Test Géo-Lift

Définition complète

Un test géo-lift (ou geo-lift test) est une expérience contrôlée qui mesure l'impact incrémental des dépenses publicitaires en séparant les groupes test et contrôle par zone géographique. Le principe est simple : pendant une période définie, les campagnes publicitaires sont diffusées normalement dans les marchés « test » et complètement retenues dans les marchés « contrôle ». À la fin du test, les taux de conversion, les volumes de leads et les revenus générés sont comparés entre les deux groupes. La différence — corrigée des tendances de base — représente le lift incrémental : la part de performance directement causée par les campagnes.

Le test géo-lift s'inscrit dans la famille plus large des méthodes d'incrémentalité, aux côtés du test holdout (séparation individuelle des groupes) et du marketing mix modeling (modélisation statistique rétrospective). Sa particularité est d'utiliser la géographie comme mécanisme de séparation des groupes, ce qui le rend compatible avec toutes les plateformes publicitaires — y compris celles qui ne proposent pas de fonctionnalité de holdout natif. Pour le SaaS B2B français, les tests géo-lift durent typiquement 4 à 6 semaines sur des paires de marchés régionaux appariés selon leur profil démographique et leur historique de conversion.

Comment le calculer

Le calcul du lift géo repose sur la comparaison des taux de conversion entre les marchés test et les marchés contrôle, en neutralisant les différences de base préexistantes.

Pour obtenir un résultat fiable, le calcul doit également tenir compte de la période de référence (baseline pre-test) dans chaque marché. Si le marché test affichait déjà une conversion supérieure de 10 % avant le test, ce différentiel préexistant doit être soustrait du lift observé pendant le test. La formule complète intègre donc : lift observé pendant le test − différentiel de baseline prétest = lift incrémental net. Ce calcul peut être réalisé manuellement à partir des exports CRM et des données de plateformes, ou automatisé via un outil d'operating intelligence qui croise ces sources.

La traduction du lift en revenu incrémental suit : Revenu incrémental = Lift incrémental (%) × Volume de conversions marché test × Valeur moyenne par conversion. Ce revenu incrémental est ensuite divisé par les dépenses publicitaires sur le marché test pour produire le ROAS incrémental — la mesure la plus honnête du retour publicitaire réel.

Exemple concret

Une scale-up SaaS B2B française spécialisée en gestion des opérations pour les ETI souhaite mesurer l'impact réel de ses campagnes LinkedIn Ads. Elle sélectionne deux marchés appariés : l'Île-de-France comme marché test et la région Auvergne-Rhône-Alpes comme marché contrôle. Le critère d'appariement est le taux de conversion historique sur les 8 semaines précédant le test (2,1 % dans les deux marchés) et la densité d'ETI dans chaque région (comparable selon les données INSEE).

Pendant les 5 semaines du test, les campagnes LinkedIn sont maintenues en Île-de-France et complètement suspendues en Auvergne-Rhône-Alpes. À la fin du test : le marché test affiche un taux de conversion de 3,4 % (sur 850 visiteurs qualifiés), soit 29 leads. Le marché contrôle affiche un taux de 2,2 % (sur 610 visiteurs qualifiés), soit 13 leads. Après correction du différentiel de baseline (0,0 %), le lift incrémental est de (3,4 − 2,2) / 2,2 × 100 = 54,5 %. Avec un ACV moyen de 28 000 € et un taux de close de 22 %, les campagnes ont généré environ 3,5 clients supplémentaires sur la période, soit un revenu incrémental estimé à 98 000 €. Les dépenses LinkedIn sur la période de test s'élèvent à 18 000 €, produisant un ROAS incrémental de 5,4 — contre un ROAS rapporté par LinkedIn Ads de 11,2. La moitié du ROAS rapporté par la plateforme était de l'attribution fantôme.

Analyse approfondie

La question centrale que résout le test géo-lift est celle de la causalité versus la corrélation dans la mesure publicitaire. Les outils d'attribution marketing natifs des plateformes — qu'il s'agisse de l'attribution last-click de Google Ads ou de l'attribution basée sur les données de Meta — mesurent une corrélation entre l'exposition publicitaire et la conversion. Ils ne prouvent pas que la publicité a causé la conversion. Le test géo-lift est l'une des rares méthodes capables de produire une preuve causale : si les marchés non exposés convertissent moins, c'est parce que l'absence de publicité a réduit les conversions.

L'appariement des marchés est l'étape la plus critique de la conception d'un test géo-lift. Des marchés mal appariés produisent des résultats non interprétables : si le marché test croît naturellement plus vite que le marché contrôle, n'importe quel différentiel de conversion pourra être attribué à tort aux campagnes. Les critères d'appariement à vérifier avant le lancement incluent : historique de taux de conversion sur 6 à 8 semaines (variation hebdomadaire inférieure à 15 % entre les deux marchés), taille et profil d'audience comparables, saisonnalité similaire, et absence d'événements locaux majeurs planifiés pendant la période de test. En France, des événements comme les Assises des Directeurs Opérationnels ou les salons sectoriels régionaux peuvent fausser les résultats si l'un des marchés est surreprésenté.

Le risque de spillover est la principale limite structurelle des tests géo-lift. Le spillover désigne la contamination du marché contrôle par les effets de la campagne : un prospect situé en Auvergne-Rhône-Alpes peut voir une publicité LinkedIn diffusée en Île-de-France parce que son entreprise a un siège en Île-de-France, ou parce que LinkedIn cible selon le poste et non la localisation exacte. En SaaS B2B, où le ciblage est basé sur des critères professionnels (taille d'entreprise, secteur, poste) plutôt que géographiques purs, le spillover est plus élevé qu'en B2C — ce qui crée un biais à la baisse du lift mesuré. Pour limiter ce risque, certaines équipes combinent le ciblage géographique strict sur les plateformes avec une exclusion manuelle des régions contrôle dans les paramètres de campagne.

La puissance statistique est un défi fréquent pour les entreprises SaaS B2B dont les volumes de conversion sont faibles. Un test géo-lift nécessite un volume de conversions suffisant pour détecter un lift significatif avec un niveau de confiance acceptable (typiquement 80 à 90 % pour des décisions budgétaires). Si votre marché test génère moins de 30 conversions par semaine, il est probable que le test devra durer 8 à 12 semaines pour atteindre cette puissance — ce qui allonge le délai de décision et augmente le risque d'événements perturbateurs (changements de marché, lancements concurrents). Dans ce cas, le marketing mix modeling peut être une alternative plus adaptée, car il n'exige pas de groupe contrôle en temps réel.

La fréquence de test est une décision stratégique. Tester trop souvent (chaque mois) empêche d'accumuler des résultats statistiquement fiables et génère du bruit décisionnel. Tester trop rarement (une fois par an) retarde la détection des points d'inflexion d'efficacité publicitaire — saisonnalité, saturation d'audience, changements algorithmiques des plateformes. Pour le SaaS B2B, un rythme de test semestriel ou trimestriel sur les canaux les plus significatifs (LinkedIn Ads, Google Search, événements) produit généralement le meilleur équilibre entre fiabilité et réactivité. Chaque test produit une donnée de calibration pour l'operating dashboard — un facteur de correction du ROAS rapporté qui peut être appliqué aux décisions d'allocation budgétaire entre les tests.

Erreurs fréquentes

• ✗

  Utiliser des marchés non appariés. Sélectionner des marchés test et contrôle sans vérifier leur comparabilité historique est la cause la plus fréquente de résultats non interprétables. Si le marché test a une dynamique de croissance structurellement différente du marché contrôle avant le test, il est impossible de distinguer l'effet des campagnes de la tendance naturelle. L'appariement doit être vérifié sur 6 à 8 semaines de données pré-test, avec une variation de conversion inférieure à 15 % entre les deux marchés.

• ✗

  Interrompre le test prématurément. La tentation d'analyser les résultats après 2 semaines — parce que les premières données semblent prometteuses ou décevantes — est l'erreur classique de significativité statistique. Les résultats à mi-test sont presque toujours trompeurs : les effets publicitaires en SaaS B2B prennent du temps à se matérialiser dans les conversions, et les fluctuations hebdomadaires sont amplifiées par les faibles volumes. Il faut tenir la durée prévue, même si les chiffres intermédiaires semblent défavorables.

• ✗

  Confondre le lift géo avec le ROAS de plateforme. Un test géo-lift produit un ROAS incrémental — combien de revenu supplémentaire par euro dépensé dans les zones test par rapport aux zones contrôle. Le ROAS rapporté par la plateforme (Meta, Google, LinkedIn) inclut des conversions qui auraient eu lieu sans la publicité. Ces deux chiffres ne sont pas interchangeables pour des décisions budgétaires : utiliser le ROAS de plateforme pour décider d'augmenter les budgets conduit à surinvestir dans des canaux dont une partie significative de la performance est de l'attribution fantôme.

Comment Fairview suit cet indicateur

Fairview connecte vos plateformes publicitaires (LinkedIn Ads, Google Ads, Meta Ads) et votre CRM pour segmenter automatiquement les données de conversion par zone géographique sur la période de test. Il calcule le lift incrémental entre les marchés test et contrôle en neutralisant les différentiels de baseline prétest, traduit ce lift en revenu incrémental et produit un ROAS incrémental comparable au ROAS rapporté par la plateforme — pour que vous voyiez l'écart entre les deux. Si le ROAS incrémental est inférieur de plus de 40 % au ROAS plateforme sur un canal donné, Fairview génère une alerte avec une recommandation d'action : réévaluer les budgets, revoir le ciblage ou planifier un nouveau test. Le tableau de bord d'attribution affiche côte à côte l'attribution plateforme et l'incrémentalité mesurée — sans extraction manuelle ni tableur intermédiaire.

Questions fréquentes