Comment nous mesurons les résultats SEO et de visibilité IA

Un résultat est un changement mesuré par rapport à un point de départ daté, calculé avec une définition choisie avant le début du travail et interprété dans le contexte de tout ce qui a changé par ailleurs. Ce n’est pas un chiffre favorable découvert après la livraison. Cette méthodologie est le contrat derrière chaque résultat que nous publions : un lecteur doit pouvoir prendre les mêmes données sources, appliquer la formule indiquée et obtenir le même chiffre.

Cette norme est importante car la performance des moteurs de recherche est un système d’observation. Les pages changent, les concurrents réagissent, la demande évolue, les moteurs de recherche se mettent à jour et les campagnes marketing se chevauchent. Nous pouvons prouver ce que nous avons livré et quand. Nous pouvons mesurer ce qui s’est produit ensuite. Nous pouvons affirmer que notre travail a causé l’intégralité du mouvement seulement lorsque la conception de la recherche soutient cette affirmation.

Le dossier de mesure que chaque résultat doit inclure

Chaque résultat publié doit fournir suffisamment d’informations pour être vérifié. Au minimum, son dossier contient :

• l’objectif commercial et la métrique sélectionnée avant la mise en œuvre ;
• la formule métrique, la source, le fuseau horaire, la devise le cas échéant, et le modèle d’attribution ;
• le site, le répertoire, le modèle, la cohorte de pages, le marché, l’appareil, le moteur et le périmètre des prompts ;
• les dates de référence et de comparaison, y compris le nombre de jours complets dans chaque fenêtre ;
• la valeur de départ absolue, la valeur finale absolue et le changement calculé ;
• les dates de mise en œuvre et le travail exact inclus dans l’affirmation ;
• les annotations matérielles et les explications concurrentes connues ;
• les données manquantes, les modifications de suivi, les exclusions, et la taille de l’échantillon ou du dénominateur ;
• le niveau de langage d’attribution que nous sommes en droit d’utiliser ; et
• le relecteur qui a approuvé les chiffres destinés au client.

Si l’un de ces champs n’est pas disponible, nous divulguons la limitation à côté du résultat ou nous ne le publions pas. Un tableur privé contenant la réserve ne répare pas une affirmation publique non qualifiée.

1. Ce qui constitue un résultat

Le but de la mesure est de montrer si le travail a changé quelque chose de valeur. Nous organisons les métriques en chaîne, car chaque étape répond à une question différente :

1. Livraison : La modification prévue a-t-elle été publiée correctement ? Les exemples incluent les pages publiées, les modèles mis à jour, les redirections résolues et l’accès des robots restauré.
2. Découverte et visibilité : Les systèmes de recherche ou d’IA ont-ils trouvé et mis en avant le travail ? Les exemples incluent les pages indexées valides, les impressions, la distribution des classements, le score de visibilité IA, les mentions et les citations.
3. Sélection et engagement : Les personnes ou les moteurs de réponse l’ont-ils sélectionné ? Les exemples incluent les clics organiques, les sessions qualifiées, les URL citées, les visites engagées et les visites vers une page suivante.
4. Résultat commercial : Ce comportement a-t-il créé de la valeur ? Les exemples incluent les leads qualifiés, les essais, les achats, les revenus d’abonnement, les rendez-vous réservés, ou tout autre résultat convenu avec le client avant le début du travail.

La livraison est la preuve que le travail a eu lieu. La visibilité est un indicateur avancé : une mesure dont on s’attend à ce qu’elle évolue avant un résultat commercial. L’engagement montre la réponse. Le résultat commercial est celui que la plupart des organisations financent en fin de compte.

Le trafic seul n’est donc pas un résultat pour la plupart des modèles économiques. Une entreprise SaaS ne bénéficie pas simplement parce que 20 000 visiteurs supplémentaires lisent un article non pertinent ; elle bénéficie lorsque des prospects appropriés démarrent ou influencent des essais, des démos et des abonnements. Une entreprise de commerce électronique a besoin de commandes rentables, pas de sessions déconnectées des revenus et des marges. Un éditeur peut légitimement traiter les pages vues qualifiées comme un résultat commercial lorsque ces pages génèrent de la valeur publicitaire ou d’abonnement, mais même dans ce cas, le trafic de robots, les visites accidentelles et la géographie de l’audience peuvent modifier la valeur d’un même nombre de visites.

Nous rapportons le trafic lorsque c’est la place appropriée de la métrique dans la chaîne, et nous l’associons à des preuves de qualité ou de résultat en aval chaque fois que le modèle économique le permet. Nous refusons de présenter les impressions, un classement unique, le nombre de pages, le trafic brut, le taux d’engagement ou un score propriétaire comme impact commercial final lorsqu’aucun lien validé n’a été démontré.

Le résultat est sélectionné à l’avance. Si le résultat principal convenu est les demandes de démo qualifiées, nous ne le remplaçons pas après la livraison par les impressions simplement parce que les impressions ont augmenté et que les demandes de démo n’ont pas augmenté.

2. Références : figer le point de départ

Une référence est une mesure datée et immuable du périmètre concerné avant que le premier changement ciblé ne soit déployé. La phase de mesure de référence P5 explique comment la capturer. La référence doit utiliser la même formule, les mêmes sources, filtres, segments, fuseau horaire, devise, modèle d’attribution, ensemble de prompts, ensemble de concurrents et exclusions que ceux utilisés par le point de contrôle ultérieur.

Pour les métriques de taux, nous enregistrons le numérateur et le dénominateur, pas seulement le taux. Pour les totaux à l’échelle du site, nous enregistrons également la cohorte concernée. Si 40 pages produit sont optimisées, leur référence reste distincte des autres 8 000 URL ; sinon, la croissance non liée du site peut masquer ce qui est arrivé au travail.

Une référence reconstruite rétroactivement n’est pas une référence. Une fois que l’équipe connaît le résultat, les choix concernant les dates, les filtres, les segments et les exclusions sont vulnérables au recul. Les outils en direct peuvent également avoir modifié leur traitement, leur conservation, leur attribution ou leurs données concurrentes. Qualifier une reconstruction de référence laisserait supposer un niveau de contrôle qui n’existait pas.

Lorsqu’un client n’a pas d’historique propre, nous utilisons l’une des trois alternatives honnêtes suivantes :

• Référence prospective : connectez et validez la mesure, n’apportez aucune modification ciblée pendant une période d’observation définie, puis figez cette période avant la mise en œuvre.
• Référence reconstruite : exportez le meilleur historique disponible, documentez la source et les modifications de suivi, étiquetez-le « reconstruit » et limitez l’affirmation à ce que les données survivantes soutiennent.
• Aucune affirmation avant-après : commencez la mesure maintenant et rapportez la performance absolue du point de contrôle jusqu’à ce qu’une comparaison prospective valide existe.

Les données manquantes sont inconnues, pas nulles. Nous ne les interpolons pas simplement pour créer un graphique propre. Si l’intervalle manquant chevauche un changement significatif ou rend la comparaison non équivalente, le résultat n’est pas publiable en tant qu’affirmation avant-après.

3. Fenêtres de comparaison et horloge de publication

Les deux fenêtres doivent contenir le même nombre de jours complets, utiliser la même combinaison de jours de la semaine et exclure le jour en cours incomplet. Nous indiquons les deux plages dans le résultat plutôt que d’utiliser des étiquettes comme « le mois dernier » dont le sens change avec le temps.

Comparaison d’une année sur l’autre compare une fenêtre avec la fenêtre calendaire équivalente un an plus tôt. C’est notre approche par défaut lorsque la demande a des tendances saisonnières et que les données antérieures sont propres. Les jours fériés fixes et mobiles sont annotés ; lorsqu’un jour férié se déplace entre les fenêtres et affecte matériellement la demande, nous alignons les semaines de trading ou divulguons le décalage.

Comparaison période par période compare des fenêtres adjacentes de même longueur, par exemple les 28 jours complets après la mise en œuvre avec les 28 jours complets précédents. Nous l’utilisons lorsque le site manque d’une année antérieure propre, lorsque l’activité n’est pas matériellement saisonnière, ou lorsque nous avons besoin d’un signal opérationnel récent. Elle est plus exposée aux campagnes, lancements, jours fériés et changements de marché, donc nous ne la présentons jamais comme ajustée de la saisonnalité.

Lorsqu’un historique suffisant existe, nous montrons les deux. D’une année sur l’autre répond à « sommes-nous en avance sur la saison équivalente ? » Période par période répond à « la direction récente a-t-elle changé ? » S’ils divergent, le désaccord est une information à expliquer, pas une raison pour en cacher un.

Aucun mouvement de performance n’est publiable en tant que résultat avant 28 jours complets écoulés après le changement concerné. Des observations plus précoces peuvent vérifier qu’une page est en ligne, explorable, indexée ou citée, mais ce sont des vérifications de mise en œuvre plutôt que des résultats. Vingt-huit jours est un minimum, pas une approbation automatique. Nous prolongeons la fenêtre lorsque :

• le cycle normal d’achat ou de lead est plus long que 28 jours ;
• le changement a pris du temps pour atteindre toutes les pages ou être traité par les systèmes de recherche et d’IA ;
• le volume hebdomadaire est trop faible pour que quelques événements cessent de dominer le taux ;
• l’activité a une forte saisonnalité mensuelle, trimestrielle ou annuelle ; ou
• une panne, une campagne, une migration, un changement de suivi ou un événement externe majeur contamine une grande partie de la fenêtre.

Nous pré-enregistrons le premier point de contrôle et la fenêtre de publication prévue. Nous ne déplaçons pas continuellement les dates de début ou de fin jusqu’à ce que la courbe paraisse favorable.

4. Honnêteté de l’attribution

L’attribution est l’assignation d’un effet observé à une cause. Le seul timing ne l’établit pas : « après » ne signifie pas nécessairement « à cause de ». Nous utilisons quatre niveaux d’affirmation.

Livraison vérifiée signifie que nous pouvons attribuer le changement mis en œuvre lui-même au travail : par exemple, 120 pages spécifiées ont reçu des balises canoniques valides à la date de publication enregistrée. Cela n’établit pas l’effet sur la performance.

Effet soutenu par une expérience nécessite une conception capable d’estimer un effet incrémental, comme un groupe de retenue randomisé ou crédiblement apparié avec une hypothèse, une métrique, un échantillon et une date de fin pré-spécifiés. Nous décrivons la conception et l’incertitude ; nous ne transformons pas une expérience de contenu imparfaite en certitude de laboratoire.

Preuve contributive s’applique lorsque la cohorte concernée évolue après le changement enregistré, que la direction correspond à l’hypothèse pré-spécifiée, et qu’une cohorte de référence inchangée ou un benchmark concurrentiel ne montre pas le même mouvement. Nous pouvons dire que le résultat est « cohérent avec », « associé à » ou « soutient la contribution de » le travail.

Corrélation seulement s’applique lorsque la métrique a évolué après le changement mais qu’aucun contrefactuel valide n’existe. Nous rapportons la séquence et les explications concurrentes. Nous ne disons pas « généré », « causé » ou « produit » pour le résultat.

Dans le travail client ordinaire, nous ne pouvons souvent pas séparer l’effet de :

• les mises à jour d’algorithme des moteurs de recherche ou des fournisseurs d’IA ;
• la saisonnalité, les jours fériés, la météo et les changements de demande sous-jacente ;
• le search payant, le social payant, le reciblage et l’activité d’affiliation ;
• la couverture RP, l’activité des créateurs, les campagnes de marque et la promotion hors ligne ;
• les lancements de produits, les prix, la disponibilité, le marchandisage et les modifications du taux de conversion ;
• les migrations, les refontes, les changements de suivi, les changements de consentement et les pannes ;
• les lancements, pertes, promotions et changements de dépenses médias des concurrents ; ou
• les évolutions économiques, réglementaires, culturelles et les changements de catégorie de marché.

Nous nommons les facteurs qui se sont produits, disons si chacun affecte probablement la cohorte mesurée, et abaissons la force de l’affirmation en conséquence. Si le payant et l’organique atterrissent sur la même page lors d’un lancement, nous n’attribuons pas toutes les conversions au contenu organique. Si une mise à jour d’algorithme chevauche le point de contrôle, nous pouvons rapporter le mouvement relatif par rapport aux segments ou concurrents non affectés, mais cette comparaison est une preuve, pas un isolement parfait.

5. Les annotations rendent l’interprétation possible

Une annotation est un enregistrement daté d’un changement ou d’un événement externe placé sur la même chronologie que la métrique. Sans annotations, l’attribution devient un exercice de mémoire des mois plus tard.

Nous enregistrons l’événement quand il se produit, pas quand la publication commence. Chaque annotation enregistre la date et le fuseau horaire, le propriétaire, les URL ou le segment concerné, la catégorie, la description, la référence de déploiement ou de campagne, la métrique et la direction attendues, le délai attendu, la date du point de contrôle et l’activité concurrente connue. Les versions multi-jours ont des dates de début et de fin. Les annulations et retours en arrière reçoivent leurs propres entrées plutôt que d’écraser l’originale.

Nous annotons les publications de contenu, les déploiements techniques, les migrations, les redirections, les modifications de modèles, les changements d’analytique et de consentement, les pannes, les campagnes payantes, les RP, les changements de produit et de prix, les événements majeurs des concurrents et les mises à jour de plateforme confirmées. Résultats des annotations garde ces changements, attentes, points de contrôle et résultats observés ensemble tout en traitant explicitement l’association comme une preuve plutôt qu’une démonstration de causalité.

6. Comment nous mesurons la visibilité IA

Les métriques de visibilité IA sont calculées séparément car elles répondent à des questions différentes. Nous ne mélangeons jamais la visibilité, la voix, les citations, le sentiment et le classement en un nombre estimé d’« impact IA ».

Avant de comparer les périodes, nous figeons le texte du prompt, le sujet, la locale, le moteur, la cadence d’exécution, l’ensemble de marques surveillé et l’ensemble de domaines surveillé. Une observation de prompt est une réponse stockée d’un prompt, d’un moteur, d’une locale et d’une exécution planifiée définis. La réponse et ses URL citées sont conservées afin que l’agrégat puisse être vérifié.

Score de visibilité IA

Le score de visibilité répond à : « Pour quelle proportion de l’ensemble de prompts suivis ce domaine a-t-il obtenu au moins une citation ? »

Score de visibilité IA = observations de prompt citant le domaine au moins une fois ÷ toutes les observations de prompt valides dans la cohorte figée × 100

Plusieurs citations dans une même réponse ne rendent pas cette observation plus visible ; elle compte une fois au numérateur. Un échec de collecte n’est pas une réponse sans citation. Ce sont des données manquantes, rapportées via la couverture et ré-exécutées ou exclues de manière cohérente des deux fenêtres. La vue Visibilité IA expose les réponses sous-jacentes nécessaires pour inspecter le score.

Part de voix

La part de voix répond à : « Parmi les marques surveillées mentionnées dans ces réponses, quelle part appartenait à cette marque ? »

Part de voix = mentions de la marque ÷ mentions de chaque marque surveillée dans l'ensemble concurrentiel fixe × 100

Nous précisons si l’unité de comptage est une mention par réponse ou chaque occurrence de mention, et nous maintenons cette règle inchangée. Nous ne renormalisons pas l’historique lorsqu’un concurrent est ajouté ; un changement d’ensemble concurrentiel démarre une nouvelle série comparable ou amène à recalculer la fenêtre antérieure à partir des réponses stockées.

Part de citation

La part de citation répond à : « Parmi les citations attribuées à l’ensemble de domaines surveillé, quelle part pointait vers ce domaine ? »

Part de citation = citations vers le domaine ÷ citations vers chaque domaine surveillé dans l'ensemble fixe × 100

Le numérateur compte les citations, pas les mentions de marque. Une même réponse peut citer plusieurs URL du même domaine, et chaque citation compte selon la règle déclarée. Le rapport au niveau du domaine ne doit pas être présenté comme une performance au niveau de la page. Intelligence des sources et des citations conserve le domaine, l’URL, le prompt et les détails du moteur derrière l’agrégat.

Ces métriques ont des limitations connues. Les réponses IA peuvent varier entre les exécutions ; les fournisseurs changent de modèles, de systèmes de recherche, d’interfaces et de comportement de citation ; la localisation, la langue, la personnalisation et la fraîcheur peuvent modifier une réponse ; et l’ensemble choisi de prompts et de concurrents définit l’univers mesuré. Un ensemble suivi est un échantillon reproductible des questions que nous avons choisies, pas un recensement de tout ce que les clients potentiels demandent. La présence d’une citation ne prouve pas non plus qu’une personne a vu, cru ou visité la source. Nous rapportons donc le moteur, la locale, la cohorte, la fréquence d’exécution, la couverture et les comptes absolus avec chaque affirmation matérielle de visibilité IA.

7. Arrondi, plages et valeurs absolues

Les pourcentages ne sont jamais publiés seuls. Chaque pourcentage apparaît avec les valeurs absolues utilisées pour le calculer.

Pour un changement de comptage, nous rapportons la référence, la valeur finale, la différence absolue et le changement relatif : « les leads organiques qualifiés sont passés de 40 à 52, soit une augmentation de 12 leads ou 30 %. » Pour un taux, nous rapportons les deux taux en points de pourcentage et incluons leurs numérateurs et dénominateurs : « le taux de conversion est passé de 2,0 % (40/2 000) à 2,4 % (52/2 167), soit une augmentation de 0,4 point de pourcentage. » Qualifier cela d’augmentation de 0,4 % serait erroné ; l’augmentation relative est de 20 %.

Les comptages sont des nombres entiers. Les pourcentages sont normalement arrondis à une décimale, sauf lorsque cela transformerait une valeur non nulle en 0,0 %, auquel cas nous ajoutons une deuxième décimale. Nous calculons les changements à partir des entrées non arrondies et n’arrondissons que le résultat affiché. Les valeurs inférieures à 1 000 ne sont pas abrégées. Des abréviations plus grandes peuvent apparaître dans les titres, mais le nombre exact reste dans le corps du texte ou dans un tableau accessible.

Nous n’utilisons des plages que lorsque la source ou la méthode produit véritablement de l’incertitude. La plage doit nommer sa méthode, comme un intervalle de confiance, une plage de modèle d’attribution ou une limite de couverture des données. Nous n’inventons pas une plage pour donner un aspect scientifique à une estimation ponctuelle, et nous ne remplaçons pas de petits comptages exacts par des pourcentages qui exagèrent le mouvement.

8. Anonymisation des clients sans perte de sens

Un résultat anonyme doit rester testable. Nous pouvons remplacer le nom du client, le domaine, les noms de produits et les chiffres commercialement sensibles, mais le compte rendu publié doit préserver :

• le modèle économique, la catégorie générale, le marché et les contraintes matérielles ;
• le périmètre du site ou de la cohorte de pages et le type de pages modifiées ;
• les dates exactes de référence et de comparaison ainsi que les longueurs de fenêtre ;
• la définition de la métrique, la source, le modèle d’attribution et le dénominateur ;
• les valeurs absolues de référence et finales, ou une série explicitement indexée lorsque la confidentialité contractuelle interdit les valeurs absolues ;
• l’intervention, les dates de publication et le temps écoulé avant la mesure ;
• l’activité concurrente connue et la limitation d’attribution qui en résulte ; et
• suffisamment de détails méthodologiques pour qu’une autre équipe puisse appliquer le calcul.

Si les valeurs commerciales exactes ne peuvent pas être montrées, un index peut fixer la référence à 100 et appliquer la même échelle à chaque point ultérieur. Nous l’étiquetons comme indexé et montrons toujours les comptes d’événements ou d’échantillons sous-jacents lorsque la divulgation le permet. Nous ne combinons jamais plusieurs clients en un « client typique » fictif, ne modifions pas les dates pour renforcer la courbe, et ne cachons pas que le résultat provient d’un répertoire plutôt que de l’ensemble du site.

Si la préservation de ce contexte devait identifier le client, nous ne publions pas le résultat. La confidentialité est une raison de ne pas publier un cas, pas une permission de publier un pourcentage impressionnant mais invérifiable.

9. Ce que nous ne publierons pas

La publication est une décision de sélection, donc ses règles doivent être aussi strictes que ses calculs. Nous ne publierons pas :

• une date de début, une date de fin, un moteur de recherche, un pays, un appareil, un prompt, un mot-clé ou un segment choisis de manière arbitraire ;
• un gain sur une seule page présenté comme une croissance à l’échelle du site ;
• une métrique sélectionnée après coup parce qu’elle a évolué favorablement ;
• un pourcentage sans sa référence, sa valeur absolue finale et son dénominateur le cas échéant ;
• une comparaison qui mélange différentes formules, périmètres, sources, modèles d’attribution, devises ou cohortes de prompts ;
• un mois partiel comparé à un mois complet, ou des fenêtres inégales présentées comme équivalentes ;
• des observations manquantes traitées comme nulles, ou des ruptures de suivi cachées dans un graphique continu ;
• un résultat rapporté avant la fenêtre minimale ou avant la fin du cycle de conversion normal ;
• un score IA présenté sans ses définitions de prompt, moteur, locale, concurrent et couverture ;
• un résultat corrélationnel présenté comme la preuve que notre travail seul a causé le résultat ;
• uniquement la meilleure page, requête, moteur ou point de contrôle alors que la cohorte complète déclarée est disponible ; ou
• un résultat client que le relecteur autorisé n’a pas approuvé pour son exactitude, son contexte et sa divulgation.

Nous ne supprimons pas non plus les points de contrôle défavorables d’une série. Une hypothèse qui n’a pas abouti peut encore apprendre à l’équipe quoi changer. La cacher rendrait le succès ultérieur moins crédible, pas plus.

Validation avant publication

Avant la publication, la personne responsable des chiffres destinés aux clients doit reproduire le calcul à partir des exportations figées, confirmer le périmètre de comparaison et les dates, inspecter le registre des annotations, vérifier chaque valeur absolue et chaque pourcentage, approuver la formulation de l’attribution et confirmer que l’anonymisation est conforme à l’accord client. Une seconde vérification éditoriale doit s’assurer que le titre n’en dit pas plus que ce que les preuves permettent.

La question finale est simple : un lecteur sceptique pourrait-il identifier ce qui a changé, ce qui n’a pas changé, ce qui pourrait autrement expliquer le mouvement, et comment chaque nombre a été calculé ? Si non, le résultat n’est pas prêt à être publié.