Qu'est-ce que l'attribution basée sur les données ? Le modèle ML de Google Ads expliqué

L'attribution basée sur les données (DDA) est le modèle d'attribution de Google Ads basé sur le machine learning qui distribue le crédit de conversion à travers toutes les interactions publicitaires dans le parcours d'achat d'un client. Au lieu d'utiliser des règles fixes comme « attribuer tout le crédit au dernier clic » ou « répartir le crédit équitablement entre tous les clics », le DDA analyse les données de conversion réelles de votre compte pour déterminer quels points de contact ont véritablement influencé le résultat. Un client peut cliquer sur une annonce de recherche de marque, puis une annonce Shopping, puis une annonce Performance Max avant d'acheter — et le DDA attribue un crédit fractionnel à chaque interaction en fonction de sa contribution mesurée.

Avant l'existence du DDA, les annonceurs devaient choisir entre des modèles basés sur des règles comme l'attribution au dernier clic, au premier clic, linéaire, décroissante dans le temps ou positionnelle. Chaque modèle appliquait une formule prédéterminée indépendamment de ce qui se passait réellement. L'attribution au dernier clic donnait 100 % du crédit à la dernière interaction publicitaire, ce qui sous-évaluait systématiquement les campagnes upper-funnel. L'attribution linéaire répartissait le crédit équitablement, ce qui ignorait le fait que certains points de contact comptent plus que d'autres. Le DDA a remplacé tous ces modèles par un seul qui apprend de vos données.

Google a fait du DDA le modèle d'attribution par défaut pour toutes les nouvelles actions de conversion en 2023, et début 2025, il a retiré les modèles basés sur des règles restants (premier clic, linéaire, décroissant dans le temps et positionnel). Aujourd'hui, les comptes Google Ads utilisent soit le DDA, soit l'attribution au dernier clic. Pour les marchands Shopify, cela signifie que la précision de vos données de conversion impacte directement la façon dont Google distribue le crédit et, par conséquent, la façon dont Smart Bidding alloue votre budget entre les campagnes.

L'attribution basée sur les données est importante car elle détermine d'où Google Ads pense que vos ventes proviennent, et cela contrôle directement où va votre budget publicitaire. Si le DDA attribue incorrectement les conversions en raison de données de suivi incomplètes, Smart Bidding reçoit des signaux déformés. Il pourrait surenchérir sur des campagnes qui semblent rentables mais qui reçoivent en réalité le crédit pour des ventes générées par d'autres points de contact, tout en sous-enchérissant sur des campagnes qui initient véritablement le parcours client.

Pour les boutiques Shopify spécifiquement, le parcours client typique implique plusieurs interactions publicitaires. Un acheteur peut découvrir votre produit via une annonce de recherche en requête large, voir une annonce de reciblage display le lendemain, et finalement acheter après avoir cliqué sur une annonce de recherche de marque une semaine plus tard. Avec l'attribution au dernier clic, seul ce dernier clic de recherche de marque obtiendrait le crédit. Le DDA reconnaît que la découverte initiale en requête large et l'impression de reciblage ont toutes deux joué un rôle dans la vente, et distribue le crédit en conséquence. Cela vous donne une image beaucoup plus honnête de la façon dont vos campagnes fonctionnent ensemble.

L'impact pratique est significatif pour l'allocation budgétaire. Les marchands qui passent de l'attribution au dernier clic au DDA découvrent fréquemment que leurs campagnes de prospection (recherche large, Shopping, Performance Max) généraient bien plus de valeur qu'ils ne le réalisaient. Avec une attribution plus précise, Smart Bidding peut correctement valoriser ces campagnes upper-funnel, ce qui se traduit généralement par un meilleur ROAS global car l'algorithme cesse de systématiquement sous-enchérir sur les campagnes qui introduisent de nouveaux clients dans votre boutique.

L'attribution basée sur les données fonctionne en comparant les clients qui ont converti à ceux qui n'ont pas converti, en analysant les interactions publicitaires dans les deux parcours. Le modèle de machine learning de Google examine tous les clics publicitaires (et dans certains cas les impressions) menant à chaque conversion, puis identifie quelles interactions étaient les plus corrélées avec les résultats de conversion. Il utilise une forme d'analyse contrefactuelle — posant essentiellement la question « quelle était la probabilité que cette conversion se produise si cette interaction publicitaire particulière n'avait pas eu lieu ? » Les points de contact qui augmentent significativement la probabilité de conversion reçoivent plus de crédit.

Le modèle traite les données au niveau du compte, examinant les schémas à travers toutes vos campagnes, groupes d'annonces, mots-clés et segments d'audience. Il considère la séquence et le timing des interactions, les types d'annonces impliqués, et le contexte de chaque clic. Par exemple, le DDA pourrait apprendre que dans votre compte, les clics Shopping qui surviennent dans les 48 heures suivant un clic de recherche précédent sont de forts indicateurs de conversion, tandis que les clics display plus de 7 jours avant l'achat contribuent moins. Ces schémas sont uniques à votre compte et au comportement de vos clients.

Pour que ce processus fonctionne bien, le DDA a besoin d'un volume de conversions suffisant pour identifier des schémas significatifs. Google requiert un minimum de 300 conversions et 3 000 interactions publicitaires dans une fenêtre de 30 jours pour qu'une action de conversion utilise le DDA. Si votre boutique Shopify tombe en dessous de ces seuils — ce qui peut facilement arriver si votre suivi manque 20 à 40 % des conversions — le modèle retombe soit sur l'attribution au dernier clic, soit fonctionne avec une précision réduite. C'est l'une des raisons les plus négligées pour lesquelles un suivi précis des conversions est important : il n'affecte pas seulement vos chiffres rapportés, il affecte la sophistication du modèle d'attribution que Google utilise pour votre compte.

Le problème le plus fondamental avec l'attribution basée sur les données est qu'elle dépend entièrement de la qualité et de la complétude de vos données de conversion. Si votre suivi Shopify manque les conversions des utilisateurs iOS, des visiteurs Safari ou des problèmes de checkout inter-domaines, le DDA apprend des schémas incorrects. Il ne peut pas attribuer de crédit aux points de contact qu'il ne voit jamais. Un client peut cliquer sur trois annonces avant d'acheter, mais si la conversion elle-même n'est pas suivie, aucun de ces points de contact ne reçoit de crédit — biaisant le modèle contre les campagnes qui apparaissaient dans ce parcours.

Un autre défi spécifique aux marchands Shopify est de comprendre l'impact du DDA sur les performances rapportées. Lorsque vous passez de l'attribution au dernier clic à l'attribution basée sur les données, vos chiffres au niveau des campagnes changent immédiatement. Les campagnes de marque voient généralement une baisse des conversions attribuées (car elles obtenaient auparavant 100 % du crédit pour les parcours multi-touch), tandis que les campagnes de prospection voient une augmentation. Les marchands qui ne comprennent pas ce changement paniquent parfois et réduisent le budget des campagnes que le DDA montre comme véritablement performantes.

L'attribution basée sur les données est liée à plusieurs concepts fondamentaux du suivi Google Ads. Comprendre comment ces termes se rapportent les uns aux autres vous donne l'image complète de la façon dont le crédit de conversion circule dans votre compte publicitaire.