Mesurer le trafic magasin sans surattribuer les visites
La mesure du trafic magasin devient stratégique lorsqu’elle distingue influence réelle et captation de visites organiques
Mesurer les visites en point de vente après une campagne mobile semble, en apparence, plus concret que mesurer un clic. Un utilisateur exposé à une publicité, à un SMS ou à une notification push entre ensuite dans un magasin : le lien paraît évident. Pourtant, c’est précisément là que le risque de surattribution est le plus élevé. Une partie significative des visites observées aurait eu lieu sans exposition publicitaire, parce que le client était déjà intentionniste, proche du magasin, fidèle à l’enseigne, en période de réachat ou simplement soumis à une promotion nationale visible hors média mobile.
Pour les annonceurs retail, locaux et omnicanaux, l’enjeu n’est donc pas de prouver que des personnes exposées visitent un magasin. Elles le font souvent. L’enjeu est de mesurer combien de visites sont incrémentales, c’est-à-dire causées par l’activation et non seulement associées temporellement à elle. Cette différence change radicalement la lecture du CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, du ROAS, return on ad spend, ratio entre chiffre d’affaires attribué ou incrémental et dépenses marketing, et de l’arbitrage budgétaire entre SMS, push, display mobile, social, search local et CRM.
La difficulté vient du fait que le drive-to-store, stratégie visant à générer du trafic qualifié vers un point de vente physique, combine des signaux de nature différente : exposition média, localisation mobile, historique CRM, passage en caisse, demande d’itinéraire, coupon, géofence, proximité, saisonnalité, météo, stock et pression concurrentielle. Plus ces signaux sont riches, plus la tentation est forte de construire un récit d’attribution convaincant. Mais un reporting sophistiqué peut rester causalement faible si son protocole ne contrôle pas les biais de sélection, de proximité et d’intention.
Une mesure mature du trafic magasin doit répondre à trois questions distinctes. Premièrement, la visite a-t-elle bien eu lieu ? C’est un sujet de qualité de données. Deuxièmement, la visite peut-elle être raisonnablement reliée à une exposition ? C’est un sujet d’attribution. Troisièmement, la visite aurait-elle eu lieu sans campagne ? C’est un sujet d’incrémentalité. Confondre ces trois niveaux conduit à surestimer la contribution des campagnes locales, à augmenter la pression média sur des clients déjà acquis et à réallouer le budget vers les canaux qui capturent le mieux les conversions plutôt que vers ceux qui les créent.
Comprendre les sources de données : une visite mesurée n’est pas automatiquement une visite fiable
La première étape consiste à qualifier la donnée de visite. Les solutions de mesure magasin s’appuient généralement sur plusieurs familles de signaux. Les plus fréquentes sont les données de localisation mobile issues d’applications partenaires ou de SDK, software development kit, brique technique intégrée à une application pour collecter ou transmettre certains signaux ; les données de caisse reliées à un identifiant CRM ; les scans de coupons ; les demandes d’itinéraire ; les check-ins ; et les interactions avec des services locaux comme le click and collect ou la prise de rendez-vous.
Chaque source présente des forces et des limites. La donnée de caisse est robuste pour mesurer l’achat, mais elle ne couvre que les clients identifiés, porteurs de carte fidélité ou rattachables à un email, un téléphone ou un identifiant transactionnel. Elle sous-estime donc les visites sans achat et les achats anonymes. La localisation mobile peut mesurer des passages physiques plus larges, mais elle dépend du consentement, de la précision GPS, de la densité du panel, de la fraîcheur des signaux et de la capacité à distinguer un vrai passage en magasin d’un trajet à proximité.
Le géofencing, méthode consistant à définir une zone virtuelle autour d’un lieu pour détecter des entrées ou sorties, est utile mais fragile s’il est appliqué mécaniquement. Un polygone mal dessiné peut inclure le parking, le trottoir, un magasin voisin ou une galerie commerciale entière. Dans un centre commercial, attribuer une visite à une enseigne parce qu’un mobile est resté huit minutes dans un polygone approximatif peut créer des faux positifs. À l’inverse, un magasin dense en centre-ville avec plusieurs étages ou un GPS dégradé peut produire des faux négatifs. La qualité de la mesure dépend moins de la promesse du fournisseur que de la granularité des polygones, des règles de dwell time, durée minimale de présence, et de l’exclusion des zones ambiguës.
Un protocole sérieux doit documenter les paramètres de qualification. Par exemple : visite validée si l’appareil entre dans un polygone magasin, reste au moins 3 à 5 minutes selon le format, n’est pas détecté comme employé récurrent, n’est pas seulement en transit à vitesse élevée, et n’a pas été compté plusieurs fois dans une fenêtre courte. Pour un supermarché, un dwell time de 8 à 12 minutes peut être cohérent ; pour une boutique de prêt-à-porter, 4 à 6 minutes peuvent suffire ; pour une station-service, un seuil plus court est nécessaire. Le seuil universel n’existe pas.
Il faut aussi distinguer visite, visite qualifiée et visite monétisable. Une visite mesurée peut correspondre à un passage physique. Une visite qualifiée doit être suffisamment probable, non dupliquée et reliée à un magasin précis. Une visite monétisable doit être associée à une conversion économique : achat, rendez-vous, devis, retrait, abonnement, réachat ultérieur. Beaucoup de tableaux de bord s’arrêtent au premier niveau parce qu’il est plus facile à produire. Les directions marketing doivent exiger au minimum un taux de confiance, des règles de déduplication, une ventilation par source de visite et un rapprochement avec les données caisse lorsque c’est possible.
Identifier les biais d’attribution : les exposés ne sont pas comparables aux non-exposés
Le biais le plus courant en drive-to-store est le biais de sélection. Les individus exposés ne sont pas choisis au hasard. Les algorithmes média privilégient souvent les profils les plus disponibles, les plus proches, les plus actifs, les plus intentionnistes ou les plus faciles à reconnaître. Une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires, peut optimiser vers les utilisateurs qui ont déjà une probabilité élevée de visiter. En RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression disponible, l’algorithme peut surpondérer des signaux de contexte très corrélés avec la visite naturelle : proximité, heure de passage, historique de mobilité, appétence promo ou engagement récent.
Le reporting attribué confond alors corrélation et causalité. Si 2,8 % des exposés visitent un magasin et seulement 1,6 % des non-exposés le font, il est tentant de conclure à un uplift de 1,2 point. Mais si les exposés étaient plus proches des magasins, plus fidèles ou plus intentionnistes, l’écart peut préexister à la campagne. La publicité a peut-être capté des visites, pas généré des visites additionnelles.
Le biais de proximité est particulièrement puissant. Un individu situé dans un isochrone de 10 minutes, zone définie par le temps de trajet plutôt que par la distance brute, a une probabilité naturelle de visite bien supérieure à celle d’un individu situé à 35 minutes. Si la campagne concentre ses impressions sur les zones proches, le taux de visite attribué augmentera mécaniquement. Cela ne prouve pas que la création, la fréquence ou le canal soient performants. Cela prouve surtout que le plan média a acheté de la proximité.
Le biais de fidélité joue aussi un rôle majeur. Un client ayant acheté trois fois dans les 90 derniers jours visite plus probablement l’enseigne qu’un prospect froid. Si la campagne CRM ou média réexpose massivement ces clients, le ROAS attribué peut être excellent, mais la marge incrémentale faible. Le last click, modèle attribuant toute la conversion au dernier point de contact, accentue ce problème : une notification push ou une impression social tardive récupère le crédit d’un comportement déjà presque acquis.
Enfin, le biais temporel peut surestimer la performance lors des temps forts. Soldes, Black Friday, rentrée, météo favorable, ouverture exceptionnelle, opération tract, affichage local ou forte disponibilité produit augmentent le trafic indépendamment du mobile. Une fenêtre d’attribution trop large, par exemple 14 ou 30 jours après exposition pour une offre valable 48 heures, capture des visites qui relèvent davantage du cycle naturel que de l’activation. À l’inverse, une fenêtre trop courte peut sous-estimer des catégories à cycle long, comme l’ameublement, l’optique ou l’automobile. La fenêtre doit être justifiée par la catégorie, pas choisie pour maximiser le volume attribué.
Construire une mesure incrémentale : holdout, tests géographiques et cellules de pression
La réponse méthodologique à la surattribution est l’expérimentation contrôlée. L’objectif est de comparer une population exposée à une population comparable non exposée, afin d’estimer l’effet causal de la campagne. Le holdout, groupe volontairement exclu de l’exposition, est la méthode la plus directe lorsqu’il peut être mis en place. Sur une audience CRM ou app suffisamment large, conserver 5 % à 15 % des individus éligibles en groupe témoin permet de mesurer l’écart de visites ou d’achats entre exposés et non-exposés.
Un exemple simple : une enseigne de bricolage active 500 000 clients opt-in autour de 120 magasins pour une opération week-end. 450 000 sont exposés à une séquence mobile, 50 000 restent en holdout. Sur sept jours, le taux de visite observé est de 3,4 % chez les exposés et de 2,8 % dans le holdout. L’uplift est de 0,6 point, soit 2 700 visites incrémentales sur les 450 000 exposés. Si le budget média et CRM est de 54 000 euros, le coût par visite incrémentale est de 20 euros. Si le taux d’achat magasin est de 55 %, le panier moyen incrémental de 78 euros et la marge brute de 38 %, la marge incrémentale estimée est d’environ 44 000 euros. Le ROAS chiffre d’affaires peut paraître correct, mais le ROAS marge impose un arbitrage plus strict.
Les tests géographiques sont souvent plus adaptés aux réseaux retail. Ils consistent à activer certaines zones ou certains magasins et à en conserver d’autres comme contrôle. La clé est l’appariement. On ne compare pas un magasin centre-ville en croissance avec un magasin périphérique en déclin. Il faut rapprocher les points de vente selon l’historique de trafic, le chiffre d’affaires, la typologie de zone, la concurrence, la saisonnalité, le stock, la pression promotionnelle et le niveau de notoriété locale. Une méthode de différence-en-différences, qui compare l’évolution avant-après entre zones test et zones contrôle, permet de neutraliser une partie des effets structurels.
Les cellules de pression apportent une lecture supplémentaire. Plutôt que de tester campagne contre absence de campagne, l’annonceur teste différents niveaux de fréquence ou de mix canal. Par exemple : groupe A avec display mobile uniquement, groupe B avec display plus push, groupe C avec display plus SMS, groupe D en holdout. Cette approche révèle souvent que la visite attribuée augmente avec la pression, mais que la visite incrémentale plafonne rapidement. Elle permet de calibrer le capping, limitation du nombre d’expositions ou de sollicitations sur une période donnée, en fonction du rendement marginal réel.
La rigueur impose aussi de pré-définir les indicateurs avant le test. Si l’on choisit après coup la fenêtre, le segment, le magasin ou la métrique qui favorise la campagne, l’expérimentation perd sa valeur. Les indicateurs doivent inclure au minimum : visites incrémentales, coût par visite incrémentale, chiffre d’affaires incrémental, marge incrémentale, taux de nouveaux clients, opt-out, réachat à 30 ou 60 jours, et éventuels effets de cannibalisation entre magasins ou canaux.
Calibrer les fenêtres et règles d’attribution : trop large, on capture tout ; trop étroit, on sous-estime le rôle du mobile
La fenêtre d’attribution est l’un des paramètres les plus sensibles. Elle détermine combien de temps après une exposition une visite peut être reliée à la campagne. Une fenêtre de 24 à 72 heures peut être pertinente pour une offre alimentaire, une restauration rapide, une promotion locale très courte ou une activation de proximité. Une fenêtre de 7 à 14 jours peut se justifier pour une enseigne mode, beauté ou équipement courant. Pour des cycles plus longs, comme literie, cuisine, automobile ou services avec rendez-vous, l’influence peut s’étaler sur plusieurs semaines, mais la preuve causale devient plus difficile.
La bonne pratique consiste à analyser les courbes de latence. Si 65 % des visites attribuées surviennent dans les 48 heures et que la courbe se rapproche ensuite du trafic naturel, une fenêtre de 7 jours est peut-être déjà généreuse. Si les visites continuent à progresser avec un écart significatif face au holdout pendant 14 jours, une fenêtre plus longue peut être défendue. L’enjeu n’est pas de choisir la fenêtre qui maximise le reporting, mais celle qui correspond à un mécanisme comportemental plausible.
Il faut également définir des règles d’exposition minimales. Une impression display non visible, une bannière chargée sous la ligne de flottaison ou une vidéo vue une seconde ne devraient pas avoir le même poids qu’un SMS délivré, un push ouvert ou une demande d’itinéraire. Une approche plus avancée consiste à pondérer les contacts par qualité : visibilité, durée, format, interaction, récence et canal. Cela évite d’additionner des signaux hétérogènes dans une fréquence brute.
Le problème devient plus complexe dans un funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, qui combine plusieurs leviers. Un utilisateur peut voir une vidéo social, recevoir un SMS, cliquer sur un email mobile, demander un itinéraire puis acheter en magasin. Attribuer toute la visite au dernier contact simplifie abusivement le parcours. Attribuer uniformément la visite à tous les contacts peut surestimer les leviers faibles. Les modèles multi-touch, qui répartissent le crédit entre plusieurs points de contact, sont utiles pour décrire le parcours, mais ils ne remplacent pas l’expérimentation incrémentale. Ils répondent à la question : quels contacts ont été présents ? Pas à la question : lesquels ont changé le comportement ?
Un cadre pragmatique consiste à séparer attribution opérationnelle et mesure de contribution. L’attribution opérationnelle sert à optimiser les campagnes en cours : fréquence, création, inventaire, segment, horaire. La contribution incrémentale sert à arbitrer les budgets et à juger la valeur réelle. Les deux lectures peuvent coexister, mais elles ne doivent pas être confondues dans les comités de performance.
Relier trafic et valeur économique : toutes les visites ne valent pas la même chose
Une visite magasin n’est pas une conversion finale. Elle peut être un signal de considération, un passage opportuniste, une visite de service, un retrait de commande déjà acquise, une comparaison avant achat concurrent, ou une transaction à forte marge. Mesurer le trafic sans relier la visite à la valeur économique revient à optimiser un proxy. Dans certains cas, augmenter le trafic peut même dégrader la performance si les visites sont peu qualifiées, si elles saturent les équipes magasin ou si elles consomment des remises sans générer de marge additionnelle.
Le premier niveau de valorisation consiste à rapprocher visites et ventes. Lorsque les données caisse et CRM le permettent, l’annonceur peut mesurer le taux de transformation des visiteurs exposés, le panier moyen, la marge, la catégorie achetée et la part de nouveaux clients. Il faut toutefois éviter un autre biais : les visiteurs identifiés ne représentent pas toujours l’ensemble des visiteurs. Les clients fidélité peuvent avoir des paniers plus élevés ou une appétence promotionnelle différente. Le matching doit donc être interprété comme un échantillon enrichi, pas comme une vérité exhaustive.
Le deuxième niveau consiste à distinguer chiffre d’affaires incrémental et marge incrémentale. Une campagne peut générer 300 000 euros de chiffre d’affaires attribué mais seulement 60 000 euros incrémentaux. Si la marge brute est de 35 %, la valeur brute créée est de 21 000 euros. Si le budget média est de 40 000 euros, la campagne détruit de la valeur à court terme malgré un ROAS attribué flatteur. À l’inverse, une campagne à faible volume mais centrée sur des clients à forte LTV, lifetime value, valeur économique attendue d’un client sur la durée de relation, peut être rentable même avec un coût par visite apparent plus élevé.
Le troisième niveau consiste à intégrer les effets de long terme. Une visite incrémentale d’un nouveau client peut ouvrir un cycle de réachat. Une visite d’un client fidèle peut renforcer l’attachement si l’expérience est positive, ou créer de la fatigue si elle repose sur une sollicitation trop fréquente. Les signaux négatifs doivent donc entrer dans l’équation : opt-out SMS, désactivation push, baisse d’engagement post-campagne, hausse des retours, utilisation excessive de coupons, cannibalisation e-commerce ou déplacement de trafic d’un magasin à un autre.
Un tableau de pilotage avancé devrait segmenter la valeur par audience. Prospect froid proche magasin, client dormant, client fidèle, visiteur web intentionniste, membre app actif, acheteur récent : ces groupes ne produisent pas le même uplift, ni la même marge. La performance moyenne cache souvent des écarts majeurs. Dans un cas observé chez un retailer spécialisé, le coût par visite incrémentale était de 11 euros sur les clients dormants réactivés, 18 euros sur les prospects lookalike proches, 7 euros sur les clients fidèles, mais avec une incrémentalité très faible sur ces derniers. La meilleure décision n’était pas de pousser le segment au CPA le plus bas, mais de réallouer vers le segment où la marge additionnelle nette était la plus élevée.
Mettre sous contrôle les partenaires et le reporting : la transparence méthodologique vaut autant que le volume mesuré
La mesure du trafic magasin implique souvent plusieurs partenaires : plateformes média, routeurs SMS, solutions de géolocalisation, CDP, customer data platform, plateforme permettant d’unifier et d’activer les données clients, prestataires d’attribution, agences et équipes data internes. Cette chaîne crée des risques de double comptage, de fenêtres incohérentes, de définitions divergentes et d’intérêts mal alignés. Un partenaire média qui mesure lui-même les visites générées par ses propres impressions peut être juge et partie, même avec les meilleures intentions.
La transparence méthodologique doit donc devenir un critère de sélection. Les annonceurs devraient demander : quelle est la source des données de localisation ? Quel niveau de consentement est associé ? Comment les polygones sont-ils construits ? Quel dwell time est appliqué ? Les employés sont-ils exclus ? Comment les visites répétées sont-elles dédupliquées ? Quelle est la taille du panel par zone ? Quel est le taux de match entre exposition et visite ? Quelle fenêtre est utilisée ? Existe-t-il un groupe de contrôle ? Les résultats sont-ils exportables pour audit interne ?
La consolidation omnicanale est également indispensable. Un même individu peut recevoir un SMS, voir une impression programmatique, cliquer sur une annonce search locale et ouvrir une notification push. Si chaque canal revendique la visite avec sa propre fenêtre, la somme des visites attribuées dépasse rapidement le trafic réel. C’est l’un des symptômes classiques de la surattribution : chaque levier semble performant isolément, mais le chiffre d’affaires global n’augmente pas au même rythme que les conversions revendiquées.
Une règle simple consiste à produire trois vues dans le reporting. La première est la vue canal, utile pour optimiser chaque levier mais explicitement non additionnable. La deuxième est la vue dédupliquée, qui compte chaque visite une seule fois selon une règle de priorité ou un modèle multi-touch. La troisième est la vue incrémentale, qui compare au contrôle et sert aux arbitrages budgétaires. Les comités de pilotage doivent savoir dans quelle vue ils se trouvent. Sans cela, les discussions opposent des chiffres qui ne mesurent pas la même réalité.
Enfin, les équipes doivent accepter que l’incertitude fasse partie de la mesure. Une estimation incrémentale avec intervalle de confiance vaut mieux qu’un chiffre attribué au visiteur près mais causalement fragile. Dire qu’une campagne a généré entre 8 000 et 11 000 visites incrémentales avec une probabilité élevée est plus honnête, et souvent plus utile, que d’afficher 27 436 visites attribuées sans contrôle. La précision apparente n’est pas la rigueur.
Conclusion : mesurer moins naïvement pour investir plus efficacement
Mesurer le trafic magasin sans surattribuer les visites impose de changer de posture. Il ne s’agit plus de chercher le plus grand nombre de visites rattachables à une campagne, mais d’identifier la part réellement additionnelle, la qualité économique de ces visites et les conditions dans lesquelles le mobile modifie le comportement. Cette discipline protège les budgets, les audiences et la crédibilité des équipes marketing.
Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, auditer les sources de visite : localisation mobile, caisse, coupon, itinéraire, app, CRM, en documentant leur couverture et leurs limites. Deuxièmement, définir des règles de qualification robustes : polygones, dwell time, déduplication, exclusion des employés, seuils par format de magasin. Troisièmement, distinguer systématiquement visite mesurée, visite attribuée et visite incrémentale. Quatrièmement, mettre en place des holdouts ou tests géographiques pour contrôler les biais de sélection, de proximité, de fidélité et de saisonnalité. Cinquièmement, calibrer les fenêtres d’attribution selon la catégorie, la latence observée et la plausibilité comportementale. Sixièmement, relier les visites à la valeur : achats, marge, nouveaux clients, réachat, LTV et signaux négatifs. Septièmement, produire des reportings séparant vue canal, vue dédupliquée et vue incrémentale. Huitièmement, arbitrer les budgets sur la marge incrémentale nette plutôt que sur le volume de visites revendiquées.
Le principe directeur est simple : une visite ne vaut que si elle est fiablement détectée, correctement attribuée et économiquement utile. Une campagne drive-to-store peut produire un reporting spectaculaire tout en captant des clients qui seraient venus de toute façon. À l’inverse, une campagne plus sobre, mieux contrôlée et mieux ciblée peut générer moins de visites attribuées mais davantage de valeur incrémentale.
Pour les professionnels du marketing mobile, la maturité consiste à résister aux métriques trop flatteuses. Le trafic magasin est un indicateur puissant parce qu’il rapproche le média du commerce réel. Mais il ne devient un outil de décision que lorsqu’il est mesuré avec des groupes de contrôle, des règles transparentes et une lecture économique. Sans cette rigueur, le drive-to-store risque de récompenser les canaux qui savent le mieux revendiquer les visites, pas ceux qui les créent vraiment.
