Les 6 modèles d'attribution marketing : lequel choisir ?

Quand un client achète après avoir vu une pub Meta, cliqué sur un email, puis tapé votre marque sur Google, à quel canal donner le crédit ? Cette question est au cœur de l’attribution marketing. Et selon le modèle choisi, les conclusions changent radicalement — au point d’orienter des décisions budgétaires entières dans la mauvaise direction.

Cet article passe en revue les six modèles d’attribution principaux, leurs forces, leurs angles morts, et les critères pour choisir le bon dans votre contexte.

Pourquoi un modèle d’attribution n’est jamais neutre

Chaque modèle est une lecture du parcours d’achat. Il favorise certaines étapes du funnel, en minimise d’autres, et oriente mécaniquement les décisions budgétaires qui en découlent.

Exemple concret : sur un site e-commerce qui combine campagnes Meta de notoriété, Google Ads Search bas de funnel et SEO, le last-click survalorisera Google Ads et le SEO. Le first-click survalorisera Meta. Le linéaire donnera une vision plus équilibrée mais lissera des contributions très différentes.

L’objectif n’est pas de trouver le “vrai” modèle — il n’existe pas — mais de choisir celui qui colle le mieux à votre logique de pilotage.

1. First-click : tout le crédit au premier point de contact

Le first-click attribue 100 % du crédit au canal qui a initié le parcours. Si un utilisateur découvre votre marque via une vidéo TikTok puis convertit deux semaines plus tard via Google Search, c’est TikTok qui obtient la conversion.

À quoi ça sert : mesurer les canaux de notoriété et de génération de demande. Très utile pour défendre un budget brand ou ToFu (top of funnel).

Angle mort : ignore complètement la conversion. Un canal qui amène 10 000 visiteurs sans qu’aucun n’achète peut sembler performant.

2. Last-click : tout au dernier canal

Le modèle historique, encore très utilisé sur les plateformes publicitaires. 100 % du crédit va au dernier canal cliqué avant la conversion.

À quoi ça sert : optimiser le bas de funnel, calculer un CPA simple, piloter des campagnes Search ou retargeting.

Angle mort : invisibilise toute la chaîne en amont. Et sur les sites où une part importante des conversions arrive en direct, c’est le direct qui rafle la mise — ce qui n’aide pas à décider quoi optimiser.

3. Time decay : plus le clic est proche, plus il compte

Le time decay applique une décroissance temporelle. Un clic 1 jour avant la conversion vaut plus qu’un clic 2 semaines avant.

À quoi ça sert : les cycles de vente longs (B2B, immobilier, services haut de gamme) où la conversion finale est précédée de nombreuses interactions sur des semaines ou des mois.

Angle mort : tend à sous-pondérer les canaux de découverte, ce qui peut couper les campagnes ToFu qui alimentent pourtant le funnel.

4. Linéaire : crédit égal sur tous les points de contact

Chaque interaction reçoit la même part du crédit. Si 5 canaux interviennent, chacun obtient 20 %.

À quoi ça sert : avoir une vue d’ensemble équilibrée, valoriser tous les canaux d’un parcours multi-touch.

Angle mort : ne distingue pas un canal-clé d’un canal anecdotique. Sur un parcours avec 12 points de contact, le linéaire dilue trop pour piloter finement.

5. Position-based (modèle en U) : 40-20-40

Variante populaire : 40 % au premier clic, 40 % au dernier, et 20 % répartis sur les intermédiaires. C’est un compromis entre first-click et last-click.

À quoi ça sert : reconnaître la valeur des canaux d’acquisition ET de conversion, sans ignorer le middle.

Angle mort : les 40-20-40 sont arbitraires. Sur certains parcours, c’est le milieu qui compte le plus (par exemple les comparateurs ou la presse spé).

6. Last non-direct : exclure le trafic direct

Identique au last-click, mais en sautant les sessions directes. Si le dernier clic non-direct est une recherche Google, c’est Google qui obtient le crédit même si la conversion a eu lieu en direct ensuite.

À quoi ça sert : éviter de surévaluer le direct qui est souvent du re-visit. C’était le modèle par défaut d’Universal Analytics.

Angle mort : ne fonctionne pas bien sur les setups où le direct est légitimement le canal final (saisie URL, app mobile, bookmarks fidèles).

Comment choisir le bon modèle

Trois critères structurent la décision :

Critère	Modèle plutôt adapté
Cycle de vente court (impulse buy, e-commerce du quotidien)	Last-click, last non-direct
Cycle de vente long (B2B, achat réfléchi)	Time decay, linéaire
Stratégie multi-canal avec brand + perf	Position-based, data-driven (GA4)
Focus notoriété / ToFu	First-click
Reporting CFO / décision budgétaire annuelle	Data-driven (GA4) ou modèle multi-touch externe

En pratique, les analystes sérieux comparent plusieurs modèles. Si first-click et last-click racontent la même histoire, le diagnostic est solide. S’ils racontent des histoires opposées, c’est qu’il faut regarder les modèles intermédiaires et comprendre où sont les écarts.

Le piège : optimiser un modèle sur de la donnée polluée

Le modèle d’attribution est un raffinement. Il suppose que la donnée d’entrée est propre : pas de (not set) massif, des UTM bien structurés, un Consent Mode qui ne perd pas la moitié des sessions.

Si votre rapport canaux affiche 30 % de “Direct” alors que vous savez que 90 % de votre trafic vient de campagnes payantes, le problème n’est pas le modèle — c’est la collecte. Un audit tracking commence toujours par vérifier la qualité de la donnée d’attribution avant d’évaluer le modèle. La méthodologie est détaillée dans la petite-fille méthodologie d’audit.

Côté correction technique, deux leviers concrets selon votre setup :

• Si vous êtes en server-side ou Measurement Protocol : voir l’article sur le cookie d’attribution + dimensions custom GA4 qui détaille la procédure de recapture des UTM perdus.
• Si vous voulez corriger l’attribution dans GA4 directement : l’article sur les canaux personnalisés GA4 traite des regroupements à créer pour fixer Paid Search vs Organic, Paid Social vs Organic Social, etc.

En synthèse

Le bon modèle est celui qui colle à votre logique de pilotage et à la durée de votre cycle de vente — pas celui qui flatte vos chiffres. Et toute analyse d’attribution sérieuse part d’une donnée propre, pas d’un choix de modèle sophistiqué. C’est pour ça que je commence chaque mission par auditer la collecte avant de toucher au modèle. Le détail de cette logique d’attribution est aussi couvert côté définition dans l’entrée glossaire attribution.

Sources

• Google Analytics Help — Attribution modeling — documentation officielle GA4 sur les modèles disponibles et leurs paramètres
• Avinash Kaushik — Multi-Channel Attribution Modeling: The Good, Bad and Ugly Models — référence historique sur les biais de chaque modèle