La rentabilité des actions marketing constitue l'un des enjeux majeurs pour toute entreprise soucieuse d'optimiser ses investissements. Dans un environnement économique où chaque euro dépensé doit être justifié, il devient crucial de pouvoir mesurer précisément le retour généré par les différentes initiatives déployées. La question n'est plus seulement de savoir si une campagne plaît ou attire l'attention, mais bien de déterminer si elle contribue positivement au bilan financier de l'organisation.
La complexité du parcours client moderne, qui navigue entre différents points de contact avant de finaliser un achat, rend cette évaluation particulièrement délicate. Les cycles de vente s'allongent, notamment dans le B2B, et plusieurs interactions marketing peuvent influencer une décision d'achat. Face à cette réalité, les entreprises doivent disposer d'indicateurs fiables et de méthodologies éprouvées pour déterminer avec précision la performance de leurs actions.
Les technologies analytiques ont considérablement évolué ces dernières années, offrant des possibilités inédites pour suivre et analyser l'impact des initiatives marketing. Des outils sophistiqués permettent désormais de connecter les investissements aux résultats commerciaux, apportant une transparence inédite dans l'évaluation du retour sur investissement.
Les indicateurs clés de performance (KPI) en marketing
Les indicateurs clés de performance constituent le socle fondamental de toute analyse de rentabilité marketing. Ces métriques essentielles permettent de transformer des données brutes en informations exploitables pour guider les décisions stratégiques. L'identification des KPI pertinents dépend directement des objectifs spécifiques de chaque campagne et du modèle économique de l'entreprise.
Pour être véritablement utiles, les KPI doivent répondre à plusieurs critères fondamentaux : être mesurables avec précision, alignés sur les objectifs commerciaux, comparables dans le temps, et actionnables. Un bon indicateur ne se contente pas de constater un résultat, il doit également permettre d'identifier les leviers d'amélioration potentiels.
L'écosystème marketing digital offre une multitude de données exploitables, mais cette abondance peut rapidement devenir contre-productive sans une hiérarchisation claire des indicateurs. Savoir distinguer les vanity metrics (métriques flatteuses mais peu significatives) des KPI véritablement révélateurs de performance économique constitue une compétence essentielle pour tout responsable marketing.
ROI (return on investment) : méthode de calcul et seuils de rentabilité
Le ROI représente l'indicateur ultime pour évaluer la rentabilité d'une action marketing. Sa formule de base est relativement simple : (Profit - Coût de l'investissement) / Coût de l'investissement × 100. Le résultat s'exprime en pourcentage et indique directement combien chaque euro investi a généré en retour net. Par exemple, un ROI de 200% signifie que chaque euro dépensé a rapporté 2 euros de bénéfice après déduction des coûts.
Pour calculer précisément le ROI, il faut prendre en compte l'ensemble des coûts associés à l'action marketing : dépenses média, coûts de production, ressources humaines mobilisées et frais techniques. Du côté des profits, l'évaluation doit intégrer les revenus directement attribuables à la campagne, ce qui peut nécessiter des systèmes d'attribution sophistiqués.
Un ROI de 5:1 (500%) est généralement considéré comme excellent dans l'industrie du marketing digital, tandis qu'un ratio de 2:1 (200%) représente souvent le minimum acceptable pour juger une campagne rentable.
Les seuils de rentabilité varient considérablement selon les secteurs d'activité, les objectifs spécifiques et le stade de développement de l'entreprise. Une startup en phase d'acquisition pourra accepter temporairement un ROI négatif pour gagner des parts de marché, tandis qu'une entreprise établie visera généralement un retour minimum de 300% pour justifier ses investissements marketing.
ROAS (return on ad spend) : application aux campagnes publicitaires google ads et meta
Le ROAS (Return On Ad Spend) se distingue du ROI en se concentrant spécifiquement sur les dépenses publicitaires. Sa formule est : Revenu généré par la publicité / Coût publicitaire. Contrairement au ROI qui intègre tous les coûts associés, le ROAS se limite strictement aux dépenses engagées sur les plateformes publicitaires, comme Google Ads ou Meta (Facebook et Instagram).
Pour les campagnes Google Ads, le calcul du ROAS s'effectue directement dans l'interface de gestion, à condition d'avoir correctement configuré le suivi des conversions et attribué des valeurs aux actions désirées. L'objectif est généralement d'optimiser les enchères pour maximiser ce ratio. Un ROAS de 400% signifie que pour chaque euro dépensé en publicité, 4 euros de revenu ont été générés.
Dans l'écosystème Meta, le ROAS se calcule de manière similaire mais présente quelques spécificités liées à la nature des réseaux sociaux. La conversion peut intervenir plus tardivement après l'interaction publicitaire, ce qui nécessite des fenêtres d'attribution adaptées. Les campagnes Meta offrent souvent un ROAS plus élevé pour les actions situées en haut du funnel (sensibilisation, considération) que pour les conversions directes.
L'analyse comparative du ROAS entre différentes plateformes publicitaires permet d'identifier les canaux les plus performants et d'ajuster la répartition budgétaire en conséquence. Un tableau de bord unifié, consolidant les données de performance de l'ensemble des campagnes, facilite grandement cette optimisation continue.
CAC (coût d'acquisition client) et LTV (lifetime value) : équilibre optimal
Le Coût d'Acquisition Client (CAC) mesure l'investissement total nécessaire pour convertir un prospect en client. Il se calcule en divisant l'ensemble des dépenses marketing et commerciales d'une période donnée par le nombre de nouveaux clients acquis durant cette même période. Un CAC élevé peut signaler des inefficacités dans le processus de conversion ou un marché particulièrement concurrentiel.
La Valeur Vie Client (LTV ou Lifetime Value) représente la contribution nette totale qu'un client moyen apportera à l'entreprise tout au long de sa relation commerciale. Elle prend en compte les revenus récurrents, la fréquence d'achat, la marge moyenne et la durée typique de la relation client. La formule simplifiée est : Valeur moyenne d'achat × Fréquence d'achat × Durée moyenne de fidélité.
Le ratio LTV/CAC constitue un indicateur stratégique majeur pour évaluer la viabilité économique du modèle d'acquisition. Un ratio de 3:1 (la valeur vie client est trois fois supérieure au coût d'acquisition) est généralement considéré comme l' équilibre optimal pour une entreprise en croissance saine. Un ratio inférieur à 1:1 indique un modèle économique non viable à terme.
| Ratio LTV/CAC | Interprétation |
|---|---|
| < 1:1 | Modèle économique non viable - vous perdez de l'argent sur chaque client |
| 1:1 à 2:1 | Zone de danger - profitabilité insuffisante pour une croissance durable |
| 3:1 à 5:1 | Zone optimale - équilibre entre acquisition et rentabilité |
| > 5:1 | Potentiel sous-exploité - possibilité d'investir davantage en acquisition |
Pour optimiser ce ratio, les stratégies peuvent viser tant la réduction du CAC (amélioration des taux de conversion, optimisation des canaux d'acquisition) que l'augmentation de la LTV (développement de l'upsell, cross-sell, programmes de fidélisation). L'analyse de ce ratio par segment de clientèle révèle souvent des opportunités d'optimisation ciblées.
Taux de conversion et parcours d'achat : analyse des micros et macros conversions
Le taux de conversion global mesure le pourcentage de visiteurs qui réalisent l'action finale souhaitée (généralement un achat). Cette métrique essentielle se calcule en divisant le nombre de conversions par le nombre total de visiteurs. Cependant, cette vision binaire (conversion ou non-conversion) ne reflète pas la complexité du parcours d'achat moderne.
L'analyse des micro-conversions offre une perspective plus nuancée en identifiant les étapes intermédiaires significatives du tunnel de conversion : inscription à une newsletter, téléchargement d'un livre blanc, visionnage d'une démo, ajout au panier... Ces actions, bien que ne générant pas directement de revenus, indiquent une progression vers l'objectif principal.
La visualisation du parcours d'achat complet, depuis la première interaction jusqu'à la conversion finale, permet d'identifier les points de friction et les opportunités d'optimisation. Les outils comme Google Analytics 4 offrent des fonctionnalités avancées pour analyser ces chemins de conversion et calculer le taux d'abandon à chaque étape.
Pour maximiser la rentabilité marketing, l'analyse doit s'étendre au-delà de la macro-conversion initiale pour inclure les comportements post-conversion : taux de réachat, valeur moyenne des commandes ultérieures, taux d'adoption de services complémentaires. Ces indicateurs révèlent la qualité des conversions obtenues et leur impact sur la rentabilité à long terme.
Méthodes d'attribution dans l'analyse marketing
L'attribution marketing représente l'un des défis les plus complexes dans l'évaluation de la rentabilité des actions. Déterminer précisément quelle touche marketing a déclenché une conversion devient particulièrement ardu dans un écosystème où le parcours client implique en moyenne 7 à 13 points de contact avant l'achat final. Les modèles d'attribution visent à distribuer équitablement le "crédit" de la conversion entre les différentes interactions marketing qui ont jalonné le parcours d'achat.
Le choix d'un modèle d'attribution influence directement l'évaluation de la rentabilité de chaque canal marketing. Une attribution inadéquate peut conduire à sous-estimer systématiquement certains leviers (typiquement ceux intervenant en début de parcours) et à surévaluer d'autres (généralement les derniers points de contact). Cette distorsion risque d'entraîner des décisions d'allocation budgétaire sous-optimales.
Les entreprises les plus matures adoptent désormais des approches d'attribution avancées, s'appuyant sur l'intelligence artificielle pour analyser les schémas complexes d'interactions et distribuer le crédit des conversions de manière plus représentative de la réalité du parcours client. Ces modèles algorithmiques permettent une évaluation plus juste de la contribution réelle de chaque canal à la génération de valeur.
Modèle d'attribution last-click vs first-click : forces et limites
Le modèle d'attribution au dernier clic ( last-click ) attribue 100% du crédit de la conversion au dernier point de contact avant l'achat. Simple à implémenter et à comprendre, ce modèle a longtemps dominé l'analyse marketing. Il reste pertinent dans les parcours d'achat courts et impulsifs, où la dernière interaction joue effectivement un rôle déterminant dans la décision d'achat.
À l'opposé, le modèle d'attribution au premier clic ( first-click ) valorise exclusivement le canal qui a permis la découverte initiale de la marque ou du produit. Cette approche reconnaît l'importance cruciale de la génération de notoriété et d'intérêt en amont du processus d'achat. Elle s'avère particulièrement adaptée aux stratégies d'acquisition de nouveaux marchés.
Les limites de ces modèles "tout ou rien" sont évidentes : ils ignorent complètement la contribution des points de contact intermédiaires. Dans un parcours d'achat B2B typique, où la phase de considération peut s'étaler sur plusieurs mois avec de multiples interactions, ces modèles simplistes conduisent à des analyses faussées de la rentabilité réelle des différents canaux.
La dépendance excessive au modèle last-click favorise généralement les canaux orientés performance (search engine marketing, retargeting) au détriment des investissements en image de marque et notoriété. Cette distorsion peut conduire à des allocations budgétaires déséquilibrées, privilégiant le court terme au détriment de la construction d'actifs marketing durables.
Attribution multi-touch et fractionnée : calcul avec google analytics 4
Les modèles d'attribution multi-touch représentent une évolution significative en distribuant le crédit des conversions entre plusieurs points de contact. Parmi ces modèles, le modèle linéaire attribue un crédit égal à chaque interaction, tandis que le modèle en U privilégie le premier et le dernier contact en accordant une importance moindre aux interactions intermédiaires.
Google Analytics 4 (GA4) a considérablement amélioré les capacités d'attribution par rapport aux versions précédentes. L'outil propose désormais plusieurs modèles pré-configurés : attribution au dernier clic, au premier clic, linéaire, pondération temporelle et basée sur les données (data-driven). Ce dernier modèle utilise l'apprentissage automatique pour analyser les schémas de conversion spécifiques à votre site.
Pour configurer l'attribution dans GA4, accédez à la section "Attribution" dans le menu Administrateur. Sélectionnez le modèle qui correspond le mieux à votre stratégie marketing et à la complexité de votre parcours client. Le modèle basé sur les données est généralement recommandé lorsque le volume de conversions est suffisant (>1000 conversions mensuelles) pour alimenter l'algorithme.
L'attribution multi-touch permet une compréhension plus nuancée de la contribution de chaque canal, menant à des décisions d'investissement marketing plus équilibrées et à une évaluation plus précise du retour sur investissement
Attribution cross-device et omnicanale : méthodologie de tracking unifié
L'attribution cross-device aborde la complexité du parcours client qui s'étend désormais sur plusieurs appareils. Un consommateur peut découvrir un produit sur mobile, approfondir ses recherches sur ordinateur, puis finaliser son achat en magasin physique. Sans un système de tracking unifié, ces interactions fragmentées apparaissent comme des parcours clients distincts, faussant l'analyse de rentabilité.
La méthodologie de tracking unifié repose sur trois piliers fondamentaux : l'identification des utilisateurs à travers les appareils, la consolidation des données offline et online, et l'unification des mesures d'attribution. Les entreprises les plus avancées utilisent désormais un identifiant client unique (ID universel) pour suivre le parcours complet, indépendamment du canal ou de l'appareil utilisé.
La mise en place d'un tracking cross-device efficace nécessite généralement une combinaison de techniques. L'approche déterministe s'appuie sur des identifiants explicites comme les comptes utilisateurs connectés, tandis que l'approche probabiliste utilise des algorithmes pour associer les interactions provenant probablement du même utilisateur à partir de signaux comportementaux. Google, Facebook et Apple ont développé leurs propres écosystèmes d'identification cross-device, mais les restrictions croissantes en matière de confidentialité complexifient cette tâche.
Pour l'attribution omnicanale intégrant les interactions physiques, des mécanismes spécifiques doivent être déployés : codes QR uniques, coupons personnalisés, programmes de fidélité, ou encore géolocalisation. Un Customer Data Platform (CDP) constitue souvent la pièce maîtresse technologique permettant d'unifier ces données hétérogènes et de construire une vision 360° du parcours client pour une attribution précise de la rentabilité.
Outils d'analyse de rentabilité marketing
L'écosystème des outils d'analyse de rentabilité marketing s'est considérablement enrichi ces dernières années, offrant aux professionnels un arsenal complet pour évaluer l'impact de leurs actions. Ces solutions se distinguent par leur degré de spécialisation, leur intégration avec l'infrastructure existante et leur capacité à transformer des données brutes en insights actionnables.
Au premier niveau se trouvent les plateformes analytiques généralistes comme Google Analytics 4 et Adobe Analytics, qui constituent le socle fondamental de toute analyse de performance marketing. Ces outils permettent de suivre le parcours utilisateur de bout en bout, d'identifier les sources de trafic les plus performantes, et de calculer les taux de conversion par segment. GA4, avec son approche événementielle et son intégration native à l'écosystème Google, offre une vision particulièrement pertinente pour les environnements digitaux.
Les outils spécialisés dans l'attribution marketing comme Ruler Analytics, Attribution ou Dreamdata viennent compléter cette première couche en proposant des modèles d'attribution avancés. Ces solutions sont particulièrement précieuses pour les entreprises aux cycles de vente complexes, où le parcours client implique de multiples touchpoints avant conversion. Elles permettent de visualiser précisément la contribution de chaque canal et de chaque campagne au chiffre d'affaires généré.
Pour une analyse précise de la rentabilité financière, des plateformes comme HubSpot, Marketo ou Salesforce Marketing Cloud intègrent directement les données commerciales et marketing. Ces suites complètes permettent non seulement de suivre les conversions mais également de les valoriser financièrement, offrant ainsi une vision claire du ROI de chaque initiative. La capacité à segmenter cette analyse par campagne, canal, audience ou période constitue un atout majeur pour l'optimisation continue des investissements marketing.
Tests statistiques et méthodologies d'évaluation
L'analyse rigoureuse de la rentabilité marketing ne peut se limiter à l'observation passive des données. Elle nécessite l'application de méthodologies scientifiques permettant d'établir des relations de causalité fiables entre les actions déployées et les résultats observés. La mise en place de protocoles expérimentaux rigoureux est essentielle pour déterminer avec certitude l'efficacité réelle des initiatives marketing.
Les tests statistiques représentent l'outil fondamental permettant de distinguer les résultats significatifs des simples fluctuations aléatoires. Ils permettent de répondre à la question cruciale : "Les performances observées sont-elles le fruit du hasard ou résultent-elles véritablement de nos actions marketing ?" Cette rigueur méthodologique s'avère particulièrement précieuse dans un contexte où les dirigeants exigent des preuves tangibles de l'impact des investissements marketing.
La qualité des données constitue le prérequis incontournable de toute méthodologie d'évaluation fiable. Un échantillonnage représentatif, une collecte non biaisée et un nettoyage approprié des valeurs aberrantes garantissent la validité des conclusions tirées. Sans cette hygiène des données, même les méthodologies les plus sophistiquées conduiront à des interprétations erronées de la rentabilité marketing.
Tests A/B et tests multivariés : protocoles de mise en place
Le test A/B constitue la méthode expérimentale la plus accessible pour évaluer scientifiquement l'impact d'une modification marketing. Le principe est simple : deux versions (A et B) d'un même élément sont présentées simultanément à des segments comparables d'audience, puis les performances sont mesurées pour déterminer la variante la plus efficace. Cette méthodologie s'applique à tous les aspects du marketing : landing pages, emails, bannières publicitaires, titres d'articles, etc.
Un protocole de test A/B rigoureux suit plusieurs étapes clés : formulation d'une hypothèse claire, définition précise des métriques de succès, répartition aléatoire des utilisateurs entre les variantes, détermination préalable de la taille d'échantillon nécessaire, et exécution du test sur une période suffisamment longue pour neutraliser les variations temporelles. L'outil Google Optimize propose une interface intuitive pour implémenter ces tests sans nécessiter de compétences techniques avancées.
Les tests multivariés (MVT) représentent une évolution plus sophistiquée permettant d'évaluer simultanément plusieurs modifications. Contrairement au test A/B qui compare deux versions complètes, le MVT analyse l'impact individuel et combiné de multiples variables. Par exemple, tester simultanément différentes combinaisons de titres, images et boutons d'appel à l'action. Cette approche permet d'identifier les interactions potentielles entre variables et d'optimiser plus rapidement l'ensemble des éléments.
Les tests A/B et multivariés transforment l'intuition marketing en certitude statistique, permettant d'établir un lien direct entre une modification spécifique et son impact sur la rentabilité. Sans cette approche expérimentale, il est impossible de déterminer avec certitude quelle composante de votre stratégie génère véritablement du ROI.
Intervalles de confiance et signification statistique en marketing
La signification statistique représente le concept fondamental permettant de déterminer si les résultats observés sont véritablement significatifs ou simplement dus au hasard. Elle s'exprime généralement par la p-value, qui indique la probabilité que les différences observées soient purement aléatoires. En marketing, on considère traditionnellement qu'un résultat est statistiquement significatif lorsque cette p-value est inférieure à 5% (p < 0,05), signifiant que la probabilité que le résultat soit dû au hasard est inférieure à 5%.
L'intervalle de confiance complète cette notion en délimitant la plage dans laquelle se situe vraisemblablement la valeur réelle d'un paramètre. Par exemple, un intervalle de confiance à 95% pour un taux de conversion signifie que la vraie valeur du taux a 95% de chances de se trouver dans cet intervalle. Plus l'intervalle est étroit, plus la précision de l'estimation est grande. Dans l'analyse de rentabilité marketing, ces intervalles permettent d'évaluer non seulement l'efficacité moyenne d'une campagne, mais également la fiabilité de cette estimation.
Pour garantir la validité des analyses, plusieurs précautions méthodologiques s'imposent. Premièrement, la définition préalable de la taille d'échantillon nécessaire, calculée en fonction de l'effet minimum détectable souhaité. Deuxièmement, la résistance à la tentation d'interrompre prématurément un test dès l'apparition de résultats favorables (ce qui biaise systématiquement les résultats). Troisièmement, l'attention portée au test de puissance statistique, qui évalue la capacité du test à détecter un effet réel lorsqu'il existe.
Dans un contexte marketing où les décisions doivent souvent être prises rapidement, il peut être tentant de négliger ces considérations statistiques. Pourtant, c'est précisément cette rigueur qui permet de distinguer les actions véritablement rentables des impressions trompeuses, évitant ainsi des réallocations budgétaires contre-productives basées sur des conclusions hâtives ou des corrélations illusoires.
Analyse de cohortes et segmentation temporelle
L'analyse de cohortes consiste à suivre des groupes d'utilisateurs partageant une caractéristique commune (date d'acquisition, canal d'acquisition, campagne spécifique) tout au long de leur cycle de vie client. Cette méthodologie permet de dépasser les limites de l'analyse agrégée en révélant comment l'efficacité des actions marketing évolue au fil du temps pour différents segments d'audience.
La segmentation temporelle subdivise les données en périodes spécifiques (jours, semaines, mois, trimestres) pour identifier les tendances et les saisonnalités. Cette approche est particulièrement précieuse pour isoler l'impact réel des initiatives marketing des variations cycliques naturelles. Par exemple, une augmentation des ventes pendant les fêtes de fin d'année ne peut être attribuée à l'efficacité d'une campagne marketing sans une comparaison avec les performances historiques de la même période.
L'analyse de rétention, dérivée de l'analyse de cohortes, mesure la capacité des actions marketing à générer non seulement des conversions initiales mais également des engagements durables. En traçant le taux de rétention au fil du temps pour différentes cohortes, il devient possible d'identifier les canaux d'acquisition qui génèrent les clients les plus fidèles et donc potentiellement les plus rentables sur le long terme. Google Analytics 4 propose désormais des outils intégrés pour ce type d'analyse, accessibles via les rapports d'exploration.
La comparaison des courbes de vie entre cohortes expose l'évolution de l'efficacité des stratégies marketing au fil du temps. Si les cohortes récentes montrent des taux de conversion ou de rétention supérieurs aux cohortes plus anciennes, cela indique une amélioration de la performance marketing. Inversement, une dégradation des indicateurs pour les nouvelles cohortes peut signaler un problème d'adéquation produit-marché ou une saturation des canaux d'acquisition les plus performants.
Modélisation prédictive : algorithmes et applications marketing
La modélisation prédictive utilise des algorithmes d'apprentissage automatique pour anticiper les performances futures des actions marketing à partir des données historiques. Cette approche permet de dépasser l'analyse rétrospective traditionnelle pour adopter une posture proactive dans l'optimisation de la rentabilité marketing. Les modèles de régression, les réseaux de neurones et les forêts aléatoires constituent les principales familles d'algorithmes employés dans ce contexte.
Les applications concrètes de ces modèles prédictifs en marketing sont multiples. Le lead scoring prédictif attribue automatiquement une probabilité de conversion à chaque prospect en fonction de ses caractéristiques et comportements, permettant ainsi de concentrer les efforts commerciaux sur les leads les plus prometteurs. La prévision du Customer Lifetime Value (CLV) anticipé permet d'ajuster le coût d'acquisition maximum acceptable pour chaque segment d'audience en fonction de sa valeur future projetée.
L'optimisation dynamique des enchères publicitaires représente une autre application majeure de ces algorithmes. En prédisant la probabilité de conversion et la valeur attendue pour chaque impression publicitaire potentielle, ces systèmes ajustent automatiquement les enchères pour maximiser le ROI global. Les plateformes comme Google Ads et Facebook Ads intègrent désormais nativement ces capacités prédictives dans leurs options d'enchères automatisées (Smart Bidding, Target ROAS).
La mise en œuvre réussie de ces modèles prédictifs nécessite une infrastructure solide pour la collecte et le traitement des données, une expertise en data science, ainsi qu'une culture organisationnelle orientée vers la prise de décision fondée sur les données. Les entreprises les plus matures dans ce domaine ont généralement mis en place des data lakes centralisant l'ensemble des données marketing, commerciales et produit pour alimenter ces algorithmes avec des signaux riches et diversifiés.
Rentabilité par canal et typologie d'actions marketing
La rentabilité marketing varie considérablement selon les canaux utilisés et les types d'actions déployées. Chaque levier possède ses propres caractéristiques en termes de coût, de délai d'impact, de scalabilité et de durabilité des résultats. Une compréhension fine de ces spécificités est essentielle pour construire un mix marketing optimal, aligné sur les objectifs commerciaux et le cycle de vie de l'entreprise.
Le search marketing (SEA et SEO) se distingue généralement par des taux de conversion élevés et un ROI facilement mesurable, puisqu'il capture une intention d'achat déjà existante. Cependant, ces canaux présentent des limites de scalabilité, particulièrement dans des niches concurrentielles où le volume de recherches est plafonné. Le SEA offre des résultats immédiats mais à un coût unitaire élevé, tandis que le SEO nécessite un investissement initial conséquent avant de générer un flux continu de trafic à faible coût marginal.
Les réseaux sociaux (Facebook, Instagram, LinkedIn) présentent un profil de rentabilité différent selon qu'ils sont utilisés en mode organique ou publicitaire. Le social media organique génère rarement des conversions directes significatives, mais contribue à la notoriété de marque et au renforcement de la relation client. Le social advertising, quant à lui, permet un ciblage précis et une scalabilité importante, mais souffre généralement d'un coût par acquisition plus élevé que le search pour les intentions d'achat explicites.