ROAS et budget publicitaire : ce qu’un rapport IA doit vraiment démontrer

Pour la direction marketing ou l’agence responsable du reporting, deux passages du raisonnement sont à vérifier : des achats attribués aux ventes supplémentaires, puis du rendement passé à celui d’un budget plus élevé.

Le calcul est juste, mais la recommandation va trop loin

Prenons un exemple fictif, sans rapport avec des résultats clients. Le tableau de bord d’un commerçant indique, pour un mois, THB 100 000 de dépenses publicitaires et THB 400 000 de valeur d’achat attribuée à une campagne. Une promotion a également eu lieu. Aucune étude causale n’accompagne les données.

Le ROAS attribué est bien de 4,0 : THB 400 000 divisés par THB 100 000. En revanche, la phrase « La publicité a généré THB 400 000 de chiffre d’affaires supplémentaire ; augmentons le budget » contient une conclusion causale et une recommandation que ce calcul ne démontre pas.

Une formulation défendable serait : « Pour le mois présenté, le tableau de bord de la campagne attribue THB 400 000 de valeur d’achat à THB 100 000 de dépenses publicitaires, soit un ROAS attribué de 4,0. Les éléments fournis ne permettent pas d’estimer l’effet supplémentaire de la publicité. » Dans le rapport réel, il faut indiquer les dates exactes du mois concerné.

La promotion constitue une piste à examiner, pas une cause établie des ventes.

Attribuer une vente ne démontre pas ce qui l’a provoquée

Le ROAS rapporte une valeur de conversion aux dépenses publicitaires. Dans sa version attribuée, cette valeur est affectée à la publicité selon des règles de suivi et d’attribution. Cet indicateur sert à lire la performance comptabilisée par le système, mais ne dit pas combien d’achats auraient eu lieu sans la campagne.

Dans Conversion Lift de Google fondé sur les utilisateurs, le ROAS incrémental divise la valeur de conversion supplémentaire estimée par les dépenses publicitaires. Il repose donc sur une comparaison avec ce qui se serait produit sans cette publicité : c’est le scénario contrefactuel. Une hausse observée après le lancement d’une campagne ne fournit pas, à elle seule, cette comparaison.

Une valeur d’achat paramétrée n’est pas nécessairement du chiffre d’affaires encaissé. Le ROAS ne mesure pas le bénéfice : marges et autres coûts comptent aussi. Un ROAS de 4,0 ne signifie pas 400 % de profit.

Quelle comparaison soutient la conclusion ?

Il faut distinguer évolution avant-après, résultat attribué, estimation expérimentale et estimation par modèle causal sur données observationnelles. Le commentaire d’un modèle de langage n’ajoute pas une méthode de mesure.

Une expérience contrôlée compare des groupes exposés et témoins selon un protocole adapté. Google Conversion Lift propose des approches par utilisateurs ou par zones géographiques, mais n’est pas accessible à tous les comptes. Concevoir une comparaison valide demande des compétences de mesure ; soustraire deux totaux bruts ne suffit pas. Le test retenu peut aussi utiliser un autre dispositif.

Un modèle de mix marketing peut estimer des effets causaux à partir de données observationnelles, sous certaines hypothèses. Il faut notamment traiter les facteurs de confusion : des éléments qui influencent à la fois les décisions média et les ventes. Selon le contexte, promotions ou saisonnalité peuvent mériter cet examen.

La documentation Meridian rappelle que des modèles prédisant bien les ventes peuvent produire des estimations causales différentes. Les hypothèses méritent donc un examen distinct de la qualité des prévisions.

Le prochain budget ne se déduit pas du rendement moyen

Même une estimation causale solide sur la période passée ne prouve pas que des dépenses supplémentaires auront le même rendement. Pour la décision, le rendement moyen du budget et celui de la somme ajoutée répondent à deux questions différentes.

Meridian distingue le ROI historique du ROI marginal, associé à une petite hausse des dépenses. Ses courbes de réponse permettent de comparer des scénarios de budget plus larges. Au-delà des dépenses observées, le risque d’extrapolation augmente. Ces mesures causales se distinguent du ROAS attribué d’une plateforme.

L’absence de mesure n’oblige pas à suspendre toute décision. Une entreprise peut choisir une hausse encadrée, en reconnaissant l’incertitude. Le rapport doit alors nommer le responsable, expliciter l’hypothèse retenue et préciser les éléments à examiner lors de la prochaine revue.

Une fiche de justification pour chaque affirmation importante

MindVerve propose de repérer les expressions qui engagent la décision : « a provoqué », « a généré des ventes supplémentaires », « augmentera ». Pour chaque affirmation importante, reprendre ces champs dans le cahier des charges du reporting :

1. Affirmation exacte, décision concernée et catégorie de preuve.
2. Indicateur d’origine, définition, source et date de consultation.
3. Périmètre : dates, campagnes, public et résultat mesuré.
4. Méthode : règles d’attribution ou comparaison servant à estimer l’effet causal.
5. Limites : incertitude fournie, hypothèses et éléments manquants.
6. Formulation validée, responsable de la revue, décideur et prochaine action.

L’IA peut préparer cette fiche et signaler les informations absentes. La personne chargée de la revue vérifie la source et approuve la conclusion. Si la preuve manque, elle demande les éléments nécessaires ou reformule la décision avec son incertitude. Une consigne bien écrite ne garantit pas, à elle seule, la justesse de ce jugement.

Trois cas à vérifier pendant un pilote de reporting

Voici trois contrôles d’acceptation proposés, à réaliser sur les sorties du pilote. Il ne s’agit pas de résultats de tests déjà exécutés.

1. Avec des données uniquement attribuées, le rapport conserve ce qualificatif et n’invente pas de ventes incrémentales.
2. Avec une étude non concluante, il conserve l’incertitude au lieu d’affirmer que la publicité n’a aucun effet.
3. Avec une estimation par modèle causal, il conserve le périmètre et les hypothèses sans présenter le modèle observationnel comme une expérience.

Suivre les corrections d’affirmations non étayées, la part des affirmations traçables et l’effort total de revue permet d’évaluer le pilote sans fixer de gains fictifs. Le temps passé à vérifier les sources fait partie de cet effort.

L’accompagnement MindVerve en automatisation du reporting définit les entrées, sorties, responsables, calculs, contrôles, points de revue et règles en cas d’échec. AI Workflow Launch met en œuvre un seul processus convenu, avec tests représentatifs et cas d’exception, documentation, formation et transmission. Configuration, accès, licences ou usages d’API, intégrations supplémentaires et maintenance nécessitent un périmètre convenu ; ni le déploiement d’un modèle de mix marketing ni la mise en place d’une expérience ne sont implicitement inclus.