L’attribution data-driven (DDA), modèle par défaut de Google Ads et GA4, répartit le crédit d’une conversion entre les interactions du parcours en s’appuyant sur les données du compte : elle compare les parcours qui convertissent à ceux qui ne convertissent pas pour estimer la contribution de chaque clic. Fiable pour comparer des campagnes, inauditable à l’unité par construction.
Comment décider qu’un clic générique « vaut » 0,4 conversion et le clic de marque qui a suivi 0,6 ? La réponse du DDA tient en une idée que les explications grand public ratent presque toujours : il n’étudie pas seulement les parcours qui convertissent. Il étudie aussi ceux qui ne convertissent pas.
Le raisonnement est contrefactuel : parmi tous les parcours observés sur votre compte, ceux qui contiennent l’interaction X convertissent-ils plus souvent que les parcours comparables qui ne la contiennent pas ? Si la présence du clic générique en début de parcours est associée à une probabilité de conversion nettement supérieure, ce clic reçoit du crédit, non par règle décrétée, mais parce que vos données montrent qu’il change l’issue.
Le DDA apprend autant de ceux qui n’achètent pas que de ceux qui achètent : c’est ce qui le distingue d’une simple pondération, et c’est pourquoi il a besoin de volume. Sans masse de parcours des deux types, la comparaison n’a rien à comparer.
D’où le statut actuel : modèle par défaut depuis 2021, et l’un des deux seuls survivants depuis la suppression des modèles à règles en 2023. Pour situer le DDA dans la famille dont il est sorti, voyez les modèles d’attribution remis à plat : premier clic, linéaire, déclin temporel, le paysage qu’il a fini par avaler.
Sur l’éligibilité chiffrée, je ne vous donnerai pas de seuil gravé : les exigences historiques ont été assouplies et varient, le centre d’aide fait foi pour votre compte. Le principe, lui, ne varie pas : peu de données, calcul pauvre.
Le DDA traîne une réputation de boîte noire au service de Google. Triable. Trois verdicts :
Le DDA est fait pour comparer : campagne A contre campagne B, le poids relatif de l’amont, les tendances dans le temps. Sur ces usages, il est structurellement supérieur au dernier clic, parce qu’il mobilise plus d’information.
Il n’est pas fait pour auditer : justifier une conversion à l’unité, réconcilier au centime avec le CRM, prouver la causalité. Pour la justification à l’unité, c’est le dernier clic ou l’import d’aval ; pour la causalité, c’est un test d’incrémentalité, le seul à isoler le lift réel. L’attribution, DDA compris, répartit le mérite de ventes mesurées sans jamais dire si elles auraient eu lieu sans la pub.
| Ce que vous cherchez | Le DDA est-il l’outil ? | L’outil juste |
|---|---|---|
| Comparer campagnes, poids de l’amont, tendances | Oui, supérieur au dernier clic | Le DDA |
| Justifier une conversion à l’unité, réconcilier avec le CRM | Non | Dernier clic ou import d’aval |
| Prouver la causalité (le clic a-t-il causé la vente ?) | Non | Test d’incrémentalité |
Et une dépendance à garder en tête : le DDA mange votre mesure. Parcours amputés (consentement, multi-appareils non rapproché), conversions manquantes, le contrefactuel compare des parcours troués, et ses crédits héritent des trous.
Boucher ces trous passe par une mesure first-party assumée dans un monde sans cookies tiers : c’est elle qui décide de la qualité du contrefactuel, bien plus que le choix du modèle. Un DDA n’est jamais meilleur que le pilier mesure et tracking qui le nourrit.
Laissez le DDA en place : c’est le défaut, et c’est le bon défaut pour la lecture comparative. Adoptez sa règle d’usage : comparer, oui ; auditer, non ; conclure à la causalité, jamais.
Avant toute réallocation lourde de budget fondée sur ses crédits : la contre-lecture en dernier clic, vingt minutes face à face avec le DDA, et, si l’enjeu le mérite, un test d’incrémentalité. La confiance, ici, n’est pas un sentiment : c’est un périmètre.
Le DDA pilote vos enchères, mais vous ne savez pas ce qu’il mesure. On regarde ensemble.
Réserver un appelParlons de vos objectifs