Modélisation du ROAS par cohorte : Euronews atteint 1,9x

Pour une application monétisée par la publicité, le chiffre le plus dangereux du dashboard est le ROAS observé dans les premières semaines d'une campagne. Il est réel, il est précis — et il ne représente qu'une fraction de la vérité. Voici comment nous avons construit un modèle de ROAS par cohorte pour Euronews, l'application d'information paneuropéenne, et pourquoi il a changé toutes les décisions budgétaires qui ont suivi.

Les résultats d'abord

• Cohortes installées en 2024 : ROAS de 0,99x à 12 mois → 1,58x à 24 mois. Une année qui semblait à l'équilibre s'est révélée, avec une deuxième année de revenus publicitaires, confortablement rentable.
• Cohortes 2025 : 1,22x à 12 mois → 1,89x à 24 mois, avec un payback média passé de 12,2 mois à 9,2 mois d'une année sur l'autre.
• Chaque euro de performance mesurée provient des seules vues publicitaires — avant tout abonnement ou valeur additionnelle.

Le problème : les apps financées par la pub semblent non rentables trop tôt

Une app par abonnement encaisse l'essentiel de la valeur d'un utilisateur dès le départ. Une app d'info monétisée par la publicité la gagne en milliers de petites impressions réparties sur des mois de lecture. Jugée sur les fenêtres d'attribution standard de 7 ou 30 jours, presque chaque campagne de ce compte semblait perdre de l'argent — parce que l'essentiel des revenus n'avait tout simplement pas encore eu lieu.

Au jour 30, une cohorte a généré environ 14 % de ce qu'elle rapportera sur deux ans. Au jour 90 — l'horizon sur lequel la plupart des équipes UA optimisent — à peine un quart. Attendre que la vérité arrive d'elle-même, c'est prendre deux ans de décisions budgétaires à l'aveugle. La modéliser, c'est les prendre tôt.

Ce que nous avons construit

À partir des données d'attribution et des taux de monétisation d'Euronews, nous avons reconstruit la performance autour de la cohorte d'installation : chaque utilisateur regroupé par mois d'installation, chaque vue publicitaire valorisée au tarif du mois où elle a eu lieu, chaque cohorte suivie le long de sa propre courbe d'accumulation. Trois couches de modélisation ont rendu les données précoces exploitables :

• Multiples de maturation. Les cohortes matures ont révélé une relation stable entre accumulation précoce et valeur à un an. Cette courbe transforme les revenus partiels d'une cohorte de 90 jours en une prévision défendable à 12 mois — avec une marge d'erreur qui se resserre chaque mois.
• Un horizon de 24 mois. Ces utilisateurs continuent de regarder des publicités loin dans la deuxième année, ajoutant environ 58 % aux revenus de la première. Tout objectif de ROAS qui s'arrête au mois 12 sous-évalue systématiquement le canal.
• Corrections des écarts d'attribution. Les règles de confidentialité iOS masquent une grande partie des installations payantes ; les réseaux auto-déclarants cessent de compter les revenus de cohorte au jour 180. Les deux ont été modélisés explicitement et présentés comme des ajustements, pas enterrés.

Ce que la lecture par cohorte a révélé

‍

Les moyennes annuelles cachent l'information utile. Sur les cohortes mensuelles de 2025, le ROAS à 12 mois s'étend de 0,86x à 2,22x — un écart de 2,6x au sein d'une même bonne année. C'est dans cette dispersion que se trouve la stratégie :

• Réallocation par pays. Deux marchés rapportaient systématiquement des multiples des autres à coût d'installation identique, tandis que le plus gros marché absorbait le plus de budget à l'équilibre. La vue par cohorte a rendu l'arbitrage évident et chiffré.
• Scaler en confiance. Les meilleures cohortes ont coïncidé avec les plus gros volumes du compte — preuve que le compte a scalé sans perte d'efficacité, ce qui justifiait d'investir davantage plutôt que de freiner.
• Détection d'anomalies en semaines, pas en trimestres. Chaque cohorte étant lue contre une courbe attendue, une mauvaise configuration de tracking est apparue en quelques semaines — visible comme une cohorte décrochant de sa courbe, bien avant un reporting trimestriel.

Le cadre pilote désormais les décisions en cours de route : les nouvelles cohortes sont lues contre leur courbe d'accumulation attendue dès leurs premières semaines, plutôt que jugées — et mal jugées — sur leurs rendements bruts initiaux.

À retenir

1. Pour une app monétisée par la pub, le ROAS précoce n'est pas un verdict — c'est un point sur une courbe.
2. Modélisez la courbe à partir de vos propres cohortes matures ; les benchmarks sectoriels ne survivent pas au contact d'une audience spécifique.
3. Étendez l'horizon à 24 mois — les revenus publicitaires de la deuxième année sont de l'argent réel que la plupart des objectifs ignorent.
4. C'est l'écart entre cohortes, pas la moyenne, qui fonde les décisions budgétaires.
5. Un modèle par cohorte sert aussi de système d'alerte précoce pour les ruptures de tracking et les écarts d'attribution.

FAQ

Qu'est-ce que la modélisation du ROAS par cohorte ?

Regrouper les utilisateurs par mois d'installation et projeter les revenus de chaque groupe le long de courbes d'accumulation observées, pour transformer des données précoces partielles en prévision fiable du ROAS à 12 et 24 mois.

Pourquoi ne pas juger les campagnes sur le ROAS à 30 jours ?

Pour les apps monétisées par la publicité, une fenêtre de 30 jours capture environ un septième des revenus sur deux ans — les décisions prises dessus tuent systématiquement des campagnes rentables.

À partir de quand peut-on lire une cohorte ?

Avec une courbe de maturation ajustée, une prévision directionnelle existe dès le jour 30 environ, et se consolide nettement aux jours 90 et 180.

Envie de mesurer votre UA sur la valeur réelle de vos utilisateurs ? Parlez à Scalebay.