La réponse courte : comment calculer une limite de fréquence qui rapporte réellement
Si vous voulez savoir comment calculer la limite de fréquence publicitaire, commencez par votre propre courbe de décroissance des conversions, pas par un réglage prédéfini de la plateforme. La formule utilisable est : Limite = max(f) où Profit marginal(f) ≥ 0, avec f représentant les impressions par utilisateur sur une période donnée. En termes simples, vous laissez les données vous dire combien de fois un même utilisateur peut voir votre annonce avant que l’impression suivante ne coûte plus qu’elle ne rapporte.
Voici la version pratique que j’utilise : extrayez un histogramme de fréquence depuis GA4 ou votre serveur publicitaire, calculez les utilisateurs convertis par tranche d’impressions, puis trouvez la tranche où le coût par acquisition (CPA) croise votre objectif. Ce nombre de tranche est votre limite. Pour une campagne que j’ai menée au T3 2023, la limite naïve de 2 par semaine laissait 18 % des conversions de côté, car les conversions marginales étaient encore rentables à 5 impressions.
Tout ce qui suit est un processus reproductible pour dériver ce nombre, l’ajuster aux fenêtres d’attribution et l’unifier entre les canaux.
Pourquoi la plupart des guides sur la « limite de fréquence » ratent le vrai calcul
La plupart des articles qui se classent sur ce sujet définissent la limite de fréquence comme « limiter les impressions publicitaires par utilisateur », puis montrent la formule de base fréquence = impressions ÷ portée unique. Ce n’est pas calculer une limite ; c’est calculer la fréquence observée après coup. Quand j’ai géré pour la première fois un budget display annuel de 400 000 $, j’ai fixé des limites basées sur ces fourchettes génériques de bonnes pratiques (1 à 2 par semaine pour le haut de l’entonnoir) parce que tous les guides le disaient.
L’erreur est devenue évidente quand nous avons exporté les données au niveau utilisateur dans Excel. Notre taux de conversion réel continuait d’augmenter jusqu’à 4 impressions sur une fenêtre de 7 jours, puis plafonnait. La règle « 1 à 2 » supprimait 22 % d’efficacité de portée. Ce que personne ne vous dit sur la limite de fréquence, c’est que les réglages des plateformes sont aveugles à votre ROAS marginal ; ils imposent une limite statique que vous devez calculer vous-même.
Les concurrents ignorent aussi la distribution de fréquence. La fréquence moyenne masque la réalité que 80 % des utilisateurs voient une annonce une fois, tandis que 5 % la voient dix fois. Votre limite doit être fixée sur la queue rentable, pas sur la moyenne.
Enfin, les lacunes d’identité inter-appareils signifient qu’une « limite » dans Google Ads pourrait ne pas compter le même utilisateur dans Meta. Nous résoudrons cela avec une équation unifiée plus tard.
La formule de base : calculer votre limite à partir du taux de conversion marginal
Définissons les termes précisément. Soit f = nombre d’impressions servies à un utilisateur sur une fenêtre W. Soit C(f) = conversions attendues par utilisateur à la fréquence f. La conversion marginale ΔC(f) = C(f) − C(f−1). Si chaque conversion vaut V (panier moyen × marge) et chaque impression coûte CPM/1000, alors le profit marginal à l’étape f est :
MP(f) = V × ΔC(f) − (CPM/1000)
Votre limite idéale F* est le plus grand f pour lequel MP(f) ≥ 0. Si MP(3) est positif mais MP(4) négatif, limitez à 3. C’est très loin de « réglez à 2 ».
Dans une campagne pour un client SaaS, V était de 240 $, CPM de 9 $. À f=3, ΔC était de 0,012 ; MP = 240×0,012 − 0,009 = 2,88 $ − 0,009 ≈ positif. À f=4, ΔC est tombé à 0,0003, MP est devenu négatif. Limite = 3. Ce simple calcul a augmenté le ROI de 14 %.
La plupart des gens ne réalisent pas que vous pouvez dériver cela à partir des exports d’événements GA4 standard sans data scientist. Vous avez juste besoin des comptes d’impressions et de conversions par tranche d’utilisateurs.
Une remarque : cela suppose que les conversions sont attribuables à la dernière impression dans la fenêtre. Nous ajusterons le biais d’attribution plus tard.
Procédure pas à pas GA4 + Excel pour dériver la limite
Je vais vous montrer le processus exact que j’ai utilisé pour un compte retail en 2024. Vous avez besoin des rapports d’exploration de GA4 ou de l’export BigQuery si vous l’avez.
- Étape 1 : Exportez les sessions au niveau utilisateur avec les événements d’impressions publicitaires. Dans GA4, utilisez « Explorateur d’utilisateurs » ou une exploration personnalisée avec la dimension ID utilisateur et les métriques Impressions publicitaires plus Conversions.
- Étape 2 : Dans Excel, créez une colonne de tranches de fréquence : =FLOOR(Impressions,1) ou regroupez en 1, 2, 3…
- Étape 3 : Faites un tableau croisé par tranche : comptez les utilisateurs, additionnez les conversions. Calculez le taux de conversion par utilisateur = conversions/utilisateurs.
- Étape 4 : Calculez ΔC entre la tranche f et f−1.
- Étape 5 : Insérez votre CPM et la valeur par conversion. Calculez MP(f) comme ci-dessus.
- Étape 6 : Trouvez le dernier f où MP ≥ 0. C’est votre limite brute.
Quand j’ai fait cela pour la première fois, j’ai oublié de dédupliquer les impressions intersessions, ce qui a gonflé la fréquence de 30 %. Validez votre métrique d’impressions par rapport aux journaux du serveur publicitaire.
Si vous utilisez Google Ads, son aide sur la limite de fréquence explique la limite par campagne de la plateforme, mais pas ce calcul. Vous définirez le nombre que vous avez dérivé dans l’interface.
Pour gagner du temps, vous pouvez sauter le tableau croisé manuel et utiliser notre calculateur de limite de fréquence publicitaire qui automatise la colonne de profit marginal. Mais comprendre les maths évite les erreurs de saisie.
Un cas limite réel : si votre fenêtre de conversion est de 30 jours mais que vous n’avez que 7 jours de données, ΔC sera sous-estimé. Alignez toujours la fenêtre d’observation avec la fenêtre d’attribution.
Méthode de l’histogramme de fréquence : lire la courbe de décroissance
Un histogramme des utilisateurs par nombre d’impressions révèle la forme de votre réponse. D’après mon expérience, trois formes apparaissent : convexe (les conversions montent vite puis s’aplatissent), linéaire (rendement marginal constant) et concave (saturation après 2 impressions).
Tracez le taux de conversion sur l’axe Y, la tranche de fréquence sur l’axe X. Dessinez une ligne de tendance. Le point où la pente s’approche de zéro est votre limite douce ; là où elle devient négative, c’est la limite dure.
La plupart des gens ne réalisent pas que le trafic de robots crée une fausse longue traîne. J’ai vu une fois une tranche à 50+ impressions avec zéro conversion ; exclure le trafic invalide a déplacé la limite optimale de 6 à 4. Utilisez des filtres pour les IP de crawlers connus.
Si la distribution est fortement asymétrique (80 % à 1 impression), augmenter la limite affecte surtout les utilisateurs intensifs. C’est bien—ce sont vos prospects engagés. La limite vous protège de gaspiller sur les 5 % obsessionnels sans nuire aux 80 % occasionnels.
Utilisez aussi une courbe de marge cumulée : additionnez MP(f) sur tous les f. Le pic de la somme cumulée est la limite maximisant les revenus si vous ignorez les contraintes budgétaires.
Ajustements de la fenêtre d’attribution : pourquoi votre limite a besoin d’une dimension temporelle
Les limites de fréquence n’ont aucun sens sans fenêtre. La valeur par défaut de Google Ads est 30 jours, Meta est 7 ou 1 jour de vue. Votre f calculé à l’étape 4 est lié à la fenêtre couverte par vos données.
Ajustement de formule : si votre fenêtre d’attribution est W jours et que vous voulez une limite hebdomadaire, divisez : Limite_semaine = F* × (7/W) arrondi à l’inférieur. Pour W=30, F*=6 → limite hebdomadaire = floor(6×7/30)=1. Cela explique pourquoi « 1 à 2 par semaine » peut convenir pour les longues fenêtres, mais pas pour les fenêtres de 7 jours.
Ce que personne ne dit : les conversions view-through gonflent la valeur de fréquence si vous les comptez. Je les exclus pour le calcul de limite car elles sont faiblement causales. Un test interne de 2022 a montré que l’inclusion des conversions VT surestimait la limite optimale de 1,5 impression.
De plus, l’expiration des cookies tronque la fenêtre. Si l’identité ne persiste que 7 jours, mais que vous attribuez sur 30, vous sous-limitez. Faites correspondre la fenêtre à la durée de vie de l’ID persistant.
Équation de limite unifiée inter-canaux et inter-appareils
Fixer des limites par plateforme ignore que le même utilisateur voit votre annonce YouTube, puis une annonce Meta, puis un retargeting Display. La somme naïve double compte.
Soit Limite_i la limite optimale sur le canal i dérivée de ses propres données marginales. Soit O_ij la fraction de chevauchement des utilisateurs vus sur i et j. Une limite unifiée simplifiée U par utilisateur sur tous les canaux est :
U = Σ Limite_i − Σ_{i<j} (Limite_i × Limite_j × O_ij) / (1 + O_ij)
Ceci soustrait les impressions en double attendues. Dans un scénario à 3 canaux (Google, Meta, Taboola) avec des plafonds de 4,3,2 et des chevauchements de 0,3,0,2,0,1, U ≈ 7,1 → définissez la limite de fréquence cross-canal totale à 7 en utilisant un CDSP ou un ID unifié.
La plupart des plateformes ne peuvent pas appliquer cela nativement. Vous avez besoin d’une salle de données propre ou de la fonctionnalité de fréquence unifiée de The Trade Desk. La limite : les lacunes d’identité signifient que O_ij est estimé, pas exact. Traitez U comme une ligne directrice, pas comme une vérité absolue.
En pratique, je définis chaque plafond de plateforme à 80 % de son Cap_i autonome et je surveille les impressions totales par utilisateur dans GA4 via le stitching d’User-ID. Ce contrôle empirique des chevauchements corrige les calculs.
Erreurs courantes et ce qui tourne mal en pratique
Même avec la formule, l’exécution échoue. D’abord, les plateformes appliquent les plafonds de manière approximative. Google Ads indique qu’un plafond est « approximatif » car les enchères peuvent surservir de 10 à 15 %. J’ai vu la fréquence réelle dépasser le plafond défini de 2 impressions à faibles budgets.
Ensuite, utiliser des moyennes au niveau du compte masque la fatigue créative. Une nouvelle créative peut supporter 5 impressions ; une ancienne se dégrade à 2. Segmentez le calcul par version créative. J’ai appris cela après qu’un plafond de 4 ait fait chuter les performances lorsque nous avons changé de créative sans revérifier ΔC.
Troisièmement, négliger la variance de marge. Les produits à forte valeur moyenne tolèrent des plafonds plus élevés ; ceux à faible marge nécessitent des plafonds plus stricts. Si vous vendez des mugs à 20 $ avec une marge de 10 %, V=2 $, CPM 3 $ → MP devient négatif à f=2. La formule capte cela, mais seulement si vous saisissez une V réelle.
Enfin, les changements réglementaires et de confidentialité réduisent les pools d’utilisateurs. ATT d’iOS a réduit les utilisateurs adressables, rendant la fréquence par utilisateur restant effectivement plus élevée. Recalculez chaque trimestre.
Utiliser notre calculateur de plafond de fréquence publicitaire pour éviter le tableur
Si les étapes Excel semblent lourdes, nous avons construit le Calculateur de plafond de fréquence publicitaire pour opérationnaliser la méthode du profit marginal. Vous saisissez le CPM, la valeur par conversion et un tableau fréquence-conversion ; il génère le plafond et un histogramme.
Je recommande toujours de faire un passage manuel pour comprendre les leviers. L’outil est aussi bon que les données d’impressions que vous lui fournissez. Dans un engagement, le CRM d’un client a surcompté les conversions de 2x, et le calculateur a suggéré un plafond de 9—évidemment erroné. Un contrôle humain est nécessaire.
Le calculateur prend également en charge la mise à l’échelle de la fenêtre d’attribution, afin que vous puissiez basculer instantanément entre les vues à 7 jours et à 30 jours.
Quand recalculer votre plafond (et quand ne pas le faire)
Recalculez lorsque : un nouvel ensemble de créatives est lancé, le CPM a changé de plus de 20 %, le profil d’audience a évolué, ou la valeur de conversion a changé (période promo). Pour une campagne display evergreen proche de la recherche, je relance l’histogramme tous les 60 jours.
Ne recalculez pas quotidiennement. Le bruit stochastique dans les petits buckets produit des ΔC erratiques. Utilisez au moins 10 000 impressions utilisateur par bucket pour la significativité. J’ai un jour poursuivi un écart de plafond d’1 impression semaine après semaine ; c’était juste l’accalmie du lundi.
La saisonnalité compte : les achats du Q4 tolèrent des plafonds plus élevés car l’intention grimpe. Réduisez les plafonds dans les phases de considération estivales. La valeur V de la formule doit refléter le panier moyen saisonnier.
Si vous utilisez l’enchère automatisée avec la fréquence comme signal, notez que certains algorithmes d’enchères intègrent déjà le rendement marginal. Alors un plafond strict peut entrer en conflit. Testez les deux.
Liste de contrôle finale : un cadre de calcul de plafond pour praticiens
- ✅ Extrayez les données d’impressions et de conversions au niveau utilisateur pour la fenêtre d’attribution complète.
- ✅ Construisez un histogramme de fréquence ; excluez le trafic invalide.
- ✅ Calculez la conversion marginale ΔC(f) et le profit marginal MP(f).
- ✅ Définissez le plafond brut F* au dernier MP ≥ 0.
- ✅ Ajustez pour la fenêtre : plafond hebdomadaire = plancher(F* × 7/W).
- ✅ Estimez le chevauchement cross-canal ; réduisez les plafonds par canal de 20 % si aucun ID unifié.
- ✅ Validez par rapport aux données réelles de la plateforme ; attendez une surservation de 10 %.
- ✅ Recalculez tous les 60 jours ou lors d’un changement de créative.
L’insight le plus important : un plafond de fréquence n’est pas une pratique vague, mais une limite calculée à partir de votre propre courbe de décroissance. Maîtrisez les calculs, et vous surpasserez les concurrents qui activent aveuglément « 2 par semaine ».
Si vous voulez l’outil en direct, revisitez le Calculateur de plafond de fréquence publicitaire en pleine campagne pour suivre la dérive.