Définition
Le Multi-Touch Attribution (souvent abrégé MTA) est une méthode d'analyse qui répartit le crédit d'une conversion entre plusieurs points de contact du parcours client, plutôt que de l'attribuer à un seul (le dernier clic, par exemple). Dans un écosystème e-commerce où un acheteur voit une pub TikTok, reçoit un email, clique sur une annonce Google Shopping, puis revient via une story Instagram avant de commander, le MTA permet de comprendre quelle combinaison de canaux a réellement généré la vente.
Pour un marchand DTC, c'est la différence entre « Meta Ads ne sert à rien » et « Meta Ads initie la découverte, mais l'email de relance conclut ». Le MTA transforme une donnée binaire (conversion = oui/non) en une cartographie pondérée du parcours.
Analogie
Imaginez un match de football. Le but est marqué par l'attaquant (dernier clic), mais sans la passe décisive du milieu de terrain, sans la récupération du défenseur et sans l'arrêt du gardien, ce but n'existe pas. Le MTA, c'est attribuer une part du mérite à chaque joueur en fonction de son rôle dans l'action.
Autre image : un restaurant. Le client vient grâce à une story Instagram (découverte), réserve via Google (intention), reçoit un SMS de rappel (engagement), puis paie sur place (conversion). Le MTA dit : « La story a compté pour 30 %, Google pour 40 %, le SMS pour 10 %, et la visite directe pour 20 %. »
Formule
Le modèle linéaire (le plus simple) répartit le crédit équitablement :
Crédit par touchpoint = 1 / N
où N = nombre de touchpoints dans le parcours.
Exemple concret : un parcours à 4 touchpoints (TikTok → Email → Google → Direct) donne 25 % de crédit à chacun.
Le modèle position-based (U-shaped) pondère différemment :
Premier touchpoint : 40 % Dernier touchpoint : 40 % Touchpoints intermédiaires : 20 % / (N - 2)
Pour un parcours à 4 touchpoints : 40 % / 20 % / 20 % / 40 %.
Le modèle time-decay applique une décroissance exponentielle :
Crédit = e^(-λ × t)
où t = temps écoulé avant conversion, et λ = taux de décroissance (souvent 0,1 à 0,5 selon le cycle de vente).
Tableau comparatif des modèles
| Modèle | Principe | Avantage | Inconvénient | Idéal pour |
|---|---|---|---|---|
| **Last Click** | 100 % au dernier touchpoint | Simple, natif dans GA4 | Ignore la découverte | Cycles courts, retargeting |
| **First Click** | 100 % au premier touchpoint | Valorise l'acquisition | Ignore la conversion | Marques en phase de notoriété |
| **Linéaire** | Crédit égal à chaque touchpoint | Facile à comprendre | Surestime les touchpoints faibles | Parcours homogènes |
| **Time-Decay** | Plus de crédit près de la conversion | Reflète l'intention | Sous-estime le haut de funnel | Cycles longs (mode, mobilier) |
| **Position-Based (U)** | 40 % début, 40 % fin, 20 % milieu | Équilibre acquisition/conversion | Arbitraire sur les % | DTC avec mix complet |
| **Data-Driven (DDA)** | Modèle ML basé sur les données | Le plus précis | Nécessite du volume (> 400 conv./mois) | Scale-ups, budgets > 50 k€/mois |
Applications concrètes
1. Arbitrage budgétaire. Une marque de cosmétiques naturels constate que Google Ads affiche un ROAS de 4,2 en last click, mais seulement 2,1 en MTA linéaire. À l'inverse, TikTok passe de 0,8 à 2,7. Décision : réallouer 15 000 €/mois de Google vers TikTok.
2. Optimisation du parcours email. Une marque de compléments alimentaires découvre que 68 % des conversions incluent au moins un email avant l'achat. Le MTA montre que l'email de relance J+2 apporte 22 % du crédit total, contre 8 % pour la newsletter hebdomadaire. Décision : automatiser davantage de séquences J+2.
3. Détection de cannibalisation. Un pure player de mode voit que Meta et Google se disputent le dernier clic sur 41 % des commandes. Le MTA révèle que Meta initie 73 % des parcours, mais que Google capte le crédit final. Décision : ne pas couper Meta sous prétexte d'un ROAS apparemment faible.
4. Mesure de l'impact CRM. Une marque de bijoux constate que les clients ayant reçu 3 emails ou plus avant achat ont un panier moyen de 87 € contre 54 € pour les autres. Le MTA intègre le CRM comme touchpoint à part entière, avec un poids de 18 % dans le modèle U-shaped.
Erreurs fréquentes
1. Confondre MTA et last click. Beaucoup de marchands pensent faire du MTA parce qu'ils regardent GA4. Or GA4 est par défaut en last click (ou data-driven si activé). Sans configuration explicite, vous êtes en single-touch.
2. Négliger les touchpoints offline. Un client qui voit une pub TV, puis commande sur mobile, aura un parcours tronqué. Le MTA doit intégrer les vues TV, les appels SAV, les retours produits.
3. Sur-attribuer au retargeting. Le retargeting apparaît souvent en dernier clic, mais il ne fait que récolter une intention créée ailleurs. Le MTA corrige ce biais, mais seulement si les données sont propres.
4. Ignorer les fenêtres d'attribution. Une fenêtre de 7 jours sous-estime les cycles longs (mobilier : 30-60 jours). Une fenêtre de 90 jours surévalue les touchpoints anciens. Le bon réglage dépend du cycle de vente.
5. Oublier les coûts. Un modèle MTA sans intégration des coûts média (CPM, CPC) donne une vision incomplète. Le vrai KPI est le ROAS incrémental, pas le crédit brut.
6. Sous-estimer le volume nécessaire. Le data-driven attribution exige un volume suffisant (souvent > 400 conversions/mois et > 10 000 sessions). En dessous, le modèle linéaire ou U-shaped reste plus fiable.
Termes liés
- Last Click Attribution : modèle mono-touch le plus répandu.
- First Click Attribution : valorise la découverte.
- Data-Driven Attribution (DDA) : modèle ML de Google/Meta.
- Marketing Mix Modeling (MMM) : approche macro, complémentaire du MTA.
- Incrementality Testing : tests A/B pour mesurer l'effet réel d'un canal.
- Customer Journey Analytics : analyse du parcours complet.
- ROAS : Return on Ad Spend, indicateur clé.
- Fenêtre d'attribution : durée pendant laquelle une conversion est rattachée à un clic.
En résumé : le MTA n'est pas une formule magique, mais un cadre de lecture qui oblige à regarder le parcours entier. Pour un marchand DTC, il transforme des décisions binaires (« couper ou garder ») en arbitrages pondérés (« réduire de 20 %, réallouer vers le haut de funnel »). À condition d'accepter une part d'incertitude : aucun modèle n'est parfait, mais un mauvais modèle assumé vaut mieux qu'un last click subi.