Qu'est-ce que le marketing mix modeling ?
Le MMM, aussi appelé media mix modeling, relie par régression l'évolution des ventes à celle des dépenses de chaque canal et des facteurs externes. Le modèle sépare les ventes de base, qui auraient eu lieu sans marketing, des ventes incrémentales attribuables à chaque levier. Il en tire une contribution et un retour sur investissement par canal, puis des courbes de réponse qui montrent ce que rapporterait un euro de plus ou de moins. La méthode existe depuis des décennies dans la grande consommation ; elle revient au premier plan parce que le suivi individuel des internautes devient plus difficile.
Les notions clés : adstock, saturation, incrémentalité
- Adstock (effet retard) : une publicité vue aujourd'hui continue d'agir les semaines suivantes. Le modèle étale l'effet de chaque dépense dans le temps.
- Saturation (rendements décroissants) : au-delà d'un certain niveau, chaque euro supplémentaire sur un canal rapporte moins que le précédent.
- Ventes de base : ce qui se vend sans marketing, porté par la marque, la distribution ou la demande naturelle.
- Incrémentalité : la part des ventes qui n'aurait pas eu lieu sans le canal, et non celle qu'il revendique.
- ROI marginal : ce que rapporterait le prochain euro investi sur un canal. C'est lui qui guide la réallocation, pas le ROI moyen.
Les données nécessaires
- Une variable à expliquer : ventes, chiffre d'affaires, leads ou inscriptions, le plus souvent par semaine.
- Les dépenses par canal sur la même période et, quand c'est possible, l'exposition (impressions, points de couverture en télévision).
- Les facteurs de contrôle : prix, promotions, distribution, saisonnalité, jours fériés, événements, actions des concurrents si elles sont connues, contexte économique.
- Un historique long : plusieurs années de données hebdomadaires sont généralement nécessaires pour que le modèle distingue l'effet de chaque canal de la saisonnalité.
- De la variation : si un canal a été dépensé au même niveau chaque semaine, le modèle ne peut pas mesurer son effet.
MMM et attribution : quelle différence ?
L'attribution part des parcours individuels : elle suit les clics et les vues d'un internaute jusqu'à sa conversion et répartit le mérite entre les points de contact. Elle est fine, rapide et utile pour piloter les campagnes au jour le jour, mais elle ne voit que ce qui est traçable — donc ni la télévision, ni l'affichage, ni les internautes qui refusent les cookies — et elle mesure une corrélation dans un parcours, pas l'effet causal. Le MMM part des agrégats : il ne suit personne, couvre tous les canaux, en ligne et hors ligne, et estime l'incrémentalité, mais il travaille à la maille du canal et de la semaine, avec un temps de retard. Les deux sont complémentaires ; notre article sur l'attribution marketing détaille l'autre approche.
Calibrer le MMM avec des tests d'incrémentalité
Un MMM reste une estimation statistique. Pour le fiabiliser, on le confronte à des expériences : tests de lift proposés par les régies, tests géographiques où l'on coupe ou augmente une dépense dans certaines zones et pas dans d'autres, pauses contrôlées d'un canal. Les outils récents permettent d'intégrer ces résultats dans le modèle pour contraindre ses estimations. La combinaison MMM, tests d'incrémentalité et attribution est aujourd'hui l'approche la plus solide pour arbitrer un budget multicanal.
Les outils open source : Meridian, Robyn et les autres
- Meridian, de Google : bibliothèque Python open source de MMM bayésien, qui succède à LightweightMMM. Elle intègre l'adstock, la saturation, des données géographiques et la calibration par des tests.
- Robyn, de Meta : bibliothèque open source en R, qui automatise une grande partie de la modélisation (transformations, choix d'hyperparamètres, allocation budgétaire).
- PyMC-Marketing : bibliothèque Python open source, développée autour de PyMC, pour le MMM bayésien et d'autres modèles marketing.
- Open source ne veut pas dire sans effort : ces outils demandent des compétences en statistique et en programmation, et des données propres.
- Des prestataires et éditeurs proposent aussi des MMM clés en main, avec des niveaux de transparence variables sur la méthode.
Les limites du marketing mix modeling
- La corrélation n'est pas la causalité : sans variation suffisante ni calibration par des tests, le modèle peut attribuer à un canal un effet qui vient d'ailleurs.
- La multicolinéarité : quand plusieurs canaux augmentent en même temps (tous les canaux poussés en fin d'année), le modèle sépare mal leurs effets.
- La granularité : le MMM dit combien investir par canal, pas quelle campagne ou quelle annonce garder.
- La sensibilité aux hypothèses : deux modélisations raisonnables peuvent donner des résultats différents ; les hypothèses doivent être documentées.
- Le délai et le coût : historique long, préparation des données, compétences rares, mise à jour régulière.
Pour qui le MMM vaut-il la peine ?
Le MMM se justifie pour les annonceurs qui investissent sur plusieurs canaux, dont certains hors ligne ou peu traçables, avec des budgets suffisants pour que réallouer quelques points représente une somme importante, et un historique de ventes et de dépenses de plusieurs années. Pour une PME qui achète surtout du Google Ads et du Meta depuis un an, il est généralement prématuré : un suivi rigoureux du CPA, du ROAS, du MER et quelques tests d'incrémentalité apportent davantage pour un effort bien moindre.
Ce que fait Vandolo
Vandolo ne réalise pas de marketing mix modeling. Le module Publicité (119 € HT par mois) réunit les dépenses et les résultats de vos campagnes Google Ads et Meta, avec un ROAS et un CPA comparables et un verdict par campagne, et se connecte aussi à LinkedIn, TikTok, Snapchat, Microsoft Ads, Pinterest et Reddit. Le module Business plan & prévisionnel (71 € HT par mois) projette sur 12 mois trois scénarios de répartition entre Google et Meta et les compare au réel remonté depuis GA4. C'est le suivi au quotidien qui précède, et complète, une démarche de MMM.