Attribuer des conversions à l’email sans confondre corrélation et causalité

Une attribution décrit une règle de crédit

Attribuer une conversion à l’e-mail signifie lui affecter une part du résultat selon une méthode. Google Analytics décrit l’attribution comme la répartition d’un crédit entre les interactions qui précèdent un événement clé. Plusieurs modèles peuvent produire des répartitions différentes. Source : Google Analytics, attribution.

Cette définition ne répond pas directement à une autre question : la vente aurait-elle eu lieu sans la newsletter ? La distinction entre attribution et causalité évite de transformer un tableau de provenance en preuve complète d’efficacité.

Commencez donc par choisir la décision à éclairer. Souhaitez-vous savoir quels liens amènent des visites, quelle publication est citée par vos clients ou si une campagne supplémentaire produit un résultat utile ?

Nommer chaque mesure selon ce qu’elle observe

Nous proposons de conserver plusieurs indicateurs séparés, avec une définition compréhensible.

Mesure	Ce qu’elle décrit
Visites avec un UTM de campagne	Parcours mesuré depuis un lien portant cette référence
Source déclarée	Réponse donnée volontairement par la personne
Conversions attribuées	Crédit affecté selon le modèle retenu
Comparaison avec un groupe témoin	Différence observée dans un protocole défini
Résultat commercial total	Ensemble des demandes ou ventes de la période

Les UTM peuvent identifier la campagne référente dans l’outil d’audience. Source : Google Analytics, paramètres de campagne. Ils ne rendent pas toutes les autres mesures équivalentes à cette provenance.

Une même vente peut apparaître dans plusieurs lignes du tableau. Évitez donc d’additionner les catégories comme si elles représentaient des personnes ou des résultats toujours distincts.

Construire un compte rendu avec ses limites

Pour chaque indicateur, notez la période, la définition, le périmètre et les données absentes. Une mesure de visites sur le site ne décrit pas les personnes qui ont téléphoné après avoir lu l’e-mail. Une réponse déclarée peut manquer pour ceux qui préfèrent ne pas répondre.

Gardez ces limites dans le compte rendu principal. Les reléguer dans un document séparé peut encourager une lecture trop certaine du chiffre.

Décrivez également les actions simultanées : événement, publicité, changement de prix ou disponibilité d’un produit. Ces informations aident à comprendre pourquoi un résultat commercial varie pendant la campagne.

Exemple fictif : comparer deux groupes

Imaginons un test pédagogique avec deux groupes de 1 000 contacts, constitués selon un protocole prévu pour rendre la comparaison pertinente. Un groupe reçoit un message supplémentaire ; l’autre suit le parcours habituel. Sur la période définie, les résultats agrégés comptent 45 conversions dans le premier groupe et 38 dans le second.

Les taux observés sont donc de 4,5 % et 3,8 %, soit un écart de 0,7 point de pourcentage. Cet écart arithmétique ne suffit pas à conclure qu’un effet est établi. Il faut examiner le protocole, l’incertitude et les autres différences possibles.

Ces chiffres sont fictifs et ne constituent ni un benchmark ni une estimation du rendement d’une newsletter. Leur fonction est d’illustrer la différence entre calculer un écart et interpréter son origine.

Préparer l’incrémentalité avant la diffusion

Une comparaison utile commence avant l’envoi. Définissez les groupes, la période, le résultat principal et les exclusions. Si vous changez ces règles après avoir vu les chiffres, l’interprétation devient plus fragile.

Prévoyez aussi les contaminations possibles. Une personne du groupe témoin peut recevoir le lien d’un collègue, voir la même offre ailleurs ou être exposée à un autre message. Documentez ces limites au lieu de supposer une séparation parfaite.

Le protocole doit respecter les choix et les règles applicables aux contacts. Il ne justifie pas d’envoyer à des personnes qui ne devraient pas recevoir la campagne. La comparaison porte sur des parcours admissibles et sur un résultat défini.

Utiliser les déclarations sans les surinterpréter

Une question comme « Comment avez-vous découvert cette offre ? » peut apporter une information utile. Proposez des catégories claires et laissez la réponse facultative lorsque le service ne l’exige pas.

La personne peut citer le point de contact le plus mémorable plutôt que le premier ou le dernier. Elle peut aussi avoir découvert l’offre à plusieurs endroits. Votre questionnaire doit permettre de comprendre la réponse sans prétendre reconstruire tout le parcours.

Rassemblez les réponses à l’échelle nécessaire à la décision. Pour une petite structure, savoir qu’un thème est régulièrement cité peut aider à choisir la prochaine édition, sans publier de profils individuels.

Relier le résultat à une décision réaliste

Avant de parler de rentabilité, définissez ce que vous comptez : chiffre d’affaires, marge, demandes qualifiées ou inscriptions. Ces résultats ne répondent pas au même besoin.

Ajoutez les coûts pertinents pour votre décision, comme la préparation éditoriale et l’intégration. Un calcul limité au prix technique d’un envoi peut laisser de côté le travail nécessaire à la campagne.

Si l’incertitude reste trop grande, formulez une décision limitée : poursuivre le test, revoir la proposition ou simplifier le parcours. Vous n’avez pas besoin d’affirmer un rendement exact pour améliorer une édition.

Comparer des campagnes avec une méthode constante

Conservez un modèle de compte rendu stable et un historique des changements. Une évolution de nomenclature, de période ou de modèle d’attribution doit être visible dans la comparaison.

Relisez les conclusions avec cette question : « Quelle autre explication pourrait produire ce résultat ? » Cette vérification aide à distinguer un constat, une hypothèse et une décision.

Une mesure de qualité n’est pas celle qui attribue le plus de ventes à l’e-mail. C’est celle qui décrit honnêtement ce qui a été observé et permet de décider du prochain effort avec une incertitude comprise.