#image_title
Google Ads affiche un ROAS de 3,53. Le chiffre paraît précis, presque incontestable. Il suggère que chaque euro investi a généré exactement 3,53 euros de chiffre d’affaires et qu’il suffit désormais de comparer cette valeur à celle d’une autre campagne pour décider où investir le prochain euro.
C’est pourtant une illusion.
Le problème ne vient pas nécessairement du calcul. Si Google Ads divise 35 300 euros de valeur de conversion par 10 000 euros de dépenses publicitaires, le résultat est bien 3,53. Mathématiquement, rien à redire.
Ce qui est beaucoup moins précis, c’est tout ce qui se trouve derrière ces 35 300 euros.
Une partie des conversions a pu être modélisée. Certaines ventes peuvent encore arriver plusieurs jours après le clic. Leur attribution dépend d’un modèle. La valeur remontée dans Google Ads correspond peut-être au chiffre d’affaires alors que votre entreprise gagne réellement de l’argent sur la marge. Et deux clients ayant généré exactement la même commande aujourd’hui peuvent avoir des valeurs radicalement différentes sur les douze prochains mois.
Autrement dit, Google Ads peut afficher un chiffre extrêmement précis à partir d’une représentation nécessairement imparfaite de la réalité.
Ce n’est pas un défaut propre à Google. C’est le fonctionnement normal de la mesure marketing.
Le vrai problème commence lorsque nous confondons la précision du dashboard avec la certitude de la décision.
Nous sommes devenus tellement habitués aux interfaces publicitaires que nous ne remarquons presque plus la manière dont elles influencent notre perception.
Un CPA à 47,21 euros paraît plus fiable qu’un CPA « autour de 47 euros ». Un taux de conversion à 4,86 % semble plus sérieux qu’un taux « proche de 5 % ». Et un ROAS de 3,53 donne naturellement davantage confiance qu’un ROAS estimé entre 3 et 4.
Pourtant, le nombre de décimales affichées ne nous renseigne absolument pas sur le niveau d’incertitude de la mesure.
Imaginez deux campagnes.
La première affiche un ROAS de 3,53. La seconde, 3,31.
À première vue, la conclusion semble facile : la première campagne est meilleure. L’écart existe, Google le mesure, il suffit donc d’allouer davantage de budget à la campagne A.
Mais la différence entre ces deux campagnes représente environ 7 %. Que se passe-t-il si la première campagne possède un cycle de conversion légèrement plus court ? Si quelques commandes importantes expliquent une grande partie de son chiffre d’affaires ? Si elle touche davantage de clients déjà acquis ? Si la marge des produits vendus est inférieure ? Ou si une partie des conversions de la campagne B n’a tout simplement pas encore eu le temps d’apparaître ?
Le classement peut alors changer très rapidement.
Le sujet n’est donc pas de savoir si 3,53 est correctement calculé. Il l’est probablement.
La question est de savoir si la différence entre 3,53 et 3,31 est suffisamment robuste pour justifier une décision business.
Ce sont deux problèmes complètement différents.
La formule du ROAS est simple :
ROAS = valeur de conversion attribuée / dépenses publicitaires.
Cette simplicité est pratique, mais elle masque une question autrement plus complexe : quelle confiance pouvons-nous accorder à la valeur placée au numérateur ?
Pour le comprendre, il faut distinguer plusieurs niveaux d’incertitude.
Le premier concerne la mesure elle-même. Google ne peut pas nécessairement observer l’intégralité des parcours utilisateurs. Les restrictions liées aux cookies, au consentement, aux navigateurs ou aux changements d’appareils rendent certains parcours incomplets. Google utilise donc, lorsque cela est possible, de la modélisation afin d’estimer certaines conversions qui ne peuvent pas être observées directement.
Il ne s’agit pas de dire que ces conversions seraient fictives. La modélisation permet au contraire de compenser une partie des trous créés par la disparition progressive d’un tracking parfaitement observable.
Mais une estimation statistique reste une estimation statistique.
La deuxième incertitude concerne l’attribution. Une vente peut être parfaitement réelle et correctement trackée sans que sa contribution marketing soit évidente.
Un internaute découvre une marque via une campagne Search générique. Quelques jours plus tard, il revient grâce à Performance Max. Il consulte ensuite le site en accès direct, recherche la marque sur Google puis clique sur une nouvelle annonce avant d’acheter.
La vente existe. Le chiffre d’affaires existe. Mais quelle campagne l’a réellement générée ?
Il n’existe pas nécessairement de réponse unique observable. Il faut utiliser un modèle permettant de répartir le crédit entre les différentes interactions.
L’attribution est donc une représentation de la contribution des points de contact au résultat final. Une représentation qui peut être très sophistiquée et très utile, mais qui reste un modèle.
Enfin, une troisième incertitude concerne la valeur économique elle-même. Même lorsque la conversion est parfaitement mesurée et correctement attribuée, le chiffre remonté dans Google Ads ne correspond pas forcément à ce qui compte réellement pour l’entreprise.
Et c’est souvent à cet endroit que se cachent les écarts les plus importants.
Prenons deux campagnes ayant dépensé chacune 10 000 euros.
La campagne A génère 35 300 euros de chiffre d’affaires. Son ROAS est donc de 3,53.
La campagne B génère seulement 30 000 euros. Son ROAS est de 3.
À première vue, A gagne largement.
Supposons maintenant que les produits vendus par A présentent une marge moyenne de 20 %, tandis que ceux vendus par B atteignent 50 %.
La campagne A génère alors 7 060 euros de marge brute sur ses ventes.
La campagne B en génère 15 000.
Le ROAS le plus élevé correspond donc à la campagne qui crée le moins de marge.
Aucune erreur de tracking n’est nécessaire pour arriver à cette conclusion. Google peut avoir parfaitement enregistré chaque vente, chaque euro de chiffre d’affaires et chaque coût publicitaire.
Le problème vient simplement du signal qu’on lui demande d’utiliser.
Si vous transmettez du chiffre d’affaires à Google, son système cherchera à maximiser du chiffre d’affaires. Il ne peut pas deviner spontanément votre marge, vos coûts logistiques, vos retours produits ou la valeur future d’un nouveau client.
C’est précisément pour cette raison que la question de la valeur envoyée à Google Ads est devenue aussi importante que celle du tracking lui-même.
Une entreprise capable de distinguer la valeur économique réelle de ses conversions dispose d’un avantage considérable sur celle qui continue à considérer toutes les conversions comme équivalentes.
Il existe une autre source d’erreur beaucoup plus banale : analyser une donnée avant qu’elle soit mature.
Supposons que vos clients mettent en moyenne dix jours à convertir après leur premier clic.
Vous consultez les performances des sept derniers jours et Google Ads affiche un ROAS de 2,84.
Le chiffre existe. Mais il ne décrit pas encore nécessairement la performance finale de cette période.
Une partie des personnes ayant cliqué trois ou quatre jours auparavant n’a simplement pas encore acheté. Les conversions correspondantes pourront venir enrichir rétroactivement les performances de la période.
C’est particulièrement important lorsqu’on compare une période récente avec une période historique complètement stabilisée.
On croit parfois comparer deux performances alors qu’on compare surtout deux niveaux de maturité de la donnée.
C’est également pour cela qu’il faut être prudent avec les réactions rapides aux fluctuations de ROAS. Un mauvais résultat sur quelques jours peut être le début d’un problème réel. Il peut aussi être une conséquence parfaitement normale du cycle de conversion.
La capacité à faire la différence entre les deux constitue une partie essentielle du métier.
Ce qui m’intéresse dans cette question dépasse largement Google Ads.
Dans énormément de secteurs, les entreprises utilisent quotidiennement des modèles imparfaits pour prendre des décisions.
Les assureurs estiment des niveaux de risque. Les banques évaluent des probabilités de défaut. Les entreprises prévoient leur demande future, leurs stocks ou leurs ventes. Aucun de ces modèles ne prédit parfaitement la réalité.
Ils sont pourtant utiles parce qu’ils permettent de prendre de meilleures décisions que l’alternative disponible.
Curieusement, lorsqu’il s’agit de marketing, nous devenons parfois beaucoup plus exigeants.
Prenez la Lifetime Value.
Une entreprise construit un modèle permettant d’identifier avec une précision imparfaite les clients ayant une forte probabilité de générer davantage de valeur dans le futur. La réaction peut être immédiate : « Nous ne sommes pas suffisamment sûrs pour l’utiliser dans Google Ads. »
C’est une mauvaise manière de poser le problème.
La question pertinente n’est pas de savoir si le modèle est parfait.
Il faut se demander s’il permet de prendre une meilleure décision que le système actuellement utilisé.
Car l’alternative à un modèle imparfait n’est presque jamais un modèle parfait.
L’alternative consiste souvent à continuer à attribuer exactement la même valeur à tous les clients.
Un client qui achètera une fois vaut 100.
Un client qui achètera six fois vaut également 100.
Un lead commercial qui ne répondra jamais vaut la même chose qu’un prospect qui signera un contrat de 50 000 euros.
Cette méthode a au moins un avantage : elle paraît objective.
Elle est aussi manifestement fausse.
Si un modèle imparfait permet de distinguer un peu mieux ces profils, il peut déjà produire de meilleures décisions.
C’est probablement le point central.
Nous raisonnons trop souvent comme si deux options seulement existaient : disposer d’une donnée fiable ou travailler avec une donnée mauvaise.
La réalité est beaucoup plus progressive.
Vous pouvez commencer par optimiser vos campagnes sur le chiffre d’affaires.
Puis intégrer la marge.
Ensuite distinguer les nouveaux clients des anciens.
Puis importer les ventes réellement signées depuis votre CRM.
Enfin, lorsque les volumes le permettent, enrichir encore cette valeur avec une estimation de Lifetime Value.
Aucune de ces étapes ne produit une représentation parfaite du business.
Mais chacune peut rendre le signal transmis à Google Ads plus pertinent que le précédent.
C’est une logique d’amélioration successive, pas de perfection.
Et c’est probablement là que certaines entreprises perdent énormément de temps. Elles repoussent une amélioration utile parce qu’elle ne résout pas immédiatement 100 % du problème.
Elles attendent une base CRM parfaitement propre avant d’importer leurs conversions offline. Elles attendent de connaître précisément la LTV de chaque client avant de commencer à différencier les valeurs. Elles veulent une attribution parfaite avant de tester l’incrémentalité.
Pendant ce temps, elles continuent à optimiser sur une information qu’elles savent moins bonne.
Ne rien changer est également une décision.
Et cette décision possède elle aussi un coût.
La bonne approche consiste moins à chercher une impossible certitude qu’à tester la robustesse de la décision.
Lorsqu’une campagne affiche un ROAS de 3,53 et que vous envisagez d’augmenter fortement son budget, posez-vous une première question : prendriez-vous toujours la même décision si le ROAS réel était de 3,30 ?
Puis essayez 3.
Et 2,8.
Si votre campagne reste très rentable dans l’ensemble de ces scénarios, la décision est probablement robuste. Vous n’avez pas besoin de connaître sa performance exacte au centième près pour agir.
À l’inverse, si votre décision change complètement entre 3,53 et 3,40, alors les décimales ne suffisent probablement pas. Vous avez besoin d’informations supplémentaires avant d’engager davantage de budget.
Cette logique peut être étendue à toutes les hypothèses importantes.
Que devient la décision si la marge réelle est inférieure de 10 % ?
Si le taux de nouveaux clients est moins élevé que prévu ?
Si le panier moyen revient vers sa moyenne historique ?
Si une grosse commande inhabituelle disparaît de l’analyse ?
Si les conversions des derniers jours ne sont pas encore complètement remontées ?
On ne cherche plus à connaître la valeur exacte.
On cherche à savoir à quel point la décision dépend de cette valeur.
C’est beaucoup plus utile.
Avant de modifier substantiellement un budget, un ROAS cible ou la répartition des investissements, je regarde généralement cinq choses.
D’abord, la période est-elle suffisamment mature ? Si le cycle de conversion est long, les données récentes doivent être interprétées avec prudence.
Ensuite, le volume est-il suffisant ? Un ROAS calculé sur plusieurs centaines de commandes n’a évidemment pas la même stabilité qu’un ROAS dépendant de trois transactions importantes.
Troisième point : la valeur remontée dans Google Ads correspond-elle réellement au résultat que l’entreprise veut optimiser ? Le chiffre d’affaires peut être un bon début, mais la marge, le statut nouveau client, la qualité d’un lead ou la valeur future peuvent modifier complètement le diagnostic.
Quatrième question : les données externes à Google Ads racontent-elles la même histoire ? CRM, ERP, commandes annulées, taux de transformation commercial ou cohortes clients permettent souvent de valider ou de contredire ce que suggère le dashboard publicitaire.
Enfin, je vérifie la sensibilité de la décision. Si quelques pourcents de variation suffisent à inverser ma conclusion, je considère généralement que je n’ai pas encore suffisamment d’éléments pour agir agressivement.
Cette approche n’élimine pas l’incertitude.
Elle permet de travailler intelligemment avec elle.
L’automatisation a profondément modifié le métier.
Google calcule de plus en plus vite. Ses algorithmes analysent des volumes de signaux qu’aucun humain ne pourrait traiter manuellement. Le Smart Bidding estime la probabilité et la valeur de conversion à chaque enchère.
La valeur ajoutée humaine se déplace donc.
Elle consiste de moins en moins à ajuster manuellement chaque enchère et de plus en plus à comprendre ce que l’on mesure, à définir les bons signaux, à repérer les biais et à décider du niveau de confiance nécessaire pour agir.
C’est une compétence différente.
Lire un ROAS de 3,53 ne demande aucune expertise particulière.
Savoir si ce 3,53 signifie réellement qu’il faut augmenter le budget en demande beaucoup plus.
Il faut comprendre la qualité du tracking, la maturité de la période, l’attribution, la distribution des valeurs de commande, la marge, la nature des clients recrutés et parfois la manière dont toute cette valeur évoluera plusieurs mois après la conversion.
Le dashboard vous donne un chiffre.
Le travail du marketer consiste à lui donner du sens.
Je ne propose évidemment pas d’arrêter d’utiliser le ROAS. C’est un indicateur extrêmement utile. Je recommande encore moins d’ignorer les données Google Ads sous prétexte qu’elles seraient imparfaites.
Ce serait exactement l’erreur inverse.
Il faut simplement les regarder pour ce qu’elles sont : une représentation extrêmement utile, mais nécessairement partielle, de la performance.
La prochaine fois qu’un compte affiche un ROAS de 3,53, ne vous demandez donc pas seulement s’il est meilleur qu’un ROAS de 3,31.
Demandez-vous ce qui a réellement été observé, ce qui a été modélisé, si la période est mature, quelle valeur économique se cache derrière la conversion et si votre conclusion resterait la même avec des hypothèses légèrement différentes.
C’est à cet endroit que l’analyse devient réellement intéressante.
Les meilleurs décideurs ne sont pas nécessairement ceux qui disposent des chiffres les plus précis. Ce sont souvent ceux qui comprennent à partir de quel niveau d’information une décision devient suffisamment robuste pour être prise.
Parce qu’en marketing, comme ailleurs, nous n’aurons jamais toutes les données.
Et attendre qu’elles deviennent parfaitement certaines est probablement l’une des façons les plus sûres de décider trop tard.
Vous n’avez jamais activé AI Max sur votre campagne Search ? Cela ne signifie pas…
J’ai ajouté une nouvelle ligne à ma checklist d’onboarding Performance Max : Qui a le…
Je vais commencer par une opinion qui ne fera probablement pas plaisir à tout le…
Google ne supprime pas le contrôle dans Google Ads. Il le déplace. Et c’est peut-être…
Lorsqu’un compte Google Ads décroche, le premier réflexe consiste généralement à chercher ce qui a…
Un nouveau client m’a récemment transmis son budget Google Ads pour les mois à venir,…