‣

🎛 Control panel (This is hidden from your site)

Mesurer l'impact réel des campagnes publicitaires en 2025 : use case avec la méthode Causal Impact et Causmos de Google

Mesurer l'impact réel des campagnes publicitaires en 2025 : use case avec la méthode Causal Impact et Causmos de Google
Avant-propos
Cas pratique : analyse Causal Impact (avec Causmos et GA4) pour juger les performances Social Ads
Périmètre de l’étude : questions et contexte
Méthodologie simplifiée : qu'est-ce que le Causal Impact ?
Comment définir les groupes test et contrôle efficacement ?
Analyse et résultats obtenus avec Causmos
Conclusions et extrapolations des résultats
Perspectives sur la mesure de l’efficacité publicitaire en 2025

💡

EdgeAngel est un cabinet de conseil en data marketing français et indépendant, expert en particulier sur les sujets liés au tracking et à l’activation de la donnée. 👉🏼 Découvrez notre offre de services sur la mesure de l’efficacité publicitaire. N’hésitez pas à prendre contact avec nous si vous avez un besoin spécifique.

Avant-propos

Mesurer précisément l'impact réel des campagnes publicitaires reste un défi majeur en 2025 pour la plupart des acteurs, qu'ils soient annonceurs ou agences média :

Le cadre réglementaire et technique évolue constamment, ce qui complexifie le suivi de la performance. Cette complexité est particulièrement marquée pour les campagnes “Haut de funnel”( ex : campagnes type Demand Gen sur Google et plus globalement les campagnes Social Ads). En effet, ces campagnes initient souvent des parcours utilisateurs plus longs et non linéaires, où les interactions publicitaires se font autant en post-clic qu'en post-view. Or, tracer ces expositions et leur influence réelle de manière unifiée à travers les multiples plateformes et appareils relève du casse-tête, et aucun outil ne permet aujourd'hui de consolider et d'attribuer avec un bon niveau de confiance la contribution de chaque point de contact.
Les différentes plateformes publicitaires et outils analytics fournissent des données de performance qui ne concordent pas, laissant les annonceurs et agences face à un dilemme : en quelles données croire et quelles décisions prendre pour optimiser les investissements ?

💡

Pourquoi c’est un enjeu ?

Savoir si les campagnes "haut de funnel" permettent réellement de générer du business, c'est fondamental. Sans cela, comment définir une stratégie d'achat média qui va chercher de la croissance, et pas juste se contenter de ce qui semble rentable ?

Car le risque c’est de se concentrer exclusivement sur les leviers intentionnistes est de se heurter à un plafond de verre et perdre des opportunités de croissance.

C'est là qu'une approche d’analyse / test incrémental (comme le Causal Impact) permet de répondre à cet enjeu de manière scientifique et robuste.

Cas pratique : analyse Causal Impact (avec Causmos et GA4) pour juger les performances Social Ads

Périmètre de l’étude : questions et contexte

Notre client a triplé ses budgets Social Ads entre 2024 et 2025 (sur les 4 premiers mois).

Deux questions clés :

Quel est l’impact réel de cette hausse de budgets sur ses résultats business globaux ?
GA4 sous-estime-t-il les conversions indirectes générées par les campagnes sociales (notamment post-view) ?

L'analyse porte sur la période du 1er janvier au 30 avril 2025.

Méthodologie simplifiée : qu'est-ce que le Causal Impact ?

Le Causal Impact repose sur une comparaison entre deux groupes (Test et Contrôle) :

Phase d'apprentissage : le modèle apprend la corrélation des performances entre les groupes avant modification du dispositif publicitaire.
Phase d'analyse : après modification (hausse des budgets dans notre cas), le modèle prédit la performance théorique sans intervention sur le groupe test. L'écart entre prédiction et réalité mesure précisément l’impact incrémental réel.

Causmos : interface pour la mise en place de la méthode Causal Impact

Comment définir les groupes test et contrôle efficacement ?

La constitution rigoureuse des groupes est une étape déterminante.

Le Groupe Test : correspond à la population qui a été affectée par la modification que l'on cherche à évaluer. Dans ce cas client, il s'agissait des villes géographiques où la hausse de budget en Social Ads a été effectivement appliquée. Pour ce client ayant une présence locale via des “centres”, la hausse des budgets Social Ads a été activée seulement sur une partie de ces centres.

Les Groupes Contrôles : ces groupes ne sont pas censés être impactés par l'événement étudié. Deux groupes ont été constitués pour cette analyse.

Groupe Contrôle 1 : composé des villes avec des centres qui n'ont pas activé le dispositif Social Ads ou n'ont pas bénéficié de la hausse budgétaire.
Groupe Contrôle 2 : basé sur les performances du SEO hors page d'accueil, considéré comme moins directement impacté par la notoriété de la marque et donc plus indépendant des variations budgétaires en Social Ads.

À avoir en tête

S'il n'est pas possible d'identifier de manière opportuniste des groupes test et contrôle distincts, il devient nécessaire de planifier et de concevoir le test en amont. Cela peut impliquer de lancer des campagnes sur une population donnée spécifiquement pour le test, ou à l'inverse, de les suspendre sur une autre. Il est aussi possible d'utiliser les fonctionnalités de "conversion lift" proposées par certaines plateformes si elles sont accessibles (Google et Meta) - vous aurez moins de contrôle sur la conception du test.

Analyse et résultats obtenus avec Causmos

L'analyse Causal Impact a ensuite été menée à l'aide de Causmos (web app open-source initiée par Google).

Validation du test ✅

L'outil fournit une évaluation de la qualité de l'analyse. Dans ce cas, le score de qualité était de 10/10, et les points suivants ont été confirmés:

Corrélation des Groupes ✅

La matrice de corrélation valide la relation linéaire entre les covariables (incluant l'événement cible). Des valeurs élevées indiquent une forte relation linéaire. Il est conseillé de viser une corrélation proche de 0,7 ou plus entre les groupes avant l'intervention.

Résultat du test 🚀

Le modèle utilise l'équation définie durant la phase d'apprentissage pour prédire ce qui se serait passé sur le groupe test après l'événement, en l'absence de l'intervention. Il applique cette équation au groupe de contrôle sur la période post-événement pour établir cette prédiction. Enfin, le modèle compare cette prédiction à la réalité observée pour quantifier l'incrément :

Dans cette étude, l'analyse a révélé que la hausse des budgets en Social Ads a généré un incrément de 2070 conversions sur la période considérée.

Conclusions et extrapolations des résultats

Ces 2070 conversions sont donc attribuables à l'augmentation des budgets sur le Social Ads. En comparaison l'attribution directe au Social Ads dans GA4 indiquait un incrément de seulement 367 conversions sur ce Groupe Test.

Causmos et Causal Impact : mesure de l’efficacité incrémentale des campagnes publicitaires

Extrapolation et enseignement #1

Chaque conversion Social Ads tracké dans GA4 correspond en réalité à 5,7 conversions incrémentales (2070/367).
Ce ratio démontre quantifie la contribution indirecte du Social Ads; le modèle permet de détecter une contribution plus importante que ce que les plateformes (régies) sont capables de détecter de leur côté (x2,5).

Extrapolation et enseignement #2

Alors que la lecture initiale via l'attribution GA4 suggérait que le Social Ads représentait moins de 6% des conversions, l'application des résultats de l'analyse Causal Impact indique que sa contribution réelle serait plutôt de l'ordre de 32%.

Extrapolation et enseignement #3

Par conséquent, le coût par conversion du Social Ads est mécaniquement divisé par 5,7. Dans notre cas client cas, le CPL est descendu sous les 10€, positionnant ce levier comme plus rentable que les leviers intentionnistes (SEA - Conquête).

Cette méthodologie d'analyse a été appliquée sur plusieurs enseignes du groupe et les conclusions ont été similaires. Cela a pu constituer un levier de décision pour adapter le mix média et préparer l’accélération des investissements sur les leviers de haut de funnel (Social Ads / DemandGen sur GAds) pour les mois qui viennent.

Perspectives sur la mesure de l’efficacité publicitaire en 2025

Pour adresser l’enjeu de la mesure de l'efficacité publicitaire, nous recommandons de suivre ces étapes :

Etape 1 (prérequis) : mettre en place un tracking au top (GTM server-side, suivi avancé des conversions et exploitation des données first-party)

Cela permet un pilotage performant des campagnes bas de funnel (SEA, Shopping) et de fournir des premiers signaux de performances pour les autres typologies de campagnes (PMax, Demand Gen, Social Ads, etc.).

Mise en place du tracking

Pour un accompagnement sur la mise en place de ces éléments essentiels, notre équipe se tient à votre disposition pour discuter de vos besoins : contactez-nous

Étape 2 : combiner les données analytics et celles des régies dans vos reportings.

Cela offre deux lectures complémentaires des performances. Les régies fournissent des données de contribution plus larges et une vision plus proche des performances incrémentales. L'activation du suivi avancé des conversions (Enhanced Conversions, Advanced Matching) va également aider les régies à améliorer leur vision de la contribution et des conversions (notamment pour la contribution en post-view).

Mise en place des dashboards

Sur ce sujet, nous avons développé Capture Marketing Performance qui répond précisément à cet enjeux (en savoir plus) et pouvons vous aider à déployer rapidement ce type de dashboard : contactez-nous

Étape 3 : intégrer les analyses et tests incrémentaux dans votre pilotage.

Comme l'illustre le cas présenté, l'analyse (via Causal Impact ou d'autres approches comme le TBR + MM) devient un élément clé pour justifier et optimiser les investissements dans les campagnes haut de funnel. Ces analyses peuvent s'appliquer à diverses problématiques comme :

Évaluer la rentabilité réelle des campagnes haut de funnel pour scaler les investissements et les performances (cf. use case de cet article) ou couper des investissements non rentables.
Mesurer l'impact des campagnes pour les marques disposant d'une forte présence physique (ici en définissant un protocole de test robuste geo-based).
Analyser la pertinence de l'achat de mots-clés de marque en SEA/Shopping, notamment en contexte de concurrence avec des revendeurs sur leurs propres produits.
Etc.

Mise en oeuvre de tests incrémentaux

Si vous êtes intéressé par la mise en œuvre de tests incrémentaux, que vous soyez annonceur ou agence média, nous proposons un accompagnement pour avancer sur ces enjeux. N'hésitez pas à nous contacter pour échanger sur vos projets.

Étape 4 (Pour les organisations plus avancées) : déployer une solution MMM

La mise en place d'un MMM (ex : Meridian de Google) est la dernière étape qui permet d'attribuer les performances par levier en tenant compte d'un large éventail de paramètres et de permettre de piloter les budgets média d’un point de vue macro en considérant l’impact véritable du levier sur l’incrémentalité du business.

Ces projets sont généralement complexes et coûteux à implémenter et à maintenir, et sont donc plus adaptés aux grandes organisations pour le moment (mais ça sera forcément plus abordable dans les prochains mois / années avec la dynamique actuelle sur le marché adTech / marTech).

Envie d’approfondir le sujet avec nos experts ou de réserver un appel de découverte ?