Un marketing mix model peut attribuer le chiffre d’affaires aux canaux, tracer des courbes de saturation et proposer une nouvelle allocation. La présentation semble scientifique ; pourtant, deux modèles appliqués au même historique peuvent recommander des budgets très différents. Ce n’est pas nécessairement un bug. C’est souvent l’incertitude que le premier graphique ne montrait pas.
Search Engine Land propose de comparer plusieurs MMM pour révéler les hypothèses cachées avant de déplacer des montants importants. L’angle utile pour un annonceur n’est pas de choisir le modèle le plus rassurant, mais de distinguer les conclusions robustes des inconnues qui exigent un test.
1. Pourquoi un seul MMM ne suffit pas
Le modèle doit décider combien de temps l’effet d’un canal persiste, à quelle vitesse les rendements diminuent et quelle part du résultat vient de la saisonnalité. Les fenêtres d’adstock, les courbes de saturation, les variables de contrôle et les priors ne sont pas de simples réglages techniques : ils déterminent l’histoire économique racontée.
Un bon ajustement à l’historique ne garantit pas une bonne causalité. Un R² élevé peut coexister avec une attribution excessive au Search de marque si ce canal suit naturellement la demande. Un budget toujours stable ne permet pas non plus d’observer clairement sa courbe de rendement : le modèle extrapole à partir de sa forme choisie.
À retenir
Traitez chaque MMM comme un avis chiffré. La robustesse commence lorsque plusieurs méthodes différentes aboutissent à une conclusion comparable.
2. Comparez des approches différentes à données constantes
Utilisez le même historique de dépenses, les mêmes résultats business, les mêmes zones et les mêmes variables de contrôle. Sinon, vous comparez à la fois les modèles et les données, ce qui rend le désaccord impossible à interpréter.
Trois familles ouvertes permettent de varier les hypothèses. Robyn, développé par Meta, utilise notamment une régression ridge et une optimisation des hyperparamètres. Meridian, proposé par Google, adopte une approche bayésienne et peut intégrer des résultats d’expériences géographiques. PyMC-Marketing donne davantage de contrôle sur les priors et quantifie l’incertitude sous forme de distributions.
Commencez avec les paramètres par défaut documentés. Comparez ensuite les contributions par canal, les courbes de réponse et les intervalles d’incertitude. Ne réglez pas le premier modèle jusqu’à obtenir l’histoire attendue avant d’exécuter le second.
3. Faites des désaccords votre feuille de route
Lorsque les modèles convergent sur un canal saturé ou sur une dépense sous-dimensionnée, la décision devient plus défendable. Lorsque leurs estimations divergent, baissez le niveau de confiance et cherchez la raison avant d’arbitrer.
Quatre causes fréquentes
- Colinéarité : deux canaux montent et baissent ensemble ; l’historique ne permet pas de répartir leur contribution.
- Saison confondue avec le média : le canal dépense toujours pendant les pics de demande et récupère le crédit du calendrier.
- Manque de variation : un investissement toujours identique ne révèle ni seuil ni saturation.
- Fenêtre d’effet fragile : une vidéo de marque paraît inutile avec un adstock court et rentable avec un effet plus long.
Erreurs à éviter
- Retenir le modèle qui confirme le plan budgétaire déjà décidé.
- Comparer des modèles alimentés par des définitions de revenu différentes.
- Présenter un point estimé sans intervalle ni scénario de sensibilité.
- Déplacer le budget d’un canal ambigu avant d’avoir conçu une preuve.
4. Décidez sans moyenner les modèles
Faire la moyenne de deux estimations incompatibles donne un chiffre propre, mais aucune preuve supplémentaire. Classez plutôt les recommandations en trois catégories : décision robuste, décision réversible à tester, décision bloquée par une inconnue majeure.
Pour la plus grande divergence, choisissez une expérience causale. Un geo-test peut faire varier l’investissement entre zones comparables. Un holdout d’audience peut mesurer l’effet incrémental d’une régie. Le résultat devient ensuite une information de calibration : Google indique que Meridian GeoX peut convertir les résultats d’expériences en priors pour resserrer le modèle.
Les contraintes opérationnelles comptent aussi. Si le stock, la capacité commerciale ou la trésorerie limitent la croissance, une allocation théoriquement optimale peut être impossible. Ajoutez ces limites au scénario avant de présenter le budget à la direction.
5. Un plan d’action sur 90 jours
Plan d’action
- Semaines 1 à 4 : assemblez deux ans ou plus de données hebdomadaires, documentez les ruptures et figez les définitions.
- Semaines 5 à 6 : exécutez un modèle de référence puis une approche méthodologiquement différente.
- Semaines 7 à 8 : cartographiez convergences, divergences et sensibilité des courbes de réponse.
- Semaines 9 à 12 : lancez une expérience sur l’inconnue la plus coûteuse, puis calibrez les modèles.
La valeur d’un MMM n’est pas de supprimer l’incertitude. Elle est de la rendre exploitable. Plusieurs modèles construits sur les mêmes entrées montrent où l’historique parle clairement et où il laisse plusieurs explications possibles. Le budget peut alors évoluer avec une logique explicite : agir quand les preuves convergent, tester quand elles divergent et documenter ce qui reste inconnu.