Unité sans fuite
La géographie doit limiter exposition média, déplacements, zones de chalandise et spillovers numériques entre traitement et contrôle. Une frontière administrative n’est pas toujours une frontière comportementale.
Analyse expert · Révisée le 22.08.2026
Test géographique : apparier des marchés avant de déplacer le budget.
DÉCISION SOUTENUELancer le test seulement si les géographies permettent un contrefactuel stable et si l’effet minimum détectable est inférieur au gain nécessaire pour agir.
Preuves directement vérifiables
Sources primaires pour contrôler les affirmations clés.
- Google Research, Measuring Ad Effectiveness Using Geo Experiments (ouvre un nouvel onglet)
Conception et interprétation des expériences géographiques.
- Google Research, Robust Causal Inference with Paired Geo Experiments (ouvre un nouvel onglet)
Estimation robuste de l’iROAS et sensibilité aux hypothèses.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
Pré-tendance comparable
Les paires doivent évoluer ensemble avant le test sur le résultat, la distribution, le prix et les événements majeurs. Une forte corrélation moyenne ne suffit pas si les écarts dérivent.
Puissance décisionnelle
L’effet minimum détectable doit être comparé au seuil économique. Un test incapable de distinguer +4 % de zéro ne peut pas trancher une décision rentable dès +2 %.
Méthode
Concevoir un test géographique qui peut réellement conclure
- 01Définir l’effet utile
Écrire le résultat, l’horizon, la population et l’uplift minimal qui rembourse le coût de campagne. Cette valeur devient la cible de puissance.
- 02Construire les paires
Apparier les marchés sur niveau, tendance, saisonnalité, distribution, prix et mix concurrentiel. Réserver les périodes atypiques à des tests de robustesse.
- 03Assigner et stabiliser
Randomiser le traitement au sein des paires, figer le calendrier, contrôler les autres leviers et surveiller les fuites d’exposition pendant le test.
- 04Analyser la différence
Estimer l’écart traité-contrôle, son intervalle, les pré-tendances et les placebos. Rapporter aussi le coût par unité incrémentale et les marchés influents.
ÉLÉMENT ORIGINAL
Douze paires de marchés comparables
Les paires sont ordonnées par similarité pré-test. La puissance dépend de la variance des différences au sein des paires, pas seulement du nombre de zones.
12 PAIREScorrélation médiane 0,91
ÉCART-TYPE4,8 %
EMD3,88 %
01LilleRouen0,96
02NantesRennes0,95
03DijonTours0,94
04GrenobleClermont0,93
05ReimsOrléans0,92
06MetzNancy0,91
07CaenAmiens0,90
08AngersLe Mans0,89
09AvignonNîmes0,88
10PauPerpignan0,87
11PoitiersLimoges0,86
12BrestLorient0,85
EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Douze paires détectent un effet d’environ 3,9 %
L’écart-type historique des différences au sein des paires est de 4,8 %. Le plan conserve douze paires, un risque bilatéral de 5 % et une puissance cible de 80 %.
Approximation de l’effet minimum détectable = (1,96 + 0,84) × 4,8 % ÷ √12 = 3,88 %. Le gain économique minimal attendu est de 3,2 %.
Le test reste légèrement sous-dimensionné pour le seuil économique. Il faut ajouter des paires, prolonger la période ou réduire la variance par covariables pré-test.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Le seuil économique est défini avant le calcul de puissance.
- 02
Les paires ont des niveaux et pré-tendances stables sur plusieurs périodes.
- 03
L’assignation au sein des paires est randomisée et documentée.
- 04
Fuites, changements de distribution et événements locaux sont surveillés.
Limites
Ce que cette analyse ne prouve pas.
- Un petit nombre de marchés rend l’inférence sensible à une paire influente.
- Les effets estimés peuvent ne pas se transporter aux très grandes villes ou aux zones non testées.
- Les campagnes nationales, les médias sans ciblage géographique et les déplacements peuvent contaminer le contrôle.
Références
Travaux mobilisés.
- Vaver, J. & Koehler, J. (2011), « Measuring Ad Effectiveness Using Geo Experiments ».
- Kerman, J., Wang, P. & Vaver, J. (2017), « Estimating Ad Effectiveness Using Geo Experiments in a Time-Based Regression Framework ».
- Imbens, G. W. & Rubin, D. B. (2015), Causal Inference for Statistics, Social, and Biomedical Sciences.