Prévisions SEO (forecasting)

La plupart des conversations de vente exigent une réponse à « qu'est-ce que j'en retire et en combien de temps ? ». Comme beaucoup d'agences refusent de s'engager sur un chiffre (ouvre un nouvel onglet), fournir un forecast — même présenté comme estimation — donne un avantage concurrentiel et rassure les clients craintifs. Quand la projection à effort constant n'atteint pas l'objectif, le forecast sert aussi à argumenter pour plus de ressources (ouvre un nouvel onglet) et à justifier un budget. Voir la communication SEO.

Dire que chaque client n'a qu'un objectif (plus de revenu) est réducteur : les buts varient selon l'industrie, le stade de croissance et les pressions du leadership. Comprendre les objectifs SEO du contact, puis cadrer le forecast sur les métriques qui valent le plus pour lui, bâtit la confiance.

La performance se juge relativement à la concurrence. Les données first-party (GA, GSC) sont les plus exactes pour son propre site, mais seules les sources tierces (ouvre un nouvel onglet) donnent les données concurrentes nécessaires pour situer sa trajectoire.

Le trafic mensuel estimé d'un mot-clé se calcule en multipliant son volume de recherche par le CTR attendu à la position visée. Ainsi 10 000 recherches × 2 % = 200 visites (ouvre un nouvel onglet) par mois pour une page en position 6. Cette formule a des limites structurelles : elle ne couvre que les mots-clés saisis (souvent un par page) alors qu'une page se classe pour de nombreux termes (ouvre un nouvel onglet), et s'appuie sur une courbe de CTR générique peu représentative — qu'une courbe custom bâtie sur GSC corrige.

Avec au moins 16 à 24 mois de données (ouvre un nouvel onglet) de trafic, l'analyse de tendance est la façon la plus fiable de prévoir, car elle repose sur les performances réelles du site et non sur des estimations de volume. La Search Console expose 16 mois d'historique, assez pour capter les tendances saisonnières et de croissance. Côté statistique, on vise au moins 200 points de données (ouvre un nouvel onglet) : la cadence détermine la fenêtre (720+ points en quotidien, 5 ans pour 250 points en Google Trends hebdomadaire).

Les courbes diffèrent fortement d'un secteur à l'autre, notamment à cause des fonctionnalités SERP propres à chaque verticale. Il faut donc utiliser des moyennes spécifiques à son industrie (ouvre un nouvel onglet) plutôt que des chiffres génériques. De même, le CTR de marque dépasse le non-marque (81,2 % contre 61,2 % (ouvre un nouvel onglet) en positions 1-3), l'intention étant plus spécifique.

Une étude académique (Nova SBE / Univ. Hamburg) montre qu'au-delà du rang, ajouter le mot-clé réduit fortement l'erreur (−22,6 % de RMSE) (ouvre un nouvel onglet), et les fonctionnalités SERP apportent un gain incrémental (−4,9 %). Pour ces données tabulaires, les modèles à base d'arbres surpassent (ouvre un nouvel onglet) (GBDT, XGBoost, CatBoost) les modèles linéaires et les réseaux de neurones, y compris l'état de l'art.

Sara Taher recommande de choisir le modèle selon la forme des données (ouvre un nouvel onglet). La fonction FORECAST de Google Sheets prédit par régression linéaire : elle ajuste la droite qui passe au plus près (ouvre un nouvel onglet) des points historiques. Backlinko en fait sa méthode par défaut car elle reste facile à expliquer, même aux non-SEO (ouvre un nouvel onglet) : on exporte 16 mois de clics, on agrège par mois, on projette les 12 suivants.

Le lissage exponentiel pondère davantage les données récentes (ouvre un nouvel onglet), utile après un changement de site. La moyenne mobile simple calcule la prévision comme la moyenne des N dernières périodes — par exemple (100 + 120 + 110) ÷ 3 = 110 clics (ouvre un nouvel onglet). Aucun modèle unique n'étant parfait, l'autrice recommande de combiner ces trois méthodes (ouvre un nouvel onglet) pour la prévision la plus fiable.

Sans historique propre, on estime le marché adressable via les concurrents proches : retirer les outliers, calculer le trafic moyen par page de l'industrie (ouvre un nouvel onglet) (28 visites dans son exemple), puis multiplier par le nombre de pages produites. Plus on connaît le client (DR, trafic, backlinks), plus l'estimation gagne en précision.

ARIMA combine trois paramètres p, d et q (ouvre un nouvel onglet) : p (combien de points passés sont considérés), d (différenciation) et q (prise en compte des erreurs passées). La différenciation retire les tendances non stationnaires (ouvre un nouvel onglet) en soustrayant chaque point au précédent, et l'opération est inversée après prédiction. On vérifie la stationnarité avec le test Augmented Dickey-Fuller (ouvre un nouvel onglet) : une p-value supérieure à 0,05 signale qu'il faut différencier. La fonction auto_arima cale les paramètres en minimisant l'AIC et le BIC (ouvre un nouvel onglet), qui pénalisent l'erreur et le nombre de paramètres.

Prophet décompose la série en trois composantes (ouvre un nouvel onglet) — tendance, saisonnalité, vacances — traitées séparément, détecte les changepoints et modélise la saisonnalité par séries de Fourier, ce qui le rend robuste aux données manquantes. Le choisir quand la saisonnalité est forte ou qu'on veut intégrer des variables exogènes (ouvre un nouvel onglet) (vacances, core updates) ; préférer ARIMA quand la saisonnalité est faible ou l'historique limité. À l'inverse, Andreas Voniatis choisit SARIMA pour son installation (ouvre un nouvel onglet), jugeant Prophet peu maintenu mais comparable en exactitude.

Avant toute projection, faire tourner le modèle sur les données passées et mesurer la Root Mean Squared Error (ouvre un nouvel onglet) : le RMSE indique la fiabilité attendue (un RMSE de 27,5 sur une échelle Google Trends 0-100 vaut 27 % de marge d'erreur). Fournir au modèle les dates d'updates, migrations et lancements comme régresseurs lui permet d'isoler l'effet ponctuel (ouvre un nouvel onglet) au lieu de le laisser contaminer la tendance de fond.

Une prévision honnête se présente en fourchette plutôt qu'en une seule projection optimiste. Pour bâtir la confiance, Backlinko présente toujours un meilleur cas, un cas attendu et un cas d'échec (ouvre un nouvel onglet) : modéliser un scénario conservateur (−15 %) et agressif (+30 %) rend le forecast plus réaliste. Le type le plus sûr reste une prévision de trafic adossée à une stratégie (ouvre un nouvel onglet) montrant que ce sera du « bon » trafic ; revenu et pipeline restent des hypothèses, sauf historique reliant le SEO à ces métriques.

La qualité dépend de la stabilité des patterns et ne tient pas compte d'événements imprévisibles (ouvre un nouvel onglet) comme la COVID-19. Les modèles aiment la consistance : un trend saisonnier les rend fiables, mais ils gèrent mal les breakout trends (ouvre un nouvel onglet), faute d'historique. Le choix de la fenêtre est déterminant : une croissance récente tire la ligne de tendance vers le haut (ouvre un nouvel onglet), et des périodes différentes produisent des forecasts différents.

Forecaster à partir du seul point de départ sans regarder le passé mène à survendre : si le site est en déclin, il faut d'abord colmater la fuite (ouvre un nouvel onglet), ce qui ajoute des mois. Établir la baseline sur les six derniers mois. Garder en tête que les données GSC sont échantillonnées (ouvre un nouvel onglet), retardées de deux à trois jours et arrondies : bonnes pour les tendances, pas pour du granulaire exact. Voir la mesure du SEO.