Moins de visites peut signaler un problème. Cela peut aussi signifier qu’une partie du parcours se déroule ailleurs. Sans données supplémentaires, aucune explication ne doit devenir un verdict.
De même, la présence d’une marque dans une réponse IA ne prouve pas que cette réponse a généré une vente. La mesure doit distinguer observation et attribution.
Quatre niveaux, quatre questions
| Niveau | Question utile |
|---|---|
| Visibilité | Où et dans quel contexte l’offre apparaît-elle ? |
| Interaction | Quelles visites, demandes ou actions observons-nous ? |
| Résultat commercial | Quelles commandes sont payées ou quelles demandes deviennent des clients ? |
| Qualité économique | Que reste-t-il après coûts variables, annulations et retours ? |
Aucun niveau ne remplace le suivant. Un rapport utile les relie et signale les preuves manquantes.
Le trafic seul n’explique pas le résultat
Dans un scénario fictif, une boutique passe de 10 000 à 8 000 sessions, tandis que les commandes de tous les canaux passent de 200 à 210. Nous n’avons pas démontré une hausse des ventes grâce à l’IA. Nous ne pouvons pas calculer le taux de conversion du site en divisant toutes les commandes par ses sessions si certains achats se terminent ailleurs.
Nous distinguerions canaux, doublons, annulations et changements de prix ou de budget avant d’évaluer les explications.
Ce que chaque source peut établir
Le système de commandes indique les achats et leur finalisation. L’analytique du site décrit les interactions observées sur celui-ci. Les données des plateformes s’interprètent selon leurs définitions et limites.
Le rapport Generative AI performance de Search Console montre les impressions dans les fonctions IA de Search. Nous vérifierions les données disponibles. Les impressions ne prouvent pas des ventes attribuées. [1]
Un échantillon de réponses IA peut révéler des erreurs concernant l’offre. Il ne suffit pas à établir une part de marché ou une attribution de revenus.
Comment nous construirions l’évaluation
Chez NOT MORE., nous partirions de la question commerciale : davantage de ventes rentables, de demandes adaptées ou moins d’erreurs de commande ?
Nous définirions indicateurs, sources, identifiants communs et règles de dédoublonnage. Nous conserverions une période de référence et un journal des changements. Disponibilité, budgets et saisonnalité entreraient dans les comparaisons.
Nous déterminerions à l’avance quel résultat permet d’étendre un pilote, quelle erreur impose l’arrêt et quelles données manquantes limitent la conclusion. Aucun seuil universel ne serait inventé pour toutes les boutiques.
Davantage de données est utile si cela éclaire une décision. Un nouvel indicateur n’est pas une stratégie à lui seul.
Vos rapports couvrent-ils l’ensemble du résultat commercial ?
Nous pouvons clarifier ce que vous mesurez, ce que vous pouvez attribuer et les questions encore ouvertes.
Sources
[1] Google Search Console : Generative AI performance report (Search)