Attribution du revenu par mot clé multi-signal
Vous effectuez une analyse d'attribution du revenu par mot clé en utilisant les données d'export bulk GSC et d'export GA4, toutes deux dans BigQuery. Le résultat est un tableau Markdown triable (requête, page, intention, clics, sessions attribuées, conversions attribuées, revenu attribué, confiance) accompagné d'un court résumé.
Quand l'utiliser
Déclenchez cette compétence dès que l'utilisateur souhaite savoir quelles requêtes génèrent de la valeur de trafic (sessions, conversions, revenus) plutôt que seulement des clics. La méthodologie affine l'attribution d'un niveau par rapport à l'outil standard ga4_gsc_query_revenue car elle effectue une jointure sur trois signaux (page + date + appareil) avant de distribuer les métriques GA4, applique une pondération d'intention afin que les requêtes de marque et transactionnelles reçoivent plus de crédit que les informationnelles, et renormalise pour que les totaux correspondent exactement à GA4.
Si l'utilisateur souhaite uniquement la part de clics ou une réponse en une ligne comme "pour quels mots clés mon site est-il classé ?", utilisez plutôt ahrefs-quick-lookup ou l'outil pré-intégré ga4_gsc_query_revenue.
Entrées requises
Demandez les éléments manquants. Utilisez les valeurs par défaut indiquées si l'utilisateur ne spécifie rien.
| Paramètre | Valeur par défaut | Notes |
|---|---|---|
brand_terms | requis | Tableau en minuscules. Correspondance de sous-chaîne de niveau 1. Utilisez les formes de marque canoniques (ex. ['snippet digital', 'snippetdigital']). |
brand_tokens | [] | Tableau en minuscules. Jetons de préfixe de radical de niveau 2. Chaque jeton correspond au début d'un mot, donc 'model' capture 'models', 'modelling', 'modeling'. Recommandé pour toute marque composée de plusieurs mots afin de capturer les variations d'ordre et de radical. |
brand_min_token_matches | 2 | Nombre de jetons de brand_tokens devant apparaître dans une requête pour qu'elle soit considérée comme de marque. 2 est la valeur par défaut correcte pour les marques à deux mots. |
brand_negative_terms | [] | Tableau en minuscules. Garde-fou contre les faux positifs de niveau 3. Toute requête contenant l'un de ces termes n'est JAMAIS considérée comme de marque. À utiliser pour les marques à un seul mot ambiguës (ex. ['apple pie', 'apple cider'] pour Apple). |
gsc_dataset | requis | Le dataset contenant searchdata_url_impression, par ex. searchconsole. |
ga4_dataset | requis | Le dataset d'export GA4, par ex. analytics_123456789. |
days | 28 | Jours en arrière à partir d'aujourd'hui moins 3 (GSC a un décalage d'environ 3 jours). |
min_clicks | 5 | Ignorer les requêtes avec moins de clics totaux sur la fenêtre. |
value_per_conversion | 0.0 | Valeur de lead fixe optionnelle si GA4 n'a pas de valeur monétaire. Définir à par ex. 499.0 pour une valeur de conversion fixe. |
conversion_events | ['form_submit', 'generate_lead', 'purchase'] | Noms d'événements GA4 à compter comme conversions. |
Les poids d'intention et les expressions régulières d'intention sont également configurables (voir le bloc DECLARE dans attribution.sql). Les valeurs par défaut sont optimisées pour les sites B2B / génération de leads ; le poids transactionnel peut nécessiter une augmentation à 2.5 pour le e-commerce.
Correspondance de marque : comment la renseigner
Lorsque vous demandez les termes de marque à l'utilisateur, demandez explicitement les deux niveaux :
"Quelle est votre marque ? Donnez-moi 1) les phrases exactes que les gens tapent pour vous (ex. 'snippet digital', 'snippetdigital'), et 2) les mots uniques de votre marque pour les faire correspondre sous forme de radicaux (ex. 'snippet', 'digital')."
Pour la plupart des marques composées de plusieurs mots, le niveau 2 doit contenir les mêmes mots que le niveau 1 séparés en jetons individuels. Exemples :
| Marque | brand_terms (niveau 1) | brand_tokens (niveau 2) | min |
|---|---|---|---|
| Coca-Cola | ['coca cola', 'cocacola', 'coke'] | ['coca', 'cola'] | 2 |
| Snippet Digital | ['snippet digital', 'snippetdigital'] | ['snippet', 'digital'] | 2 |
| UK Models | ['uk models', 'ukmodels'] | ['uk', 'model'] | 2 |
| Keyword Insights | ['keyword insights', 'keywordinsights'] | ['keyword', 'insights'] | 2 |
Pour les marques à un seul mot (Apple, Notion, Stripe), le niveau 2 est généralement inutile. Utilisez plutôt le niveau 3 pour exclure les faux positifs :
| Marque | brand_terms (niveau 1) | brand_negative_terms (niveau 3) |
|---|---|---|
| Apple (l'entreprise) | ['apple'] | ['apple pie', 'apple cider', 'apple fruit'] |
| Stripe (paiements) | ['stripe'] | ['pin stripe', 'stripe pattern'] |
Si l'utilisateur signale que des requêtes manifestement liées à la marque sont classées comme informationnelles (par exemple, des pluriels ou des variations d'ordre des mots passant à travers), la solution consiste presque toujours à ajouter des jetons de niveau 2.
Procédure
-
Confirmer les entrées. Si brand_terms, gsc_dataset ou ga4_dataset sont manquants, demandez à l'utilisateur. Confirmez explicitement toute valeur inhabituelle (par ex. jours > 90, min_clicks > 25).
-
Vérifier l'existence des deux datasets. Avant d'exécuter la requête complète, effectuez deux sondes peu coûteuses via l'outil
queryde BigQuery MCP :SELECT MAX(data_date) FROM \{gsc_dataset}.searchdata_url_impression``SELECT MAX(_TABLE_SUFFIX) FROM \{ga4_dataset}.events_*`` Si l'une d'elles génère une erreur, affichez l'erreur exacte à l'utilisateur et arrêtez-vous. Ne poursuivez pas la requête principale.
-
Exécuter la requête d'attribution. Utilisez l'outil
queryde BigQuery MCP avec le SQL dansattribution.sql, après avoir remplacé<<GSC_DATASET>>et<<GA4_DATASET>>par les noms de datasets de l'utilisateur. Mettez à jour le bloc DECLARE pour refléter les brand_terms, days, min_clicks, value_per_conversion et conversion_events de l'utilisateur. Définissezmax_rowsà 200 pour capturer la longue traîne. -
Afficher le résultat. Formatez le résultat sous forme de tableau Markdown trié par revenu attribué décroissant. Colonnes : requête, page, intention, clics, sessions_attribuées, conversions_attribuées, revenu_attribué (avec symbole monétaire), candidats_sur_page, confiance. Après le tableau, rédigez :
- Un résumé de 2-3 phrases indiquant le total des clics, sessions, conversions, revenus et la part de marque.
- Les 3 principaux contributeurs à haute confiance (une ligne chacun).
- Toute tendance méritant d'être signalée (par ex. toutes les pages à confiance ÉLEVÉE avec zéro conversion, des répartitions d'intention inhabituelles, des variations de marque non détectées par la règle de sous-chaîne).
-
Optionnellement, afficher l'artefact visuel. Si l'utilisateur demande un tableau de bord, un instantané ou une capture d'écran, construisez un widget HTML en ligne à l'aide de l'outil
show_widgetMCP. Le widget doit inclure : 4 cartes métriques (clics, sessions, conversions, revenus), un graphique à barres horizontal des 12 premières requêtes par revenu attribué avec code couleur par intention, une barre empilée de la répartition par intention (clics vs sessions vs revenus), et un tableau triable et filtrable.
Pièges courants et solutions
- Termes de marque non détectés par la règle de sous-chaîne. "uk model" ne contient pas "uk models". Anticipez toujours en variant la liste de marque : incluez singulier/pluriel, avec et sans espaces, fautes de frappe courantes, titres de poste internes. Si vous voyez des requêtes informationnelles sur la page d'accueil surpasser les requêtes de marque en clics bruts, il s'agit presque toujours d'une variation de marque manquante.
- Le revenu est nul partout. Cela signifie que GA4 ne remplit pas
ecommerce.purchase_revenueouevent_params.value. Pour les sites de génération de leads, c'est normal. Acceptez les conversions comme métrique de succès, ou transmettezvalue_per_conversionpour que le revenu soit imputé commeconversions x valeur. - Tous les niveaux de confiance sont FAIBLES car tout se trouve sur la page d'accueil. Il s'agit d'un constat légitime, pas d'un bug. La page d'accueil a effectivement trop de requêtes candidates pour une attribution propre. Signalez-le comme un constat structurel ("les liens internes et les pages de destination thématiques diviseraient cette attribution en blocs déterministes") plutôt que d'essayer de truquer le score.
- Le taux de jointure semble faible. GSC et GA4 normalisent les URL différemment (barres obliques finales, chaînes de requête, fragments). Le SQL supprime les barres obliques finales et les chaînes de requête des deux côtés ; si le taux de jointure est encore inférieur à 50 %, vérifiez les différences de protocole (http vs https) ou de nom d'hôte (www vs non-www).
- Le filtre organique GA4 exclut trop de données. Le SQL filtre les sessions où un événement signale
medium=organic. Si la configuration GA4 de l'utilisateur utilise des valeurs de source de trafic différentes (par ex.Organic Searchcomme regroupement de canaux), modifiez la clause WHERE dans la CTEga4_sessions. - Le dataset GSC est dans un projet, GA4 dans un autre. Les requêtes inter-projets BigQuery fonctionnent sans problème ; qualifiez simplement complètement les deux placeholders, par ex.
project-a.searchconsole,project-b.analytics_123456789. Le compte de service MCP nécessite un accès en lecture sur les deux.
Exemple de format de sortie
## [domaine] attribution du revenu par mot clé, 28 derniers jours
**Fenêtre :** 2026-04-01 à 2026-04-28
**Termes de marque :** "..." | **Clics minimum :** 5
| Requête | Page | Intention | Clics | Sessions att. | Conv att. | Revenu att. | Confiance |
|---|---|---|---|---|---|---|---|
| ... | ... | marque | 280 | 263.4 | 19.96 | 9 960 € | ÉLEVÉE |
Résumé : 903 clics, 697 sessions attribuées, 39 conversions, 19 461 € de revenu. La marque capte 86 % des conversions pour 57 % des clics.
Top 3 contributeurs à haute confiance
1. ...
2. ...
3. ...
Tendances
- ...
- ...
Fichiers de cette compétence
attribution.sql: la requête paramétréeSKILL.md: ce fichierexamples/synthetic_saas_demo.md: un exemple de sortie pour référence