Vos trois sources divergent parce qu’elles ne mesurent pas la même chose, et aucune ne ment. GA4 attribue un parcours, Meta compte l’effet supposé d’une exposition, votre CRM enregistre un chiffre d’affaires encaissé. Trois périmètres, trois fenêtres, trois définitions du mot « conversion ». La bonne question n’est donc pas « qui ment », c’est « laquelle croire, pour quelle décision ». C’est l’un des arbitrages de fond du media buying.
L’ordre de grandeur de l’écart est documenté, et il est vertigineux. Sur 663 expériences randomisées analysées par Gordon, Moakler et Zettelmeyer dans Marketing Science (2022), un lift réel de 5 % en bas de funnel apparaît à 64 % quand on le mesure par appariement par propension. Soit une surestimation de 12,8 fois par une méthode d’attribution observationnelle courante. Retenez ce chiffre : il explique pourquoi vos tableaux de bord se contredisent et pourquoi aucun d’eux ne suffit à arbitrer un budget.
Le récit dominant veut que les régies gonflent systématiquement leurs résultats. Ce récit est faux en bloc, et c’est probablement l’information la plus contre-intuitive de cet article. Sur 640 expériences geo-randomisées, Meta sous-déclare son impact en vente directe au consommateur. La surdéclaration existe, elle est bien documentée, mais elle est localisée sur des configurations précises que nous allons nommer.
Que mesure réellement chacune des trois sources ?
Chaque source répond à une question différente, et c’est pour cela qu’aucune ne peut confirmer l’autre. GA4 répond à « par quel chemin cette personne est-elle arrivée ». Meta répond à « qui a converti après avoir vu ma publicité ». Votre CRM répond à « quel montant a effectivement été facturé ».
| Source | Ce qu’elle mesure | Fenêtre et règle | Angle mort principal |
|---|---|---|---|
| GA4 | La session et le canal de dernière touche non directe | Attribution au niveau du navigateur, session-based | Ne voit ni les impressions sans clic, ni les appareils croisés non identifiés |
| Régie (Meta, Google Ads) | Les conversions des personnes exposées à la publicité | Fenêtres après clic et après impression choisies par la plateforme | Juge et partie, ne connaît que son propre inventaire |
| CRM | Le chiffre d’affaires réellement contractualisé | Temps réel de l’entreprise, cycle de vente complet | Ne sait presque rien de ce qui s’est passé avant le formulaire |
Pourquoi ces trois sources ne peuvent pas converger
Elles ne peuvent pas converger parce que la question posée à chacune est différente, et non parce que votre implémentation est défaillante. Un directeur marketing qui passe un trimestre à faire coïncider GA4 et Meta poursuit un objectif qui n’existe pas. C’est le plus grand gisement de temps perdu de tout le sujet.
Trois mécanismes expliquent l’essentiel de l’écart :
- La fenêtre d’attribution. La régie choisit sa fenêtre après clic et après impression. GA4 travaille sur la session. Le CRM travaille sur votre cycle de vente réel, qui peut durer des mois.
- La vue sans clic. Une personne qui voit une publicité, ne clique pas, puis se rend sur votre site deux jours plus tard est une conversion pour la régie et une conversion directe ou organique pour GA4.
- La déduplication entre appareils. Une personne qui voit sur mobile et achète sur ordinateur est identifiée par la régie si elle est connectée, et perdue par GA4 si rien ne la relie.
Un ordre de grandeur documenté sur le terrain : dans un test indépendant portant sur 1,05 million de dollars de dépense, Seer Interactive (2025) relève que Meta déclare 87 % de ses conversions comme incrémentales, alors que le recoupement avec GA4 tombe à 67 %. Soit 20 points d’écart sur un même périmètre de dépense.
Que dit vraiment la recherche académique ?
La recherche est catégorique sur un point : les méthodes d’attribution observationnelle surestiment massivement l’effet réel de la publicité. Le travail de référence est celui de Gordon, Moakler et Zettelmeyer, publié dans Marketing Science en 2022 et fondé sur 663 expériences randomisées menées chez Facebook.
Leur résultat le plus parlant concerne le bas de funnel. Le lift réel, mesuré par essai contrôlé randomisé, est de 5 %. Les mêmes données, traitées par une méthode économétrique de double machine learning, affichent 24 %. Traitées par appariement par propension, elles affichent 64 %. Soit une surestimation comprise entre 4,8 et 12,8 fois selon la méthode utilisée.
Les auteurs ne prennent aucune précaution oratoire dans leur conclusion. Ils écrivent que les méthodes testées sont « unable to reliably estimate an ad campaign’s causal effect » (incapables d’estimer de façon fiable l’effet causal d’une campagne publicitaire), et tranchent d’une formule de quatre mots : « neither method performs well » (aucune des deux méthodes ne fonctionne bien), selon Gordon, Moakler et Zettelmeyer (2022). Formulation d’origine en anglais.
Deux autres travaux complètent le tableau. Golden et Horton, dans Management Science en 2021, établissent que l’attribution naïve surestime d’environ 60 %. Et Blake, Nosko et Tadelis, dans Econometrica en 2015, mesurent chez eBay « no measurable short-term benefits » (aucun bénéfice mesurable à court terme) pour les annonces achetées sur les mots-clés de marque, avec un retour sur investissement moyen négatif sur le search non-marque. Ils relèvent au passage que « almost all (99.5 percent) of the forgone click traffic from turning off brand keyword paid search was immediately captured by natural search traffic » (la quasi-totalité, 99,5 %, du trafic de clics perdu en coupant le search payant sur les mots-clés de marque a été immédiatement récupérée par le trafic naturel).
Nuance obligatoire sur ce dernier point, car il est très souvent surinterprété. Simonov, Nosko et Rao (Marketing Science, 2018) montrent que l’effet du search de marque n’est pas nul : il est de 1 à 4 %. Et si une marque n’enchérit pas sur son propre nom, les concurrents captent 18 à 42 % des clics. L’argument du search de marque est donc défensif, pas incrémental. Écrire qu’il « ne sert à rien » serait un contresens.
Les régies gonflent-elles vraiment leurs chiffres ?
Non, pas globalement, et c’est le point que ce sujet mérite d’entendre. Sur 640 expériences geo-randomisées publiées par Haus en 2025, Meta sous-déclare son impact en vente directe au consommateur, avec un ratio de 1,15 en fenêtre 7 jours après clic. Autrement dit, l’impact réel dépasse ce que la plateforme s’attribue.
La même étude donne deux chiffres qui prolongent le raisonnement : le lift moyen mesuré est d’environ 19 %, et 32 % de l’impact se produit hors du canal de vente directe. Une régie qui ne voit que votre site sous-estime mécaniquement ce qui se passe en boutique, chez un distributeur ou par téléphone.
Ce qu’on lit partout. Les régies publicitaires gonflent systématiquement leurs conversions pour justifier votre budget.
Ce que dit la donnée. Sur 640 expériences geo-randomisées, Haus (2025) mesure que Meta sous-déclare son impact en vente directe au consommateur, avec un ratio de 1,15 en fenêtre 7 jours après clic. La surdéclaration est réelle, mais elle se concentre sur des configurations précises.
Où se concentre alors la surdéclaration ? Sur quatre configurations identifiables, et il est bien plus utile de les surveiller que d’accuser la plateforme en bloc :
- Les fenêtres d’attribution longues, qui ramassent des conversions qui auraient eu lieu de toute façon.
- La conversion après impression, dite view-through, qui crédite une exposition sans interaction.
- Le retargeting, qui adresse par construction des personnes déjà engagées et souvent déjà décidées.
- Les campagnes automatisées Advantage+, traitées ci-dessous.
Le cas Advantage+ : 12 points de surdéclaration
Advantage+ sur-déclare son impact de 12 points par rapport aux campagnes manuelles, selon les 640 expériences geo-randomisées de Haus (2025). C’est l’écart le plus net et le plus actionnable de tout le corpus disponible.
Le second chiffre de la même étude est encore plus dérangeant pour les arbitrages courants : les campagnes manuelles battent Advantage+ dans 58 % des cas mesurés. Cela ne condamne pas l’automatisation, qui garde des avantages opérationnels considérables. Cela signifie que le tableau de bord d’une campagne automatisée doit être lu avec une décote, et qu’un basculement massif vers l’automatisation ne devrait jamais être décidé sur les seuls chiffres déclarés par la plateforme.
C’est aussi l’une des raisons pour lesquelles un ROAS affiché peut stagner alors que la performance réelle progresse, ou l’inverse. Nous démontons ce phénomène dans notre analyse des causes réelles d’un ROAS qui plafonne, et nous détaillons l’arbitrage entre plateformes dans notre guide sur la répartition de budget entre Google Ads et Meta Ads en B2B.
Quelle source utiliser pour quelle décision ?
Utilisez la régie pour piloter au jour le jour, GA4 pour comprendre les parcours, le CRM pour arbitrer sur le chiffre d’affaires réel, et une mesure d’incrémentalité pour décider d’augmenter ou de couper un budget. La règle tient en une phrase : plus la décision engage d’argent, moins vous devez vous fier à une source déclarative.
| Décision à prendre | Source à privilégier | Pourquoi |
|---|---|---|
| Optimiser des enchères, arbitrer entre créas | La régie | Elle seule voit son propre inventaire en temps réel |
| Comprendre un parcours, diagnostiquer une page | GA4 | Il suit la session et la séquence de pages |
| Connaître le chiffre d’affaires réel et la marge | Le CRM | C’est la seule source d’un montant encaissé |
| Augmenter, réduire ou couper un canal | Une mesure d’incrémentalité | Les trois autres surestiment l’effet causal |
| Suivre l’efficacité globale du média | Un ratio global dépense sur revenu | Il ne dépend d’aucune règle d’attribution |
Le dernier point mérite une explication, car il est le plus sous-utilisé. Un ratio calculé entre votre dépense média totale et votre revenu total sur la même période ne dépend d’aucune fenêtre d’attribution et d’aucune règle de dernière touche. Il ne dit pas quel canal a produit quoi. Mais il ne peut pas être manipulé par un paramétrage, et c’est précisément sa valeur. Nous comparons ce ratio aux autres indicateurs de pilotage dans notre article sur le ROAS, le MER, le CAC et la LTV.
Comment mesurer l’incrémental sans outil coûteux
Commencez par un test geo-randomisé simple ou une période d’arrêt contrôlée sur une zone géographique. Vous coupez le canal sur un territoire comparable, vous laissez tourner sur les autres, et vous comparez. C’est la seule famille de méthodes qui produit un effet causal, et elle ne demande pas de plateforme spécialisée pour démarrer.
Une réserve honnête doit accompagner cette recommandation, faute de quoi vous risquez de tirer des conclusions d’un bruit statistique. Lewis et Rao, dans le Quarterly Journal of Economics en 2015, ont analysé 25 grandes expériences représentant 2,8 millions de dollars de dépense. Leur conclusion est brutale, et ils l’écrivent sans détour : « informative advertising experiments can easily require more than 10 million person-weeks » (des expériences publicitaires réellement informatives peuvent facilement exiger plus de 10 millions de personne-semaines). Pour distinguer un écart de 10 points de ROI, la campagne médiane devrait être 62 fois plus grande. La raison est mécanique : l’écart-type des ventes individuelles vaut environ 10 fois la moyenne.
Ce que cela implique concrètement pour vous :
- Testez sur des durées longues, plusieurs semaines au minimum, jamais sur cinq jours.
- Testez les gros postes de dépense en priorité, ce sont les seuls où le signal a une chance de dépasser le bruit.
- Acceptez un résultat non concluant comme un résultat. Un test qui ne tranche pas vous dit que l’écart réel est plus petit que ce que votre volume permet de détecter.
- Ne rejugez pas un test avec les chiffres de la plateforme. Ce serait revenir à la source que vous cherchiez justement à contrôler.
Un cas particulier utile à connaître : sur le search de marque, Haus (2025) mesure un lift significatif chez 82 % des marques évoluant en forte concurrence, contre 35 % en faible concurrence. La question « faut-il enchérir sur son propre nom » n’a donc pas de réponse universelle : elle dépend de qui d’autre est présent sur votre page de résultats.
Enfin, si vos écarts entre sources vous semblent aggravés par une collecte défaillante plutôt que par une divergence de définition, le sujet est différent et nous le traitons dans notre article sur le tracking server-side et quand s’y mettre.
Ce sujet suppose tranché un arbitrage antérieur, celui entre publicité payante et acquisition organique. Si ce n’est pas votre cas, commencez par là.
Une cause de divergence mérite d’être écartée avant toutes les autres, parce qu’elle est mécanique : une déduplication mal réglée entre le navigateur et le serveur fait compter deux fois la même conversion. Les trois conditions à vérifier sont dans pixel publicitaire, du navigateur à l’API de conversions.
Une cause de divergence se règle en amont de tout le reste : des événements nommés différemment d’un outil à l’autre, ou déclarés deux fois sous deux libellés. C’est l’objet du plan de taggage.
Un dernier mot sur le modèle censé arbitrer entre ces sources. La modélisation du mix marketing est présentée comme la réponse agrégée à ce problème, mais elle a ses propres conditions d’estimabilité, chiffrées par Google et rarement citées : avez-vous assez de données.
En bref
- Arrêtez de chercher à réconcilier vos trois totaux. GA4, votre régie et votre CRM répondent à trois questions différentes sur trois fenêtres différentes. La convergence n’est pas un objectif atteignable.
- Ne partez pas du principe que la régie exagère. Sur 640 expériences geo-randomisées, Haus (2025) montre que Meta sous-déclare en vente directe au consommateur. Surveillez plutôt les quatre configurations où la surdéclaration est réelle : fenêtres longues, conversion après impression, retargeting et Advantage+, ce dernier sur-déclarant de 12 points.
- Réservez la mesure d’incrémentalité aux décisions de budget. Elle seule produit un effet causal, comme le montrent les 663 expériences randomisées de Gordon, Moakler et Zettelmeyer (2022), où un lift réel de 5 % apparaît à 64 % avec un appariement par propension.
Si vos trois tableaux de bord se contredisent depuis des mois et que personne ne sait lequel suivre pour arbitrer, le problème n’est pas technique, il est méthodologique. Réserver un diagnostic nous permet de regarder vos écarts réels et de définir quelle source pilote quelle décision chez vous. Vous pouvez aussi découvrir notre approche de l’acquisition payante.