Attribution au dernier contact (Last-Touch Attribution)

Définition complète

L'attribution au dernier contact est un modèle d'attribution marketing qui attribue l'intégralité du crédit d'une conversion — achat, inscription, lead qualifié — au dernier point de contact enregistré avant cet événement. Si un prospect a vu une annonce Display il y a trois semaines, cliqué sur un article de blog il y a dix jours, puis converti après avoir cliqué sur une annonce de retargeting aujourd'hui, 100 % du crédit est attribué au retargeting dans ce modèle.

Ce modèle est le paramètre par défaut de la majorité des plateformes publicitaires — Google Ads (dans les fenêtres de conversion au clic), Meta Ads, LinkedIn Campaign Manager — et de la plupart des outils CRM. Sa simplicité de mise en œuvre et son alignement avec l'intérêt des plateformes (qui sont souvent le dernier point de contact) expliquent sa prévalence. Il ne reflète pourtant pas la réalité du parcours d'achat, en particulier en B2B où plusieurs décisionnaires interagissent avec de multiples contenus sur des semaines ou des mois avant une décision.

À l'opposé se trouve l'attribution au premier contact, qui donne tout le crédit au premier point de contact. Entre ces deux extrêmes mono-attribution, les modèles multi-touch — linéaire, en U, en W, basé sur les données — répartissent le crédit selon différentes logiques pour mieux refléter la contribution réelle de chaque canal.

Comment le calculer

Le calcul en attribution au dernier contact est le plus simple de tous les modèles : il suffit d'identifier le dernier point de contact enregistré avant chaque conversion, puis de lui attribuer la totalité de la valeur de cette conversion.

En pratique, la mise en place technique exige une fenêtre d'attribution définie — généralement 30, 60 ou 90 jours selon la longueur du cycle de vente. Passé ce délai, un point de contact antérieur n'est plus comptabilisé. Le choix de cette fenêtre influe considérablement sur les résultats : une fenêtre de 7 jours favorisera systématiquement les canaux de conversion directe, tandis qu'une fenêtre de 90 jours captera davantage de parcours complets. En B2B SaaS avec des cycles de 60 à 120 jours, une fenêtre trop courte conduit à ignorer une part significative du parcours réel.

Exemple concret

Une entreprise SaaS B2B française génère 40 nouveaux clients au premier trimestre pour un ARR incrémental de 480 000 €. En attribution au dernier contact, les rapports indiquent que 28 clients sont venus via Google Search (recherche de marque ou mots-clés produit), 8 via des campagnes de retargeting Meta et 4 via l'équipe commerciale directe. Le budget marketing est donc réalloué vers Google Search et Meta au détriment du contenu SEO, des webinaires et des événements sectoriels.

Six mois plus tard, les leads qualifiés (MQL) chutent de 35 %. L'analyse rétrospective révèle que 65 % des clients attribués à Google Search avaient d'abord découvert l'entreprise via un article de blog ou un webinaire. L'attribution au dernier contact avait masqué la contribution réelle du contenu — qui générait la notoriété initiale — au profit des canaux de conversion qui récoltaient une demande déjà créée ailleurs. L'entreprise avait coupé le budget des canaux qui alimentaient le pipeline pour augmenter celui des canaux qui ne faisaient que le récolter.

Analyse approfondie

L'attribution au dernier contact crée une boucle de rétroaction structurellement biaisée. Les canaux de conversion — retargeting, recherche de marque, e-mail de nurturing, prospection commerciale directe — reçoivent tout le crédit et voient leurs budgets augmenter. Les canaux de notoriété — SEO, contenu, relations presse, événements sectoriels, influence — n'apparaissent pas dans les rapports de performance et voient leurs budgets diminuer ou stagner. Cette logique est auto-renforçante : moins on investit dans la notoriété, moins il y a de demande à récolter, ce qui rend les canaux de conversion moins efficaces à terme, sans que le lien de causalité soit visible dans les données d'attribution.

Dans le contexte B2B français, l'impact est particulièrement prononcé pour les cycles de vente longs impliquant plusieurs décisionnaires. Un comité d'achat typique dans une ETI française — DAF, COO, DSI — peut interagir collectivement avec 8 à 15 points de contact différents avant une décision. L'attribution au dernier contact attribue l'intégralité du crédit à l'interaction finale de l'un d'eux, ignorant les 7 à 14 interactions précédentes qui ont construit la confiance, établi la légitimité et préparé la décision. Le modèle n'est pas seulement imprécis — il est structurellement incapable de rendre compte de la dynamique d'achat en B2B.

La comparaison entre modèles révèle systématiquement des divergences importantes. Lorsqu'une entreprise passe d'un modèle last-touch à un modèle en U (40 % premier contact, 40 % création de lead, 20 % répartis sur les contacts intermédiaires), les canaux SEO et contenu voient leur contribution mesurée augmenter de 40 à 80 % en moyenne, tandis que les canaux retargeting et recherche de marque voient leur contribution diminuer de 30 à 60 %. Cette divergence quantifie la distorsion introduite par le modèle last-touch et justifie une revue des allocations budgétaires sur des bases plus solides.

L'alternative la plus rigoureuse au last-touch reste le marketing mix modeling (MMM), qui utilise des modèles statistiques pour estimer la contribution marginale de chaque canal sans dépendre du suivi individuel des cookies. Le MMM est plus coûteux en données et en temps de modélisation, mais il est immunisé contre les biais structurels des modèles basés sur les clics — y compris les limites post-iOS 14 qui ont dégradé la qualité du tracking des plateformes publicitaires. Pour les équipes sans les ressources nécessaires à un MMM complet, les modèles multi-touch comme l'attribution en U ou en W constituent une étape intermédiaire pertinente.

La gestion de la mesure de l'incrémentalité complète utilement les modèles d'attribution. Plutôt que d'attribuer des conversions à des canaux, elle mesure le nombre de conversions supplémentaires générées par un canal par rapport à un groupe de contrôle qui ne l'a pas vu. Cette approche est la seule qui permette de répondre à la question fondamentale : « Ce canal génère-t-il réellement des conversions, ou récolte-t-il simplement des conversions qui auraient eu lieu de toute façon ? » Le retargeting, en particulier, est souvent un canal de récolte pure plutôt qu'un canal de génération — ce que l'attribution last-touch est incapable de distinguer.

Erreurs fréquentes

• ✗

  Utiliser le last-touch comme seul modèle de décision budgétaire. L'erreur la plus répandue est d'allouer les budgets marketing uniquement sur la base de l'attribution last-touch, sans jamais la comparer à un modèle multi-touch ou à des données d'incrémentalité. Cette pratique conduit systématiquement à sous-investir dans les canaux de notoriété et à surinvestir dans les canaux de conversion — jusqu'à ce que le pipeline se tarisse et que la cause ne soit plus traçable dans les données.

• ✗

  Comparer des canaux sur des fenêtres d'attribution différentes. Une erreur fréquente consiste à comparer le ROAS de Google Ads (mesuré en last-touch 7 jours) avec le retour des événements sectoriels (mesuré sur 90 jours ou non mesuré du tout). Cette comparaison n'a aucune validité méthodologique et favorise mécaniquement les canaux à conversion rapide. Toute comparaison entre canaux exige une fenêtre d'attribution uniforme et un modèle cohérent.

• ✗

  Confondre "dernier clic tracké" et "dernier contact réel". L'attribution last-touch ne mesure que les points de contact traçables numériquement — clics sur annonces, ouvertures d'e-mails, visites de site avec cookie. Un appel commercial, une recommandation par un pair, une démonstration en présentiel ou une lecture hors ligne ne sont pas captés. En B2B, ces interactions non traçables peuvent représenter les points de contact les plus déterminants — et leur absence dans les données fausse systématiquement les conclusions tirées des modèles d'attribution basés sur les clics.

Comment Fairview suit cet indicateur

Fairview connecte vos sources de données publicitaires (Google Ads, Meta Ads, LinkedIn), votre CRM (HubSpot, Salesforce, Pipedrive) et vos données de pipeline pour calculer en parallèle plusieurs modèles d'attribution — dont le last-touch, le first-touch, le linéaire et l'attribution en U. Le tableau de bord affiche côte à côte le crédit attribué à chaque canal selon chaque modèle, ce qui permet d'identifier immédiatement les divergences significatives et de décider lequel reflète le mieux la réalité de votre cycle de vente.

Si le modèle last-touch attribue 70 % du crédit au retargeting Google et que le modèle en U en attribue seulement 12 %, Fairview signale cette divergence comme une Next Best Action et génère une recommandation d'analyse d'incrémentalité. Il suit également l'évolution de l'attribution par canal trimestre après trimestre, afin de détecter les dérives progressives qui résultent de décisions budgétaires fondées sur un seul modèle — avant que leur impact sur le pipeline ne devienne visible.

Questions fréquentes