Moteurs de recommandation : mesurer l’uplift net sur la marge

Le moteur recommande, mais la marge arbitre

Les moteurs de recommandation sont souvent évalués avec des métriques confortables : taux de clic sur les modules, taux d’ajout panier, revenu par session, panier moyen ou part du chiffre d’affaires attribué aux recommandations. Ces indicateurs sont utiles pour diagnostiquer l’engagement, mais ils répondent rarement à la question qui intéresse réellement une direction marketing ou e-commerce : quelle marge incrémentale le dispositif crée-t-il, nette des effets de cannibalisation, de remise, de logistique et d’opportunité ?

Le sujet est stratégique pour les équipes CRO, conversion rate optimization, discipline qui vise à améliorer la capacité d’un parcours digital à transformer son trafic en valeur mesurable. Un bloc de produits recommandés sur une fiche produit, une page panier ou un email post-visite peut augmenter le taux de conversion tout en déplaçant les ventes vers des produits moins rentables. Il peut aussi générer un clic supplémentaire sans changer la décision d’achat, ou substituer un produit que l’utilisateur aurait acheté naturellement par un autre produit mieux mis en avant mais moins margé. Dans ces cas, le revenu attribué au moteur progresse, tandis que la marge nette incrémentale stagne ou se dégrade.

La confusion vient souvent du vocabulaire. Un moteur peut revendiquer 18 % du chiffre d’affaires du site parce qu’une commande contient au moins un produit cliqué depuis un carrousel. Ce chiffre mesure une contribution attribuée, pas un uplift. L’uplift désigne l’écart causal entre ce qui s’est produit avec la recommandation et ce qui se serait produit sans elle. L’uplift net sur la marge va plus loin : il mesure la marge additionnelle créée par l’exposition au moteur, après correction des coûts variables, des remises, des retours, de la cannibalisation et parfois du coût technologique. C’est cette lecture qui permet de décider si le moteur doit être étendu, recalibré ou limité à certains contextes.

L’enjeu n’est pas uniquement analytique. Les recommandations influencent l’allocation média, la profondeur du funnel, parcours allant de la première exposition marketing à la conversion puis à la fidélisation, et la qualité de l’expérience utilisateur. Si un moteur améliore le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, sur les visiteurs issus de paid social, mais dégrade la marge nette en poussant des produits à forte remise, le pilotage par revenu crée une illusion. Si une recommandation réduit le CPA, coût par acquisition, coût marketing nécessaire pour obtenir un client ou une conversion qualifiée, en augmentant les conversions court terme, mais attire des acheteurs moins récurrents, la valeur client peut baisser.

Mesurer l’uplift net sur la marge impose donc une discipline : distinguer performance observée et impact causal, passer du chiffre d’affaires à la contribution, segmenter les effets selon les contextes d’usage et intégrer les coûts downstream. Un moteur de recommandation n’est pas un simple composant UX ; c’est un système d’allocation d’attention. Comme tout système d’allocation, il doit être évalué sur la valeur marginale qu’il crée, pas seulement sur les clics qu’il capture.

Pourquoi le revenu attribué surestime souvent la valeur des recommandations

La première erreur consiste à attribuer au moteur toute commande dans laquelle l’utilisateur a interagi avec une recommandation. Cette logique est proche des biais d’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing. Elle confond contact et causalité. Un visiteur très intentionniste qui consulte une fiche produit, clique sur un article similaire puis achète, aurait peut-être acheté le produit initial sans recommandation. Attribuer l’intégralité du revenu au moteur revient alors à valoriser une assistance qui n’a pas nécessairement créé de demande additionnelle.

Le problème est accentué par la position des modules. Les recommandations situées sur les fiches produits ou dans le panier interviennent souvent près de la conversion. Elles bénéficient d’une intention déjà formée, comme le retargeting bénéficie d’utilisateurs déjà engagés. Un bloc en bas de fiche produit peut afficher un taux de conversion élevé non parce qu’il persuade, mais parce qu’il est vu par des visiteurs qui étaient déjà proches de l’achat. La même logique explique pourquoi certains leviers bas de funnel affichent un ROAS moyen flatteur tout en ayant un iROAS, incremental return on ad spend, revenu incrémental généré par euro investi, beaucoup plus faible.

Deuxième biais : la cannibalisation produit. Supposons qu’un site de décoration vende une table A à 400 euros avec 45 % de marge brute et une table B à 370 euros avec 28 % de marge. Si le moteur recommande fortement B sur la fiche A et génère 1 000 ventes de B supplémentaires, le revenu attribué semble positif. Mais si 700 de ces acheteurs auraient acheté A sans recommandation, la contribution peut devenir négative. La vente attribuée masque une substitution défavorable. Le moteur a optimisé la probabilité d’achat court terme, pas la marge attendue.

Troisième biais : l’augmentation artificielle du panier. Un moteur peut pousser des accessoires à faible prix et faible marge, augmentant le nombre d’articles par commande sans améliorer la marge nette après préparation, expédition et retours. En e-commerce, la marge brute produit n’est pas suffisante. Il faut intégrer la marge contributive : chiffre d’affaires moins coût d’achat, remises, coûts de paiement, logistique variable, coûts de retour et coûts de service client. Un accessoire à 9 euros avec 50 % de marge brute peut devenir peu rentable si son ajout fait changer de format d’emballage ou augmente le taux de retour de la commande.

Quatrième biais : les recommandations peuvent déplacer la demande dans le temps. Un module de produits récemment vus ou de meilleures ventes peut accélérer une décision qui aurait eu lieu plus tard. L’effet est réel si l’accélération réduit l’abandon ou empêche un concurrent de capter la commande. Mais il est moins précieux si l’achat aurait eu lieu dans la même fenêtre commerciale. À l’inverse, certaines recommandations de découverte créent une demande future non capturée dans la session. Une lecture uniquement session-based sous-estime alors les moteurs haut de funnel internes, notamment sur les univers mode, beauté, maison ou contenus premium.

Enfin, les moteurs sont souvent optimisés sur des objectifs proxy : clic, ajout panier, taux de conversion ou revenu. Ces objectifs sont faciles à mesurer mais pas toujours alignés avec la création de valeur. Un algorithme apprend ce qu’on lui demande d’apprendre. Si le signal de récompense est le revenu attribué, il favorisera les produits chers et populaires. Si le signal est le taux de clic, il favorisera les articles attractifs visuellement, parfois au détriment de la conversion. Si le signal est la marge brute unitaire, il peut pousser des produits rentables mais peu désirés, dégradant l’expérience. Le pilotage doit donc combiner causalité, économie et pertinence utilisateur.

Définir l’uplift net sur la marge : de la commande au contrefactuel

La mesure utile commence par une définition claire. L’uplift net sur la marge correspond à la différence entre la marge nette observée avec le moteur et la marge nette qui aurait été observée sans le moteur, sur une population comparable. Formellement, on peut le résumer ainsi : marge incrémentale nette égale marge nette exposée moins marge nette contrefactuelle. Le contrefactuel est le scénario non observé : ce que les mêmes utilisateurs auraient fait si la recommandation n’avait pas été affichée, ou si elle avait été remplacée par une expérience neutre.

La marge nette doit être construite avec rigueur. Un niveau minimal consiste à prendre le chiffre d’affaires hors taxes moins le coût produit et les remises. Un niveau plus robuste ajoute les coûts variables de fulfillment, les frais de paiement, les commissions marketplace, le coût moyen de retour par catégorie et éventuellement le coût de service client. Pour un acteur omnicanal, il faut aussi intégrer les effets drive-to-store lorsque le digital influence une vente magasin. En contexte B2B ou SaaS, la marge nette peut être remplacée par une valeur pondérée : pipeline qualifié, probabilité de closing, marge contractuelle attendue et LTV, lifetime value, valeur économique attendue d’un client sur toute sa relation avec l’entreprise.

Un exemple simple illustre l’écart entre revenu et marge. Un retailer active un moteur de cross-sell dans le panier. Sur 200 000 sessions éligibles, les utilisateurs exposés génèrent 1 200 000 euros de chiffre d’affaires, contre 1 140 000 euros attendus selon un groupe témoin comparable. L’uplift de revenu est donc de 60 000 euros, soit +5,3 %. Lecture superficielle : succès. Mais les produits additionnels sont majoritairement remisés, avec une marge brute moyenne de 22 %, et ils augmentent les coûts de préparation de 4 000 euros ainsi que les retours attendus de 3 500 euros. La marge brute incrémentale est de 13 200 euros. Après coûts variables additionnels, la marge nette incrémentale tombe à 5 700 euros. Si la licence et l’exploitation du moteur coûtent 8 000 euros sur la période, l’uplift net économique est négatif.

À l’inverse, un moteur de découverte sur une page catégorie peut afficher un uplift de revenu limité mais une forte création de marge. Supposons un uplift de chiffre d’affaires de 30 000 euros seulement, mais concentré sur des produits à 55 % de marge, avec peu de retours et sans remise. La marge brute incrémentale atteint 16 500 euros. Si les coûts variables restent faibles, le dispositif est plus rentable que le cross-sell précédent, malgré un revenu additionnel deux fois inférieur. La bonne métrique n’est pas le volume attribué, mais la contribution incrémentale.

Il est également utile de distinguer trois niveaux d’uplift. Le premier est l’uplift comportemental : clics, consultations produit, ajouts panier. Il sert à comprendre le mécanisme. Le deuxième est l’uplift commercial : commandes, revenu, panier moyen, taux de conversion. Il indique l’effet sur la transaction. Le troisième est l’uplift économique : marge nette, contribution, LTV, réachat, retours et coûts. C’est ce dernier qui doit arbitrer les décisions d’investissement et d’optimisation algorithmique.

Cette hiérarchie évite une erreur classique : considérer un moteur comme gagnant parce qu’il augmente le taux d’ajout panier. Un ajout panier est une intention intermédiaire. S’il augmente les abandons, les retours ou les remises nécessaires à la conversion, il peut dégrader la valeur. Dans un programme CRO mature, les métriques amont expliquent, mais les métriques aval décident.

Construire un protocole de mesure : holdout, randomisation et fenêtres d’analyse

La méthode la plus robuste pour mesurer l’uplift consiste à mettre en place un holdout, groupe volontairement non exposé à une action afin d’estimer le scénario sans intervention. Pour un moteur de recommandation, cela signifie qu’une fraction du trafic éligible voit l’expérience recommandée, tandis qu’un groupe témoin voit une alternative neutre : absence de module, classement éditorial fixe, produits populaires non personnalisés ou variante existante. La randomisation doit être persistante au niveau utilisateur lorsque le parcours comporte plusieurs visites, afin d’éviter qu’un même individu voie alternativement le traitement et le contrôle.

La taille du holdout dépend du volume et du risque business. Sur un site à fort trafic, un holdout de 5 % à 10 % peut suffire pour détecter des effets pertinents. Sur un site plus faible, il faudra parfois 20 % ou plus, au prix d’un coût d’opportunité. Ce coût doit être assumé : sans groupe témoin, l’entreprise économise du trafic à court terme mais perd la capacité à distinguer croissance réelle et attribution flatteuse. Pour une fonctionnalité qui influence plusieurs millions d’euros de ventes, maintenir un holdout permanent de 5 % est souvent moins coûteux que piloter pendant des mois sur une métrique biaisée.

Le protocole doit aussi préciser l’unité de randomisation. Randomiser à la session est tentant, car plus simple. Mais pour les recommandations personnalisées, l’effet peut se déployer sur plusieurs visites : découverte d’un produit, retour via email, achat ultérieur. Une randomisation à l’utilisateur ou au client est généralement préférable. En CRM et emailing, elle est indispensable. Si un utilisateur reçoit un email personnalisé, revient sur le site puis voit un module contrôle, l’effet devient difficile à interpréter.

La fenêtre d’analyse doit être alignée avec le cycle d’achat. Pour des produits impulsifs à faible prix, une fenêtre de 24 à 72 heures peut suffire. Pour de l’équipement maison, du B2B ou des achats à forte considération, il faut mesurer sur 7, 14 voire 30 jours. Une fenêtre trop courte sous-estime les recommandations de découverte. Une fenêtre trop longue augmente le bruit et le risque d’attribuer au moteur des ventes influencées par d’autres leviers : email, promotions, search marque, retargeting ou campagnes RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter des impressions publicitaires. Lorsque des campagnes programmatiques via DSP, demand-side platform utilisée par les annonceurs pour acheter des impressions publicitaires, sont actives, il faut documenter les variations de pression média pour ne pas confondre effet onsite et effet d’acquisition.

Un protocole crédible doit inclure des guardrails, métriques de garde-fou qui empêchent de valider une optimisation locale destructrice. Pour un moteur de recommandation, les guardrails typiques sont le taux de retour, la marge par commande, la part des produits remisés, le délai de livraison, le taux de rupture, le taux de contact support, le taux de réachat et la satisfaction post-achat. Un moteur qui augmente la marge immédiate en poussant des fins de stock difficiles à livrer peut dégrader la confiance et le réachat.

Enfin, il faut surveiller les SRM, sample ratio mismatch, écarts anormaux entre la répartition attendue et observée des utilisateurs entre groupes. Un split 90/10 qui devient 86/14 peut signaler un problème de cache, d’éligibilité, de consentement, de performance ou de tracking. Avant de commenter l’uplift, il faut valider que les populations sont comparables en volume, device, canal, statut client, pays, catégorie visitée et valeur historique. Une randomisation défectueuse transforme un test causal en comparaison opportuniste.

Segmenter l’effet : le même moteur ne crée pas la même marge partout

L’uplift net moyen peut cacher des effets opposés. Un moteur peut être très rentable sur les nouveaux visiteurs issus de paid search non-marque, neutre sur les visiteurs directs, et destructeur sur les clients fidèles en réachat. L’agrégation donne une moyenne rassurante mais peu actionnable. La segmentation doit donc être prévue avant l’analyse, avec des hypothèses claires, pour éviter le cherry-picking post-hoc.

Premier axe : le statut client. Les nouveaux clients ont souvent besoin de découverte, de réassurance et de réduction de complexité. Une recommandation peut les aider à naviguer dans l’offre et augmenter la probabilité de première commande. Les clients existants, eux, peuvent déjà connaître les produits qu’ils veulent acheter. Leur exposer des recommandations promotionnelles peut cannibaliser un achat naturel ou les détourner vers des articles moins margés. La métrique utile n’est pas seulement la marge de la commande, mais la marge incrémentale par cohorte client et l’effet sur le réachat.

Deuxième axe : la position dans le funnel onsite. Sur une page catégorie, le moteur joue un rôle d’orientation. Sur une fiche produit, il propose des alternatives ou compléments. Dans le panier, il intervient très près de la transaction. Après achat, il peut stimuler la récurrence. Chaque position appelle un objectif différent. Sur une page catégorie, on peut accepter un effet plus long sur la découverte et mesurer la marge sur plusieurs sessions. Dans le panier, l’exigence de rentabilité immédiate est plus forte, car l’utilisateur était déjà proche de convertir.

Troisième axe : le type de recommandation. Les recommandations similaires peuvent améliorer le taux de conversion en aidant l’utilisateur à trouver le bon produit, mais elles risquent de substituer un article à un autre. Les recommandations complémentaires peuvent augmenter le panier, mais elles doivent couvrir leurs coûts logistiques. Les recommandations personnalisées basées sur l’historique peuvent accroître la pertinence, mais renforcer la concentration sur les best-sellers. Les recommandations éditoriales ou stratégiques peuvent pousser des produits à forte marge ou des nouveautés, mais avec un risque de baisse d’engagement si elles ignorent trop le comportement utilisateur.

Quatrième axe : la catégorie produit. Les catégories à forte marge, faible retour et forte compatibilité se prêtent bien au cross-sell. Les catégories à taille, fit ou complexité élevée sont plus risquées. Dans la mode, recommander un article complémentaire peut augmenter le panier mais aussi le taux de retour si l’ensemble crée une attente esthétique non satisfaite. Dans l’électronique, recommander un accessoire compatible peut créer une vraie valeur si la compatibilité est fiable ; une erreur de recommandation peut générer du support et une insatisfaction forte.

Cinquième axe : le canal d’acquisition. Les visiteurs issus de SEO marque, email fidélisation ou accès direct ont une intention différente des visiteurs issus de paid social prospecting. Si une campagne média optimise déjà sur des signaux de conversion remontés à la plateforme, les recommandations onsite peuvent modifier la qualité de ces signaux. Une hausse de conversion due à des produits remisés peut pousser l’algorithme média à rechercher davantage de profils sensibles à la promotion, ce qui améliore le CPA apparent mais peut dégrader la marge. La segmentation par source permet de relier CRO et acquisition.

L’objectif n’est pas de produire un tableau infini de sous-groupes. Il est d’identifier les décisions différenciées : où afficher le moteur, avec quel objectif, à qui, sur quelles catégories et avec quels garde-fous. Un uplift moyen de +2 % sur la marge peut justifier un déploiement ciblé si certains segments sont à +8 % et d’autres à -5 %. Le moteur n’a pas besoin d’être universel pour être rentable ; il doit être gouverné.

Optimiser l’algorithme sur la contribution, pas sur le clic

Mesurer l’uplift net est une première étape. La suivante consiste à modifier la fonction d’objectif du moteur. Beaucoup de systèmes de recommandation maximisent une probabilité de clic, d’ajout panier ou d’achat. Ces signaux sont plus fréquents, donc plus faciles à apprendre, mais ils ne représentent pas toujours la contribution économique. Pour aligner le moteur avec la marge, il faut enrichir le signal de valeur : marge produit, probabilité de retour, coût logistique, stock, remise, compatibilité, statut client et valeur long terme.

Une approche simple consiste à pondérer les produits par marge attendue, mais elle est insuffisante. Si l’on pousse uniquement les produits à forte marge, la pertinence baisse et le moteur perd sa capacité à convertir. Le bon arbitrage se situe entre pertinence utilisateur et valeur économique. On peut formaliser l’objectif comme une valeur attendue : probabilité d’achat incrémentale multipliée par marge nette attendue, moins coûts et risques. Cette logique rapproche le moteur d’un problème d’allocation marginale plutôt que d’un simple classement de popularité.

Les équipes avancées peuvent utiliser des modèles d’uplift ou de causal machine learning. Au lieu de prédire qui achètera un produit, ces modèles cherchent à prédire pour qui la recommandation change réellement le comportement. La différence est majeure. Un client très susceptible d’acheter sans recommandation n’est pas forcément une bonne cible. Un client moyennement intentionniste mais sensible à une recommandation pertinente peut créer plus de valeur incrémentale. Cette logique est déjà utilisée en CRM pour éviter de sur-solliciter des clients qui auraient acheté naturellement.

Il faut également intégrer les contraintes de merchandising. Un moteur purement algorithmique peut concentrer l’exposition sur quelques best-sellers, provoquer des ruptures, réduire la diversité perçue ou entrer en conflit avec des priorités commerciales. À l’inverse, un moteur trop éditorialisé peut devenir moins pertinent. Le bon framework est souvent hybride : règles business explicites pour exclure les produits non rentables, indisponibles ou à risque, scoring algorithmique pour la pertinence, puis réordonnancement selon la contribution attendue.

Exemple : un site beauté recommande trois produits complémentaires dans le panier. L’ancien scoring classe les produits par probabilité de clic. Le nouveau scoring utilise une contribution attendue : probabilité d’achat incrémentale, marge nette, probabilité de retour, disponibilité et score de satisfaction historique. Après quatre semaines en holdout, le taux de clic baisse de 9 %, mais la marge nette par session éligible augmente de 4,6 %. Le moteur est moins séduisant en engagement superficiel, mais plus performant économiquement. C’est un arbitrage que peu de dashboards standards rendent visible.

Cette évolution nécessite une gouvernance data. Les données de marge doivent être fiables, rafraîchies et disponibles au niveau SKU ou famille produit. Les retours doivent être réattribués aux commandes et, si possible, aux expositions. Les remises doivent être comptabilisées au réel, pas en moyenne mensuelle. Sans cette granularité, l’optimisation sur marge devient une fiction. Le moteur apprend alors sur des signaux approximatifs et risque de déplacer la valeur plutôt que de la créer.

Calculer le ROI complet : coûts technologiques, dette opérationnelle et valeur long terme

L’uplift net sur la marge doit être comparé au coût complet du dispositif. Beaucoup d’analyses s’arrêtent à la marge incrémentale brute et oublient le coût de la solution, de l’intégration, du tracking, de la data engineering, de la maintenance, de l’animation merchandising et de la QA, quality assurance, processus de vérification avant mise en production. Un moteur qui génère 20 000 euros de marge incrémentale mensuelle mais mobilise 12 000 euros de coûts directs et 10 jours-homme récurrents n’a pas le même intérêt qu’un module plus simple générant 12 000 euros avec peu de maintenance.

Le ROI doit inclure le coût d’opportunité. Un emplacement recommandé occupe de l’espace visuel. Sur une fiche produit mobile, ce bloc peut repousser des avis, des garanties, des informations de livraison ou un guide de taille. Si le moteur augmente les clics mais réduit la compréhension du produit principal, il peut dégrader la conversion globale. Le coût n’est pas seulement technologique ; il est aussi attentionnel. En CRO, l’attention est une ressource finie.

La valeur long terme doit être intégrée avec prudence. Un moteur peut faire découvrir des catégories à plus forte récurrence, améliorer la satisfaction en aidant à trouver le bon produit ou augmenter la fréquence d’achat. Ces effets peuvent justifier un uplift court terme modeste. Mais la LTV ne doit pas devenir une variable magique utilisée pour rendre tout dispositif rentable. Elle doit être mesurée par cohorte, avec un horizon explicite et une correction de l’effet de sélection. Les clients qui cliquent sur des recommandations sont souvent plus engagés que la moyenne ; leur réachat naturel est déjà supérieur.

Un cadre de décision utile consiste à classer les effets en quatre niveaux. Niveau 1 : le moteur augmente seulement les clics, sans effet prouvé sur les commandes. Il doit être retravaillé ou limité. Niveau 2 : il augmente le revenu attribué, mais l’uplift causal n’est pas démontré. Il nécessite un holdout. Niveau 3 : il crée un uplift de marge nette court terme, après coûts variables. Il peut être déployé sur les segments rentables. Niveau 4 : il crée un uplift de marge nette et améliore la valeur client ou la récurrence. Il devient un actif stratégique, à condition que l’effet soit validé par cohorte.

Cette lecture évite deux excès. Le premier est le techno-optimisme : considérer que la personnalisation crée mécaniquement de la valeur parce qu’elle semble plus pertinente. Le second est le scepticisme excessif : rejeter les recommandations parce que certains modules sur-attribuent leur impact. La bonne position est expérimentale. Un moteur peut être très rentable dans certains contextes et inutile dans d’autres. Seule une mesure causale sur la marge permet de trancher.

Conclusion : une méthode pour piloter les recommandations comme un centre de profit

Les moteurs de recommandation ne doivent pas être jugés sur leur capacité à capter des clics ou à revendiquer du chiffre d’affaires attribué. Leur valeur réelle dépend de la marge incrémentale nette qu’ils créent par rapport à un scénario sans recommandation. Cette exigence change la nature du pilotage : on ne demande plus au moteur d’être visible, engageant ou impressionnant dans le dashboard ; on lui demande de modifier profitablement le comportement d’achat.

Une méthode actionnable peut tenir en huit étapes. Premièrement, définir la métrique cible en marge nette, pas seulement en revenu ou taux de clic. Deuxièmement, mettre en place un holdout persistant au niveau utilisateur ou client pour mesurer le contrefactuel. Troisièmement, intégrer les coûts variables : remises, logistique, retours, paiement, support et commissions. Quatrièmement, segmenter l’uplift par statut client, canal, catégorie, position dans le funnel et type de recommandation. Cinquièmement, surveiller les guardrails : satisfaction, rupture, délai, retour, réachat et marge par commande. Sixièmement, adapter la fonction d’objectif du moteur vers la contribution attendue, sans sacrifier la pertinence utilisateur. Septièmement, comparer la marge incrémentale au coût complet du dispositif, y compris technologie, maintenance et coût d’opportunité UX. Huitièmement, documenter les résultats avec intervalles d’incertitude, hypothèses et décisions de déploiement ciblé.

Le principe stratégique est simple : une recommandation n’a de valeur que si elle change une décision dans le bon sens économique. Recommander un produit que l’utilisateur aurait acheté, déplacer une vente vers un article moins rentable ou gonfler un panier avec des coûts cachés ne crée pas de valeur durable. À l’inverse, aider un visiteur à découvrir un produit pertinent, compatible, disponible et contributif peut améliorer simultanément l’expérience, la conversion et la marge.

Pour des professionnels du marketing confrontés à la hausse des coûts d’acquisition, à la pression sur le ROAS et à la complexité croissante de l’attribution, cette discipline devient centrale. Le moteur de recommandation doit être traité comme un levier d’allocation de marge, pas comme un widget de personnalisation. Sa performance se joue dans l’écart entre ce qui est attribué et ce qui est incrémental. C’est dans cet écart que se trouvent les faux succès, mais aussi les vrais gisements de rentabilité.