Estimand explicite
Effet moyen, effet sur les exposés, effet d’une tranche de budget ou effet à long terme ne sont pas la même quantité. Le design ne peut être choisi avant d’avoir défini la population, l’action et l’horizon.
Analyse expert · Révisée le 22.08.2026
Causalité marketing : identifier le chemin qui fabrique une fausse performance.
DÉCISION SOUTENUEAutoriser une recommandation seulement si les principaux chemins de confusion sont bloqués, mesurés ou explicitement laissés dans l’incertitude.
Statut pédagogique
Niveau pédagogique documenté
Méthode et sources vérifiées ; résultats empiriques de la source non reproduits. Cette page n’établit ni performance observée, ni effet causal démontré, ni validation scientifique complète.
- Affirmations couvertes
- Partiel · 2 affirmations reliées à une source.
- Reproduction de la source
- Partielle · les résultats empiriques ne sont pas reproduits.
- Artefacts contrôlés
- 6 vérifiés · 1 runtime indisponible.
Preuves directement vérifiables
Sources primaires pour contrôler les affirmations clés.
- Holland (1986), Statistics and Causal Inference (ouvre un nouvel onglet)
Définition du problème causal et du contrefactuel.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
Chemins ouverts
Une variable commune à l’action et au résultat crée un chemin non causal. La contrôler peut aider, mais contrôler un médiateur ou un collidant peut aussi introduire un nouveau biais.
Design avant modèle
Randomisation, règle d’éligibilité, variation géographique ou temporelle crédible créent la comparaison. Un modèle plus complexe ne répare pas automatiquement une absence de contrefactuel.
Méthode
Construire une affirmation causale proportionnée à la preuve
- 01Définir l’intervention
Préciser qui reçoit quoi, quand, à quelle dose et par rapport à quelle absence d’action. Une campagne composite doit être décomposée si ses éléments peuvent varier.
- 02Dessiner les causes
Cartographier variables antérieures, critères de ciblage, demande latente, concurrence, médiateurs et résultat. Le graphe sert à décider quoi mesurer et quoi ne pas contrôler.
- 03Choisir la variation
Privilégier randomisation ; sinon documenter l’hypothèse qui rend une variation quasi expérimentale crédible et rechercher des tests placebo ou pré-tendances.
- 04Borner l’usage
Rapporter intervalle, sensibilité aux confondeurs et population couverte. Une preuve locale ne doit pas être transformée en rendement universel.
ÉLÉMENT ORIGINAL
La carte des chemins de biais
Le graphe sépare effet recherché, causalité inverse, sélection et variables communes. Chaque chemin appelle un design ou un diagnostic différent.
CAUSE COMMUNEDemande prévue+6 € de biais
↘
↙
ACTIONDépense média
→ effet recherché →
RÉSULTATVentes
VARIABLE OMISSIONPromotion + saison+5 € de biais
↗
↖
ASSOCIATION18 €
−BIAIS DOCUMENTÉ11 €
=EFFET TESTÉ7 €
EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Un rendement apparent de 18 € tombe à 7 € après identification
Une régression historique attribue 18 € de ventes à chaque millier d’euros média. Les budgets sont pourtant augmentés avant les semaines de forte demande et pendant les promotions.
La décomposition estime 6 € de biais lié à la demande prévue, 3 € aux promotions et 2 € à la saison, soit 11 €. Un test géographique comparable mesure un effet de 7 €, cohérent avec 18 − 11.
L’effet causal utilisable est de 7 € dans le périmètre du test. Le rendement de 18 € reste une association descriptive et ne doit pas guider l’allocation.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Population, intervention, comparaison, résultat et horizon sont définis.
- 02
Les causes communes de l’action et du résultat sont cartographiées.
- 03
Le design crée une variation indépendante ou défend une hypothèse testable.
- 04
L’affirmation finale reste limitée à la population et à la plage observées.
Limites
Ce que cette analyse ne prouve pas.
- Un graphe causal formalise les hypothèses ; il ne les rend pas vraies.
- Les effets peuvent varier selon segment, dose, période et interaction avec d’autres leviers.
- Les analyses de sensibilité réduisent la surconfiance mais ne révèlent pas un confondeur non mesuré.
Références
Travaux mobilisés.
- Pearl, J. (2009), Causality: Models, Reasoning, and Inference.
- Hernán, M. A. & Robins, J. M. (2020), Causal Inference: What If.
- Shadish, W. R., Cook, T. D. & Campbell, D. T. (2002), Experimental and Quasi-Experimental Designs.