Un bon ROAS ne prouve rien. Honnêtement, c'est même souvent le moment où l'on se met à perdre de l'argent sans le voir, parce que le tableau de bord applaudit.
Le 4 octobre 2026, Info-Ecommerce.fr a publié un guide qui pose le sujet dans les bons termes. Selon le site, l'automatisation publicitaire (enchères, audiences, budgets) peut dégrader la marge réelle quand les signaux transmis aux plateformes sont incomplets. Le danger n'est pas l'IA publicitaire. C'est une mesure trop pauvre pour la guider.
Je partage ce constat, et j'en tire une conséquence plus tranchée que le guide : le premier chantier d'un e-commerçant, ce n'est pas un nouvel outil d'attribution. C'est de dire à ses algorithmes quel client vaut vraiment de l'argent.
Un algorithme optimise ce que vous lui donnez
Une plateforme comme Google ou Meta fait ce qu'on lui demande, avec une grande efficacité. Si vous ne lui transmettez que le chiffre d'affaires ou un ROAS moyen, elle cherche du chiffre d'affaires. Info-Ecommerce.fr le formule ainsi : le marchand donne alors aux plateformes une consigne incomplète.
Concrètement, l'algorithme peut privilégier les produits qui convertissent vite, les clients déjà chauds ou les commandes à faible marge. Votre tableau de bord affiche un joli retour sur dépenses publicitaires. Votre compte de résultat, lui, raconte une autre histoire quelques semaines plus tard.
C'est le vrai problème, et il n'est pas technique. Vous avez délégué une décision de rentabilité à un système qui ne connaît pas votre rentabilité.
Quatre données avant de toucher au budget
Le guide propose une base minimale de quatre données : la valeur de commande, la marge estimée, le statut nouveau client et la catégorie produit. Je trouve la liste juste, parce qu'elle est courte. Personne n'a besoin d'un modèle d'attribution parfait pour commencer. Il faut des signaux assez propres pour éviter les décisions absurdes.
La marge estimée change tout. Deux commandes de 120 euros ne se valent pas si l'une contient un produit très remisé et l'autre une référence à forte contribution. Pour un algorithme qui ne voit que 120 euros, c'est la même chose.
La catégorie produit sert à repérer les familles qui attirent du trafic mais génèrent beaucoup de retours, de SAV ou de coûts logistiques. Cela concerne surtout les produits techniques, volumineux ou sensibles à la taille.
Le statut nouveau client, la donnée qui paie le plus
De ces quatre données, c'est la troisième qui change le plus vite la conversation avec vos équipes. Le statut nouveau client évite de payer cher des acheteurs qui seraient revenus de toute façon par email, par la marque ou en accès direct.
Beaucoup de budgets acquisition financent en réalité de la récupération de clients déjà acquis. Le remarketing et les campagnes de marque ramassent des ventes qui auraient eu lieu sans eux, et se les attribuent. Le résultat se lit très bien sur un écran. Il se lit beaucoup moins bien sur la trésorerie.
C'est là que l'IA devient utile, à condition de la nourrir correctement. Si vous lui indiquez qui est un nouveau client et ce qu'il rapporte en marge, elle peut optimiser vers l'acquisition réelle. Sans cette information, elle optimise vers le client facile à convaincre, donc le moins cher à « acquérir » sur le papier.
Les erreurs qui fabriquent de la rentabilité fictive
Le guide en liste quatre. Je les reprends dans l'ordre où je les vois le plus souvent chez les marchands.
- Importer toutes les conversions avec la même valeur. Une inscription newsletter, un ajout au panier, une commande payée et une commande remboursée n'ont pas le même poids dans une stratégie d'enchères.
- Ignorer annulations, retours et remboursements. Une campagne peut paraître performante pendant sept jours, puis révéler une marge négative trois semaines plus tard. La mode, la décoration, le high-tech et la cosmétique sont particulièrement exposés à ce décalage.
- Analyser plateforme par plateforme. Google, Meta, TikTok, l'emailing et l'affiliation revendiquent chacun une partie de la même vente. Additionnez leurs chiffres et vous obtenez une rentabilité fictive.
- Laisser les recommandations automatiques modifier les budgets sans garde-fou. Les plateformes optimisent dans leur périmètre. Trésorerie, marge, saisonnalité et capacité opérationnelle restent vos décisions.
La deuxième erreur est celle qui fait le plus mal, parce qu'elle est invisible au moment où vous prenez la décision d'augmenter le budget.
Ce que mon parcours m'a appris sur la donnée source
Je ne suis pas expert de la publicité sur Shopify en particulier. Mais ce schéma, je le connais : le résultat affiché dépend de la qualité de la donnée en amont. Chez La Poste, j'ai travaillé sur l'uniformisation et la segmentation d'une base de 16 millions d'e-mails. Avant toute campagne intelligente, il fallait que chaque ligne veuille dire la même chose.
Chez SFR Business, le résultat a été de +45 % de leads qualifiés en 12 mois. Le mot important, c'est « qualifiés ». On ne parlait pas de volume de contacts, on parlait de ceux qui comptent. Même logique ici : ce qu'on compte détermine ce qu'on obtient.
Ma conviction est la même depuis longtemps : la vraie valeur d'un système, c'est la donnée métier, pas l'outil. J'ai développé ce point dans une autre note, « Arrêtez de chercher le meilleur modèle d'IA : assainissez votre CRM ». Pour l'attribution, c'est exactement pareil.
Le vrai problème : personne n'a défini la rentabilité
Quand je rencontre une équipe e-commerce, je pose toujours la même question : quel est l'objectif au final ? Neuf fois sur dix, la réponse tient en un mot, « le ROAS », ou « le chiffre ». Puis on creuse, et on découvre que personne n'a écrit ce qu'est une vente rentable.
Info-Ecommerce.fr met le doigt dessus à propos des conversions enrichies et des valeurs ajustées : l'envoi doit suivre un cadrage métier préalable. Automatiser une mauvaise définition de la rentabilité ne crée pas une meilleure acquisition. À mon sens, c'est la phrase la plus importante du guide.
Tant que ce cadrage n'existe pas, l'IA ne peut qu'amplifier le flou. Le sujet n'est donc ni l'outil ni la plateforme. C'est une décision de direction : combien êtes-vous prêt à payer pour un nouveau client, et pour quelle marge ?
Ce que je ferais à votre place
Il y a trois façons raisonnables d'aborder le sujet. Je vous donne les trois, puis celle que je choisirais.
Option 1 : tout reprendre en manuel. Vous revenez à un pilotage campagne par campagne, avec des tableurs. Vous reprenez le contrôle, mais au prix d'un temps énorme, et vous perdez l'intérêt de l'automatisation. Je ne la recommande pas, sauf pour un très petit budget.
Option 2 : acheter un nouvel outil d'attribution. Un dashboard de plus. Honnêtement, c'est la solution la plus tentante et la moins efficace tant que les définitions ne sont pas posées. Vous obtiendrez de beaux graphiques sur de mauvaises règles.
Option 3 : fiabiliser les signaux, puis laisser l'IA travailler. C'est celle que je choisis. On garde l'automatisation, mais on lui donne une consigne sérieuse : marge, nouveau client, catégorie. C'est le meilleur rapport effort / valeur, parce que l'essentiel du travail est une mise à plat, pas un développement.
Voici comment je m'y prendrais, en suivant la méthode en cinq couches du guide :
- Fiabiliser les événements. Achats, remboursements, nouveaux clients, codes promo et catégories doivent remonter de façon cohérente entre la boutique, Google Analytics 4, le gestionnaire publicitaire et le back-office. Info-Ecommerce.fr conseille de commencer, en semaine 1, par cartographier les écarts entre Shopify, GA4 et les plateformes média.
- Séparer les objectifs. Une campagne d'acquisition ne se juge pas comme du remarketing, ni un déstockage comme une campagne de marge. Mélanger donne une cible contradictoire à l'algorithme.
- Créer des exclusions. Références à marge trop faible, paniers sur-remisés, segments déjà fidélisés : ils ne méritent pas la même pression publicitaire.
- Mesurer l'incrémentalité. Test géographique, pause courte ou groupe témoin : ce sont les trois méthodes citées pour savoir ce que le canal ajoute vraiment.
- Réviser les règles chaque mois. Catalogue, marge, promotions et saison changent, donc les signaux aussi.
Puis je changerais les indicateurs. Le ROAS passe en secondaire. Je regarderais d'abord la marge après coût publicitaire, le CAC nouveau client et la valeur vie client estimée. Et je poserais une alerte simple : si le budget augmente plus vite que la marge nette, on revoit la campagne.
Sur le gain, je reste prudent. Je n'ai pas de chiffre universel à vous promettre. Le guide donne un ordre de grandeur utile : pour une boutique qui dépense 20 000 euros par mois en publicité, quelques points de marge après publicité suffisent à financer un audit du tracking et une gouvernance mensuelle des campagnes. Le calcul se fait sur votre cas, pas sur celui d'un autre.
Lundi matin
Ouvrez votre dernier mois de campagnes et posez-vous trois questions. Quelle part des ventes attribuées vient de clients qui n'avaient jamais acheté ? Combien de remboursements sont arrivés après la date de lecture du ROAS ? Et la somme des ventes revendiquées par vos plateformes dépasse-t-elle vos commandes réelles ?
Si vous ne savez pas répondre à l'une de ces questions, vous avez trouvé votre priorité. Ce n'est pas un problème d'IA, c'est un problème de définition, et il se règle en quelques semaines si la direction décide.
Vous avez le même sujet sur la table ? Parlons-en trente minutes : https://yaokilab.com/rdv
Francis Meleard, fondateur de Yaoki Lab. Notes de terrain, chaque semaine.