Qu'est-ce que l'attribution à décroissance temporelle ?

L'attribution à décroissance temporelle (time-decay) répartit le crédit d'une commande entre tous les points de contact payants, comme l'attribution linéaire, mais pondère davantage les contacts récents. Chaque contact reçoit quelque chose ; un contact proche de l'achat reçoit plus qu'un contact vieux d'une semaine. C'est le compromis entre la répartition uniforme de l'attribution linéaire et le tout-au-gagnant du dernier contact.

Formule

weight(touch) = 2^(−days before last touch ÷ 7)
share(touch)  = weight ÷ Σ weights

Exemple chiffré

Une commande à 60 € de marge a trois contacts : 14 jours avant le dernier contact, 7 jours avant, et le dernier contact lui-même. Les poids bruts sont 0,25, 0,5 et 1,0 — avec une demi-vie de 7 jours, chaque semaine d'ancienneté divise par deux le poids d'un contact. Normalisées, les parts sont 14,3 %, 28,6 % et 57,1 %, si bien que les contacts comptabilisent 8,57 €, 17,14 € et 34,29 €. Le dernier contact donnerait tout au contact final ; l'attribution linéaire donnerait 20 € à chacun.

Comment Saldo Metrics la calcule

Les parcours sont construits de la même façon que pour chaque modèle — vues de page taguées UTM du même client dans les 30 jours précédant l'événement pixel d'achat, un contact par session, dans l'ordre chronologique. Sous time_decay, le poids de chaque contact est 2^(−age/7 days), où l'ancienneté est mesurée à rebours depuis le contact le plus récent (le dernier contact a donc toujours un poids de 1,0), et les poids sont normalisés pour sommer à un avant d'être multipliés par le chiffre d'affaires et la marge de contribution en euros de la commande. Une ligne fact_attribution par contact ; les lignes d'une commande se resomment toujours à sa marge complète. Les commandes sans contact vont en organique, et les commandes sans coût renseigné sont exclues plutôt qu'attribuées à zéro. v_attribution_model_comparison somme les lignes time_decay par canal, à côté des autres modèles.

Pourquoi c'est important

La décroissance temporelle encode une conviction précise : les contacts récents influencent davantage l'achat, mais les contacts antérieurs comptent encore. Pour les activités à cycle de décision court, c'est souvent plus proche de la réalité que l'un ou l'autre des extrêmes, et comparer le chiffre à décroissance temporelle d'un canal à son chiffre linéaire montre vite si le canal gagne sa place tôt ou tard dans les parcours.

Erreurs fréquentes

  • Oublier que la demi-vie est un paramètre, pas un fait. Sept jours est le choix fixe ici ; une activité au cycle de décision de 60 jours voudrait une courbe différente, et ce modèle ne peut pas l'exprimer.
  • S'attendre à ce que la décroissance temporelle diffère beaucoup du linéaire sur des parcours courts. Quand tous les contacts tombent en un jour ou deux, les poids sont presque égaux et les deux modèles concordent — un désaccord entre eux est en soi un signal sur la longueur des parcours.
  • La lire comme pilotée par les données. La courbe de décroissance est postulée, pas ajustée ; seul le modèle piloté par les données (Shapley) apprend de vos parcours, y compris de ceux qui n'aboutissent pas à un achat.

Où le trouver dans l'application

Marketing → Attribution, dans la colonne décroissance temporelle de la comparaison des modèles et comme modèle sélectionnable dans la ventilation par modèle.