Attribution intra-funnel : lire les vrais points de rupture

La performance se perd rarement au dernier clic, elle se dilue dans les transitions

Dans beaucoup d’équipes marketing, l’analyse du funnel, c’est-à-dire le parcours qui conduit un utilisateur de l’exposition initiale à la conversion puis éventuellement à la fidélisation, reste obsédée par deux extrêmes : la source d’acquisition et la conversion finale. On sait quel canal a généré la session, on sait combien de ventes ou de leads ont été enregistrés, puis l’on attribue une partie de la valeur aux campagnes. Mais entre ces deux points, le parcours réel se fragmente : clic sur une publicité, arrivée sur une landing page, consultation produit, ajout panier, création de compte, étape livraison, paiement, confirmation. C’est précisément dans ces transitions que se cachent les vrais points de rupture.

L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, est souvent pensée comme un problème inter-canal : paid search contre paid social, emailing contre SEO, retargeting contre affiliation. L’attribution intra-funnel déplace la question. Elle ne cherche pas seulement à savoir quel canal mérite le crédit, mais quelles étapes du parcours créent ou détruisent la probabilité de conversion. Elle répond à une question plus opérationnelle : à quel endroit le trafic cesse-t-il de produire de la valeur, et pourquoi ?

Cette distinction est critique pour les professionnels du marketing orientés ROI. Le ROI, return on investment, mesure le rendement économique d’un investissement. Une campagne peut afficher un CPA, coût par acquisition, c’est-à-dire le coût marketing nécessaire pour générer une conversion, acceptable au niveau agrégé, tout en masquant un point de rupture majeur sur mobile au moment du paiement. À l’inverse, une landing page peut sembler faible si l’on regarde seulement son taux de conversion final, alors qu’elle qualifie mieux les visiteurs et augmente fortement la probabilité de transformation dans les étapes suivantes.

Le problème vient du fait que les moyennes globales écrasent la séquence. Un tunnel e-commerce avec 100 000 sessions mensuelles, 8 % d’ajouts panier, 42 % de passage au checkout et 58 % de paiement validé peut sembler sain si le taux de conversion final atteint 1,95 %. Pourtant, une lecture intra-funnel peut révéler que le trafic paid social convertit correctement jusqu’à l’ajout panier, puis s’effondre à l’étape livraison, tandis que le paid search marque traverse le tunnel sans friction. Si l’équipe optimise uniquement le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, elle risque d’augmenter les budgets sur un canal dont la faiblesse n’est pas l’intention mais l’adéquation entre promesse publicitaire, prix livré et conditions de conversion.

L’attribution intra-funnel est donc un outil de décision CRO. La CRO, conversion rate optimization, désigne l’ensemble des méthodes visant à améliorer la capacité d’un dispositif digital à transformer son trafic en valeur business. Elle permet de hiérarchiser les chantiers : faut-il revoir l’argumentaire de la landing page, simplifier le formulaire, améliorer la page panier, modifier l’ordre des champs, corriger la livraison, ou segmenter les campagnes en amont ? Sans cette lecture, l’entreprise confond souvent symptôme et cause. Elle baisse les enchères médias alors que le problème est UX. Elle refond une page produit alors que le vrai frein est le coût de livraison révélé trop tard. Elle ajoute du retargeting alors que le checkout crée une perte structurelle.

Cartographier le funnel comme une chaîne de probabilités conditionnelles

La première exigence méthodologique consiste à abandonner la lecture linéaire du taux de conversion global. Un funnel doit être modélisé comme une chaîne de probabilités conditionnelles. Chaque étape dépend de la précédente. La probabilité finale de conversion n’est pas seulement un ratio ventes sur sessions ; c’est le produit de plusieurs transitions : session vers engagement, engagement vers intention, intention vers action, action vers transaction.

Dans un tunnel e-commerce simplifié, on peut écrire : taux de conversion = taux de vue produit qualifiée x taux d’ajout panier x taux de démarrage checkout x taux de complétion checkout x taux de paiement validé. Si 60 % des visiteurs voient une fiche produit, 12 % ajoutent au panier, 50 % démarrent le checkout et 70 % paient, le taux final est 2,52 %. Une amélioration de 10 % relatif sur l’ajout panier n’a pas la même valeur qu’une amélioration de 10 % relatif sur le paiement si les volumes, la marge et la qualité des paniers diffèrent. L’attribution intra-funnel consiste à mesurer la contribution marginale de chaque transition à la valeur finale.

Cette logique évite une erreur fréquente : optimiser les micro-conversions les plus visibles. Une micro-conversion est une action intermédiaire qui signale une progression dans le parcours : clic sur un CTA, scroll, ajout panier, inscription, téléchargement, début de formulaire. Elle est utile si elle prédit la conversion ou la valeur, dangereuse si elle devient un objectif autonome. Augmenter le clic sur un bouton de 30 % ne vaut rien si les utilisateurs cliquent plus tôt, comprennent moins bien l’offre et abandonnent ensuite davantage.

Un cas B2B illustre l’arbitrage. Une landing page de demande de démo génère 20 000 visites mensuelles. Variante A : 9 % de clics sur le CTA, 5 % de soumissions formulaire, 30 % de SQL. SQL signifie sales qualified lead, lead accepté par les ventes comme opportunité commerciale potentielle. Variante B : 7 % de clics sur le CTA, 4,6 % de soumissions, mais 48 % de SQL grâce à une qualification plus claire avant le formulaire. Si l’on attribue la performance au clic CTA, A gagne. Si l’on attribue la valeur à la transition visite vers SQL, B gagne nettement : 300 SQL pour A contre 442 pour B. Le point de rupture n’était pas le formulaire ; c’était l’absence de cadrage de l’intention avant le formulaire.

Pour construire cette cartographie, chaque étape doit être définie comme un événement observable, stable et comparable. Il ne suffit pas d’avoir un événement générique conversion. Il faut distinguer les étapes réellement décisionnelles : impression de l’offre, clic CTA, affichage formulaire, premier champ rempli, formulaire soumis, lead accepté, rendez-vous pris, opportunité créée, revenu signé. En e-commerce : page produit vue, taille sélectionnée, stock disponible, ajout panier, estimation livraison affichée, compte créé ou invité choisi, paiement initié, paiement accepté, commande non annulée, commande non retournée.

La granularité doit cependant rester utile. Trop d’événements produisent du bruit, des coûts de tracking et des débats d’interprétation. Le bon niveau est celui qui permet de prendre une décision. Si une étape ne peut pas être améliorée, segmentée ou reliée à une hypothèse, elle relève plutôt du monitoring que de l’attribution intra-funnel.

Instrumenter proprement : sans qualité de données, l’attribution devient une fiction

L’attribution intra-funnel est extrêmement sensible à l’instrumentation. Une rupture apparente peut venir d’un comportement utilisateur, mais aussi d’un tag cassé, d’un consentement analytics, d’une latence, d’un conflit JavaScript ou d’une mauvaise déduplication. Avant de conclure qu’une étape détruit de la valeur, il faut vérifier que l’étape est mesurée correctement.

Le premier contrôle concerne l’identité utilisateur. Les parcours sont souvent multi-sessions, multi-devices et partiellement anonymes. Un utilisateur peut cliquer sur une publicité mobile, revenir via email sur desktop, puis convertir après une recherche marque. Si l’on mesure uniquement par session, on surestime les ruptures et l’on sous-estime les effets différés. Il faut distinguer trois niveaux : session, utilisateur ou navigateur, et compte ou client connu. Chacun répond à une question différente. Le niveau session mesure l’efficacité immédiate. Le niveau utilisateur mesure la progression comportementale. Le niveau client relie l’expérience à la valeur économique.

Le deuxième contrôle porte sur la cohérence des événements. Un ajout panier ne doit pas être déclenché différemment selon les devices, les navigateurs ou les variantes de test A/B. Un test A/B compare deux versions d’une expérience sur des populations réparties aléatoirement. Si la variante B modifie le DOM, document object model, structure technique de la page interprétée par le navigateur, elle peut casser un événement ou le déclencher deux fois. Dans ce cas, une rupture intra-funnel peut être un artefact technique.

Le troisième contrôle est la temporalité. Une attribution intra-funnel robuste doit horodater les événements et mesurer les délais entre étapes. Le délai est souvent aussi informatif que le taux. Un passage checkout vers paiement qui baisse peu mais dont le temps médian double de 1 minute 20 à 2 minutes 45 indique une friction. Sur formulaire B2B, un temps long peut signaler une qualification sérieuse ou une confusion. La distinction se fait en regardant les erreurs, les retours arrière et la qualité downstream.

Le quatrième contrôle concerne la déduplication et les statuts finaux. En e-commerce, une commande annulée, remboursée ou retournée ne doit pas être attribuée comme une conversion équivalente à une commande nette. Dans le lead generation, un lead test, doublon, étudiant, concurrent ou hors zone ne doit pas avoir la même valeur qu’un lead exploitable. L’attribution intra-funnel doit donc connecter les données web analytics aux données CRM, aux statuts de paiement, aux marges produit et, si possible, aux retours.

Un audit simple peut révéler des écarts majeurs. Dans une entreprise SaaS, le dashboard web indiquait un taux de soumission formulaire de 6,2 %. Le CRM ne recevait que 4,9 % de leads associés aux mêmes sessions. L’écart venait de formulaires soumis avec email personnel bloqués par une règle de validation côté serveur, mais comptés comme soumission côté front. L’équipe croyait avoir un point de rupture commercial après le lead ; elle avait en réalité un point de rupture technique entre soumission et ingestion CRM. Sans réconciliation, l’attribution aurait orienté les budgets vers la mauvaise cause.

Choisir le bon modèle : entonnoir, Markov, Shapley ou analyse de survie

Il n’existe pas un modèle universel d’attribution intra-funnel. Le choix dépend de la question business, du volume disponible, de la complexité du parcours et de la maturité data. Pour la majorité des équipes, une approche progressive est préférable : commencer par les transitions conditionnelles, puis enrichir avec des modèles probabilistes lorsque les données le justifient.

Le modèle le plus simple est l’analyse d’entonnoir classique : on mesure le taux de passage entre chaque étape et l’on identifie les plus fortes pertes. Sa force est sa lisibilité. Sa limite est qu’il ne mesure pas toujours la valeur marginale. Une étape avec une grosse perte n’est pas forcément la meilleure opportunité si cette perte concerne des utilisateurs peu qualifiés. À l’inverse, une petite perte tardive sur des paniers à forte marge peut représenter une priorité économique.

Les chaînes de Markov apportent une lecture plus dynamique. Un modèle de Markov estime la probabilité de passer d’un état à un autre, par exemple page produit vers panier, panier vers checkout, checkout vers paiement, ou sortie. On peut ensuite calculer l’effet de suppression d’une étape ou d’un point de contact : que se passerait-il si cet état ou cette transition disparaissait ? Dans une logique intra-funnel, cette méthode aide à valoriser les étapes qui augmentent réellement la probabilité de conversion finale. Elle est particulièrement utile lorsque les parcours ne sont pas strictement linéaires, par exemple lorsqu’un utilisateur revient plusieurs fois à la fiche produit, consulte les avis, compare les tailles, puis revient au panier.

La méthode de Shapley, issue de la théorie des jeux coopératifs, répartit la valeur entre plusieurs contributeurs selon leur contribution moyenne dans toutes les combinaisons possibles. Appliquée au funnel, elle peut attribuer une part de la conversion aux étapes ou interactions qui apparaissent dans les parcours convertis. Son avantage est de réduire l’arbitraire du last touch, attribution au dernier point de contact. Sa limite est sa complexité computationnelle et son besoin de données nombreuses. Elle peut aussi donner une précision apparente à des données fragiles si les événements sont mal définis.

L’analyse de survie, souvent sous-utilisée en marketing, permet d’étudier le temps avant abandon ou conversion. Elle répond à des questions très opérationnelles : à partir de combien de minutes dans le formulaire la probabilité de soumission chute-t-elle fortement ? Après combien d’heures un panier abandonné devient-il peu récupérable ? Quel est le délai critique entre lead et rappel commercial ? Dans un contexte B2B, si les leads rappelés en moins de 5 minutes ont 21 % de taux de rendez-vous contre 9 % au-delà de 2 heures, le point de rupture n’est pas la génération du lead mais le SLA commercial, service level agreement, engagement opérationnel de délai ou de qualité entre équipes.

Enfin, les modèles d’uplift peuvent être mobilisés lorsque l’on veut distinguer corrélation et causalité. Un modèle d’uplift cherche à prédire quels utilisateurs changent réellement de comportement sous l’effet d’une action marketing. Dans l’intra-funnel, il permet par exemple d’identifier les abandonneurs panier réellement influencés par une relance, par opposition aux acheteurs qui auraient converti sans message. Cette approche exige des groupes témoins, mais elle évite de sur-attribuer les conversions naturelles aux interventions CRM ou retargeting.

Le choix du modèle doit rester subordonné à la décision. Si l’enjeu est de corriger un bug de paiement, un funnel conditionnel suffit. Si l’enjeu est d’arbitrer plusieurs points de friction sur un parcours long, Markov ou Shapley peuvent aider. Si l’enjeu est de doser les relances, l’uplift et les holdouts sont plus pertinents. Un modèle sophistiqué appliqué à une mauvaise question produit une décision sophistiquée mais fausse.

Lire les ruptures par segment : la moyenne globale est l’ennemi du diagnostic

Les vrais points de rupture sont rarement homogènes. Ils se concentrent par device, canal, audience, campagne, produit, pays, statut client ou niveau d’intention. Une moyenne globale peut donc cacher deux phénomènes inverses : une étape très performante pour un segment stratégique et destructrice pour un autre. L’attribution intra-funnel doit être segmentée, mais avec discipline pour éviter la chasse aux anecdotes.

Le device est souvent le premier axe. Sur mobile, les ruptures apparaissent fréquemment au moment de la saisie : formulaire, adresse, paiement, création de compte. Sur desktop, elles sont parfois plus liées à la comparaison, au prix ou à la profondeur d’information. Un taux d’abandon checkout global de 48 % peut cacher 61 % sur mobile et 32 % sur desktop. Si 72 % du trafic est mobile, le chantier prioritaire est clair. Mais si le revenu par commande desktop est deux fois supérieur, l’arbitrage doit intégrer la marge et pas seulement le volume.

Le canal d’acquisition est le deuxième axe. Le paid search, achat de liens sponsorisés sur moteurs de recherche, génère souvent une intention explicite. Le paid social, publicité diffusée sur plateformes sociales, génère plus fréquemment une intention créée ou stimulée par le contenu. Une même landing page peut donc avoir des transitions très différentes. Sur paid search hors marque, la rupture peut se produire dès la proposition de valeur si l’annonce promet une solution plus spécifique que la page. Sur paid social, la rupture peut arriver au prix, car l’utilisateur n’était pas encore dans une logique d’achat active.

Le programmatique ajoute une couche supplémentaire. Le RTB, real-time bidding, est un mécanisme d’enchères en temps réel permettant d’acheter une impression publicitaire lorsqu’elle devient disponible. Les DSP, demand-side platforms, sont les plateformes utilisées par les annonceurs pour acheter ces impressions programmatiques. Ces systèmes optimisent vers les signaux qu’on leur transmet. Si le signal de conversion est un ajout panier, l’algorithme peut trouver des profils qui ajoutent facilement au panier mais paient peu. L’attribution intra-funnel permet de vérifier si le canal optimise une vraie valeur ou une micro-conversion trompeuse.

Le statut utilisateur est également déterminant. Un nouveau visiteur, un client actif, un client dormant et un prospect déjà exposé à trois emails n’ont pas la même lecture du funnel. Un checkout avec création de compte obligatoire peut pénaliser les nouveaux clients, mais fluidifier les réachats. Un formulaire long peut réduire le volume de leads froids, mais améliorer la qualité des comptes enterprise. Segmenter permet de décider si l’on doit corriger l’expérience pour tous ou personnaliser le parcours.

La segmentation doit cependant respecter des règles de robustesse. Premièrement, définir les segments avant l’analyse lorsque l’on cherche une décision majeure. Deuxièmement, vérifier les tailles d’échantillon : une rupture de 15 points sur 80 sessions ne vaut pas une rupture de 4 points sur 40 000 sessions. Troisièmement, distinguer hypothèse et preuve. Si un segment présente un signal intéressant mais peu volumineux, il mérite un test ou une collecte complémentaire, pas un déploiement global. Quatrièmement, éviter de multiplier les découpes jusqu’à trouver un effet spectaculaire. Cette pratique, proche du p-hacking, consiste à manipuler les choix d’analyse pour obtenir un résultat significatif.

Relier les ruptures aux coûts médias et à la marge, pas seulement aux taux

Un point de rupture ne doit pas être priorisé uniquement par son taux d’abandon. Il doit être priorisé par son impact économique. Cela impose de relier les étapes du funnel au coût média, à la marge, à la valeur client et au coût d’opportunité. Une rupture importante sur un trafic gratuit mais peu qualifié peut être moins prioritaire qu’une rupture modérée sur un trafic payant à forte intention.

Exemple : deux canaux génèrent chacun 50 000 sessions. Le canal A coûte 40 000 euros, affiche 6 % d’ajout panier et 30 % de conversion panier vers achat. Le canal B coûte 90 000 euros, affiche 10 % d’ajout panier mais seulement 18 % de conversion panier vers achat. Si le panier moyen est de 110 euros et la marge brute de 45 %, le canal B produit plus d’intention apparente mais perd davantage de valeur tardive. Une amélioration de 3 points de la transition panier vers achat sur B peut valoir plus qu’une amélioration de 2 points d’ajout panier sur A, car elle s’applique à des paniers plus nombreux et à un coût d’acquisition plus élevé.

Cette lecture change aussi la relation entre acquisition et CRO. Trop souvent, les équipes média optimisent les campagnes sur le CPA plateforme ou le ROAS attribué, tandis que les équipes produit optimisent le taux de conversion site. L’attribution intra-funnel crée un langage commun : coût par transition qualifiée. On peut mesurer le coût par ajout panier qualifié, coût par checkout démarré, coût par paiement validé, coût par client net ou coût par marge incrémentale. Plus l’étape est proche de la valeur réelle, plus le signal est robuste, mais plus il est rare et lent. L’arbitrage consiste à choisir le signal le plus proche possible de la valeur sans priver les algorithmes publicitaires de volume d’apprentissage.

Dans les plateformes publicitaires, optimiser uniquement sur achat peut être difficile si le volume est faible. Les algorithmes ont souvent besoin d’un nombre minimal de conversions par semaine pour apprendre correctement. Dans ce cas, une micro-conversion peut servir de proxy, à condition d’être validée. Un proxy est un indicateur intermédiaire utilisé comme approximation d’un objectif final. Si le démarrage checkout prédit fortement l’achat net sur paid search mais faiblement sur paid social, il ne faut pas l’utiliser de la même manière dans les deux canaux.

La marge doit être intégrée le plus tôt possible. Un funnel qui convertit bien des produits à faible marge peut afficher de bons taux et un ROAS flatteur tout en dégradant la contribution. À l’inverse, une catégorie premium peut avoir plus d’abandons mais une contribution par commande supérieure. L’attribution intra-funnel avancée doit donc pondérer les transitions par la marge attendue, le taux de retour, le coût logistique et la LTV, lifetime value, valeur économique attendue d’un client sur toute sa relation avec l’entreprise.

Le même raisonnement vaut pour les leads. Un coût par formulaire soumis de 45 euros n’est pas comparable si 12 % ou 46 % des leads deviennent SQL. Le bon indicateur peut être le coût par opportunité qualifiée ou le coût par euro de pipeline. Le pipeline désigne la valeur commerciale potentielle des opportunités en cours. Si une rupture dans le formulaire réduit les leads bruts mais augmente la qualité, elle peut être positive. L’attribution intra-funnel doit donc distinguer friction destructrice et friction qualifiante.

Identifier la cause : données quantitatives, observation UX et tests contrôlés

L’attribution intra-funnel indique où regarder ; elle ne prouve pas toujours pourquoi la rupture existe. Une baisse de transition entre panier et paiement peut venir des frais de livraison, de la création de compte obligatoire, d’un manque de moyens de paiement, d’un bug mobile, d’une inquiétude sur les retours, d’un délai de livraison trop long ou d’une simple comparaison concurrentielle. Pour passer du diagnostic à l’action, il faut trianguler.

La première source est quantitative. Les événements doivent mesurer les erreurs, les retours arrière, les champs abandonnés, les codes promo testés, les modes de livraison affichés, les moyens de paiement sélectionnés, les messages d’erreur, les temps de chargement et les statuts de stock. Sur un formulaire, il faut suivre l’abandon par champ, le taux d’erreur, le temps de complétion et la part de réponses invalides. Sur un checkout, il faut isoler frais de livraison affichés, création de compte, refus de paiement et délai estimé.

La deuxième source est qualitative ou comportementale. Les session replays, les heatmaps, les tests utilisateurs et les verbatims support permettent de voir ce que les ratios ne disent pas. Un taux d’erreur élevé sur téléphone peut être causé par un format trop strict. Un abandon livraison peut venir d’un libellé ambigu sur les points relais. Une rupture après prix peut venir d’un manque de justification de valeur. La donnée quantitative localise ; l’observation explique souvent.

La troisième source est expérimentale. Une hypothèse de rupture doit idéalement être validée par un test A/B ou un test contrôlé. Si l’on pense que les frais de livraison révélés trop tard provoquent l’abandon, on peut tester leur affichage plus tôt. Si l’on pense que la création de compte obligatoire bloque les nouveaux clients, on peut tester un checkout invité. Si l’on pense que les leads froids abandonnent parce que le formulaire semble trop engageant, on peut tester une promesse de réponse moins intrusive ou un formulaire progressif.

Le test doit toutefois être aligné avec le bon KPI. Modifier le checkout peut augmenter le taux de paiement tout en augmentant les annulations ou les retours. Simplifier un formulaire peut augmenter les soumissions tout en réduisant le taux de qualification. Ajouter un moyen de paiement fractionné peut augmenter les commandes mais augmenter le risque de défaut ou les frais. Les métriques de garde-fou, ou guardrail metrics, sont donc indispensables : marge, qualité lead, taux de retour, erreurs, temps de chargement, satisfaction, désabonnements, fraude.

Une démarche efficace consiste à classer chaque rupture selon trois dimensions : intensité, valeur et actionnabilité. L’intensité mesure la perte de transition. La valeur mesure l’impact économique si la transition s’améliore. L’actionnabilité mesure la capacité réelle à intervenir : complexité technique, dépendance externe, risque juridique, délai produit. Un point de rupture très intense mais peu actionnable peut être surveillé ; un point de rupture moyen mais très rentable et facile à tester peut être prioritaire.

Conclusion : transformer l’attribution intra-funnel en système de décision

L’attribution intra-funnel n’est pas un reporting supplémentaire. C’est une méthode pour réconcilier acquisition, UX, analytics, CRM et finance autour d’une question commune : où le parcours détruit-il la valeur que le marketing a payée pour créer ? Sa force est de déplacer l’attention du dernier clic vers les transitions réelles. Sa limite est qu’elle exige une instrumentation propre, une segmentation rigoureuse et une interprétation économique.

Une méthode actionnable peut se résumer en huit étapes. Premièrement, cartographier le funnel en étapes décisionnelles, pas en événements décoratifs. Deuxièmement, mesurer les transitions conditionnelles et les délais entre étapes. Troisièmement, réconcilier les données web, CRM, paiement, marge et retours pour éviter les faux diagnostics. Quatrièmement, segmenter par device, canal, campagne, statut utilisateur, produit et niveau d’intention. Cinquièmement, pondérer chaque rupture par son impact économique : coût média, marge, LTV, qualité lead et coût opérationnel. Sixièmement, choisir le modèle adapté : entonnoir pour la lisibilité, Markov ou Shapley pour les parcours complexes, analyse de survie pour les délais, uplift pour la causalité. Septièmement, expliquer les ruptures par une combinaison de données quantitatives, observation UX et retours qualitatifs. Huitièmement, tester les corrections avec des KPI primaires alignés sur la valeur et des guardrails.

Pour les équipes marketing expertes, le principal gain n’est pas seulement d’améliorer un taux de conversion. C’est d’éviter les mauvais arbitrages. Baisser les budgets d’un canal qui amène de bons utilisateurs mais se heurte à un checkout défaillant est une erreur. Augmenter les dépenses sur un canal qui génère beaucoup de micro-conversions sans valeur en est une autre. Déclarer une landing page perdante parce qu’elle réduit les clics mais améliore les SQL revient à confondre volume et profit.

Lire les vrais points de rupture suppose d’accepter que la performance soit séquentielle, segmentée et économique. Un funnel n’est pas un tuyau que l’on remplit de trafic ; c’est une série de décisions utilisateur, chacune influencée par la promesse média, l’ergonomie, le prix, la confiance, le contexte et la valeur perçue. L’attribution intra-funnel donne aux équipes le moyen de voir ces décisions, de les quantifier et de les prioriser. C’est à cette condition que la CRO cesse de corriger des symptômes et devient un système d’allocation du capital marketing vers les ruptures qui coûtent réellement de l’argent.