.
La caisse ajoute la dimension économique. Le ROAS attribué en chiffre d’affaires peut masquer une marge faible si l’opération repose sur une remise agressive. Le ROAS marge, calculé sur la marge brute ou contributionnelle, est souvent plus adapté pour arbitrer les campagnes locales. Une visite générant un panier de 35 euros avec 20 % de marge ne vaut pas une visite générant un panier de 90 euros avec 42 % de marge. De même, une visite de recrutement peut être déficitaire à court terme mais rentable si la LTV, lifetime value, valeur économique attendue d’un client sur la durée de relation, est élevée.
Le lien entre média et caisse peut se faire par plusieurs méthodes. Les coupons ou codes uniques sont très lisibles mais peuvent biaiser vers les clients promotionnels. Les cartes de fidélité offrent une bonne profondeur historique mais ne couvrent pas tous les acheteurs. Les paiements appariés ou clean rooms, environnements sécurisés permettant de rapprocher des données sans exposer les identités individuelles, peuvent améliorer la mesure lorsque les volumes sont suffisants. Les réservations, prises de rendez-vous et demandes de retrait constituent aussi des conversions intermédiaires de qualité, surtout dans les secteurs où l’achat final se fait en point de vente.
La clé est de ne pas exiger une mesure parfaite avant d’agir. Une architecture de mesure par niveaux peut suffire : exposition certifiée, visite observée, visite qualifiée, achat rattaché, marge, réachat. Chaque niveau a sa couverture et ses biais. L’erreur consiste à traiter le niveau le plus large comme une vérité économique. Un volume de visites observées sert à piloter l’amplitude de l’effet ; les ventes rattachées et les groupes de contrôle servent à évaluer la contribution réelle.
Exemple opérationnel : quand la visite attribuée baisse mais que la marge incrémentale progresse
Prenons une enseigne d’équipement sportif disposant de 90 magasins et d’une base CRM active. Elle lance deux vagues Drive-to-Store pour promouvoir une gamme running. La première vague cible largement les utilisateurs situés dans un rayon de 7 kilomètres autour des magasins, avec display mobile et social local. Budget : 120 000 euros. Le reporting annonce 41 000 visites attribuées, un coût par visite de 2,93 euros et un ROAS chiffre d’affaires attribué de 7,2. La performance semble excellente.
L’analyse détaillée révèle toutefois une forte concentration sur les zones urbaines déjà très actives. 62 % des visites attribuées proviennent de clients ayant acheté dans les 60 derniers jours. Les magasins les plus performants sont aussi ceux qui avaient la plus forte progression organique avant campagne. Un groupe témoin CRM montre un uplift de visite limité à 0,6 point. La marge incrémentale estimée atteint 31 000 euros, pour 120 000 euros investis. Le dispositif crée du trafic, mais une grande partie de ce trafic était probablement déjà en trajectoire d’achat.
La deuxième vague réduit le volume adressé mais améliore la précision. Les audiences sont segmentées en trois groupes : coureurs réguliers dormants depuis 6 à 18 mois, clients ayant consulté des chaussures running en ligne sans achat, prospects lookalike situés dans des isochrones de 15 minutes autour des magasins avec stock disponible. Les créations sont différenciées : reprise sportive pour les dormants, disponibilité de tailles pour les intentionnistes, service de conseil et test foulée pour les prospects. Les magasins avec stock insuffisant sont exclus. Budget : 95 000 euros.
Le reporting brut est moins spectaculaire : 24 000 visites attribuées et un coût par visite de 3,96 euros. Pourtant, le holdout stratifié montre un uplift de 1,4 point. Les ventes rattachées affichent un panier moyen supérieur de 18 % et une marge moyenne plus élevée, car les produits promus sont moins remisés. La marge incrémentale estimée atteint 54 000 euros. Le ROAS attribué baisse, mais le ROAS incrémental marge progresse nettement. Pour la direction marketing, la leçon est structurante : optimiser vers la visite attribuée favorisait le volume facile ; optimiser vers la visite qualifiée et incrémentale améliorait l’économie réelle.
Ce type de résultat est fréquent dans les organisations matures. Les indicateurs les plus visibles ne sont pas toujours les plus décisionnels. Une baisse du volume attribué peut être une bonne nouvelle si elle traduit une meilleure exclusion des visites organiques, une réduction des faux positifs ou un ciblage plus orienté valeur. L’attribution Drive-to-Store ne doit pas rassurer le reporting ; elle doit aider à déplacer les budgets vers les zones, segments et messages qui changent réellement le comportement.
Conclusion : bâtir une attribution Drive-to-Store actionnable, pas seulement défendable
Relier média et visites réelles suppose une discipline de mesure plus exigeante qu’un simple tableau impression-visite. Une attribution utile doit répondre à quatre questions : qui a été exposé, quelle visite a réellement eu lieu, quelle valeur cette visite a produite et quelle part de cette valeur est additionnelle. Si l’une de ces questions reste implicite, le risque de sur-attribution augmente.
Une feuille de route opérationnelle peut se structurer en huit étapes. Premièrement, définir la conversion locale prioritaire : visite observée, visite qualifiée, achat caisse, rendez-vous honoré, coupon utilisé, retrait ou réachat. Deuxièmement, documenter les règles de mesure des visites : périmètre, durée minimale, horaires, exclusions, précision géographique et fenêtre d’attribution. Troisièmement, distinguer post-impression, post-clic et signaux d’intention comme demande d’itinéraire ou consultation de stock. Quatrièmement, relier les expositions à la donnée CRM pour segmenter clients actifs, dormants, prospects et forte valeur. Cinquièmement, connecter autant que possible la caisse, les coupons, la fidélité ou les réservations pour qualifier la valeur business. Sixièmement, intégrer des holdouts ou tests géographiques afin de mesurer l’incrémentalité. Septièmement, analyser les résultats par magasin, distance, zone de chalandise, concurrence, segment et marge. Huitièmement, arbitrer les budgets sur la marge incrémentale et la valeur client, pas uniquement sur le coût par visite attribuée.
Les limites doivent rester visibles. Les données de localisation sont partielles, dépendantes du consentement et parfois imprécises. Les panels peuvent surreprésenter certains profils. Les visites en zones denses sont plus difficiles à certifier. Les ventes rattachées ne couvrent pas toujours les acheteurs anonymes. Les groupes de contrôle peuvent être perturbés par la météo, les promotions nationales, les ruptures de stock ou la concurrence locale. L’objectif n’est pas d’obtenir une vérité absolue, mais une mesure suffisamment robuste pour éviter les mauvaises décisions.
Pour les annonceurs omnicanaux, la maturité consiste à traiter l’attribution Drive-to-Store comme un système d’arbitrage. Le média apporte la pression et la couverture, le géomarketing contextualise la probabilité de déplacement, le CRM qualifie l’audience, la caisse mesure la valeur, l’expérimentation estime la causalité. Lorsque ces briques sont alignées, le Drive-to-Store cesse d’être une mécanique de visites attribuées pour devenir un levier mesurable de trafic utile, de chiffre d’affaires additionnel et de croissance locale maîtrisée.
