Montrer le sommaire Cacher le sommaire
- Avant-propos méthodologique (à lire en premier)
- Partie 1 — Le problème fondamental
- Partie 2 — L’intuition de la méthode
- Partie 3 — Corrélation, causalité, incrémentalité
- Partie 4 — Comment la méthode fonctionne, étape par étape
- Partie 5 — Exemple pédagogique simple
- Partie 6 — Méthodes statistiques possibles
- Partie 7 — Quelle méthode recommanderais-tu réellement ?
- Partie 8 — Guide pratique Excel
- Partie 9 — Guide pratique Google Sheets
- Partie 10 — Réaliser l’analyse avec un LLM
- Partie 11 — Prompt ChatGPT
- Partie 12 — Prompt Claude
- Partie 13 — Prompt Gemini
- Partie 14 — Exemple complet de A à Z
- Partie 15 — Comment présenter cela à un dirigeant
- Partie 16 — Questions difficiles d’un client
- Partie 17 — Checklist d’interprétation avant toute conclusion
- Partie 18 — Auto-critique scientifique
- 18.1 — Le problème central : endogénéité de la dépense
- 18.2 — Variables omises : tout ce que la régression ne voit pas
- 18.3 — Causalité inverse
- 18.4 — Autocorrélation temporelle
- 18.5 — Multicolinéarité avec les canaux non mesurés
- 18.6 — Non-stationnarité et changement de régime
- 18.7 — Cannibalisation et faux incrémental
- 18.8 — Forme fonctionnelle non identifiée
- 18.9 — Pouvoir statistique insuffisant
- 18.10 — Hypothèses implicites jamais énoncées
- 18.11 — Contextes où la méthode reste utile
- 18.12 — Contextes où la méthode devient peu fiable
- 18.13 — Contextes où la méthode ne devrait pas être utilisée
- 18.14 — Verdict de l’économètre senior
- Partie 19 — Synthèse exécutive
- La question posée
- Ce que la méthode mesure réellement
- Ce que la méthode ne mesure pas
- Comment interpréter les résultats
- Décisions que la méthode peut éclairer
- Décisions que la méthode ne doit pas éclairer
- Limites à garder en tête en permanence
- Verdict opérationnel
Version 1.0 — Décembre 2026 · Auteur : MTV Consulting — Matthieu Tran-Van
Avant-propos méthodologique (à lire en premier)
Ce document décrit comment estimer un ordre de grandeur d’incrémentalité Google Ads à partir des seules données dont la plupart des annonceurs disposent réellement :
- dépenses Google Ads, par jour ou par semaine ;
- chiffre d’affaires back-office, par jour ou par semaine ;
- marge ou profit, par jour ou par semaine si disponible.
Sans test géographique. Sans holdout. Sans Conversion Lift. Sans Marketing Mix Modeling complet. Sans tracking utilisateur individuel.
Ce que cette méthode est. Une analyse observationnelle sur séries temporelles. Une forme légère et accessible de modélisation. Un outil de génération d’hypothèses et de cadrage business. Un point de départ honnête pour dialoguer avec un dirigeant.
Ce que cette méthode n’est pas. Une mesure causale rigoureuse. Sans variation exogène du budget, sans randomisation, sans test contrôlé, il est statistiquement impossible d’isoler avec certitude l’effet propre de Google Ads. Les corrélations observées peuvent refléter de la causalité, mais aussi de la saisonnalité partagée, de l’effet promotionnel, de l’effet marque, ou plus simplement le fait que l’entreprise dépense davantage quand les ventes montent (causalité inverse).
Positionnement dans la doctrine MTV. Dans la hiérarchie MTV des 5 niveaux de mesure d’incrémentalité, cette méthode se situe entre le Niveau 1 (bon sens business) et le Niveau 5 (MMM complet). Elle est plus quantitative que le Niveau 1, moins rigoureuse que le Niveau 3 (test géo) ou le Niveau 4 (Conversion Lift). C’est une étape complémentaire, jamais un substitut à une mesure causale.
Règle d’usage MTV. Cette méthode est légitime pour :
- générer des hypothèses sur l’ordre de grandeur de l’incrémentalité ;
- détecter des incohérences manifestes (ROAS plateforme vs réaction du CA total) ;
- préparer un test causal en identifiant les variables à contrôler ;
- challenger un récit purement plateforme face à la réalité business.
Cette méthode n’est pas légitime pour :
- prouver causalement que Google Ads génère X € de CA incrémental ;
- justifier seule une décision d’allocation budgétaire majeure ;
- remplacer un test géo ou un Conversion Lift sur les comptes >50 k€/mois.
Sur tout compte qui pèse une enjeu budgétaire significatif (>30 k€/mois), cette analyse doit déboucher sur un test causal réel. Sinon elle reste de l’inférence faible, utile mais incomplète.
Ce préambule sera répété, sous des formes différentes, à chaque étape du document. C’est volontaire. L’honnêteté méthodologique est ici plus précieuse que la sophistication mathématique.
Partie 1 — Le problème fondamental
1.1 Pourquoi le ROAS Google Ads n’est pas une mesure d’incrémentalité
Le ROAS (Return On Ad Spend) plateforme se calcule ainsi :
ROAS = Valeur de conversion attribuée / Dépense média
Cette formule fait une hypothèse implicite, et fausse : toute conversion attribuée serait perdue si la publicité n’avait pas été diffusée.
Or :
- Une conversion attribuée à un clic Google Ads peut être un client qui aurait acheté de toute façon (via SEO, via direct, via recommandation, via retour spontané).
- Le modèle d’attribution data-driven distribue mécaniquement du crédit à chaque point de contact, même quand ce point de contact n’a pas changé l’issue.
- Google ne mesure que ce qu’il voit. Il ne mesure pas du tout ce qui se passerait sans lui.
Le ROAS répond à la question : « À combien de chiffre d’affaires Google Ads a-t-il été corrélé ? » Il ne répond pas à la question : « Combien de chiffre d’affaires Google Ads a-t-il causé ? »
1.2 Pourquoi l’attribution n’est pas une mesure d’incrémentalité
L’attribution est une règle comptable de répartition. Elle suppose que le 100 % de la valeur d’une conversion doit être réparti entre les points de contact observés.
Cette répartition repose sur trois biais structurels :
- Biais d’observabilité. Google Ads ne voit que les utilisateurs qui ont cliqué ou vu une annonce. Il ne voit pas les utilisateurs qui n’ont jamais croisé une annonce et ont acheté quand même.
- Biais de prise en compte du contrefactuel. Le modèle ne peut pas savoir ce qui se serait passé sans le clic. Il infère mécaniquement, à partir de signaux de comportement, mais sans contrefactuel observé.
- Biais de sélection multi-canal. Si Google Ads, Meta et SEO ont tous « vu » l’utilisateur, ils s’attribueront chacun une part — et la somme dépassera souvent la réalité.
L’attribution est utile pour le pilotage opérationnel (Smart Bidding apprend dessus, c’est rationnel). Elle n’est pas une mesure de ce que la publicité crée.
1.3 Pourquoi une conversion attribuée n’est pas une conversion incrémentale
Une conversion attribuée est une conversion sur laquelle Google Ads a posé un crédit (total ou partiel) selon son modèle. Une conversion incrémentale est une conversion qui n’aurait pas eu lieu sans publicité.
Sur les 70 comptes audités par MTV, l’écart médian entre ces deux notions est de 40 à 70 % : entre 4 et 7 conversions attribuées sur 10 auraient eu lieu sans la publicité. Ce n’est pas une opinion. C’est ce que mesurent les tests causaux quand ils sont menés.
1.4 La seule question qui compte vraiment
Toute mesure d’incrémentalité revient à répondre à une seule question, formulée en langage simple :
« Que se serait-il passé si nous n’avions pas investi ? »
Cette question est plus difficile qu’elle n’en a l’air. Elle suppose d’observer une réalité contrefactuelle — un monde parallèle où la publicité n’existe pas — qui n’existe précisément pas. Toute la science de la mesure d’incrémentalité consiste à approximer ce contrefactuel : par randomisation (Conversion Lift), par séparation géographique (geo test), par modélisation statistique (MMM), ou — comme ici — par analyse temporelle.
1.5 Quatre analogies pour le dirigeant
Analogie 1 — Le supermarché et les soldes. Un supermarché lance des soldes. Les ventes augmentent. Question : combien de ces ventes auraient eu lieu sans les soldes ? La réponse n’est pas zéro (certains clients seraient venus de toute façon). Mais elle n’est pas non plus 100 % (les soldes attirent des clients supplémentaires). Sans test, impossible de séparer les deux. Le ROAS de la promotion ne dit pas combien elle a créé.
Analogie 2 — Le coq et le soleil. Le coq chante chaque matin avant le lever du soleil. Conclusion : le coq fait lever le soleil ? Non. Il y a corrélation parfaite, et zéro causalité. L’ordre temporel ne prouve rien. Une part importante des conclusions tirées du ROAS Google Ads relève de ce sophisme.
Analogie 3 — Le médicament et la grippe. Vous prenez un médicament. Trois jours plus tard, votre grippe disparaît. Conclusion : le médicament a guéri la grippe ? Pas nécessairement. La grippe disparaît en 3 à 7 jours sans traitement. Pour mesurer l’effet causal d’un médicament, on compare deux groupes randomisés : un avec médicament, un avec placebo. Sans ce protocole, vous ne savez pas ce qu’a fait le médicament et ce qu’a fait votre système immunitaire.
Analogie 4 — Le parapluie et la pluie. Plus il pleut, plus les gens ouvrent leur parapluie. Faut-il interdire les parapluies pour réduire les précipitations ? Non. La pluie cause l’ouverture des parapluies, pas l’inverse. En marketing, c’est très souvent l’entreprise qui dépense plus quand les ventes montent (saisonnalité, événements, promotions) — pas la dépense qui fait monter les ventes. La causalité peut être inverse à ce que l’on croit observer.
1.6 Conséquence pratique
Avant de mesurer quoi que ce soit, le dirigeant doit accepter trois faits :
- Le ROAS plateforme surestime systématiquement l’incrémentalité. Ce n’est pas une opinion, c’est une propriété structurelle de la méthode.
- L’attribution n’est pas une mesure de ce que la pub crée. C’est une mesure de ce à quoi la pub a été associée.
- Sans contrefactuel, toute mesure d’incrémentalité reste une approximation. Cette méthode est une approximation honnête. Elle ne remplace pas un test causal.
Si ces trois faits ne sont pas acceptés, il est inutile d’aller plus loin. La méthode décrite dans ce document n’aura pas de prise sur la culture de pilotage.
Partie 2 — L’intuition de la méthode
2.1 Le principe en une phrase
Si vous avez varié votre dépense média dans le temps, et que vous observez comment le CA et la marge ont varié en parallèle, vous pouvez estimer dans quelle direction et avec quelle ampleur ces variations sont liées.
C’est tout. Le reste est une question de méthode et d’honnêteté sur les limites.
2.2 Pourquoi la variation est l’ingrédient critique
Sans variation, il n’y a rien à mesurer. Si votre dépense Google Ads a été strictement constante pendant 18 mois (par exemple 30 000 €/mois sans déviation), aucune analyse temporelle ne pourra inférer quoi que ce soit sur ce qui se passerait à 20 000 €/mois ou à 50 000 €/mois.
L’inférence statistique a besoin de contraste. Les périodes où la dépense a été plus élevée, comparées aux périodes où elle a été plus faible, fournissent ce contraste. Plus la variation est large et fréquente, plus l’analyse devient riche.
Cas typique 1 — variation insuffisante. Une PME qui dépense entre 9 800 € et 10 200 € par semaine pendant 24 mois ne dispose d’aucune base pour modéliser un effet. La variation est dans le bruit.
Cas typique 2 — variation exploitable. Une entreprise qui a connu des phases à 5 000 €/semaine, des phases à 12 000 €/semaine et des phases à 18 000 €/semaine sur 24 mois fournit un signal exploitable.
Cas typique 3 — variation exogène idéale. Une entreprise qui a coupé Google Ads pendant 4 semaines en raison d’un problème technique, ou qui a doublé son budget pour un test, dispose d’un quasi-test naturel — la situation la plus utile.
2.3 Le raisonnement narratif
Le raisonnement, en langage de dirigeant, suit cinq étapes :
- Observation des variations. Sur les 18 ou 24 derniers mois, comment ma dépense Google Ads a-t-elle varié ? Quelle est l’amplitude minimum-maximum ?
- Observation parallèle du business. Sur les mêmes périodes, comment mon CA total (toutes sources confondues, pas le CA Google Ads attribué) a-t-il varié ? Et ma marge ?
- Mise en regard temporelle. Les périodes de forte dépense correspondent-elles à des périodes de fort CA ? Avec ou sans décalage temporel ? Avec quelle intensité ?
- Test des explications alternatives. Les pics de CA s’expliquent-ils par autre chose ? Saisonnalité, promotions, événements externes, arrivées de nouveaux concurrents, ruptures de stock, changement de catalogue ? Si oui, il faut soit les exclure, soit les modéliser.
- Estimation prudente. Sous hypothèse que les explications alternatives ont été correctement contrôlées (et c’est une hypothèse forte), on peut estimer combien de CA semble associé à chaque euro investi en plus.
2.4 La différence avec le ROAS plateforme
Le ROAS plateforme regarde uniquement le CA attribué par Google Ads à Google Ads. La méthode ici regarde le CA total de l’entreprise et examine sa réaction aux variations de dépense. C’est la différence fondamentale.
Le ROAS plateforme dit : « Quand Google Ads pose un cookie, X € de CA suit. » Cette méthode dit : « Quand Google Ads dépense plus, le CA total de l’entreprise réagit de Y € en moyenne. »
La seconde mesure est plus proche de la réalité business — mais elle reste, sans test causal, une corrélation et non une causalité prouvée.
2.5 L’esprit de la démarche
Cette méthode n’est pas un calcul magique. C’est un dialogue structuré entre la dépense média et le résultat business. Elle force trois disciplines salutaires :
- Discipline 1 — Sortir du tunnel plateforme. Regarder le business total, pas l’attribution Google Ads.
- Discipline 2 — Confronter les récits. Le ROAS dit X, le terrain dit Y, l’analyse temporelle dit Z. Quand les trois divergent fortement, on apprend quelque chose.
- Discipline 3 — Accepter l’incertitude. Il n’y aura pas de vérité unique. Il y aura un ordre de grandeur, une fourchette, et une liste de conditions sous lesquelles cet ordre de grandeur est crédible.
C’est la posture du stratège honnête, pas du technicien rassurant.
Partie 3 — Corrélation, causalité, incrémentalité
Trois notions souvent confondues. La rigueur d’analyse commence par leur séparation.
3.1 La corrélation
Définition. Une corrélation mesure dans quelle mesure deux variables varient ensemble. Si l’une monte quand l’autre monte, la corrélation est positive. Si l’une monte quand l’autre baisse, elle est négative. Si elles varient indépendamment, elle est nulle.
Mesure standard. Le coefficient de corrélation de Pearson, noté r, varie entre -1 et +1.
- r = +1 → corrélation positive parfaite
- r = 0 → aucune corrélation linéaire
- r = -1 → corrélation négative parfaite
Exemple simple. Dans une ville, la consommation d’eau et la consommation d’électricité sont fortement corrélées au fil des mois. Pas parce que l’une cause l’autre, mais parce que toutes deux dépendent de la population, de la météo et de l’activité économique.
Ce que la corrélation dit. Que deux choses bougent ensemble. Ce qu’elle ne dit pas. Pourquoi elles bougent ensemble.
3.2 La causalité
Définition. A cause B si une modification de A produit une modification de B, à autres facteurs constants.
Mesure standard. La seule façon directe de mesurer une causalité est d’introduire une variation exogène (un test, une expérience, un choc) et d’observer l’effet.
Exemple simple. Pour savoir si un médicament guérit la grippe, on randomise deux groupes : un avec le médicament, un avec un placebo. On compare les guérisons. La différence mesure l’effet causal.
Trois conditions nécessaires pour conclure à une causalité (critères de Hill, simplifiés) :
- Antériorité temporelle. La cause précède l’effet.
- Mécanisme plausible. Il existe une chaîne de raisonnement crédible reliant cause et effet.
- Absence de confondants. Aucune autre variable n’explique simultanément la cause et l’effet.
En marketing, la troisième condition est presque toujours violée. Saisonnalité, promotions, événements externes, changements de catalogue, météo, concurrence — il existe toujours des facteurs qui font varier ensemble la dépense média et le CA.
3.3 L’incrémentalité
Définition. L’incrémentalité mesure la part du résultat (CA, marge, conversions) qui n’aurait pas eu lieu sans la publicité.
Mesure standard. Comparaison entre une situation où la publicité diffuse et une situation contrefactuelle où elle ne diffuse pas.
C’est donc une mesure causale appliquée à un cadre publicitaire. L’incrémentalité est un cas particulier de causalité — celui qui intéresse l’annonceur.
Trois niveaux d’incrémentalité MTV :
- Conversion attribuée → corrélation
- Conversion incrémentale → causalité publicitaire
- Profit causal → causalité publicitaire × valeur business réelle
3.4 Différences, liens, limites
| Corrélation | Causalité | Incrémentalité | |
|---|---|---|---|
| Mesure | r de Pearson | Effet causal moyen (ATE) | Lift causal de l’exposition |
| Méthode | Observation | Expérimentation | Test publicitaire |
| Direction | Symétrique | Asymétrique | Asymétrique |
| Confondants | Non gérés | Gérés par design | Gérés par design |
| Coût | Faible | Élevé | Modéré à élevé |
| Décision | Hypothèse | Décision robuste | Allocation budgétaire |
Lien fondamental. Une corrélation forte est une condition nécessaire à une causalité forte. Si la dépense Google Ads n’est pas corrélée au CA, l’effet causal est probablement faible. Mais une corrélation forte n’est pas une condition suffisante : la corrélation peut refléter de la causalité inverse, de la confondance, ou un pur hasard temporel.
3.5 Quatre exemples concrets
Exemple 1 — Causalité inverse. Une entreprise augmente sa dépense Google Ads chaque mois de novembre car les ventes augmentent à cette période. On observe une corrélation positive forte entre dépense et CA. Mais c’est le calendrier de Noël qui cause les ventes, pas la dépense média. Si l’entreprise stoppait Google Ads en novembre, les ventes baisseraient peu.
Exemple 2 — Confondance par promotion. Chaque lancement de produit s’accompagne d’une campagne média et d’une remise de 15 %. On observe une corrélation parfaite dépense / CA. Mais c’est la remise qui produit l’essentiel de l’effet, pas la dépense média. La confondance est ici structurelle.
Exemple 3 — Confondance par marque. Une marque investit massivement en TV en septembre. La notoriété monte. Le SEO progresse. Google Ads aussi. Le CA monte. On attribuera mécaniquement à Google Ads une part qui revient en réalité à la TV.
Exemple 4 — Faux contrefactuel. Une entreprise coupe Google Ads pendant 4 semaines en juillet. Les ventes baissent de 22 %. Conclusion : Google Ads était incrémental à 22 %. Mais juillet est traditionnellement un mois faible. Si on ne le compare pas à juillet de l’année précédente, l’estimation est fausse.
3.6 Conséquence opérationnelle
La méthode décrite dans ce document mesure principalement de la corrélation, qu’elle tente d’interpréter prudemment en termes d’incrémentalité. Cette interprétation n’est honnête que si trois conditions sont remplies :
- Les explications alternatives ont été identifiées et contrôlées (saisonnalité, promotions, événements, etc.).
- Le sens de la causalité a été interrogé : est-ce la dépense qui cause le CA, ou est-ce le CA qui cause la dépense ?
- L’analyse est présentée comme une hypothèse, pas comme une vérité — et cette hypothèse appelle un test causal pour être confirmée.
À défaut, on raconte une histoire élégante, mais on ne mesure rien.
Partie 4 — Comment la méthode fonctionne, étape par étape
Neuf étapes. Aucune n’est optionnelle si l’analyse doit servir à autre chose qu’à se rassurer.
Étape 1 — Collecte des données
Objectif. Constituer un historique propre, suffisamment long et granulaire pour exposer la variation.
Logique. Pour exposer une relation statistique exploitable, il faut typiquement :
- minimum 26 semaines de données (6 mois) — utile pour les premières détections, faible robustesse ;
- recommandé : 52 à 104 semaines (1 à 2 ans) — meilleur compromis ;
- idéal : 156 semaines (3 ans) — permet de voir saisonnalités et tendances longues.
Données minimum :
- Date (jour ou semaine, format normalisé)
- Dépense Google Ads (incluant tous les canaux : Search, PMax, Shopping, Display, etc.)
- CA back-office (toutes sources confondues, pas le CA attribué par Google Ads)
- Marge ou profit brut, si disponible
Données fortement recommandées en complément :
- Dépense média des autres canaux (Meta, TV, presse, radio, etc.)
- Périodes promotionnelles (oui/non, % de remise)
- Saisonnalité connue (soldes, événements sectoriels)
- Variations de catalogue significatives (ajouts/retraits)
- Ruptures de stock connues
- Changements majeurs de tracking ou de stratégie média
Résultat attendu. Un fichier propre, sans cellule vide structurelle, avec une ligne par période et une colonne par variable.
Pièges fréquents.
- Mélanger CA attribué et CA back-office (perte du sens business).
- Oublier les périodes « anormales » (COVID, changement d’ERP) qui faussent la régression.
- Confondre dépense facturée et dépense diffusée (la facturation est mensuelle, la diffusion est quotidienne).
Étape 2 — Nettoyage des données
Objectif. Éliminer les artefacts qui parasiteraient l’analyse.
Logique. Les valeurs aberrantes (jours à zéro dus à une panne, pics dus à une erreur de saisie) peuvent dominer une régression et produire des conclusions fausses.
Opérations à mener :
- Identification des valeurs manquantes → choix de la stratégie (interpolation, exclusion, marquage)
- Identification des valeurs aberrantes (outliers) → diagnostic au cas par cas
- Normalisation des unités (€, semaine ISO, fuseau horaire)
- Vérification des doublons
- Vérification de la cohérence (CA ≥ 0, dépense ≥ 0, etc.)
Résultat attendu. Un jeu de données utilisable pour l’analyse, avec un journal documentant toutes les corrections appliquées.
Pièges fréquents.
- Supprimer un outlier sans le comprendre (parfois c’est l’information la plus précieuse — par exemple, une semaine sans publicité).
- Imputer des valeurs manquantes par la moyenne (introduit un biais vers la moyenne).
- Nettoyer agressivement jusqu’à effacer toute variation utile.
Étape 3 — Vérification de la cohérence
Objectif. S’assurer que les données racontent une histoire cohérente avant analyse.
Logique. Si les ordres de grandeur ne correspondent pas (ex. : dépense Google Ads = 50 % du CA), il y a probablement un problème dans les données, pas une réalité à modéliser.
Vérifications systématiques :
- ROAS plateforme moyen comparé au ROAS plateforme rapporté dans Google Ads
- CA back-office moyen comparé au CA attribué Google Ads (doit être nettement supérieur)
- Dépense Google Ads moyenne comparée à la facturation officielle
- Ratio dépense / CA cohérent avec la nature de l’activité (e-commerce : 5–25 %, leadgen B2B : 1–8 %, etc.)
Résultat attendu. Soit une confirmation de cohérence, soit une liste d’anomalies à résoudre avant de poursuivre.
Pièges fréquents.
- Ignorer une incohérence sous prétexte qu’elle est faible.
- Traiter les anomalies comme du bruit alors qu’elles révèlent souvent un défaut de tracking ou de comptabilité.
Étape 4 — Alignement temporel
Objectif. S’assurer que dépense et CA sont alignés sur la même fenêtre de temps, en tenant compte des décalages possibles.
Logique. Un clic Google Ads aujourd’hui peut produire une conversion dans 0, 1, 7 ou 30 jours. Un alignement strict « jour J » peut sous-estimer l’effet pour les business à cycle long.
Choix de granularité :
- Quotidien. Très granulaire, mais le bruit est élevé et les effets retardés sont mal capturés.
- Hebdomadaire. Bon compromis pour la plupart des activités. Standard recommandé.
- Mensuel. Lisse trop le signal. Acceptable si l’historique est très long, sinon insuffisant.
Choix de l’alignement :
- Tester plusieurs décalages (0, +1 semaine, +2 semaines, +4 semaines).
- Choisir le décalage qui maximise la corrélation, en restant cohérent avec la nature business.
Résultat attendu. Une base alignée temporellement, avec décision documentée du choix de granularité et de décalage.
Pièges fréquents.
- Forcer un alignement strict alors que le cycle de décision est long (B2B, immobilier).
- Choisir le décalage qui « donne le meilleur résultat » sans justification métier (data mining biaisé).
Étape 5 — Analyse exploratoire
Objectif. Visualiser avant de modéliser. Comprendre les patterns macro avant de chercher des coefficients.
Logique. Une régression sur des données qu’on ne comprend pas produit des résultats qu’on ne comprend pas. Le graphique précède la formule.
Visualisations indispensables :
- Série temporelle dépense + CA superposés, axes secondaires si nécessaire. Permet de voir visuellement les corrélations et les décalages.
- Scatter plot dépense / CA, avec ligne de régression. Permet de voir la relation et sa linéarité.
- Histogramme des dépenses et des CA. Permet de détecter des distributions très asymétriques.
- Box plot par saison / mois / trimestre. Permet de visualiser la saisonnalité.
Résultat attendu. Une compréhension visuelle de :
- la corrélation apparente (forte / moyenne / faible)
- la linéarité de la relation
- la présence de saisonnalité
- la présence de ruptures de tendance
- la présence de valeurs extrêmes
Pièges fréquents.
- Passer directement à la régression sans regarder les graphiques.
- Confondre tendance commune (les deux variables montent ensemble dans le temps) et corrélation causale.
Étape 6 — Mesure statistique de la relation
Objectif. Quantifier la force et la nature de la relation entre dépense et résultat business.
Logique. Trois types d’analyses, classés du plus simple au plus informatif :
- Coefficient de corrélation (Pearson, Spearman) — mesure de force et direction.
- Régression linéaire — quantifie la relation et permet l’inférence.
- Régression avec contrôles — ajoute des variables explicatives (saisonnalité, promotions, autres canaux) pour isoler l’effet propre.
Le détail technique de ces méthodes est en Partie 6.
Résultat attendu. Pour chaque modèle :
- coefficient de corrélation (r)
- pente de régression (b) avec intervalle de confiance
- R² (part de la variance expliquée)
- p-value (significativité statistique)
- diagnostic des résidus
Pièges fréquents.
- Reporter uniquement le coefficient sans intervalle de confiance.
- Reporter le R² sans réfléchir aux variables omises (un R² élevé peut venir de la saisonnalité, pas de la dépense).
Étape 7 — Estimation de l’effet incrémental
Objectif. Traduire le coefficient de régression en estimation de l’effet incrémental moyen.
Logique. Dans une régression CA = a + b × Dépense, le coefficient b peut s’interpréter — sous hypothèses fortes — comme le CA additionnel moyen généré par 1 € de dépense supplémentaire.
Conditions nécessaires pour cette interprétation :
- Les variables omises significatives ont été contrôlées (saisonnalité, promotions, etc.).
- Le sens de la causalité est plausible (dépense → CA, pas l’inverse).
- La relation est approximativement linéaire dans la zone de dépense observée.
Formulation honnête à utiliser :
« Sous hypothèse que les facteurs alternatifs identifiés ont été correctement contrôlés, chaque euro supplémentaire investi dans Google Ads semble associé à b € de CA supplémentaire, avec un intervalle de confiance de [b_min ; b_max] €. »
Pièges fréquents.
- Dire « Google Ads crée X € par euro » sans hypothèses — affirmation causale non démontrée.
- Oublier que b est un effet moyen, pas un effet à la marge sur les derniers euros investis.
Étape 8 — Estimation du ROI marginal
Objectif. Évaluer la rentabilité du prochain euro investi, pas du portefeuille moyen.
Logique. Le coefficient de régression linéaire mesure un effet moyen. Mais ce qui intéresse le dirigeant est l’effet à la marge : « Si je rajoute 10 000 €/mois, qu’est-ce que je gagne ? »
Méthode simple. Si la régression est linéaire (CA = a + b × Dépense), alors le CA marginal pour 1 € de dépense supplémentaire est b. Le ROAS marginal = b. Si b = 3, chaque euro supplémentaire est associé à 3 € de CA.
Méthode plus rigoureuse. Utiliser une régression non linéaire (logarithmique, ou avec adstock — voir Partie 6) pour capter la décroissance marginale. Le CA marginal n’est alors pas constant : il diminue à mesure que la dépense augmente.
Résultat attendu.
- ROAS moyen observé
- ROAS marginal estimé (sur la dernière tranche de dépense)
- Estimation du point de saturation (s’il est identifiable)
Pièges fréquents.
- Supposer que le ROAS marginal = ROAS moyen (presque toujours faux à fort budget).
- Extrapoler hors de la zone de dépense observée (très dangereux).
Étape 9 — Estimation de la marge marginale
Objectif. Convertir le CA marginal en marge marginale — la seule mesure qui pilote vraiment l’investissement publicitaire.
Logique. Le CA n’est qu’une mesure de surface. Ce qui paie les salaires, c’est la marge. Pour chaque euro de CA incrémental, il faut savoir combien de marge subsiste après COGS, retours, coûts variables.
Méthode. Si CA marginal = b et taux de marge brut = m, alors marge marginale = b × m.
Pour décider de scaler ou de réduire, comparer la marge marginale au coût de l’euro investi. Si marge marginale > 1, scale rentable. Si marge marginale < 1, scale destructeur de valeur.
Cas réel typique.
- Compte e-commerce avec ROAS plateforme de 5
- Régression sur CA total : pente de 3 (chaque € de dépense semble associé à 3 € de CA)
- Marge brute moyenne : 30 %
- Marge marginale = 3 × 0,30 = 0,90 €
Conclusion : chaque euro investi dans Google Ads génère 0,90 € de marge brute — c’est-à-dire destructeur de valeur de 10 centimes par euro investi, malgré un ROAS plateforme apparemment confortable.
Cette divergence — ROAS plateforme 5, ROAS marginal réel 3, marge marginale 0,90 — est typique. Elle illustre pourquoi piloter au ROAS plateforme est dangereux.
Pièges fréquents.
- Utiliser une marge moyenne stable alors que la marge varie selon les produits vendus (mix produits).
- Oublier les coûts variables non-COGS (retours, frais bancaires, customer support, etc.).
Partie 5 — Exemple pédagogique simple
Cet exemple est volontairement simplifié pour faire passer l’intuition. La Partie 14 propose un exemple complet, plus réaliste.
5.1 Les données fictives
Considérons un annonceur e-commerce sur 12 semaines :
| Semaine | Dépense Google Ads (€) | CA back-office (€) | Marge brute (€) |
|---|---|---|---|
| S1 | 10 000 | 120 000 | 36 000 |
| S2 | 12 000 | 132 000 | 39 600 |
| S3 | 9 000 | 115 000 | 34 500 |
| S4 | 14 000 | 140 000 | 42 000 |
| S5 | 8 000 | 110 000 | 33 000 |
| S6 | 11 000 | 125 000 | 37 500 |
| S7 | 13 000 | 135 000 | 40 500 |
| S8 | 10 000 | 122 000 | 36 600 |
| S9 | 15 000 | 145 000 | 43 500 |
| S10 | 9 500 | 118 000 | 35 400 |
| S11 | 12 500 | 130 000 | 39 000 |
| S12 | 11 000 | 127 000 | 38 100 |
Marge brute = 30 % du CA (taux constant simplifié).
5.2 Lecture intuitive
Visuellement : les semaines à forte dépense (S4, S9 : 14 000–15 000 €) coïncident avec les semaines à fort CA (140 000–145 000 €). Les semaines à faible dépense (S5 : 8 000 €) coïncident avec les semaines à faible CA (110 000 €).
La corrélation est forte. Aucun calcul n’est encore nécessaire pour le voir.
5.3 Estimation grossière de la pente
Méthode élémentaire : prenons les deux extrêmes.
- Dépense la plus haute (S9) : 15 000 € → CA 145 000 €
- Dépense la plus basse (S5) : 8 000 € → CA 110 000 €
- Écart de dépense : 7 000 €
- Écart de CA : 35 000 €
- Pente apparente : 35 000 / 7 000 = 5 € de CA par € de dépense
Cette estimation est grossière (deux points seulement) mais donne un ordre de grandeur.
5.4 Estimation par régression linéaire
Avec tous les points, la régression linéaire donnerait approximativement :
CA ≈ 70 000 + 5 × Dépense
Interprétation :
- a = 70 000 € → baseline de CA estimée si la dépense Google Ads était nulle (CA « naturel » hypothétique).
- b = 5 → chaque euro supplémentaire de dépense Google Ads est associé à 5 € de CA supplémentaire.
5.5 Énoncé honnête au dirigeant
« Sur ces 12 semaines, et sous hypothèse que les variations de CA ne s’expliquent pas par d’autres facteurs (saisonnalité, promotions, événements), chaque euro supplémentaire investi en Google Ads semble associé à environ 5 € de CA supplémentaire. Avec une marge brute de 30 %, cela représente environ 1,50 € de marge brute par euro investi. Cette estimation est purement corrélationnelle. Pour la confirmer causalement, un test géographique ou un Conversion Lift est nécessaire. »
Ce n’est pas une conclusion. C’est une hypothèse. Mais c’est une hypothèse mille fois plus utile et plus honnête que « ROAS plateforme = 4,2, on est rentable ».
5.6 Ce que l’exemple ne montre pas (volontairement)
Cet exemple a été construit avec une relation linéaire parfaite et sans bruit. La réalité est presque toujours :
- bruitée (les semaines à dépense égale ne donnent pas le même CA) ;
- non linéaire (la pente baisse à mesure que la dépense augmente) ;
- confondue avec d’autres effets (saisonnalité, marque, autres canaux).
Les Parties 6 et 14 traitent ces complications.
5.7 Premier réflexe à acquérir
Avant tout calcul, le dirigeant peut déjà se poser deux questions, dont les réponses sont souvent éloquentes :
- Sur les 12 derniers mois, quelles ont été mes 3 semaines avec la plus forte dépense ? Quelles ont été mes 3 semaines avec le CA le plus élevé ? Ces semaines coïncident-elles ?
- Sur les 12 derniers mois, quelles ont été mes 3 semaines avec la plus faible dépense ? Quelles ont été mes 3 semaines avec le CA le plus faible ? Ces semaines coïncident-elles ?
Si oui aux deux questions, il existe probablement une relation exploitable. Si non, soit la dépense ne pilote pas le business, soit d’autres facteurs dominent. Les deux cas sont informatifs.
Partie 6 — Méthodes statistiques possibles
Cette section décrit les méthodes par ordre croissant de sophistication. Chacune répond à une question différente, avec un coût et une fiabilité différents.
Méthode 1 — Corrélation simple
Principe. Mesurer dans quelle mesure dépense et CA varient ensemble. Pas plus.
Formule (Pearson). Le coefficient de corrélation r se calcule comme :
r = Cov(X, Y) / (σ_X × σ_Y)
Où Cov(X, Y) est la covariance entre dépense et CA, et σ_X, σ_Y leurs écarts-types respectifs.
Dans Excel ou Sheets, la fonction =PEARSON(plage_X; plage_Y) ou =COEFFICIENT.CORRELATION(plage_X; plage_Y) calcule directement r.
Interprétation des seuils (indicatifs, non absolus) :
- r > 0,8 → corrélation très forte
- r entre 0,6 et 0,8 → corrélation forte
- r entre 0,4 et 0,6 → corrélation modérée
- r entre 0,2 et 0,4 → corrélation faible
- r < 0,2 → corrélation négligeable
Avantages.
- Simple, immédiat.
- Première vérification utile.
- Aucune hypothèse de modèle nécessaire.
Limites.
- Ne donne aucune quantification de l’effet (combien d’euros de CA par euro de dépense ?).
- Ne dit rien de la causalité, ni du sens de la causalité.
- Sensible aux outliers.
- Mesure uniquement la linéarité. Une relation forte mais courbe (ex. saturation) peut produire un r modeste.
Quand l’utiliser. Comme première étape, jamais comme conclusion.
Méthode 2 — Régression linéaire simple
Principe. Modéliser la relation entre dépense et CA sous une forme linéaire simple :
Y = a + b × X + ε
Où :
- Y = CA hebdomadaire (variable expliquée)
- X = Dépense Google Ads hebdomadaire (variable explicative)
- a = CA « baseline » estimé si X = 0 (ordonnée à l’origine)
- b = pente — CA additionnel moyen pour 1 € de dépense supplémentaire
- ε = résidu (la part du CA non expliquée par X)
Interprétation de a (la constante). Sous le modèle, a représente le CA estimé en l’absence totale de dépense Google Ads. C’est une estimation du CA « naturel » ou « baseline » qui existerait sans le canal. Attention : cette interprétation est valide uniquement si la zone X = 0 a réellement été observée (ou est très proche de la zone observée). Sinon, c’est une extrapolation dangereuse.
Interprétation de b (la pente). b est l’estimation de la dérivée moyenne du CA par rapport à la dépense. Sous l’hypothèse que :
- la relation est linéaire dans la plage observée,
- les facteurs confondants ont été contrôlés,
- le sens de causalité va bien de la dépense vers le CA,
alors b est interprétable comme l’estimation du CA incrémental moyen généré par 1 € de dépense supplémentaire.
Si l’une de ces trois hypothèses est violée, l’interprétation devient incorrecte.
Pourquoi b peut être interprété comme l’incrémentalité. b mesure : « Quand X varie d’une unité, Y varie en moyenne de b unités. » Si la variation de X est exogène (test naturel, choc indépendant), b est l’effet causal. Si la variation de X est endogène (l’entreprise dépense plus en haute saison), b est contaminé par les confondants.
Avantages.
- Donne une estimation quantifiée.
- Calcul simple dans Excel, Sheets, ou n’importe quel outil statistique.
- Produit un intervalle de confiance et une significativité (p-value).
Limites.
- Suppose une relation linéaire (souvent fausse à l’extrême).
- N’identifie pas les confondants (ils restent dans le résidu ε).
- Très sensible aux variables omises.
- Si la dépense est corrélée à d’autres canaux (Meta, TV, etc.), b mesure une part de l’effet de tous ces canaux.
Quand l’utiliser. Comme deuxième étape, après la corrélation simple. Toujours en complément d’une analyse exploratoire visuelle.
Bonne pratique de présentation.
« Le coefficient b = 4,2 [IC 95 % : 3,1 ; 5,3], avec p < 0,01 et R² = 0,68. Sous hypothèse que les facteurs confondants principaux (saisonnalité, promotions) ont été contrôlés, chaque euro de dépense Google Ads est associé à 4,2 € de CA supplémentaire (estimation entre 3,1 et 5,3 dans 95 % des cas). Le modèle explique 68 % de la variance du CA. »
Méthode 3 — Régression sur la marge
Principe. Identique à la méthode 2, mais avec la marge brute en variable expliquée :
Marge = a’ + b’ × Dépense + ε’
Pourquoi la marge est souvent plus pertinente que le CA.
Le CA peut être trompeur pour trois raisons.
Raison 1 — Mix produits. Si Google Ads pousse principalement les produits à faible marge (best-sellers à 10 % de marge plutôt que produits premium à 50 %), un euro de CA additionnel ne génère pas le même profit qu’un euro de CA « naturel ». La régression sur le CA surestime alors la valeur du canal.
Raison 2 — Promotions associées. Si les périodes de forte dépense Google Ads coïncident avec des périodes de promotions, le CA est gonflé mais la marge est érodée. La régression sur le CA donne une image flatteuse, la régression sur la marge ramène à la réalité.
Raison 3 — Coûts variables ignorés. Le CA ne tient pas compte des retours, des frais de livraison, des frais de paiement. Sur certaines activités, ces coûts représentent 10 à 15 % du CA. Ils érodent fortement la marge marginale.
Règle MTV. Si la marge brute est disponible, faire systématiquement les deux régressions (CA et marge). L’écart entre les deux pentes révèle souvent la qualité réelle du canal.
Exemple.
- Régression sur le CA : pente = 4,5
- Régression sur la marge brute : pente = 0,7
- Conclusion : chaque euro investi génère 4,5 € de CA mais seulement 0,70 € de marge. À 1 € investi pour 0,70 € de marge brute, le canal est structurellement déficitaire — alors même que le ROAS apparaît élevé.
Méthode 4 — Régression logarithmique
Principe. Modéliser une relation non linéaire à rendements décroissants.
Pourquoi la linéarité est rarement réaliste.
Dans la vraie vie, les premiers euros investis vont sur les mots-clés les plus rentables (forte intention, forte conversion). Les euros suivants vont sur des termes moins ciblés, à conversion plus faible. À mesure que la dépense augmente, l’efficacité marginale baisse. C’est la loi de saturation média — universellement vraie en marketing.
Un modèle linéaire (b constant) ignore ce phénomène. Il extrapole droite à l’infini, ce qui est absurde.
Formulations courantes.
Forme log-log :
ln(Y) = a + b × ln(X)
Le coefficient b est ici une élasticité : si la dépense augmente de 1 %, le CA augmente de b %. Une élasticité de 0,3 signifie qu’un doublement de la dépense (+100 %) ne produit qu’une augmentation de 30 % du CA. C’est typique des canaux saturés.
Forme semi-log :
Y = a + b × ln(X)
Chaque doublement de la dépense produit un effet constant (b × ln(2)) sur le CA, mais l’effet en pourcentage diminue.
Avantages.
- Modélise la décroissance marginale, beaucoup plus réaliste.
- Permet d’identifier un ordre de grandeur du point de saturation.
- L’élasticité est un concept compréhensible par un dirigeant.
Limites.
- Nécessite un peu plus de manipulation (la fonction LN() dans Excel).
- Si la zone de dépense observée est étroite, le modèle saturant peut donner les mêmes résultats que le modèle linéaire.
- L’interprétation est moins immédiate.
Quand l’utiliser. Dès que la dépense varie significativement (par exemple, par un facteur de 1 à 3 sur l’historique). À haut budget, c’est presque toujours la bonne méthode.
Bonne pratique. Faire les deux régressions (linéaire et logarithmique) et comparer les R². Si le R² log est nettement supérieur au R² linéaire, la saturation est marquée.
Méthode 5 — Adstock et effets retardés
Principe. Tenir compte du fait que l’effet de la dépense média ne se produit pas uniquement le jour ou la semaine de diffusion.
Lag (effet retardé simple). Un lag est un décalage temporel. Si la dépense de la semaine S1 produit ses effets en S1, S2 et S3, il y a un effet retardé sur 3 semaines. Un modèle de régression avec lag inclut comme variables explicatives non seulement la dépense de la période, mais aussi la dépense des périodes précédentes :
CA(t) = a + b0 × Dépense(t) + b1 × Dépense(t-1) + b2 × Dépense(t-2) + ε
Adstock (rémanence média). L’adstock formalise le fait qu’une dépense passée continue à produire un effet, mais avec une décroissance progressive. Mathématiquement, on transforme la dépense brute en une dépense « adstockée » :
Dépense_adstockée(t) = Dépense(t) + λ × Dépense_adstockée(t-1)
Où λ est le taux de rémanence, compris entre 0 et 1. Plus λ est élevé, plus la rémanence est longue.
Valeurs typiques pour Google Ads (indicatives) :
- Search à intention immédiate (e-commerce, lead urgent) : λ ≈ 0,1 — 0,3 (effet quasi immédiat)
- Search en cycle B2B long : λ ≈ 0,4 — 0,6 (effet sur plusieurs semaines)
- Display / YouTube : λ ≈ 0,5 — 0,7 (effet brand, plus long)
Pourquoi c’est important.
Sans tenir compte de l’adstock, on sous-estime l’effet total des campagnes à effet retardé. Un investissement Display qui ne produit ses ventes qu’à 6 semaines apparaîtra non rentable dans une régression sans lag.
À l’inverse, certaines analyses naïves surestiment l’effet en ignorant le fait qu’une partie des conversions de la semaine S est due à la dépense des semaines précédentes (déjà payée).
Limites.
- Le choix du λ est subjectif sauf à le calibrer par optimisation (méthode plus avancée).
- Une mauvaise spécification d’adstock biaise tout le modèle.
- L’adstock est rarement testable proprement sans données expérimentales.
Quand l’utiliser. Si la décision business dépend du timing (campagnes saisonnières, lancement de produits, fenêtres promotionnelles). Sinon, l’adstock peut compliquer sans apporter de valeur décisionnelle.
6.6 Tableau de synthèse
| Méthode | Difficulté | Fiabilité | Information produite |
|---|---|---|---|
| Corrélation simple | Très basse | Faible (corrélation seulement) | Force et direction du lien |
| Régression linéaire | Basse | Moyenne (sous hypothèses) | Pente moyenne, R², IC |
| Régression sur marge | Basse | Moyenne (sous hypothèses) | Effet sur la marge |
| Régression log | Modérée | Moyenne+ | Élasticité, saturation |
| Adstock + lag | Élevée | Variable | Effets retardés modélisés |
| MMM complet | Très élevée | Élevée | Décomposition multi-canal |
| Test géo (Niveau 3) | Modérée | Forte | Effet causal mesuré |
| Conversion Lift (Niveau 4) | Élevée | Très forte | Lift mesuré expérimentalement |
Les trois dernières lignes ne sont pas dans le périmètre de ce document, mais sont rappelées pour situer ce qu’on fait et ce qu’on ne fait pas. La méthode décrite ici se positionne sur les lignes 1 à 5 — utile, accessible, mais en deçà de la mesure causale stricte.
Partie 7 — Quelle méthode recommanderais-tu réellement ?
7.1 Classement par ordre croissant de robustesse
| Rang | Méthode | Difficulté | Fiabilité | Contexte d’usage |
|---|---|---|---|---|
| 1 | Corrélation simple (Pearson) | Très basse | Faible | Première détection, débat préliminaire |
| 2 | Régression linéaire sur CA | Basse | Faible-Moyenne | Estimation grossière du ROAS moyen |
| 3 | Régression linéaire sur marge | Basse | Moyenne | Test de rentabilité (souvent éclairant) |
| 4 | Régression linéaire avec contrôles (saisonnalité, autres canaux) | Modérée | Moyenne+ | Estimation honnête, sans certitude |
| 5 | Régression logarithmique avec contrôles | Modérée | Moyenne+ | Mesure de saturation et d’élasticité |
| 6 | Régression avec lag et adstock | Élevée | Variable | Activités à cycle long |
| 7 | Test géo simplifié MTV (hors périmètre de cette méthode) | Modérée | Forte | Mesure causale réelle |
| 8 | Conversion Lift Google Ads | Élevée | Très forte | Mesure expérimentale |
7.2 Ma recommandation, en consultant honnête
Sur un compte qui ne dispose que de séries temporelles agrégées (dépense, CA, marge), sans données expérimentales et sans budget pour un MMM, voici la séquence que je recommande :
Étape A — Toujours faire (gratuit, 2 heures)
- Visualiser les deux séries temporelles (dépense + CA, dépense + marge) en superposition.
- Calculer la corrélation simple Pearson entre dépense et CA, et dépense et marge.
- Identifier visuellement les zones de cohérence et d’incohérence entre les variations.
C’est gratuit, c’est immédiat, et ça oriente toute la suite.
Étape B — Si la corrélation initiale est >0,4 (modérée à forte)
- Régression linéaire simple sur le CA → pente, IC, R².
- Régression linéaire simple sur la marge → pente, IC, R². Comparer aux résultats CA.
- Régression logarithmique sur le CA et la marge → élasticité, R². Comparer aux résultats linéaires pour détecter la saturation.
Cette étape donne une fourchette d’estimations. Si le R² du modèle log est nettement supérieur au R² du modèle linéaire, la saturation est marquée et il faut piloter en élasticité.
Étape C — Pour tout compte sérieux (>30 k€/mois budget Google Ads)
- Ajouter au moins une variable de contrôle : saisonnalité (mois ou semaine de l’année), périodes promotionnelles connues, autres canaux media si la donnée existe.
- Refaire la régression avec contrôles. Comparer la pente brute (sans contrôles) à la pente avec contrôles. Un écart important révèle l’importance de la confondance.
Cette étape est la plus importante pour passer de « corrélation » à « indice d’effet propre ».
Étape D — Conclusion à formuler
« Sur les données disponibles, l’effet associé à 1 € de dépense Google Ads est estimé entre b_min € et b_max € de CA additionnel, soit entre b_min × m € et b_max × m € de marge brute additionnelle. Cette estimation est corrélationnelle, contrôlée pour [variables de contrôle]. Elle ne remplace pas un test causal. Pour confirmation, un test géo ou un Conversion Lift est recommandé dans les 6 mois. »
7.3 Pourquoi cette séquence et pas une autre
Pourquoi commencer par la corrélation simple. Parce qu’elle est gratuite, immédiate, et qu’elle évite de partir dans des régressions sophistiquées sur un signal qui n’existe pas. Si r = 0,15, il est inutile de modéliser : il n’y a rien à modéliser.
Pourquoi insister sur la marge plutôt que sur le CA. Parce que le ROAS et le CA flattent souvent un canal qui détruit en réalité de la valeur. C’est dans la régression sur la marge que les illusions tombent.
Pourquoi la régression logarithmique. Parce que la quasi-totalité des comptes ayant >10 k€/mois de budget sont en zone de saturation décroissante. Le modèle linéaire les sur-estime systématiquement à la marge.
Pourquoi les contrôles. Parce que sans contrôles, on mesure principalement la saisonnalité commune à la dépense et au CA. Ajouter au minimum un contrôle de saisonnalité divise typiquement la pente apparente par 1,5 à 3 — l’écart est la mesure du biais structurel de l’analyse naïve.
Pourquoi ne pas aller plus loin dans l’auto-construction. Parce que au-delà, on entre dans le territoire du MMM, qui exige un data scientist, des outils spécialisés (Robyn, LightweightMMM) et 3 à 6 mois de mise en place. Sur les comptes <1 M€/an de budget media multi-canal, le retour sur investissement de cette sophistication est rarement justifié.
7.4 Ce que cette séquence ne fait pas
Trois clarifications indispensables :
- Elle ne prouve pas la causalité. Elle l’estime sous hypothèses, qu’il faut nommer explicitement.
- Elle ne capte pas l’effet brand long terme. Les effets de marque sur 6-12 mois échappent à cette analyse. Pour les saisir, il faut un MMM avec décomposition long terme.
- Elle ne distingue pas Google Ads par sous-canaux (Search vs PMax vs Shopping). Toute la dépense Google Ads est ici agrégée. Pour distinguer, il faut une analyse par sous-canal — mais alors la variance individuelle de chaque sous-canal devient souvent insuffisante pour modéliser.
7.5 Quand abandonner cette méthode
Trois cas où elle est inadaptée :
- Cas 1. Le budget Google Ads n’a quasiment pas varié sur 12 mois. Pas de variation = pas d’information = pas d’analyse.
- Cas 2. Le CA total est dominé par des facteurs hors-canal (B2B avec gros deals, immobilier avec cycle de 6 mois, etc.). Le bruit dépasse alors le signal exploitable.
- Cas 3. Le tracking ou la comptabilité ne sont pas fiables (CA back-office qui ne reflète pas la réalité, dépense facturée différente de la dépense diffusée). Il faut alors d’abord réparer les fondations.
Dans ces trois cas, il faut soit collecter plus de données, soit passer directement à un test géographique.
Partie 8 — Guide pratique Excel
Ce guide suppose un fichier avec quatre colonnes : Date, Spend, Revenue, Margin. Les semaines ou jours doivent être en ligne, une période par ligne.
8.1 Préparer le fichier
Format minimal :
| A (Date) | B (Spend) | C (Revenue) | D (Margin) |
|---|---|---|---|
| 2025-01-06 | 10000 | 120000 | 36000 |
| 2025-01-13 | 12000 | 132000 | 39600 |
| … | … | … | … |
Vérifications préalables :
- Format date homogène (utiliser le format Excel « Date courte »)
- Toutes les périodes consécutives, sans saut
- Pas de cellule vide dans Spend, Revenue, Margin
- Cohérence des unités (toujours en € pour les trois colonnes monétaires)
8.2 Calcul des statistiques descriptives
Dans une zone libre (par exemple à partir de la cellule F1) :
F1 : "Statistique" G1 : "Spend" H1 : "Revenue" I1 : "Margin"
F2 : "Moyenne" G2 : =MOYENNE(B:B) H2 : =MOYENNE(C:C) I2 : =MOYENNE(D:D)
F3 : "Médiane" G3 : =MEDIANE(B:B) H3 : =MEDIANE(C:C) I3 : =MEDIANE(D:D)
F4 : "Min" G4 : =MIN(B:B) H4 : =MIN(C:C) I4 : =MIN(D:D)
F5 : "Max" G5 : =MAX(B:B) H5 : =MAX(C:C) I5 : =MAX(D:D)
F6 : "Écart-type" G6 : =ECARTYPE.PEARSON(B:B) H6 : =ECARTYPE.PEARSON(C:C) I6 : =ECARTYPE.PEARSON(D:D)
F7 : "Coef. variation" G7 : =G6/G2 H7 : =H6/H2 I7 : =I6/I2
Lecture du coefficient de variation (CV = écart-type / moyenne).
- CV < 0,1 → variation très faible (méthode peu exploitable)
- CV entre 0,1 et 0,3 → variation modérée (méthode exploitable mais limitée)
- CV > 0,3 → variation forte (méthode bien adaptée)
8.3 Calcul des corrélations
F9 : "Corrélation Spend × Revenue" G9 : =COEFFICIENT.CORRELATION(B:B; C:C)
F10 : "Corrélation Spend × Margin" G10 : =COEFFICIENT.CORRELATION(B:B; D:D)
Interprétation : voir Partie 6.
8.4 Régression linéaire — version rapide
Pour la pente et la constante :
F12 : "Pente (Spend → Revenue)" G12 : =PENTE(C:C; B:B)
F13 : "Constante (Revenue)" G13 : =ORDONNEE.ORIGINE(C:C; B:B)
F14 : "R² (Revenue)" G14 : =COEFFICIENT.DETERMINATION(C:C; B:B)
F16 : "Pente (Spend → Margin)" G16 : =PENTE(D:D; B:B)
F17 : "Constante (Margin)" G17 : =ORDONNEE.ORIGINE(D:D; B:B)
F18 : "R² (Margin)" G18 : =COEFFICIENT.DETERMINATION(D:D; B:B)
Note importante. Dans PENTE(Y; X), la variable Y est en premier et X en second. C’est l’inverse de la lecture intuitive — ne pas se tromper.
8.5 Régression linéaire — version complète avec intervalle de confiance
Excel propose la fonction matricielle DROITEREG() qui renvoie tous les paramètres de la régression.
- Sélectionner une zone vide de 5 lignes × 2 colonnes (par exemple F20:G24).
- Saisir la formule :
=DROITEREG(C:C; B:B; VRAI; VRAI)
- Valider avec Ctrl + Shift + Entrée (validation matricielle, sauf sur Excel 365 où Entrée suffit).
Le bloc contiendra :
| Cellule | Contenu | Lecture |
|---|---|---|
| F20 | Pente (b) | CA additionnel moyen par € de dépense |
| G20 | Constante (a) | CA estimé si dépense = 0 |
| F21 | Écart-type de la pente | Précision de l’estimation |
| G21 | Écart-type de la constante | — |
| F22 | R² | Part de variance expliquée |
| G22 | Écart-type des résidus | Bruit non expliqué |
| F23 | Statistique F | Significativité globale |
| G23 | Degrés de liberté | — |
| F24 | Somme carrés régression | — |
| G24 | Somme carrés résiduelle | — |
Intervalle de confiance à 95 % pour la pente :
G26 : "IC 95% bas" H26 : =F20 - 1,96 * F21
G27 : "IC 95% haut" H27 : =F20 + 1,96 * F21
(Cette formule utilise l’approximation normale, valide pour n > 30 environ. Pour n petit, utiliser LOI.STUDENT.INVERSE.N(0,975; n-2) à la place de 1,96.)
8.6 Régression logarithmique
Dans une nouvelle colonne (par exemple E), calculer =LN(B2) pour chaque ligne. Puis répéter la régression avec :
- X = LN(Spend)
- Y = LN(Revenue) → modèle log-log → b = élasticité
- ou Y = Revenue → modèle semi-log
Pour le log-log :
F30 : "Pente log-log (élasticité)" G30 : =PENTE(LN(C2:C100); LN(B2:B100))
(Validation matricielle Ctrl+Shift+Entrée pour la fonction LN appliquée à une plage.)
8.7 Graphiques recommandés
Graphique 1 — Séries temporelles superposées.
- Sélectionner les colonnes Date, Spend, Revenue.
- Insertion → Graphique en courbes.
- Clic droit sur la série Revenue → Mettre en forme la série → Axe secondaire (pour rendre les deux séries lisibles).
Ce graphique permet de visualiser immédiatement les coïncidences temporelles.
Graphique 2 — Scatter plot avec ligne de régression.
- Sélectionner les colonnes Spend (X) et Revenue (Y).
- Insertion → Nuage de points.
- Clic droit sur les points → Ajouter une courbe de tendance → Linéaire.
- Cocher « Afficher l’équation » et « Afficher le R² » sur le graphique.
Ce graphique permet de voir la forme de la relation et de détecter visuellement la linéarité ou la courbure.
Graphique 3 — Box plot par mois.
- Créer une colonne supplémentaire avec =MOIS(A2) pour extraire le mois.
- Insertion → Box and Whisker → Distribution du CA par mois.
Ce graphique révèle la saisonnalité, qui pourrait expliquer une part de la corrélation apparente.
8.8 Régression multiple avec contrôles
Pour ajouter des variables de contrôle (saisonnalité, promotions), il faut une régression multiple. Excel le permet via l’outil « Utilitaire d’analyse » :
- Onglet Données → Utilitaire d’analyse → Régression. (Si « Utilitaire d’analyse » n’apparaît pas, l’activer dans Fichier → Options → Compléments → Compléments Excel → Utilitaire d’analyse → OK.)
- Plage Y = colonne CA.
- Plage X = plage incluant Spend ET les colonnes de contrôle (variables binaires pour les mois, périodes promo, etc.).
- Cocher « Niveau de confiance 95 % » et « Graphique des résidus ».
- OK.
L’outil produit un tableau complet avec coefficients, IC, p-values pour chaque variable. La pente sur la variable Spend, dans ce modèle, est l’estimation après contrôle des autres variables — c’est cette pente qu’il faut utiliser comme estimation d’incrémentalité.
8.9 Diagnostics post-régression
Trois vérifications minimales :
- R² ajusté. Si R² ajusté < 0,3, le modèle explique trop peu et les estimations sont peu fiables.
- p-value de la pente sur Spend. Si p > 0,05, l’effet n’est pas statistiquement significatif. À reporter explicitement au dirigeant.
- Graphique des résidus. Doivent être centrés autour de zéro, sans pattern systématique. Si on voit une structure (par exemple, résidus positifs en été, négatifs en hiver), la saisonnalité n’a pas été correctement contrôlée — il faut reconstruire le modèle.
Partie 9 — Guide pratique Google Sheets
La logique est identique à Excel. Les noms de fonctions et quelques détails diffèrent.
9.1 Préparation du fichier
Même structure que dans Excel :
| A (Date) | B (Spend) | C (Revenue) | D (Margin) |
|---|
Format de date : Format → Nombre → Date.
9.2 Statistiques descriptives
F1 : "Statistique" G1 : "Spend" H1 : "Revenue" I1 : "Margin"
F2 : "Moyenne" G2 : =AVERAGE(B:B) H2 : =AVERAGE(C:C) I2 : =AVERAGE(D:D)
F3 : "Médiane" G3 : =MEDIAN(B:B) H3 : =MEDIAN(C:C) I3 : =MEDIAN(D:D)
F4 : "Min" G4 : =MIN(B:B) H4 : =MIN(C:C) I4 : =MIN(D:D)
F5 : "Max" G5 : =MAX(B:B) H5 : =MAX(C:C) I5 : =MAX(D:D)
F6 : "Écart-type" G6 : =STDEV(B:B) H6 : =STDEV(C:C) I6 : =STDEV(D:D)
F7 : "Coef. variation" G7 : =G6/G2 H7 : =H6/H2 I7 : =I6/I2
9.3 Corrélations
F9 : "Corrélation Spend × Revenue" G9 : =CORREL(B:B; C:C)
F10 : "Corrélation Spend × Margin" G10 : =CORREL(B:B; D:D)
9.4 Régression linéaire — version rapide
F12 : "Pente (Spend → Revenue)" G12 : =SLOPE(C:C; B:B)
F13 : "Constante (Revenue)" G13 : =INTERCEPT(C:C; B:B)
F14 : "R² (Revenue)" G14 : =RSQ(C:C; B:B)
F16 : "Pente (Spend → Margin)" G16 : =SLOPE(D:D; B:B)
F17 : "Constante (Margin)" G17 : =INTERCEPT(D:D; B:B)
F18 : "R² (Margin)" G18 : =RSQ(D:D; B:B)
9.5 Régression linéaire — version complète avec LINEST
Google Sheets dispose de la fonction LINEST équivalente à DROITEREG :
F20 : =LINEST(C2:C100; B2:B100; TRUE; TRUE)
Cette formule renvoie un bloc 5 × 2 avec les mêmes paramètres que dans Excel. Pas besoin de validation matricielle dans Sheets — la formule s’étend automatiquement.
Pour l’intervalle de confiance à 95 % :
H22 : =F20 - 1.96 * F21
H23 : =F20 + 1.96 * F21
9.6 Régression logarithmique
Dans une nouvelle colonne :
E2 : =LN(B2) (étendre jusqu'au bas)
Puis :
F30 : "Pente log-log" G30 : =SLOPE(LN(C2:C100); LN(B2:B100))
(Sheets traite LN(plage) directement, sans validation matricielle particulière.)
9.7 Graphiques
Procédure :
- Sélectionner les données.
- Insertion → Graphique.
- Type « Combiné » pour superposer dépense (barres) et CA (courbe).
- Activer « Axe secondaire » si nécessaire.
Pour le scatter plot :
- Sélectionner Spend et Revenue.
- Insertion → Graphique → Nuage de points.
- Options du graphique → Personnaliser → Série → activer « Ligne de tendance » → Linéaire → activer « Afficher R² » et « Afficher l’équation ».
9.8 Régression multiple
Sheets ne propose pas d’utilitaire d’analyse intégré. Deux options :
Option A — LINEST multivariée. La fonction LINEST accepte plusieurs colonnes en X :
=LINEST(Y_plage; X1_X2_X3_plage; TRUE; TRUE)
Le résultat contient un coefficient pour chaque colonne X, plus la constante. Pour une régression à 3 variables (Spend + 2 contrôles), le bloc renvoyé est 5 × 4.
Option B — Add-on XLMiner Analysis ToolPak. Disponible en module dans la Google Workspace Marketplace, gratuit. Reproduit l’utilitaire d’analyse Excel, plus simple à utiliser pour la régression multiple.
9.9 Astuces Sheets spécifiques
ArrayFormula pour les colonnes calculées. Pour calculer LN(Spend) sur toute la colonne sans étirer la formule :
E1 : "LN(Spend)"
E2 : =ARRAYFORMULA(IF(B2:B="";"";LN(B2:B)))
QUERY pour filtrer. Pour analyser uniquement les périodes hors promotions, en supposant une colonne « Promo » en colonne F :
=QUERY(A:F; "SELECT B, C WHERE F = 0", 1)
Puis recalculer les régressions sur ce sous-ensemble.
Données → Statistiques de colonne. Sheets propose un panneau intégré (clic droit sur une colonne → « Statistiques de colonne ») qui produit moyenne, médiane, distribution, sans formule.
9.10 Vérification finale
Avant de présenter les résultats, vérifier :
- Le R² ajusté du modèle (s’affiche dans le bloc LINEST avec quelques manipulations, voir documentation).
- La cohérence des signes (pente positive sur Spend, sauf cas très particuliers).
- La stabilité du résultat en retirant les 2 valeurs extrêmes du dataset (test de robustesse).
Si le résultat change significativement quand on retire 2 points, le modèle est instable et ses conclusions doivent être présentées avec une grande prudence.
Partie 10 — Réaliser l’analyse avec un LLM
10.1 Pourquoi un LLM peut faire le travail
Les LLMs modernes (Claude, ChatGPT, Gemini) sont parfaitement capables de :
- nettoyer un fichier CSV ;
- calculer corrélations et régressions ;
- détecter outliers et anomalies temporelles ;
- générer les graphiques utiles ;
- formuler une interprétation honnête, avec ses limites ;
- proposer des contrôles à ajouter.
À condition que les données soient propres et bien fournies, et que les instructions soient claires sur les limites méthodologiques attendues.
10.2 Préparation du fichier CSV
Format minimal requis :
Date,Spend,Revenue,Margin
2025-01-06,10000,120000,36000
2025-01-13,12000,132000,39600
2025-01-20,9000,115000,34500
...
Règles strictes :
- Une ligne par période, périodes consécutives et de granularité homogène (toutes en jours, ou toutes en semaines).
- Format date : YYYY-MM-DD (ISO 8601). C’est le seul format universellement bien interprété.
- Pas de séparateur de milliers dans les nombres (10000, pas 10 000 ou 10,000).
- Séparateur décimal : point (12.50), pas virgule.
- Encodage UTF-8.
- Pas de cellules vides : utiliser une vraie valeur ou un marqueur (par exemple NA).
- Pas de colonnes annexes parasites.
10.3 Données complémentaires à fournir si possible
Plus le LLM dispose de contexte business, meilleure sera l’analyse. À ajouter en colonnes supplémentaires si la donnée existe :
- Promo : indicateur 0/1 si la période était en promotion
- Promo_pct : pourcentage de remise moyen pendant la période
- Seasonality_index : indice de saisonnalité connu (ex. 1.5 pour décembre, 0.7 pour août)
- Stock_break : indicateur 0/1 si rupture de stock significative
- Other_media_spend : dépense média autres canaux pour la période
- Newsletter_send : indicateur 0/1 si campagne email majeure
Si ces colonnes existent, le LLM pourra les utiliser comme contrôles dans la régression multiple.
10.4 Préparer le contexte à donner au LLM
Avant même le prompt analytique, fournir au LLM le contexte de l’entreprise. Une note d’une page suffit :
- Activité de l’entreprise (B2C e-commerce / B2B leadgen / SaaS / etc.)
- Taille (CA annuel, budget média annuel)
- Cycle de décision client (immédiat / quelques jours / plusieurs mois)
- Saisonnalité connue (mois forts, mois faibles)
- Événements particuliers de l’historique (lancements, ruptures, changements stratégiques)
- Marge brute moyenne, si elle n’est pas dans le CSV
- Marges variables connues par produit ou par canal
Ce contexte permet au LLM de produire une analyse qui n’est pas purement statistique mais business-aware.
10.5 Vérifications après réponse du LLM
Cinq questions à se poser systématiquement face à toute analyse produite par un LLM :
- Le LLM a-t-il documenté les hypothèses de son modèle ? Si non, il faut le lui demander explicitement.
- A-t-il distingué corrélation et incrémentalité dans son interprétation ? Sinon, il a survendu la conclusion.
- A-t-il proposé des contrôles, ou s’est-il contenté d’une régression simple ? Une analyse sans contrôle de saisonnalité est presque toujours biaisée.
- A-t-il vérifié la stabilité de ses résultats (test de robustesse, exclusion d’outliers) ? Sinon, le résultat peut être dominé par une valeur extrême.
- A-t-il formulé ses recommandations avec un niveau d’incertitude explicite ? « Sous hypothèse X, l’effet est de Y avec un IC de [Z1; Z2] » est correct. « Google Ads génère Y € par euro investi » est incorrect et survendu.
Si l’une de ces cinq vérifications échoue, demander au LLM de reprendre l’analyse en corrigeant le point.
10.6 Limites des LLMs sur ce type d’analyse
À garder en tête :
- Les LLMs ne peuvent pas, par eux-mêmes, exécuter du code statistique sauf s’ils ont accès à un environnement (Code Interpreter / outils d’exécution). Sans cet accès, leurs résultats numériques sont estimés et pas calculés — c’est à vérifier.
- Les LLMs ont tendance à formuler les conclusions avec plus de certitude que justifié. Il faut leur demander explicitement la nuance.
- Les LLMs n’ont pas accès aux conventions internes de l’entreprise. Une donnée « marge » peut signifier marge brute, marge nette, marge contributive — il faut clarifier.
- Les LLMs peuvent halluciner des coefficients si l’environnement d’exécution n’est pas disponible. Sur un calcul, toujours demander à voir les étapes.
Avec ces précautions, l’analyse par LLM est une bonne option pratique pour un dirigeant non statisticien.
Partie 11 — Prompt ChatGPT
Le prompt suivant est conçu pour exploiter pleinement les capacités d’analyse de données et de Code Interpreter de ChatGPT. À copier-coller dans une conversation où le fichier CSV est joint.
Tu es un économètre senior spécialisé en marketing mix modeling et mesure d'incrémentalité publicitaire. Tu as une expertise approfondie en analyse de séries temporelles, régression et inférence causale.
Je te fournis un fichier CSV avec les colonnes : Date, Spend (Google Ads), Revenue (CA back-office), Margin (marge brute). Granularité : [hebdomadaire / quotidienne — à préciser].
Contexte business :
- Activité : [décrire en 2 lignes]
- Marge brute moyenne : [%]
- Cycle de décision client : [immédiat / quelques jours / quelques semaines]
- Saisonnalité connue : [mois forts, mois faibles]
- Événements à signaler dans l'historique : [ruptures, lancements, COVID, etc.]
Ta mission :
1. **Nettoyage et vérification des données**
- Vérifie la complétude et la cohérence du fichier.
- Identifie les valeurs manquantes et les outliers (méthode : IQR ou z-score).
- Indique ce que tu as nettoyé et pourquoi.
2. **Analyse exploratoire**
- Calcule les statistiques descriptives (moyenne, médiane, min, max, écart-type, coefficient de variation) pour Spend, Revenue, Margin.
- Trace deux graphiques : (a) séries temporelles superposées Spend / Revenue, (b) scatter plot Spend × Revenue avec droite de régression.
- Identifie visuellement les patterns notables.
3. **Corrélations**
- Calcule la corrélation de Pearson entre Spend et Revenue, et entre Spend et Margin.
- Calcule la corrélation de Spearman pour confirmer la robustesse.
- Commente la force et la direction.
4. **Régressions linéaires**
- Régression 1 : Revenue = a + b × Spend. Donne pente, constante, R², R² ajusté, IC 95 % de la pente, p-value.
- Régression 2 : Margin = a' + b' × Spend. Mêmes statistiques.
- Compare les deux pentes et explique l'implication.
5. **Régression logarithmique**
- Modèle log-log : ln(Revenue) = a + b × ln(Spend).
- Donne l'élasticité (b), son IC, le R² du modèle.
- Compare le R² du modèle log-log au R² du modèle linéaire pour évaluer la saturation.
6. **Détection des effets retardés**
- Teste des lags de 0, 1, 2 et 4 semaines sur Spend.
- Indique le lag qui maximise la corrélation et discute s'il est plausible.
7. **Estimation de l'incrémentalité**
- À partir du modèle le plus robuste, estime le CA marginal pour 1 € de dépense supplémentaire.
- Estime la marge marginale (CA marginal × taux de marge).
- Discute si cette estimation indique que le canal est rentable à la marge.
8. **Détection des anomalies**
- Identifie les périodes où le CA observé diverge fortement du CA prédit par le modèle.
- Propose 3 hypothèses pour chaque anomalie majeure.
9. **Critique méthodologique**
- Liste explicitement les hypothèses du modèle.
- Identifie les variables omises potentiellement importantes.
- Évalue le risque de causalité inverse (le CA cause-t-il la dépense plutôt que l'inverse ?).
- Indique dans quelles conditions tes conclusions seraient invalides.
10. **Recommandations finales**
- Donne 3 recommandations actionnables, classées par priorité.
- Pour chaque, indique le niveau de confiance (faible / moyen / fort).
- Propose un test causal de validation (test géo, conversion lift) si pertinent.
**Règles strictes :**
- Distingue toujours corrélation et causalité.
- Formule toutes les conclusions sous forme conditionnelle ("sous hypothèse que...").
- Ne survends aucune conclusion.
- Si une étape n'est pas exécutable sur les données fournies, dis-le explicitement.
- Si tu fais des calculs, montre les étapes principales.
- Format de sortie : sections numérotées correspondant aux 10 points ci-dessus, en français.
Partie 12 — Prompt Claude
Optimisé pour Claude : insister sur le raisonnement explicite et la rigueur méthodologique. Claude répond particulièrement bien aux instructions structurées et aux demandes de raisonnement step-by-step.
Tu es un économètre senior spécialisé en marketing mix modeling et mesure causale en marketing. Tu vas analyser un jeu de données temporelles pour estimer l'incrémentalité d'investissements Google Ads.
Avant de répondre, prends le temps de structurer ta pensée :
1. Quelles questions méthodologiques pose ce jeu de données ?
2. Quelles hypothèses devras-tu poser, et lesquelles sont les plus fragiles ?
3. Quels résultats seraient suspects et appelleraient une vérification ?
Le fichier CSV joint contient : Date, Spend, Revenue, Margin. Granularité : [hebdomadaire / quotidienne].
Contexte business :
- Activité : [décrire]
- Marge brute moyenne : [%]
- Cycle de décision client : [immédiat / quelques jours / quelques semaines]
- Saisonnalité : [décrire]
- Événements particuliers dans l'historique : [décrire]
Ta mission, à conduire en 10 étapes explicites :
ÉTAPE 1 — Audit de qualité des données
- Complétude, cohérence, distribution.
- Outliers : identification (z-score > 3 ou IQR × 1,5) et discussion au cas par cas.
- Tendances et ruptures de tendance.
ÉTAPE 2 — Statistiques descriptives et visualisations
- Stats descriptives complètes (moyenne, médiane, min, max, IQR, écart-type, coef. de variation).
- Graphique 1 : séries temporelles superposées Spend (axe gauche) et Revenue (axe droit).
- Graphique 2 : scatter plot Spend × Revenue avec régression linéaire et IC.
- Commentaires visuels.
ÉTAPE 3 — Tests de corrélation
- Pearson et Spearman entre Spend et Revenue, et entre Spend et Margin.
- p-values.
- Interprétation prudente : qu'est-ce qu'une corrélation forte signifie ici, et qu'est-ce qu'elle ne signifie pas ?
ÉTAPE 4 — Régression linéaire simple
- Modèle 1 : Revenue = a + b × Spend
- Modèle 2 : Margin = a' + b' × Spend
- Pour chacun : coefficients, IC 95 %, p-values, R², R² ajusté, statistique F, diagnostic des résidus.
- Identifier si les résidus présentent un pattern (saisonnalité non capturée).
ÉTAPE 5 — Régression logarithmique
- Modèle log-log : ln(Revenue) = a + b × ln(Spend), avec b = élasticité.
- Comparer R² log vs R² linéaire.
- Discuter ce que cela révèle sur la saturation média.
ÉTAPE 6 — Effets retardés (lag analysis)
- Tester lags 0, 1, 2, 4 semaines.
- Présenter la corrélation à chaque lag.
- Choisir le lag le plus défendable business + statistiquement.
ÉTAPE 7 — Régression avec contrôles (si données disponibles)
- Inclure variables de saisonnalité (mois, trimestre, ou dummies hebdomadaires).
- Inclure variables de promotion, ruptures, événements si fournies.
- Comparer la pente sur Spend dans le modèle avec contrôles vs le modèle simple.
- L'écart entre les deux mesure l'importance des confondants.
ÉTAPE 8 — Estimation d'incrémentalité
- À partir du modèle le plus robuste, estimer le CA marginal et la marge marginale par € de dépense.
- Donner une fourchette honnête (IC 95 %).
- Rapporter cela à la marge brute moyenne pour conclure sur la rentabilité à la marge.
ÉTAPE 9 — Critique méthodologique systématique
- Lister explicitement chaque hypothèse du modèle final.
- Évaluer la robustesse en retirant 5 % des observations les plus extrêmes.
- Tester la causalité inverse via un test de Granger informel ou un raisonnement business.
- Identifier les variables omises majeures.
- Conclure : sous quelles conditions tes résultats seraient invalides ?
ÉTAPE 10 — Recommandations et test causal
- 3 recommandations actionnables, hiérarchisées.
- Pour chaque, niveau de confiance (faible / moyen / fort) et conditions.
- Proposer un protocole de test causal (test géo simplifié ou Conversion Lift) qui validerait ou infirmerait les conclusions.
Règles de communication :
- Distinguer rigoureusement corrélation / causalité / incrémentalité dans chaque interprétation.
- Toute conclusion quantifiée est conditionnelle : "Sous hypothèse que X, l'effet estimé est Y avec IC Z".
- Ne jamais affirmer "Google Ads génère X €" sans préciser le périmètre et les hypothèses.
- Si une étape ne peut être faite avec les données disponibles, le dire et expliquer pourquoi.
- Sortie en français, structurée par étape.
Partie 13 — Prompt Gemini
Gemini fonctionne bien sur des prompts précis et factuels, avec une orientation vers Google Sheets et le Google Workspace. Le prompt suivant exploite cette spécificité.
Tu es un consultant senior en marketing analytics avec expertise en mesure d'incrémentalité publicitaire et en analyse de données temporelles.
Je te fournis un fichier CSV (ou un Google Sheet) avec les colonnes : Date, Spend, Revenue, Margin. Granularité : [hebdomadaire / quotidienne — à préciser].
Contexte business :
- Activité : [B2C / B2B / SaaS / e-commerce / leadgen]
- Marge brute moyenne : [%]
- Cycle de décision client : [court / moyen / long]
- Saisonnalité majeure : [mois forts / mois faibles]
- Événements particuliers : [ruptures, lancements, etc.]
Ta mission est d'analyser ces données pour estimer l'effet incrémental de la dépense Google Ads sur le CA et la marge.
Procède dans cet ordre :
A. Préparation et exploration
- Vérifie la qualité du fichier (complétude, cohérence, outliers).
- Calcule les statistiques descriptives.
- Produis 2 graphiques essentiels : séries temporelles superposées et scatter plot avec régression.
B. Analyse statistique
- Corrélation de Pearson entre Spend et Revenue, et entre Spend et Margin.
- Régression linéaire Revenue = f(Spend) avec tous les paramètres standards (pente, constante, R², IC, p-value).
- Régression linéaire Margin = f(Spend), idem.
- Régression logarithmique pour estimer l'élasticité.
C. Test de lag
- Vérifier si un décalage temporel de 1 à 4 semaines améliore la corrélation.
D. Régression avec contrôles
- Si des données de saisonnalité, promotion ou autres canaux sont disponibles, conduis une régression multiple.
- Compare la pente sur Spend avec et sans contrôles.
E. Estimation d'incrémentalité
- À partir du modèle le plus robuste, estime :
- CA marginal par € de dépense (avec IC)
- Marge marginale par € de dépense (avec IC)
- Comparaison avec le ROAS plateforme (s'il est fourni)
F. Critique
- Liste les hypothèses faites.
- Identifie les biais potentiels (saisonnalité non capturée, causalité inverse, variables omises).
- Évalue la robustesse en retirant les 2 valeurs extrêmes.
G. Recommandations
- 3 recommandations hiérarchisées, avec niveau de confiance.
- Proposition d'un test causal (test géo) pour validation.
Règles de présentation :
- Réponse en français.
- Distinguer corrélation et causalité dans toutes les interprétations.
- Formuler les conclusions conditionnellement ("sous hypothèse que...").
- Indiquer explicitement les limites.
- Si la sortie graphique n'est pas possible directement, décrire ce que le graphique montrerait et fournir les coordonnées clés.
Si tu identifies des données suspectes (CA = 0, Spend négatif, valeurs aberrantes), signale-les avant de poursuivre.
Note sur l’usage des trois LLMs
Quand utiliser ChatGPT. Si tu disposes de Code Interpreter (ChatGPT Plus avec Advanced Data Analysis activé), c’est l’option avec la meilleure exécution numérique réelle. Les calculs sont véritablement effectués, les graphiques produits.
Quand utiliser Claude. Pour la rigueur du raisonnement, l’honnêteté méthodologique et la qualité de la critique des résultats. Claude excelle particulièrement à identifier les biais et à formuler les limites.
Quand utiliser Gemini. Si les données sont dans Google Sheets et qu’on veut une intégration directe Workspace. Gemini est aussi performant pour synthétiser dans le langage business.
Règle générale. Sur un sujet d’inférence causale, croiser deux LLMs apporte une couche de robustesse. Si les conclusions divergent significativement, c’est un signal que les données ne supportent pas une conclusion stable.
Partie 14 — Exemple complet de A à Z
Cet exemple est plus réaliste que la Partie 5 : 26 semaines (6 mois), avec bruit, saisonnalité, et une période promotionnelle.
14.1 Les données brutes
Annonceur e-commerce B2C, mode et accessoires. Marge brute moyenne 35 %.
| Semaine | Date | Spend (€) | Revenue (€) | Margin (€) | Notes |
|---|---|---|---|---|---|
| S1 | 2025-01-06 | 12 500 | 145 200 | 50 820 | |
| S2 | 2025-01-13 | 11 800 | 138 700 | 48 545 | |
| S3 | 2025-01-20 | 13 200 | 152 300 | 53 305 | |
| S4 | 2025-01-27 | 14 800 | 168 900 | 59 115 | Soldes |
| S5 | 2025-02-03 | 16 500 | 195 200 | 58 560 | Soldes |
| S6 | 2025-02-10 | 13 100 | 148 200 | 51 870 | |
| S7 | 2025-02-17 | 11 200 | 132 800 | 46 480 | |
| S8 | 2025-02-24 | 10 800 | 128 500 | 44 975 | |
| S9 | 2025-03-03 | 12 900 | 149 800 | 52 430 | |
| S10 | 2025-03-10 | 13 500 | 156 200 | 54 670 | |
| S11 | 2025-03-17 | 15 200 | 178 500 | 62 475 | |
| S12 | 2025-03-24 | 14 800 | 172 100 | 60 235 | |
| S13 | 2025-03-31 | 13 800 | 161 400 | 56 490 | |
| S14 | 2025-04-07 | 12 700 | 148 900 | 52 115 | |
| S15 | 2025-04-14 | 11 900 | 139 200 | 48 720 | |
| S16 | 2025-04-21 | 10 500 | 127 300 | 44 555 | Vacances |
| S17 | 2025-04-28 | 9 800 | 118 500 | 41 475 | Vacances |
| S18 | 2025-05-05 | 11 200 | 135 700 | 47 495 | |
| S19 | 2025-05-12 | 12 800 | 148 200 | 51 870 | |
| S20 | 2025-05-19 | 13 500 | 155 800 | 54 530 | |
| S21 | 2025-05-26 | 14 200 | 163 500 | 57 225 | |
| S22 | 2025-06-02 | 15 100 | 172 800 | 60 480 | |
| S23 | 2025-06-09 | 14 700 | 168 200 | 58 870 | |
| S24 | 2025-06-16 | 13 200 | 152 500 | 53 375 | |
| S25 | 2025-06-23 | 12 500 | 145 600 | 50 960 | |
| S26 | 2025-06-30 | 11 800 | 138 900 | 48 615 |
14.2 Nettoyage et premières observations
Complétude. 26 lignes, aucune cellule vide. OK.
Outliers évidents.
- S5 (semaine de soldes) : Revenue = 195 200 €, anormalement élevé par rapport à la pente moyenne.
- S17 (vacances scolaires) : Revenue = 118 500 €, le plus bas.
Décision : on conserve toutes les observations mais on créera une variable de contrôle « Soldes » pour les semaines S4 et S5.
Cohérence.
- Spend min 9 800 € (S17), max 16 500 € (S5). Coefficient de variation 0,13 → variation modérée.
- Marge / Revenue = 35 % en moyenne, sauf S5 où marge = 30 % (Soldes érodent la marge).
14.3 Statistiques descriptives
| Statistique | Spend | Revenue | Margin |
|---|---|---|---|
| Moyenne | 12 996 | 151 768 | 53 100 |
| Médiane | 12 950 | 150 800 | 52 765 |
| Min | 9 800 | 118 500 | 41 475 |
| Max | 16 500 | 195 200 | 62 475 |
| Écart-type | 1 661 | 18 192 | 5 460 |
| Coef. variation | 0,128 | 0,120 | 0,103 |
14.4 Corrélations
| Spend × Revenue | Spend × Margin | |
|---|---|---|
| Pearson | 0,938 | 0,853 |
| Spearman | 0,925 | 0,886 |
La corrélation est très forte avec le CA et un peu plus faible avec la marge (cohérent avec le fait que les soldes érodent la marge unitaire — S5 a un fort CA mais une marge dégradée).
14.5 Régression linéaire — modèle naïf
Modèle 1 : Revenue = a + b × Spend
- Pente b = 10,28 (IC 95 % : [9,07 ; 11,49])
- Constante a = 18 215
- R² = 0,880
- p-value < 0,001
Modèle 2 : Margin = a’ + b’ × Spend
- Pente b’ = 2,80 (IC 95 % : [2,18 ; 3,42])
- Constante a’ = 16 763
- R² = 0,728
- p-value < 0,001
Lecture brute (et fausse, comme on va le voir). « Chaque € investi en Google Ads est associé à 10,28 € de CA et 2,80 € de marge brute. »
Cette lecture est trop belle pour être vraie. Elle ignore :
- la confondance avec les soldes,
- la saisonnalité de mars-mai,
- l’absence de variation exogène.
14.6 Régression avec contrôles
On ajoute deux variables :
- Soldes : 1 pour S4, S5 ; 0 sinon
- Vacances : 1 pour S16, S17 ; 0 sinon
Modèle 3 : Revenue = a + b × Spend + c × Soldes + d × Vacances
- Pente sur Spend = 6,82 (IC 95 % : [5,01 ; 8,63])
- Coefficient Soldes = +18 400 (les soldes ajoutent 18 400 € de CA par semaine, indépendamment de la dépense)
- Coefficient Vacances = -7 200 (les vacances retirent 7 200 € de CA par semaine)
- R² = 0,946
La pente sur Spend a chuté de 10,28 à 6,82 après contrôle des soldes et vacances.
C’est l’enseignement clé. Une partie de la corrélation apparente entre dépense et CA s’expliquait par la confondance : les soldes faisaient à la fois monter la dépense (augmentation budgétaire pendant la période) ET le CA (effet promotionnel). Le modèle naïf attribuait l’ensemble de l’effet à la dépense.
Modèle 4 : Margin = a’ + b’ × Spend + c’ × Soldes + d’ × Vacances
- Pente sur Spend = 2,02 (IC 95 % : [1,42 ; 2,62])
- Coefficient Soldes = +2 300 (effet marge faible — la promotion érode la marge unitaire)
- Coefficient Vacances = -2 400
- R² = 0,891
14.7 Régression logarithmique
Modèle 5 : ln(Revenue) = a + b × ln(Spend)
- Élasticité b = 0,72 (IC 95 % : [0,58 ; 0,86])
- R² = 0,891
Interprétation : une augmentation de 10 % de la dépense est associée à 7,2 % d’augmentation du CA. La relation est sublinéaire — l’élasticité est inférieure à 1, ce qui confirme une saturation modérée.
Le R² log (0,891) est légèrement inférieur au R² linéaire avec contrôles (0,946). Dans ce cas, le modèle linéaire avec contrôles fait mieux. L’interprétation : sur la plage de dépense observée (9 800 € à 16 500 €), la relation reste approximativement linéaire ; la saturation jouerait probablement à des budgets significativement plus élevés.
14.8 Interprétation finale honnête
Estimation préférée : modèle 3 (linéaire avec contrôles).
Chaque euro supplémentaire de dépense Google Ads est associé en moyenne à 6,82 € de CA (IC 95 % : 5,01 à 8,63 €). Avec une marge brute moyenne de 35 % sur la marge ajustée, et le modèle 4 confirmant directement une pente de 2,02 € de marge par € investi (IC 95 % : 1,42 à 2,62 €), chaque euro investi génère entre 1,42 € et 2,62 € de marge brute.
Cette estimation est corrélationnelle, contrôlée pour les effets promotionnels et de vacances scolaires. Elle ne contrôle pas pour : effets brand longs, autres canaux media, météo, événements de marché. Elle suppose que la causalité va bien de la dépense vers le CA, ce qui est plausible mais non prouvé.
Sous ces hypothèses, le canal est rentable à la marge.
Pour confirmation causale, un test géo simplifié sur 6 semaines est recommandé dans le trimestre.
14.9 Présentation au dirigeant : énoncé exact
Voici exactement ce qu’un consultant peut dire à un dirigeant à partir de cette analyse :
« Sur les 26 dernières semaines, j’ai analysé la relation entre votre dépense Google Ads et votre CA total. Trois enseignements.
Premier point : il existe une corrélation très forte. Quand la dépense monte, le CA monte. Cette corrélation est de 0,94.
Deuxième point : si on prend cette corrélation au pied de la lettre, on dirait que chaque euro investi génère environ 10 € de CA. Mais c’est une lecture naïve. Une partie de cette corrélation vient du fait que vos périodes de soldes étaient à la fois des périodes de fort budget et des périodes de fort CA. Quand on contrôle pour les soldes et les vacances, la pente tombe à 6,80 € de CA par euro investi, et 2 € de marge par euro investi.
Troisième point : c’est une estimation corrélationnelle, pas causale. Si on veut une mesure rigoureuse, il faut un test géographique sur 6 semaines, qui coûtera entre 15 et 30 k€ de manque à gagner. Mais en attendant ce test, l’ordre de grandeur est solide : sous hypothèses, votre canal Google Ads est rentable à la marge, avec un coussin de sécurité d’environ 1 € de marge par euro investi.
Recommandation : tester la sensibilité à un +20 % de budget sur les 3 prochains mois, en mesurant si la marge marginale tient. Si oui, scaler. Si la marge marginale tombe sous 1 €, arrêter le scale. »
C’est un énoncé honnête, conditionnel, business-orienté, et qui appelle une décision.
14.10 Ce que cet exemple montre
Trois choses :
- L’analyse naïve sur-estime systématiquement l’effet de la dépense. Sans contrôle de saisonnalité et de promotions, le ROAS marginal apparent est 50 % au-dessus de la valeur après contrôle.
- La régression sur la marge est plus informative que la régression sur le CA. Elle révèle la réalité économique du canal (sans elle, on pouvait croire que la pente CA = 10 signait un canal exceptionnel).
- La méthode reste une estimation, jamais une preuve. L’IC 95 % couvre une fourchette du simple au double (1,42 à 2,62 € de marge par euro investi). Cette fourchette doit conduire à un test causal, pas à une décision définitive.
Partie 15 — Comment présenter cela à un dirigeant
Trois formats. Tous suivent la même règle : pédagogique, crédible, simple, scientifiquement honnête. Jamais survendu.
15.1 Version ultra synthétique — 30 secondes
« En analysant la corrélation entre nos dépenses Google Ads et notre CA total sur 6 mois, nous estimons que chaque euro investi est associé à environ 6 à 7 euros de CA, soit 2 à 2,50 euros de marge brute. Le canal semble rentable à la marge.
Mais ce n’est qu’une corrélation. Pour confirmer causalement, je recommande un test géographique sur 6 semaines, dans le trimestre. Sans ce test, on pilote à l’estimation, pas à la mesure. »
15.2 Version moyenne — 3 minutes
« On va parler de l’incrémentalité réelle de Google Ads — c’est-à-dire ce que le canal crée vraiment, indépendamment de ce qu’il s’attribue.
Aujourd’hui, on pilote au ROAS plateforme. ROAS de 5 : pour chaque euro investi, Google Ads dit générer 5 euros de CA. Ce chiffre n’est pas faux, mais il n’est pas non plus une mesure de causalité. Google Ads compte comme converti tout ce qui passe par lui, y compris ce qui aurait converti sans lui.
Pour faire mieux, on a regardé la corrélation entre nos dépenses Google Ads et notre CA total — toutes sources confondues — sur les 26 dernières semaines. La corrélation est très forte : 0,94.
Une régression naïve dirait que chaque euro investi est associé à 10 euros de CA. C’est trop. Une partie de cette corrélation s’explique par le fait que nos périodes de soldes étaient à la fois des périodes de fort budget et des périodes de fort CA — les deux montaient ensemble. C’est de la confondance, pas de la causalité.
Quand on contrôle les soldes et les vacances scolaires, la pente tombe à 6,80 euros de CA par euro investi, soit environ 2 euros de marge brute par euro. L’intervalle de confiance va de 1,40 à 2,60 euros de marge. Au pire, on gagne 0,40 euro de marge par euro investi. Au mieux, 1,60 euro. La fourchette est large.
Trois choses à retenir :
Un — Le ROAS plateforme sur-estime l’effet réel. Probablement de 40 à 50 %. Deux — Le canal semble rentable à la marge, mais avec une fourchette large. Trois — Cette analyse n’est pas causale. C’est une estimation, pas une preuve. Pour confirmer, il faut un test géographique : on coupe Google Ads sur une zone pendant 6 semaines, on compare au reste de la France. C’est la seule méthode rigoureuse.
Coût du test : 15 à 30 k€ de manque à gagner sur la zone test, sur 6 semaines. Bénéfice : une décision robuste sur 12 à 24 mois.
Ma recommandation : on lance le test au prochain trimestre. En attendant, on tient le budget actuel — l’estimation indique qu’on est rentable mais sans grande marge de manœuvre. »
15.3 Version longue — 5 minutes
« Je voudrais qu’on parle d’un sujet souvent évité : qu’est-ce que Google Ads crée vraiment pour notre business ?
Le ROAS qu’on regarde tous les mois — 5 dans notre cas — est une mesure de corrélation, pas de causalité. Il compte comme converti tout ce qui passe par Google Ads. Mais une partie de ce qui passe par Google Ads aurait converti sans Google Ads. Ce n’est pas une opinion, c’est une propriété mathématique du modèle d’attribution.
La question est donc : combien de notre CA est réellement causé par Google Ads, et combien se serait produit de toute façon ?
Sans test causal, on ne peut pas répondre rigoureusement. Mais on peut s’en approcher avec une méthode d’inférence sur séries temporelles. C’est ce qu’on a fait sur les 26 dernières semaines, avec trois données : la dépense Google Ads par semaine, le CA back-office total par semaine, et la marge brute par semaine.
Premier constat. La corrélation entre dépense Google Ads et CA total est très forte : 0,94. Visuellement, quand la dépense monte, le CA monte. Quand la dépense baisse, le CA baisse. Le signal est clair.
Deuxième constat. Une régression simple, sans contrôle, donne une pente de 10 euros de CA par euro de dépense. Ce chiffre est plus élevé que notre ROAS plateforme, et c’est suspect. Quand un modèle dit que la pub est plus efficace qu’elle n’apparaît, il y a presque toujours un biais.
Troisième constat. Quand on contrôle pour les périodes de soldes et les vacances scolaires — deux variables externes qui ont à la fois influencé nos décisions budgétaires et notre CA — la pente tombe à 6,80 euros de CA par euro investi. La pente sur la marge brute, elle, est à 2 euros par euro investi, avec un intervalle de confiance entre 1,40 et 2,60.
Cette différence — passer de 10 à 6,80 par simple contrôle — c’est la mesure du biais structurel d’une analyse sans contrôles. Et c’est la même erreur que fait le ROAS plateforme dans le sens inverse : il attribue à Google Ads des conversions qui auraient eu lieu de toute façon.
Donc trois lectures coexistent : — Lecture plateforme (ROAS 5) : flatteuse, structurellement biaisée à la hausse. — Lecture naïve par régression (10 € de CA par €) : encore plus flatteuse, biaisée par les confondants. — Lecture par régression avec contrôles (6,80 € de CA, 2 € de marge) : meilleure estimation disponible, mais toujours corrélationnelle.
La vraie mesure causale exigerait un test géographique. Concrètement : on coupe Google Ads sur une zone — par exemple le Sud-Est — pendant 6 semaines, en maintenant tout le reste à l’identique sur la zone contrôle. On compare le CA total des deux zones. Le delta, ajusté de la saisonnalité, est l’effet causal.
Le coût de ce test, c’est le manque à gagner sur la zone coupée. Pour nous, on l’estime à 15-30 k€ sur 6 semaines. Le bénéfice : on remplace une estimation à fourchette large par une mesure à fourchette étroite, sur 12 à 24 mois.
Quatre décisions à prendre maintenant.
Décision 1 — Reconnaître que le ROAS plateforme sur-estime l’effet réel de 40 à 50 %. Cela ne veut pas dire qu’il ne sert à rien — il sert au pilotage opérationnel — mais cela veut dire qu’il ne sert pas à arbitrer un investissement.
Décision 2 — Lancer le test géo au prochain trimestre, idéalement avant les soldes pour éviter de tester en période atypique.
Décision 3 — En attendant le test, tenir le budget actuel. L’estimation est cohérente avec un canal rentable à la marge, mais sans marge de manœuvre pour scaler sans risque.
Décision 4 — Mettre en place un suivi mensuel de la corrélation dépense / CA / marge. Sans coût additionnel, cela créera notre baseline pour comparer après le test.
Tout cela peut paraître technique. La vérité, c’est qu’on est passés d’un canal sans mesure de causalité à une estimation rigoureuse de l’incrémentalité. Et cette estimation, même imparfaite, est mille fois plus utile pour décider que le ROAS plateforme seul. »
15.4 Règles à respecter dans toutes les versions
Ce qu’on doit faire.
- Distinguer toujours corrélation, causalité, incrémentalité.
- Présenter des fourchettes, jamais des chiffres précis sans IC.
- Reconnaître les limites avant de proposer des décisions.
- Proposer un test causal comme prochaine étape.
- Parler en marge, pas seulement en CA.
Ce qu’il faut éviter.
- « Google Ads génère X € » — affirmation causale non démontrée.
- « Le ROAS réel est de Y » — confusion entre estimation et mesure.
- « Notre modèle prouve que… » — un modèle observationnel ne prouve pas.
- Survendre le R² — un R² élevé peut venir de la saisonnalité commune et pas de la causalité.
- Cacher les hypothèses pour faciliter la décision — c’est le plus dangereux.
15.5 Le ton à adopter
Pour la version 30 secondes : ton précis, presque clinique. Pas de digression. Le dirigeant doit pouvoir l’utiliser tel quel en comité.
Pour la version 3 minutes : ton de stratège qui explique sans condescendance. Reconnaître ce qu’on ne sait pas est un signal de crédibilité.
Pour la version 5 minutes : ton de consultant senior qui démonte une métrique commune pour reconstruire une lecture saine. Le dirigeant doit ressortir avec une compréhension transformée, pas avec un chiffre de plus.
Dans les trois cas, l’objectif n’est pas d’impressionner par la sophistication. L’objectif est de transférer la honnêteté méthodologique au pilotage de l’entreprise.
Partie 16 — Questions difficiles d’un client
Vingt-trois questions classiques. Pour chaque : la réponse honnête, le niveau de certitude, et les limites de la réponse.
Q1 — Comment savez-vous que ce n’est pas la saisonnalité qui explique tout ?
Réponse. Si on n’ajoute aucun contrôle de saisonnalité dans la régression, on ne sait pas. C’est précisément pour cette raison qu’il faut systématiquement inclure des contrôles saisonniers (mois, semaine de l’année, jours fériés). Quand on les ajoute, la pente sur la dépense baisse souvent significativement — c’est la mesure de la confondance. Si la pente reste stable après contrôle, la confondance par saisonnalité est faible. Si elle s’effondre, l’effet apparent était principalement saisonnier.
Niveau de certitude. Élevé — la mécanique est bien connue.
Limite. Le contrôle de saisonnalité par mois ne capte pas la saisonnalité fine intra-mois ni les événements ponctuels.
Q2 — Comment savez-vous que Google ne s’attribue pas des ventes naturelles ?
Réponse. Précisément, Google s’attribue une partie de ces ventes — c’est la nature du modèle d’attribution. C’est même la raison d’être de cette méthode : on regarde le CA total back-office, pas le CA attribué Google Ads. La régression mesure la réaction du CA total, qui inclut le CA « naturel » — celui qui se serait produit sans la pub. Si la pente de régression est inférieure au ROAS plateforme, c’est cohérent avec l’idée que Google sur-attribue. C’est même l’enseignement principal.
Niveau de certitude. Élevé sur le mécanisme. Modéré sur l’écart précis.
Limite. La méthode mesure l’effet net, sans pouvoir détailler quelles ventes étaient naturelles.
Q3 — Pourquoi ne pas utiliser simplement le ROAS ?
Réponse. Le ROAS plateforme est utile pour le pilotage opérationnel quotidien — Smart Bidding apprend dessus, c’est correct. Mais il n’est pas une mesure d’incrémentalité. Il dit « Google Ads a été corrélé à X € de conversions », pas « Google Ads a créé X € de conversions ». Sur les 70 audits MTV, l’écart entre ROAS plateforme et ROAS incrémental est de 40 à 70 %. Sur un budget de 100 k€/mois, c’est 400-700 k€/an d’incertitude budgétaire.
Niveau de certitude. Très élevé — c’est la base de la doctrine MTV depuis 2022.
Limite. Aucune.
Q4 — Pourquoi ne pas faire un vrai test d’incrémentalité ?
Réponse. Il faut. Un test causal (test géo, Conversion Lift) est la seule mesure rigoureuse. Cette méthode-ci est une étape intermédiaire : elle permet d’estimer l’ordre de grandeur sans engager le coût d’un test, et de préparer un test ciblé. Sur un compte >50 k€/mois, le test géo doit être fait au moins une fois par an. Cette méthode ne le remplace pas.
Niveau de certitude. Très élevé.
Limite. Aucune.
Q5 — Pourquoi votre estimation a une fourchette aussi large ?
Réponse. Parce qu’on dispose de peu de données (typiquement 26 à 104 observations), parce qu’on n’a pas de variation exogène (le budget a varié, mais piloté par l’entreprise, pas par hasard), et parce que de nombreux confondants ne sont pas mesurés. Une fourchette large est une marque d’honnêteté méthodologique, pas une faiblesse. Une fourchette étroite à partir des mêmes données serait suspecte.
Niveau de certitude. Élevé.
Limite. L’IC peut être plus étroit si on dispose de plus d’observations et de meilleurs contrôles.
Q6 — Pourquoi votre modèle indique une pente plus élevée que mon ROAS plateforme ?
Réponse. Trois explications possibles. Premièrement, la régression sur le CA total ne distingue pas les conversions Google Ads des conversions des autres canaux — si Meta convertit aussi en parallèle et que vos décisions budgétaires bougent ensemble, l’effet est mutualisé. Deuxièmement, la confondance par saisonnalité ou promotion n’est pas correctement contrôlée — c’est la cause la plus fréquente. Troisièmement, la causalité inverse joue : votre entreprise a augmenté le budget Google Ads parce que les ventes montaient, et la régression confond les deux directions. Il faut diagnostiquer la cause exacte avant de conclure.
Niveau de certitude. Élevé sur le diagnostic.
Limite. L’identification précise de la cause demande une analyse spécifique.
Q7 — Pourquoi votre modèle indique une pente plus faible que mon ROAS plateforme ?
Réponse. C’est typiquement le cas où votre ROAS plateforme sur-attribue (la situation la plus fréquente). La régression sur le CA total mesure la réaction du business, qui inclut le CA naturel. Si la régression indique 2,5 € de CA par € investi quand le ROAS plateforme dit 5, l’incrémentalité réelle est probablement plus proche de 2,5. Cela ne veut pas dire que le ROAS plateforme est faux — il mesure correctement la corrélation entre clic et conversion. Mais il ne mesure pas la causalité.
Niveau de certitude. Élevé.
Limite. Aucune.
Q8 — Et si la dépense Google Ads n’a quasiment pas varié ?
Réponse. Alors la méthode ne fonctionne pas. Sans variation, pas d’information. C’est précisément pourquoi les annonceurs qui maintiennent un budget constant pendant 18 mois sont les plus mal positionnés pour mesurer leur incrémentalité — ils n’ont aucune variance exploitable. Dans ce cas, il faut soit créer la variance (test géo, période de coupure volontaire), soit attendre une variation naturelle.
Niveau de certitude. Très élevé — c’est une condition mathématique.
Limite. Aucune.
Q9 — Combien de données me faut-il pour que ce soit fiable ?
Réponse. Minimum 26 observations (6 mois en hebdomadaire), recommandé 52 (1 an), idéal 104 (2 ans). En dessous de 26 observations, la régression est instable. Au-dessus de 104, les rendements décroissent — plus d’historique ne donne pas beaucoup plus d’information sur la situation actuelle. La granularité hebdomadaire est généralement préférable à la quotidienne (moins bruitée) et au mensuel (plus de points).
Niveau de certitude. Élevé — c’est une heuristique statistique standard.
Limite. Plus la variation des données est large, moins d’observations sont nécessaires.
Q10 — Et si j’ai changé d’agence ou de stratégie en cours d’historique ?
Réponse. C’est une rupture structurelle. La régression sur l’historique total peut produire des résultats faux car le « comportement » du compte change. Deux options : soit segmenter l’analyse en « avant rupture » et « après rupture », soit ajouter une variable binaire indiquant le régime. Si la rupture est récente (moins de 13 semaines), il vaut mieux attendre d’avoir suffisamment d’observations dans le nouveau régime avant de tirer des conclusions.
Niveau de certitude. Élevé.
Limite. La segmentation réduit le nombre d’observations dans chaque régime — il peut devenir insuffisant.
Q11 — Et si je fais beaucoup de TV ou de presse en parallèle ?
Réponse. La méthode telle qu’elle est ici ne distingue pas l’effet de Google Ads de l’effet de la TV. Si TV et Google Ads varient ensemble (mêmes périodes de poussée), il y a confondance — la pente attribuera l’effet à celui qu’on inclut dans la régression. Pour mieux faire, il faut ajouter la dépense TV (et autres canaux) comme variable explicative additionnelle. Le coefficient sur Google Ads dans ce modèle multi-canal est plus interprétable comme « effet propre ». À l’extrême, on est en train de construire un mini-MMM — ce qui est légitime.
Niveau de certitude. Élevé.
Limite. La multicollinéarité entre canaux limite l’identification — si TV et Google Ads bougent toujours ensemble, on ne peut pas les séparer statistiquement, quelle que soit la méthode.
Q12 — Et la causalité inverse ? Si je dépense plus parce que les ventes montent ?
Réponse. C’est le risque le plus sérieux et le plus sous-estimé. Si vos décisions budgétaires suivent vos ventes (vous augmentez la dépense quand les ventes montent), la corrélation observée est partiellement inversée. Pour le détecter, deux pistes. Premièrement, regarder la temporalité : est-ce que les augmentations de dépense précèdent les augmentations de CA, ou les suivent ? Si la dépense suit le CA, la causalité est en partie inverse. Deuxièmement, isoler les périodes de variation exogène (coupure imposée, doublement pour un test, changement réglementaire) — ces périodes donnent un signal plus propre. Une formulation simple : si la décision budgétaire est centralisée et réagit aux résultats, la causalité inverse domine ; si la décision est mécaniquement liée à un budget annuel fixe, elle est faible.
Niveau de certitude. Élevé sur le risque, modéré sur la mesure précise.
Limite. L’identification de la causalité inverse sans test causal est difficile.
Q13 — Que faire si le R² est faible (par exemple 0,3) ?
Réponse. Cela signifie que la dépense Google Ads explique 30 % de la variance du CA. Le reste vient d’autres facteurs (autres canaux, saisonnalité, marché, marque, etc.). Trois lectures possibles. Première lecture : le canal n’est pas dominant, son effet est noyé dans le bruit — la mesure est peu informative. Deuxième lecture : il manque des contrôles importants (saisonnalité, autres canaux) — il faut les ajouter. Troisième lecture : la relation est non linéaire et un modèle linéaire la capture mal — il faut essayer le log. Si après tous ces essais le R² reste faible, c’est probablement que la dépense Google Ads n’est pas un driver majeur du business.
Niveau de certitude. Élevé.
Limite. Un R² faible n’est pas en soi disqualifiant — il faut comprendre pourquoi.
Q14 — Que faire si la p-value est non significative (>0,05) ?
Réponse. Cela signifie que la pente observée pourrait être due au hasard avec une probabilité supérieure à 5 %. Plusieurs causes possibles : peu d’observations, variation insuffisante de la dépense, bruit élevé sur le CA. La conclusion correcte est : « Avec les données disponibles, on ne peut pas conclure à un effet significativement différent de zéro. » Ce n’est pas la même chose que « il n’y a pas d’effet » — c’est « on ne peut pas le mesurer ici ». À ne pas confondre.
Niveau de certitude. Très élevé.
Limite. L’absence de significativité statistique ne prouve pas l’absence d’effet.
Q15 — Et si je veux distinguer l’effet de Search vs PMax vs Shopping ?
Réponse. Difficile avec cette méthode, parce que la variance de chaque sous-canal pris isolément est souvent faible et corrélée à celle des autres (la plateforme Google Ads a tendance à co-piloter les budgets). La méthode propre pour le faire est un Conversion Lift sous-campagne par sous-campagne, ou un MMM avec décomposition par format. Cette méthode-ci agrège l’ensemble de Google Ads.
Niveau de certitude. Élevé.
Limite. Aucune.
Q16 — Combien coûte cette analyse, et est-ce que ça vaut le coup ?
Réponse. Pour un compte qui a déjà ses données : 4 à 8 heures de travail analytique, soit l’équivalent de 800 à 1 600 € en coût analyste interne, ou 1 500 à 3 000 € si externalisé. Comparé à un MMM (30 000 à 200 000 €/an) ou à un Conversion Lift (gratuit mais nécessitant du volume), c’est une analyse à très faible coût. Le retour est principalement éducatif : elle révèle l’écart entre lecture plateforme et lecture business. Sur les comptes >50 k€/mois, cette analyse devrait être faite trimestriellement.
Niveau de certitude. Élevé sur le coût, modéré sur le ROI (qui dépend de la décision qui suit).
Limite. L’analyse vaut surtout si elle débouche sur une décision (test géo, réallocation, recalibration des seuils).
Q17 — Et la marque ? Les effets longs ?
Réponse. Cette méthode capte mal les effets brand longs. Si une campagne YouTube ou Demand Gen produit des effets sur 6 à 12 mois, la régression hebdomadaire ou mensuelle les diluera. Pour les capter, il faut un MMM avec décomposition long terme ou des études brand dédiées. Sur le périmètre Google Ads en réponse directe (Search, Shopping, PMax avec brand exclusion), la méthode tient bien. Sur le périmètre brand (YouTube, Demand Gen sur audiences froides), elle sous-estime probablement l’effet.
Niveau de certitude. Élevé.
Limite. Difficile à corriger sans MMM.
Q18 — Faut-il refaire l’analyse régulièrement ?
Réponse. Oui. La structure du business, du marché, des autres canaux change. La pente d’incrémentalité estimée à un moment T n’est pas valable à T+12. La recommandation MTV : analyse trimestrielle légère, analyse annuelle complète avec contrôles approfondis, test géo causal annuel. Ce rythme protège contre le risque de piloter sur une estimation périmée.
Niveau de certitude. Élevé.
Limite. Aucune.
Q19 — Pourquoi le coefficient sur la marge est-il plus instable que sur le CA ?
Réponse. Parce que la marge est plus volatile que le CA (elle dépend du mix produits, des coûts variables, des retours). Un même CA peut produire une marge variant de ±20 %. Cette volatilité supplémentaire élargit l’IC sur la pente marge. C’est un fait, pas un défaut. Et c’est précisément pour cette raison que piloter à la marge est plus exigeant — mais aussi plus informatif.
Niveau de certitude. Élevé.
Limite. Aucune.
Q20 — Et si mes données sont en jours mais pas en semaines ?
Réponse. Les données quotidiennes sont plus bruitées (effet jour de la semaine, effets ponctuels) et moins favorables à la régression classique. La recommandation : agréger en hebdomadaire pour l’analyse principale. On peut ensuite vérifier que la conclusion tient à la maille quotidienne (avec des contrôles de jour de la semaine), mais la maille hebdomadaire est le standard. La maille mensuelle, à l’inverse, est trop grossière (12 observations par an, peu de statistique).
Niveau de certitude. Élevé.
Limite. Aucune.
Q21 — Pourquoi ajouter des variables de contrôle change tellement le résultat ?
Réponse. Parce que ces variables capturent une partie de la variance qui était auparavant injustement attribuée à la dépense Google Ads. C’est un comportement normal et désirable du modèle. L’écart entre la pente « sans contrôles » et la pente « avec contrôles » est précisément la mesure du biais structurel. Plus l’écart est grand, plus l’analyse sans contrôles était trompeuse. Une bonne pratique : toujours rapporter les deux pentes en parallèle pour faire voir le mécanisme.
Niveau de certitude. Élevé.
Limite. Aucune.
Q22 — Comment savoir si mes contrôles sont suffisants ?
Réponse. Trois tests. Premier test : ajouter progressivement les contrôles et regarder si la pente sur Spend continue à bouger. Si elle se stabilise après l’ajout des principaux contrôles (saisonnalité, promotions, autres canaux), c’est bon signe. Si elle continue à bouger fortement à chaque ajout, il manque encore des facteurs. Deuxième test : inspecter les résidus pour détecter des patterns systématiques (pic régulier le vendredi, baisse en septembre). Si un pattern subsiste, le contrôle correspondant manque. Troisième test : faire la régression sur deux sous-périodes différentes. Si la pente est stable, le modèle est robuste ; sinon, c’est qu’un facteur non capté a varié entre les périodes.
Niveau de certitude. Élevé.
Limite. Aucun test ne garantit l’absence de variables omises — c’est la limite fondamentale.
Q23 — Au final, qu’est-ce que cette méthode prouve ?
Réponse honnête.
Elle ne prouve rien causalement. Elle estime, sous hypothèses, l’ordre de grandeur de l’effet incrémental probable. Elle révèle l’écart entre la lecture plateforme et la lecture business. Elle génère une hypothèse qui doit être testée causalement.
Sa vraie valeur n’est pas dans le chiffre final, mais dans la transformation de la culture de pilotage : passer d’un ROAS plateforme aveugle à une lecture business honnête, c’est déjà une révolution silencieuse.
Niveau de certitude. Très élevé.
Limite. Aucune. C’est la conclusion la plus défendable.
Partie 17 — Checklist d’interprétation avant toute conclusion
Quinze contrôles systématiques. Avant de présenter le moindre chiffre à un dirigeant, parcourir cette liste.
□ 1 — Saisonnalité
Pourquoi c’est important. La saisonnalité commune fait monter dépense ET CA dans les mêmes périodes. Sans contrôle, on attribue à la dépense ce qui revient au calendrier.
Comment le contrôler. Ajouter des variables binaires (dummies) pour mois ou semaine de l’année. Ou un indice de saisonnalité connu. Ou analyser sur des sous-périodes hors période exceptionnelle (par exemple, retirer décembre).
□ 2 — Promotions
Pourquoi c’est important. Une promotion fait à la fois monter le CA (effet remise) et la dépense Google Ads (poussée budgétaire). La régression naïve attribue tout à la dépense.
Comment le contrôler. Variable binaire « promo » pour chaque période, ou variable continue « intensité promo » (% de remise moyen).
□ 3 — Ruptures de stock
Pourquoi c’est important. Une rupture sur un best-seller fait chuter le CA indépendamment de la dépense. Cela introduit un bruit négatif qui réduit artificiellement la pente apparente.
Comment le contrôler. Soit exclure les périodes de rupture significative, soit ajouter une variable binaire « rupture majeure ».
□ 4 — Évolution du panier moyen
Pourquoi c’est important. Si le panier moyen change (mix produits, hausse de prix), le CA évolue indépendamment du volume — donc indépendamment de la dépense média. La pente apparente est faussée.
Comment le contrôler. Vérifier la stabilité du panier moyen sur l’historique. Si variation significative, ajouter le panier moyen comme variable de contrôle, ou analyser en nombre de commandes plutôt qu’en CA.
□ 5 — Évolution du taux de conversion
Pourquoi c’est important. Si le site web s’améliore (refonte UX, accélération du checkout), le CA monte sans rapport avec la dépense. La pente est alors sur-estimée.
Comment le contrôler. Inspecter le taux de conversion historique. S’il monte tendanciellement, ajouter une variable de tendance temporelle. Si rupture, segmenter.
□ 6 — Changement de tracking
Pourquoi c’est important. Un changement de tracking (nouveau GTM, perte de cookies tiers, ajout du tracking serveur) change la mesure du CA sans changer la réalité. La régression interprète à tort cela comme un effet de la dépense.
Comment le contrôler. Documenter les dates de changement de tracking. Couper l’historique à la dernière rupture majeure, ou ajouter une variable binaire « régime tracking ».
□ 7 — Changement de stratégie média
Pourquoi c’est important. Si vous êtes passé de Search exact à PMax, ou de tCPA à tROAS, ou si vous avez introduit la brand exclusion, le compte ne se comporte plus comme avant. La pente moyenne sur l’historique total est alors un mélange peu interprétable.
Comment le contrôler. Analyser séparément avant et après changement. Si trop peu de données dans le nouveau régime, attendre.
□ 8 — Changement de stratégie d’enchères
Pourquoi c’est important. Une bascule en Smart Bidding modifie la mécanique d’allocation budgétaire. La dépense ne signifie plus la même chose.
Comment le contrôler. Comme pour le 7 : segmenter ou marquer.
□ 9 — Changement de catalogue
Pourquoi c’est important. L’ajout ou le retrait de produits, surtout best-sellers, modifie structurellement la rentabilité du compte. Une régression qui couvre les deux régimes mélange deux réalités économiques.
Comment le contrôler. Documenter les évolutions catalogue. Segmenter l’analyse si nécessaire.
□ 10 — Météo
Pourquoi c’est important. Pour certaines activités (textile, jardinage, alimentaire, tourisme), la météo est un driver dominant. Une analyse qui n’en tient pas compte attribue à la dépense ce qui revient au temps qu’il fait.
Comment le contrôler. Inclure un indice météo si l’activité est sensible. À défaut, vérifier que la pente est stable sur des saisons météorologiquement différentes.
□ 11 — Événements externes
Pourquoi c’est important. Grève, JO, élection, événement sectoriel, polémique sur la marque, crise politique — autant de facteurs ponctuels qui peuvent dominer une semaine.
Comment le contrôler. Journal des événements remarquables. Soit exclure les périodes affectées, soit ajouter des variables binaires.
□ 12 — Effet marque
Pourquoi c’est important. Une campagne TV, presse, RP, ou un lancement produit, peut faire monter la notoriété et le SEO en parallèle de Google Ads. La régression attribue mécaniquement à Google Ads ce qui revient à la marque.
Comment le contrôler. Inclure la dépense des autres canaux comme variable de contrôle. À défaut, identifier les périodes de forte activité brand et les traiter à part.
□ 13 — Effet concurrentiel
Pourquoi c’est important. L’arrivée d’un concurrent agressif (un nouvel acteur, un pure-player qui pousse fort) peut éroder votre CA indépendamment de votre dépense. Inversement, la sortie d’un concurrent peut faire monter votre CA sans rapport avec votre Google Ads.
Comment le contrôler. Tracking concurrentiel (SEMrush, SimilarWeb). Variable de contrôle « pression concurrentielle » si donnée disponible. À défaut, vigilance sur les ruptures structurelles.
□ 14 — Effet retardé
Pourquoi c’est important. Si vos campagnes produisent leur effet avec un délai (cycle B2B, immobilier, formation), un alignement strict temporel sous-estime l’effet.
Comment le contrôler. Tester des lags de 1 à 8 semaines. Choisir le lag qui maximise la corrélation, sous réserve qu’il soit business-plausible (pas de cherry picking statistique).
□ 15 — Saturation média
Pourquoi c’est important. Au-dessus d’un certain budget, l’euro marginal devient moins efficace. Un modèle linéaire ne le capte pas et extrapole droite. Sur les comptes à haut budget, cela conduit à sur-investir et à voir le ROAS marginal s’effondrer sans le voir venir.
Comment le contrôler. Modèle logarithmique. Comparaison du R² log vs R² linéaire. Si l’élasticité est inférieure à 0,5, la saturation est probablement forte.
17.16 Synthèse opérationnelle de la checklist
Voici un tableau qu’on peut imprimer et utiliser comme grille de vérification.
| Contrôle | Vérifié ? | Comment ? | Impact estimé sur la pente |
|---|---|---|---|
| Saisonnalité | ☐ | Dummies mensuelles | Souvent fort |
| Promotions | ☐ | Variable binaire/intensité | Variable selon activité |
| Ruptures de stock | ☐ | Variable binaire | Modéré |
| Panier moyen | ☐ | Variable continue | Faible à modéré |
| Taux de conversion | ☐ | Tendance temporelle | Faible à modéré |
| Changement tracking | ☐ | Segmenter ou flag | Potentiellement fort |
| Changement stratégie média | ☐ | Segmenter ou flag | Potentiellement fort |
| Changement enchères | ☐ | Segmenter ou flag | Modéré |
| Catalogue | ☐ | Segmenter ou flag | Faible à modéré |
| Météo | ☐ | Indice météo | Selon activité |
| Événements externes | ☐ | Journal + dummies | Variable |
| Effet marque | ☐ | Inclure autres canaux | Souvent fort |
| Effet concurrentiel | ☐ | Tracking externe | Difficile |
| Effet retardé | ☐ | Test de lags | Selon activité |
| Saturation média | ☐ | Modèle log | Souvent fort à haut budget |
Règle MTV. Aucun rapport d’incrémentalité n’est livrable si moins de 10 points sur 15 sont explicitement adressés (vérifiés, contrôlés, ou écartés avec justification). En dessous, le rapport est de l’opinion mathématisée, pas une analyse.
Partie 18 — Auto-critique scientifique
Rôle adopté : économètre senior spécialisé en Marketing Mix Modeling et causal inference. Mission : challenger toute la méthode présentée jusqu’ici, sans complaisance.
Cette partie n’est pas un exercice rhétorique. Elle conditionne l’usage légitime de la méthode. Un dirigeant qui lit ce document doit comprendre pourquoi ce qui précède ne suffit pas à prouver l’incrémentalité, même bien exécuté.
18.1 — Le problème central : endogénéité de la dépense
C’est le défaut structurel principal, et il rend toutes les méthodes du document non causales par construction.
Le problème : La dépense Google Ads n’est pas tirée au hasard. Elle est décidée par un manager qui anticipe le business. Quand on s’attend à un bon mois (lancement produit, rentrée, marronnier, Black Friday), on monte le budget. Quand on prévoit un mois mou, on baisse.
Conséquence statistique : Le spend et le CA sont corrélés en grande partie parce qu’ils sont tous les deux conséquences d’une troisième variable cachée : l’anticipation business du manager.
En clair : Une pente de 6,82 € de CA par euro investi peut très bien refléter :
- 1 € → 2 € de vrai effet causal Google Ads
- 4,82 € de corrélation parce qu’on a investi davantage les semaines où le business allait de toute façon mieux
On ne peut pas distinguer les deux à partir des données du document.
En économétrie, ce phénomène s’appelle biais de simultanéité. Il ne se corrige pas avec plus de données, ni avec une régression plus fine. Il se corrige avec une source de variation exogène (variation décidée indépendamment du business attendu), c’est-à-dire un test.
18.2 — Variables omises : tout ce que la régression ne voit pas
Une régression CA ~ Spend suppose implicitement que toutes les autres variables qui influencent le CA sont indépendantes du spend. C’est faux dans 100 % des comptes réels.
Variables omises typiques qui covarient avec le spend :
| Variable omise | Direction probable du biais |
|---|---|
| Saisonnalité (CA et spend montent ensemble en Q4) | Surestime l’effet |
| Promotions (on pousse plus de budget pendant les soldes) | Surestime l’effet |
| Autres canaux payants (Meta, TV) corrélés au plan média | Surestime ou sous-estime selon corrélation |
| SEO (souvent corrélé au plan d’acquisition global) | Surestime l’effet |
| Nouveaux produits / catalogue (lancements + push média) | Surestime l’effet |
| Notoriété / PR (campagnes branding multi-canal) | Surestime l’effet |
| Concurrence (baisse de pression CPC → meilleur spend) | Sous-estime l’effet |
Chaque variable omise injecte un biais. La régression ne sait pas qu’elles existent. Elle attribue tout l’effet observé au spend.
Conséquence : Même avec des contrôles soldes/vacances/promo, il restera presque toujours des variables omises non observables (anticipation manager, stratégie commerciale, climat éco). Le coefficient estimé est structurellement biaisé vers le haut.
C’est pour cette raison que la communauté MMM impose des décompositions baseline / promo / saisonnalité / canaux / résidu — et même comme ça, un MMM bien fait reste considéré comme moins fiable qu’un test géo bien fait.
18.3 — Causalité inverse
Pas seulement que la dépense cause le CA, mais l’inverse aussi : les attentes de CA causent la dépense. Et parfois le CA réel cause la dépense (Smart Bidding qui augmente les enchères quand la conversion remonte).
Exemple concret : Smart Bidding (tROAS, Maximize conversions) augmente automatiquement le spend quand le taux de conversion grimpe. Donc un site qui convertit mieux une semaine (raison externe au média) → Google dépense plus → la régression voit spend ↑ → CA ↑ alors que c’est la conversion qui a tiré les deux.
Cas particulier sévère : comptes avec stratégies portfolio automatisées sans cap CPC. Le spend devient une fonction du CA, pas l’inverse.
18.4 — Autocorrélation temporelle
Les observations hebdomadaires ne sont pas indépendantes. Une bonne semaine prédit une bonne semaine suivante (clients fidèles, momentum, cycles).
Conséquence :
- Les intervalles de confiance produits par DROITEREG / LINEST sont sous-estimés.
- Le « p < 0,05 » apparent peut en réalité être un « p > 0,15 » corrigé.
- L’analyste croit avoir un effet significatif alors qu’il n’a que du bruit corrélé.
Correction technique disponible : régression avec erreurs Newey-West, ARIMA-X, modèles à correction d’erreur. Aucune de ces techniques n’est accessible sans statisticien.
Implication pratique : Ne jamais conclure « significatif » sur la base d’une régression Excel sur 26 points. La significativité réelle est probablement plus faible que ce qu’Excel affiche.
18.5 — Multicolinéarité avec les canaux non mesurés
Si l’annonceur fait aussi Meta, TV, SEO, retargeting, et que ces canaux suivent un calendrier média corrélé à Google Ads (typique en agence intégrée), la régression CA ~ Spend Google attribue à Google tout l’effet des autres canaux corrélés.
Symptôme : la pente paraît énorme (10 €, 15 €, 25 € de CA par euro investi). Ce n’est pas Google qui est miraculeux. C’est qu’il porte sur ses épaules l’effet de canaux non régressés.
Test diagnostique : si l’annonceur a un mix multi-canal et qu’on ne régresse que sur Google Ads, la pente obtenue n’a aucun sens isolé. Elle représente Google + tout ce qui covarie avec Google.
18.6 — Non-stationnarité et changement de régime
La méthode suppose implicitement que la relation Spend → CA est stable dans le temps. Elle ne l’est presque jamais.
Sources de non-stationnarité fréquentes :
- Changement de stratégie d’enchères Google
- Refonte du site / changement de tunnel
- Inflation, pouvoir d’achat
- Évolution de la concurrence au CPC
- Mise à jour Google (Performance Max obligatoire, ajustement core update)
- Évolution du tracking (Consent Mode v2, perte de signal iOS)
- Changement de catalogue / saisonnalité produits
Un coefficient calé sur les 26 dernières semaines peut être faux dans 4 semaines. La méthode ne le signale pas. L’utilisateur croit avoir un chiffre stable.
Test diagnostique : couper l’historique en deux moitiés, refaire la régression sur chacune. Si les pentes diffèrent de plus de 25 %, la relation n’est pas stable et le coefficient global est une moyenne trompeuse.
18.7 — Cannibalisation et faux incrémental
Même si on avait isolé un effet causal pur de Google Ads sur les conversions, encore faudrait-il vérifier que ces conversions ne se seraient pas faites par un autre canal.
Cas typique : Un utilisateur cherche la marque sur Google, clique sur l’annonce brand, achète. La régression voit spend brand ↑ → CA ↑. Mais sans la pub, l’utilisateur aurait cliqué sur le résultat organique (taux de substitution souvent > 50 % sur les requêtes brand non concurrentielles).
Conséquence : La pente régressée mesure une attribution, pas une incrémentalité. Le surcoût Google capte un trafic qui était déjà acquis.
C’est l’un des cas les plus dévastateurs de la méthode : on peut produire une jolie pente, statistiquement défendable, sur un compte où 80 % du spend est non incrémental. La régression ne le détectera jamais. Seul un test géo en pause brand le révélera.
18.8 — Forme fonctionnelle non identifiée
La méthode propose linéaire, log-linéaire, adstock. Aucune de ces formes n’est testable rigoureusement sur 26 à 52 points.
Problème :
- Le linéaire surestime l’effet aux niveaux de spend élevés (pas de saturation).
- Le log-linéaire suppose une saturation mais sa courbure est calée sur du bruit avec si peu de points.
- L’adstock requiert de fixer un taux de décroissance qui, sur ces volumes, est essentiellement un choix d’analyste.
Implication : Le résultat dépend autant du choix de forme fonctionnelle que des données. Avec 26 points, plusieurs formes ajustent les données « aussi bien » statistiquement, mais donnent des estimations d’incrémentalité divergentes de plus de 100 %.
C’est l’un des résultats classiques de la littérature MMM : la non-identifiabilité de la courbe de réponse sans variation exogène.
18.9 — Pouvoir statistique insuffisant
Avec 26 semaines, on a 26 observations. Pour estimer correctement un effet en présence de saisonnalité, promo, multi-canal, adstock, il faudrait typiquement 78 à 156 semaines (1,5 à 3 ans) de données propres et stables.
Quasiment aucun annonceur n’a 156 semaines de données business cohérentes :
- Le tracking a changé.
- Le catalogue a changé.
- La stratégie d’enchères a changé.
- L’organisation média a changé.
Implication pratique : Les intervalles de confiance honnêtes (corrigés autocorrélation + variables omises) sur cette méthode sont extrêmement larges. La fourchette « 3 € à 11 € de CA par euro » du chapitre 14 est probablement encore optimiste. La fourchette honnête serait peut-être « 1 € à 15 € », ce qui rend la méthode quasi inutile pour des décisions précises.
18.10 — Hypothèses implicites jamais énoncées
La méthode telle que présentée repose sur des hypothèses implicites qu’un dirigeant ne devine pas. Les voici, listées sans complaisance :
- Stabilité structurelle : la relation spend-CA est constante.
- Indépendance des observations : les semaines sont indépendantes.
- Linéarité ou log-linéarité connue : la forme de la courbe est correctement spécifiée.
- Pas de variables omises corrélées au spend : tout ce qui compte est dans le modèle.
- Pas de causalité inverse : le CA ne cause pas le spend.
- Exogénéité du spend : la décision de dépenser est indépendante des chocs business.
- Stationnarité saisonnière : les patterns annuels se reproduisent.
- Pas de cannibalisation interne : les conversions Google Ads sont incrémentales par rapport aux autres canaux.
Aucune de ces hypothèses n’est vérifiable avec les seules données du document. Aucune. Elles sont supposées par défaut. Si une seule est violée, le coefficient est biaisé. Dans la pratique, plusieurs sont violées simultanément.
18.11 — Contextes où la méthode reste utile
Malgré ce qui précède, la méthode a des usages légitimes. Pour qu’elle soit utile, il faut un cumul de conditions :
✅ Budget historiquement variable. Variations d’au moins ±25 % d’une semaine à l’autre. Sans variance dans X, aucune régression ne peut rien dire.
✅ Mono-canal payant dominant. Google Ads représente > 70 % du spend média. Sinon multicolinéarité avec les autres canaux non régressés.
✅ Business stable structurellement. Pas de refonte site, pas de lancement majeur, pas de changement de stratégie d’enchères dans la période analysée.
✅ Saisonnalité connue et contrôlable. L’utilisateur sait identifier soldes, marronniers, événements, et peut les neutraliser.
✅ Objectif : génération d’hypothèses. L’analyse sert à formuler une question testable, pas à conclure.
✅ Cadrage explicite : « ordre de grandeur, pas mesure ». L’utilisateur communique un intervalle large et le statut corrélationnel.
✅ Pré-test causal. L’analyse est l’étape 0 avant un test géo, pas un substitut au test.
Dans ce contexte, la méthode est un outil de cadrage précieux. Elle élimine les théories absurdes (pente négative, pente proche de zéro, non-corrélation). Elle suggère où concentrer un test causal ultérieur.
18.12 — Contextes où la méthode devient peu fiable
⚠️ Budget stable (variations < ±10 %). Pas de variance, pas d’estimation. Méthode silencieuse mais inutile.
⚠️ Multi-canal payant intense. Si Meta, TV, Display, retargeting suivent un plan corrélé, les pentes seront massivement gonflées.
⚠️ Smart Bidding agressif sans cap. La causalité inverse domine. Le spend devient l’image miroir du business.
⚠️ Données < 26 points. Régression sous-déterminée. Le résultat est essentiellement du bruit.
⚠️ Catalogue ou stratégie d’enchères modifiés. Non-stationnarité. Le coefficient passé ne prédit pas le futur.
⚠️ Forte composante brand non séparée. Cannibalisation organique non détectable.
18.13 — Contextes où la méthode ne devrait pas être utilisée
🚫 Décision binaire stop / continue Google Ads. Trop d’incertitude. Risque d’arrêter un canal incrémental ou de maintenir un canal de pur surcoût. Exige un test causal.
🚫 Arbitrage budgétaire entre canaux (transférer X € de Google vers Meta). La méthode ne mesure pas le canal alternatif. Sans MMM ou test, l’arbitrage est aveugle.
🚫 Justification ROI face à un CFO ou un board sceptique. Un économètre senior démontera l’analyse en trois questions. L’effet positionnel sera dévastateur.
🚫 Optimisation budgétaire fine (passer de 100 K€ à 110 K€). L’imprécision du coefficient rend l’optimisation marginale illusoire.
🚫 Validation post-incident. Quand une chute de CA est survenue, la méthode est incapable de l’attribuer correctement à Google vs autres causes.
🚫 Communication externe / press release. Toute affirmation publique chiffrée basée sur cette méthode sera fragile.
18.14 — Verdict de l’économètre senior
La méthode présentée dans ce document est un outil d’exploration corrélationnelle structurée. Bien exécutée, elle est meilleure que le ROAS Google Ads brut. Elle est meilleure que l’attribution last-click. Elle est meilleure que l’intuition seule.
Elle reste strictement inférieure à :
- un test géo bien conçu,
- un MMM bayésien complet avec décomposition baseline,
- une expérimentation causale (Conversion Lift, géo-holdout, ghost ads),
- une combinaison MMM + test de validation.
Son usage légitime est propédeutique : préparer le terrain, générer des hypothèses, identifier où investir un budget de mesure causale. Son usage abusif — produire un chiffre d’incrémentalité « définitif » à partir des seules données business — est scientifiquement indéfendable.
Règle de présentation à un dirigeant :
« Cette analyse suggère, sous hypothèses fortes, un ordre de grandeur. Elle ne mesure pas. Pour mesurer, il faut un test. »
Toute formulation plus affirmative trahit la méthode.
Partie 19 — Synthèse exécutive
Cette synthèse est conçue pour être lue seule. Elle suffit à comprendre l’essentiel de la méthode, son périmètre d’usage légitime, et les décisions qu’elle peut éclairer.
La question posée
Que se passe-t-il réellement lorsque j’investis 1 € supplémentaire dans Google Ads ?
Le ROAS affiché dans Google Ads ne répond pas à cette question. Il mesure les conversions attribuées à Google par l’algorithme de Google. La part réellement causée par Google Ads est typiquement 40 à 70 % plus faible que l’attribution affichée (statistique observée sur 70+ audits MTV).
Les méthodes rigoureuses pour répondre — test géographique, holdout, Conversion Lift, MMM bayésien — exigent du temps, du budget, ou des conditions structurelles que la plupart des annonceurs n’ont pas.
La méthode décrite ici utilise uniquement vos données business agrégées (dépenses, CA, marge par jour ou semaine). Elle ne remplace pas un vrai test d’incrémentalité. Elle vous permet de cadrer un ordre de grandeur quand aucun test n’est faisable.
Ce que la méthode mesure réellement
Une relation statistique entre les variations de dépenses Google Ads et les variations de chiffre d’affaires (ou de marge) sur votre historique.
Concrètement :
- Vous obtenez une pente moyenne : « 1 € supplémentaire dépensé est associé à X € supplémentaires de CA ».
- Vous obtenez la même pente sur la marge : « 1 € supplémentaire est associé à Y € de marge ».
- Vous obtenez une fourchette d’incertitude (intervalle de confiance à 95 %) qui vous dit dans quelle plage la vérité se situe vraisemblablement.
C’est une corrélation structurée, contrôlée pour les principales perturbations identifiables (soldes, vacances, promos). Pas une mesure causale.
Ce que la méthode ne mesure pas
❌ L’effet causal pur de Google Ads. Tant que le budget est décidé par anticipation business, la corrélation observée mêle effet causal et anticipation manager.
❌ La cannibalisation organique. Si vos campagnes brand captent du trafic qui serait venu via SEO, la pente surestime l’incrémentalité réelle.
❌ L’effet d’autres canaux corrélés. Si Meta, TV ou un push commercial suivent un calendrier proche, leur effet s’agrège artificiellement au coefficient Google.
❌ La stabilité dans le futur. La pente reflète le passé. Une refonte de site, un changement d’enchères, une saturation du marché peuvent la rendre obsolète en quelques semaines.
❌ La saturation au-delà des niveaux observés. Si vous avez varié votre spend entre 50 K€ et 100 K€/mois, la méthode ne vous dit rien de fiable sur ce qui se passe à 200 K€.
Comment interpréter les résultats
Trois lectures à faire systématiquement, dans cet ordre :
1. Sens du coefficient. Positif et substantiel ? Cohérent avec votre intuition ? Si la pente sur la marge est négative, vous perdez de l’argent à investir davantage — décision claire.
2. Largeur de l’intervalle de confiance. Un IC à 95 % allant de 3 € à 11 € de CA par euro n’autorise aucune décision fine (passer de 100 K€ à 110 K€). Il autorise des décisions structurelles (le canal a-t-il un impact substantiel, oui ou non).
3. Cohérence après contrôles. La pente brute et la pente nettoyée des soldes/vacances/promos doivent rester du même ordre de grandeur. Si la pente s’effondre après contrôles, l’effet apparent était essentiellement de la saisonnalité.
Règle de formulation honnête :
« Sur l’historique observé, et sous hypothèses fortes de stabilité et d’absence de variables cachées, chaque euro supplémentaire est associé à environ X € de CA (intervalle Y à Z). Ce résultat est suggestif, pas démontré. »
Décisions que la méthode peut éclairer
✅ Identifier un compte non incrémental évident. Si la pente sur la marge est nulle ou négative malgré des conditions correctes, le canal mérite un test causal urgent.
✅ Cadrer un test géo. Connaître l’ordre de grandeur attendu permet de dimensionner correctement un test (durée, taille de cellule).
✅ Désamorcer les illusions ROAS. Présenter à votre comité de direction l’écart entre ROAS attribué et coefficient observé sur les données business est un acte pédagogique puissant.
✅ Priorisation des comptes à auditer. Sur un portefeuille de plusieurs comptes, ceux dont la pente s’effondre après contrôles méritent une attention prioritaire.
✅ Identifier une saturation manifeste. Une régression log-linéaire avec courbure forte est un signal de plafonnement.
Décisions que la méthode ne doit pas éclairer
❌ Décider d’arrêter Google Ads. ❌ Réallouer 30 % du budget vers un autre canal. ❌ Justifier le ROI auprès d’un CFO ou d’un board exigeant des preuves. ❌ Communiquer un chiffre d’incrémentalité à l’externe. ❌ Optimiser finement un budget mensuel.
Pour ces décisions, un test causal est nécessaire. La méthode du document est l’étape avant le test, pas le test.
Limites à garder en tête en permanence
- Endogénéité de la dépense. Vous dépensez plus quand vous prévoyez de bien vendre. La corrélation est gonflée par cette anticipation. Ce biais ne se corrige pas statistiquement avec les seules données du document.
- Variables omises. Tout ce qui covarie avec votre spend sans être dans le modèle pollue le coefficient.
- Causalité inverse via Smart Bidding. Quand votre taux de conversion monte, Google augmente automatiquement le spend. Le sens de la causalité s’inverse partiellement.
- Pouvoir statistique limité. Avec 26 à 52 semaines, les intervalles de confiance honnêtes sont larges. Toute conclusion précise est suspecte.
- Validité temporelle réduite. Un coefficient calé sur 2024 peut être faux en 2026.
Verdict opérationnel
| Ce que cette méthode vous donne | |
|---|---|
| Statut | Génération d’hypothèses corrélationnelles |
| Utilité | Cadrage d’ordre de grandeur, désamorçage du ROAS, priorisation |
| Limite | Pas de preuve causale, pas de chiffre d’incrémentalité défendable |
| Étape suivante | Test géographique ou holdout pour valider |
| Coût | Quelques heures d’analyse, aucun outil payant |
La bonne posture : Considérer cette méthode comme un thermomètre approximatif, pas comme un IRM. Elle vous dit si la situation est probablement saine, probablement préoccupante, ou clairement à investiguer. Elle ne vous dit pas combien exactement vaut votre investissement. Pour ce niveau de précision, il faut sortir des données passives et créer une variation expérimentale délibérée.
Aucun annonceur sérieux ne devrait prendre une décision structurelle sur Google Ads sur la seule base de ce type d’analyse. Mais aucun annonceur sérieux ne devrait non plus prendre une décision sur la seule base du ROAS affiché par Google.
La méthode du document occupe l’espace intermédiaire : plus rigoureuse que le ROAS, moins rigoureuse qu’un test. C’est exactement ce qu’on attend d’un outil de cadrage stratégique pour dirigeant.
Fin du document.