Lire la courbe de rétention seconde par seconde d'une pub : trois courbes et un percentile

Face aux publicités concurrentes, le réflexe est souvent le même : trier le creative center par nombre de vues, ouvrir la meilleure, la regarder trois fois et en tirer une impression du type « le rythme est très soutenu au début » ou « le problème client est bien amené ». Puis on tourne une version inspirée de cette pub. Le résultat est moyen, alors on passe au succès suivant et on recommence.

Le problème n’est pas le manque de travail, mais l’indicateur observé. Les vues et les likes prouvent qu’une création a fonctionné ; ils ne disent ni à quelle seconde elle a gagné, ni avec quel élément. Or ce sont précisément les informations réutilisables dans votre prochaine création.

Commençons par la source des données : toutes les courbes et tous les percentiles cités ici proviennent des bibliothèques publicitaires publiques et des creative centers des plateformes. Ils sont accessibles avec votre propre compte, sans capture, signature ni contournement. Ces outils ont été conçus par les plateformes pour les annonceurs ; les données y sont déjà. Il faut simplement savoir quels chiffres méritent réellement votre attention.

Le nombre de vues est l’indicateur le moins exploitable

Le volume de vues est fortement influencé par la logique de diffusion de la plateforme. Un chiffre élevé peut signaler une bonne création, mais aussi une campagne lancée tôt, fortement poussée ou diffusée pendant une fenêtre de trafic peu coûteux. Le nombre de vues seul ne permet pas de distinguer une bonne pub d’un gros budget.

Les likes sont encore moins fiables. Ils mesurent une réaction émotionnelle, qui ne va pas nécessairement dans le sens de la conversion recherchée. Une publicité drôle peut récolter beaucoup de likes : les spectateurs rient, puis passent à la suite, sans acheter. Optimiser les likes revient à optimiser la valeur de divertissement, pas l’intention d’achat.

Ces deux métriques ont le même défaut fondamental : ce sont des valeurs statiques, sans dimension temporelle. Une création publicitaire se déroule dans le temps ; le comportement d’un spectateur à la seconde 2, 5 ou 8 n’a rien à voir. Un total de vues écrase entièrement cette chronologie. Si vous utilisez une mesure aplatie pour piloter un travail fondé sur la question « que se passe-t-il à quel moment ? », vous avez déjà perdu l’information utile.

Cette dimension temporelle existe pourtant dans le creative center, sur la page de détail de chaque création. C’est simplement l’écran que presque personne n’ouvre.

Trois courbes pour repérer les moments décisifs

Sur la fiche d’une création performante, la plateforme affiche, en plus de la vidéo, trois courbes par seconde que peu d’annonceurs exploitent : la rétention, les clics et les conversions. L’axe horizontal correspond aux secondes de la vidéo — dont la plateforme indique la durée totale — et l’axe vertical indique respectivement combien de personnes regardent encore, cliquent ou convertissent à cet instant. Des images-clés sont parfois mises en évidence, mais elles ne s’interprètent pas toutes seules : elles signalent un changement, pas sa signification.

Pour lire ces courbes, ne vous focalisez pas sur leur niveau global. Cherchez la seconde où elles changent de direction ou de rythme. Les points d’inflexion des trois courbes répondent chacun à une question précise :

La chute brutale de la rétention révèle si l’ouverture a retenu l’audience. Toute courbe de rétention part de 100 % et baisse ; ce qui compte est la forme de cette baisse. Une chute nette à la seconde 2 ou 3 indique que les deux premières secondes n’ont donné aucune raison de rester. Les personnes qui ont balayé la vidéo sont celles que l’accroche n’a pas captées. La position de cette chute renvoie directement à une ligne ou un plan du script : une chute à la seconde 3 pointe le plan affiché à la seconde 3.

Le pic de la courbe de clics indique le moment où l’argument commercial a réellement porté. Les clics ne se répartissent pas uniformément : ils se concentrent souvent sur une ou deux secondes. Ce qui se passe à l’image à cet instant — prix affiché, résultat démontré, promesse énoncée — constitue le véritable déclencheur de cette création. On suppose volontiers que l’accroche se trouve au début ; le pic de clics montre souvent qu’elle est au milieu.

Le décalage de la courbe de conversion est le signal le plus contre-intuitif, et souvent le plus précieux. La conversion est presque toujours décalée par rapport au clic. Un spectateur peut être convaincu à la seconde 5, cliquer, puis ne convertir qu’à la seconde 12 après avoir vu le bénéfice jusqu’au bout. Cet écart — le nombre de secondes entre le pic de clics et la remontée des conversions — indique la durée de persuasion nécessaire pour faire passer quelqu’un de « intéressé » à « prêt à acheter ». Un décalage trop long suggère que le bénéfice arrive trop lentement et que les spectateurs partent avant de l’avoir compris.

Superposez les trois courbes et le scénario complet de la création apparaît : retenir l’audience pendant quelques secondes, la convaincre à un moment donné, puis consacrer quelques secondes à transformer cet intérêt en conversion. Les secondes correspondant à ces trois points d’inflexion forment une structure que vous pouvez reprendre telle quelle dans votre prochain script.

Percentile de CTR : la valeur brute ne veut rien dire

En plus des courbes, la plateforme fournit un autre indicateur : le percentile de CTR de la création.

L’erreur la plus fréquente chez les débutants consiste à lire le CTR comme une valeur absolue : « cette pub a 5 % de CTR, c’est pas mal ». Impossible de savoir si 5 % est bon ou mauvais sans point de comparaison. Dans une catégorie d’achat impulsif, 5 % peut placer une création en bas du classement ; dans une catégorie haut de gamme, ce même chiffre peut la placer parmi les meilleures. Le CTR brut n’apporte pas d’information exploitable ; le percentile, si. Un percentile de 0.9 signifie que la création génère plus de clics que 90 % des créations de son secteur. Voilà une donnée sur laquelle vous pouvez décider.

Le percentile comporte aussi un paramètre souvent négligé : la fenêtre temporelle. Une même création peut afficher des percentiles très différents selon qu’ils sont calculés sur les 7, 30 ou 180 derniers jours. Une création qui vient seulement de prendre du volume peut être très bien classée sur 7 jours, puis diluée sur 180 jours. La période comparée détermine le sens du chiffre : alignez-la sur votre cadence de lancement.

Une autre courbe passe facilement inaperçue : l’évolution quotidienne de la popularité de la création. Monte-t-elle, stagne-t-elle ou a-t-elle déjà amorcé sa baisse ? Copier aujourd’hui une création au percentile de CTR élevé mais dont la popularité décline revient à poursuivre la dernière vague de trafic. Mieux vaut reprendre une création au percentile correct dont la popularité continue de progresser. Cette courbe ne répond pas à « faut-il copier ? », mais à « est-il déjà trop tard pour copier ? ».

Confier un lot de courbes au modèle

Le cerveau humain peut encore interpréter les trois courbes d’une seule création. Pour en tirer une conclusion réutilisable, il faut en revanche examiner un lot complet : une douzaine ou une vingtaine de créations performantes d’un même secteur, puis identifier ce que leurs points d’inflexion ont en commun. Maintiennent-elles toutes leur rétention avant la seconde 2 ? Les pics de clics correspondent-ils systématiquement à un même type de plan ? Il est difficile d’aligner mentalement les valeurs, point par point, de dizaines de courbes. C’est exactement là qu’un modèle devient utile.

La bonne méthode se déroule en deux étapes, pas en une seule passe — elle suit la même logique que l’article sur le clustering de textes publicitaires :

Première étape : extraire des champs structurés pour chaque création. Pour chacune, relevez la seconde d’inflexion de chacune des trois courbes, l’ampleur de la variation autour de ce point et ce qui apparaît dans le plan à cet instant. Regroupez le tout dans un enregistrement structuré. C’est un travail mécanique à forte concurrence : un appel par création, soit de centaines à des milliers d’appels par lot.

Deuxième étape : transmettre au modèle l’ensemble du tableau pour l’attribution. Le format de sortie doit être imposé dans le prompt. Ne demandez pas « pourquoi ces créations sont-elles bonnes ? » : vous obtiendrez une collection de banalités sur les « ouvertures engageantes ». Demandez plutôt les trois éléments suivants pour chaque structure récurrente :

You'll receive per-second curve summaries for N high-performing creatives in
one category, each with three inflection seconds, drops, and a frame
description at that second. Find the recurring structures, and output each
one in the format below, no prose:

1. Inflection second
   Which second of the video this structure reliably appears at (give a
   range, not a single point)

2. What the frame is doing
   The specific action/element at that second, pointing to specific
   creative IDs, no vague descriptions allowed

3. Reusable script structure
   Abstract it into one instruction you can write into the next script
   (e.g. "an after-use result frame must appear before second 2")

4. Counterexample
   Are there creatives in this batch that break this structure and still
   perform well? If so, list them. If the structure doesn't actually hold,
   say so directly

La première étape convient à une offre batch économique. La seconde doit conserver simultanément les données d’un lot entier ; elle relève donc naturellement d’une offre à long contexte. Les tableaux point par point de dizaines de créations atteignent facilement quelques centaines de milliers de tokens. En combinant les deux niveaux, vous alignez coût et précision.

Une attribution doit devenir une structure de script

La troisième partie du prompt est celle qui donne toute sa valeur à la méthode. Une attribution qui ne se transforme pas en instruction pour la prochaine création ne sert à rien.

« Ces publicités ont toutes un bon rythme » n’est pas une attribution : c’est une impression, et personne ne peut tourner « un bon rythme ». En revanche, « les créations qui retiennent les spectateurs montrent toutes un plan du résultat après utilisation, plutôt que le produit lui-même, avant la seconde 2 » est une attribution exploitable. Elle devient immédiatement une instruction de tournage : dans le prochain script, affichez un plan du résultat avant la seconde 2.

Pour évaluer l’utilité d’une attribution, posez-vous une seule question : peut-elle devenir une variable précise dans le script ? La seconde est une variable, le type de plan en est une, la durée de la séquence de persuasion également. Conservez les constats qui deviennent des variables et écartez les autres. L’objectif final n’est pas un rapport d’analyse concurrentielle, mais une table de variables pour le prochain lot de créations : quoi montrer à quelle seconde, combien de temps consacrer à la persuasion, sur quel plan placer l’accroche.

Après cette table de variables vient le script, puis la publicité finalisée. Le passage du script à la vidéo terminée relève de la génération d’images et de vidéos intégrée au produit ; la boucle complète « mot-clé, attribution des courbes, script, publicité finalisée » est détaillée dans l’article sur le pipeline du mot-clé à la publicité vidéo. Ici, nous nous limitons à la partie qui transforme les courbes en table de variables.

Le piège : ne pas confondre corrélation et causalité

L’attribution sur lot comporte un piège presque inévitable : le modèle a tendance à présenter une corrélation comme une causalité.

Il voit un chat au début de dix créations à forte rétention et conclut : « le chat est la clé de la rétention ». En réalité, ces créations peuvent simplement provenir d’une équipe qui aime les chats. Le chat et la bonne rétention résultent alors tous deux du style de cette équipe, sans lien causal direct. Si vous croyez cette attribution et forcez la présence d’un chat dans votre prochain lot, la rétention ne bougera pas.

Ce biais est le même que celui d’un modèle qui « reconnaît une famille d’algorithmes et cesse d’examiner les détails » lors du reverse engineering JavaScript : dès qu’il produit une explication cohérente, il cesse de la remettre en cause. Le workflow de reverse engineering contourne ce problème en obligeant le modèle à produire une section de preuves contraires. Ici, le principe s’applique directement : la quatrième partie du prompt ci-dessus, le contre-exemple, n’est pas facultative. C’est elle qui permet de déterminer si une attribution est digne de confiance.

L’usage est simple : si le modèle affirme que « le plan du résultat à la seconde 2 provoque une forte rétention », demandez-lui s’il existe dans le lot des créations qui présentent un plan du résultat à la seconde 2 mais affichent une faible rétention. S’il en existe, cette causalité est fausse : un autre facteur se situe entre le plan et la rétention. Si le modèle parcourt tout le lot sans trouver de contre-exemple, la structure mérite d’entrer dans votre table de variables. Un modèle incapable de produire des contre-exemples ne doit guider aucune décision créative : vous filmeriez selon une série de corrélations sans comprendre pourquoi elles ne fonctionnent pas.

Quel modèle utiliser à chaque étape

Ce pipeline en quatre étapes impose des exigences très différentes aux modèles. Utiliser un seul modèle pour tout le processus gaspille soit le budget, soit la précision :

L’étape des contre-exemples mérite une attention particulière. Elle vérifie la même chose que la section de preuves contraires dans l’identification de familles d’algorithmes : le modèle continue-t-il à questionner une conclusion qu’il vient lui-même de produire ? Un modèle moins performant réécrira sa conclusion dans la section de contre-exemples — « la structure est validée sur la majorité des créations » — tandis qu’un meilleur modèle trouvera réellement la création qui la contredit. La qualité de cette section détermine directement le nombre de fausses causalités selon lesquelles vous allez produire vos publicités.

Ne me croyez pas sur parole : testez la différence. Voici le protocole :

1. Récupérez 10 à 15 créations parmi les meilleures d’un même secteur, avec leurs trois courbes par seconde et leur percentile de CTR.

2. Extrayez-les dans un tableau structuré à l’aide de l’offre économique : secondes d’inflexion et plan affiché à cet instant.

3. Transmettez le tableau complet à claude-opus-5 et gpt-5.6-sol, avec le prompt de contre-exemple présenté dans la quatrième partie ci-dessus.

4. Observez un seul point : le modèle identifie-t-il spontanément comme contre-exemple une création à la rétention excellente mais à la conversion faible ? Le niveau qui propose des contre-exemples sans y être poussé est celui dont les attributions peuvent servir à écrire des scripts.

Un seul test suffit à rendre l’écart plus évident que n’importe quel benchmark.

Le vrai frein n’est pas le choix du modèle, mais le coût du changement

Quatre modèles issus de trois fournisseurs, cela signifie trois SDK, trois systèmes d’authentification et trois formats d’erreur. Pour utiliser le bon modèle à chaque étape, l’approche naïve consiste à connecter trois clients. La plupart des équipes font alors le calcul, estiment que l’effort ne vaut pas la peine et utilisent finalement un seul modèle de bout en bout. Elles s’appuient donc sur un niveau faible en contre-exemples pour l’attribution sur lot, puis produisent des créations basées sur de fausses causalités sans comprendre pourquoi elles ne performent pas.

AIReiter simplifie cette couche : une seule clé, une seule interface compatible OpenAI, les quatre niveaux accessibles derrière, et un changement de modèle qui se résume au champ model du corps de la requête.

# Batch attribution + counterexamples: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<attribution prompt + N curve-summary table>"}]
  }'

# Extract fields per creative: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Long context to hold a whole batch of curves:
#   "model": "kimi-k3"

Si vous utilisez déjà le SDK OpenAI, pointez base_url vers https://aireiter.com/api/v1 et ne changez rien d’autre. Avec le SDK Anthropic, utilisez POST /api/v1/messages avec la même clé.

Côté tarifs, les modèles Claude bénéficient de 30 % de réduction sur le prix catalogue, et les modèles GPT de moitié prix. Dans ce workflow, la réduction s’applique précisément aux principaux postes de coût : l’extraction des champs par création est l’étape la plus dense en appels, avec des centaines à des milliers d’appels par lot, exécutés sur Claude Sonnet avec 30 % de réduction ; l’attribution des écarts sur une création unique s’exécute sur GPT-5.6 Sol à moitié prix. L’entrée à long contexte de l’attribution sur lot atteint quelques centaines de milliers de tokens et passe par Kimi K3, avec la même clé. Les remises portent donc sur les deux parties les plus coûteuses.

• Obtenir une clé API

• Essayer sans inscription : commencez par saisir manuellement quelques courbes, comparez la capacité des deux modèles à proposer des contre-exemples, puis choisissez celui à intégrer.

Pour conclure

Lire une création publicitaire à travers ses vues et ses likes revient à utiliser une valeur statique, dont toute la chronologie a été aplatie, pour guider un travail entièrement fondé sur le temps. L’information utile a disparu dès le départ.

Le creative center affiche pourtant depuis toujours des données temporelles : les points d’inflexion des trois courbes par seconde indiquent les moments où retenir, convaincre et convertir. Le percentile de CTR vous dit quant à lui si la création se distingue réellement parmi ses pairs, là où la valeur brute ne signifie rien. Donnez à un modèle les courbes d’un lot de créations pour une attribution à l’échelle du lot : vous n’obtiendrez pas un vague sentiment qu’« elles sont bonnes », mais une table de variables utilisable dans le prochain script, à condition de contraindre le modèle à fournir des contre-exemples et de filtrer, une à une, les corrélations supposées jusqu’aux véritables causalités.

Le rôle du modèle est précis : il sert d’outil d’attribution capable d’aligner simultanément des dizaines de courbes, d’en identifier les points communs et, avec le bon prompt, de contester ses propres conclusions. Il ne tourne pas la publicité à votre place et ne tranche pas la causalité à votre place. Les contre-exemples filtrent les causes réelles, la table de variables devient le script, et la publicité finalisée relève de l’article suivant.