Jinko Hub

Marketing Mix Modeling : ce que chaque canal rapporte

Télévision, affichage, search, social, app stores : une seule mesure, sans cookie, pour arbitrer les budgets.

Discuter de votre projet

Le MMM en une définition

Le Marketing Mix Modeling (MMM) est une méthode statistique qui explique les ventes ou les leads d'une période par les dépenses de chaque canal, la saisonnalité et le contexte, à partir d'historiques agrégés, en général hebdomadaires. Il ne suit aucun individu, donc ni cookie ni consentement, et il mesure aussi bien les médias hors ligne que le digital.

  • ContributionLes ventes réellement générées par chaque canal, et le retour sur dépense associé.
  • SaturationLe point où chaque euro supplémentaire rapporte moins : la courbe de réponse de chaque canal.
  • RémanenceL'effet d'une campagne qui se prolonge après sa diffusion, différent pour la télévision et pour le search.
  • RéallocationLa répartition d'un budget donné qui maximise le résultat, et la prédiction associée.
Un MMM devient utile après validation et calibrationCinq étapes relient les données hebdomadaires aux transformations, à la régression bayésienne, à la validation hors échantillon et aux sorties de décision. Une boucle de calibration réinjecte les tests géographiques et d'incrémentalité dans les a priori du modèle.Un MMM devient utile après validation et calibrationSuivre les cinq étapes, puis la boucle qui réinjecte les tests d'incrémentalité dans les a priori.1. Données hebdoDépenses et impressionspar canal, ventes ou leads,prix, promos, saisonnalité2. TransformationsAdstock par canalSaturation (Hill)paramètres ajustés3. Régression bayésienneA priori métier et testsCoefficients positifsDistributions a posteriori4. ValidationPériode non vue (30 %)Erreur hors échantillonRobustesse aux perturbations5. SortiesContribution par canalet intervalles, courbes,simulateur, optimiseurCalibration : tests géographiques et d'incrémentalité renvoyés comme a prioriPourquoi bayésien : chaque résultat est une distribution, donc un intervalle, et les connaissances métier entrent comme a priori.Outils : Google Meridian, Meta Robyn, PyMC-Marketing. Le choix dépend des données (canaux, historique, tests), pas de la mode.Signal d'alerte : un R² en échantillon supérieur à 0,98 indique en général un surapprentissage, pas un bon modèle.Lecture : Les décisions reposent sur des distributions validées hors échantillon et confrontées aux tests d'incrémentalité.
La chaîne d'un Marketing Mix Modeling bayésien, des données hebdomadaires aux arbitrages de budget

Pourquoi des modèles bayésiens

Un MMM bayésien ne renvoie pas un chiffre, il renvoie une distribution : pour chaque canal, un retour sur dépense probable et l'intervalle dans lequel il se situe. Les connaissances métier entrent dans le modèle sous forme d'a priori (durée de rémanence plausible d'une campagne TV, résultats d'un test d'incrémentalité), ce qui stabilise les estimations quand l'historique est court ou les canaux corrélés.

  • Meridian (Google) : modèle bayésien open source, pensé pour intégrer la portée et la fréquence des vidéos et les tests géographiques
  • Robyn (Meta) : approche par ridge régularisée et sélection multi-objectifs, rapide à calibrer
  • PyMC-Marketing : modèle bayésien flexible, adapté aux cas particuliers et aux contrôles spécifiques
  • Le choix dépend de vos données, pas de la mode : nombre de canaux, profondeur d'historique, tests disponibles
Réallouer le budget selon le rendement encore disponibleDeux courbes illustratives relient les dépenses hebdomadaires aux ventes incrémentales. Le search reçoit actuellement quatre-vingts milliers d'euros dans une zone saturée, le social dix milliers sous sa zone efficace. Vingt milliers sont déplacés du search au social, à budget total constant de quatre-vingt-dix milliers. Le gain de ventes prédit est une distribution illustrative normale, de moyenne quarante ventes et d'intervalle central à quatre-vingts pour cent de moins dix à plus quatre-vingt-dix ventes. L'optimum dépend du modèle, des plafonds, des planchers et de la période.Réallouer le budget selon le rendement encore disponibleComparer les courbes de réponse, déplacer le budget, puis lire la distribution du gain ; valeurs illustratives.courbe de réponsedépense actuelledépense proposéeSearch : zone saturéeVentes incrémentales / semaine (unités)050100150200020406080100Dépense hebdomadaire (k€)Actuel : 80 k€ → proposé : 60 k€Aplat : zone saturée, pente faibleSocial : sous la zone efficaceVentes incrémentales / semaine (unités)050100150200020406080100Dépense hebdomadaire (k€)Actuel : 10 k€ → proposé : 30 k€Aplat : zone efficace, pente plus forteDéplacer 20 k€ / semaine du search vers le socialBudget constant : 80 + 10 = 60 + 30 = 90 k€ / semaineGain attendu : une distributionDensité de probabilité (par vente)00,0050,010-80-4004080120160Gain de ventes / semaine (unités)Intervalle central à 80 %De -10 à +90 ventes / semaineZone ombrée : 80 % de la distributionUn gain négatif reste possible.Courbes et distribution : valeurs illustratives,pas un résultat client.Optimum conditionnel au modèle, à la période et aux contraintes : budget total, planchers et plafonds par canal.Lecture : L'optimum dépend du modèle et des contraintes ; le gain attendu reste une distribution avec un intervalle.
Déplacer du budget d'un canal saturé vers un canal encore efficace, avec l'intervalle du gain attendu

Ce que vous obtenez

  • Un modèle validéEntraîné sur une période, testé sur une période qu'il n'a pas vue, avec ses métriques d'erreur et sa robustesse à des perturbations des données.
  • Des contributions par canalVentes attribuées, retour sur dépense, intervalles de confiance, comparés à vos attributions digitales existantes.
  • Des courbes de réponsePour savoir quel canal peut encore croître et lequel est saturé.
  • Un simulateur et un optimiseurModifier le plan média et lire l'effet attendu, ou laisser le modèle proposer la répartition optimale sous contraintes.
  • Une calibration par testsTests géographiques ou d'incrémentalité pour ancrer le modèle sur des effets mesurés, pas seulement corrélés.
  • Un rafraîchissement régulierLe modèle se réentraîne à chaque période, le tableau de bord de décision reste à jour.

Questions fréquentes sur le MMM

Quelles données faut-il ?

Par canal, les dépenses et si possible les impressions ou GRP, par semaine, sur deux à trois ans ; les ventes ou leads sur la même grille ; et les variables de contexte utiles (prix, promotions, saisonnalité, conjoncture). Aucune donnée personnelle.

Le MMM remplace-t-il l'attribution digitale ?

Non, il la complète. L'attribution mesure finement le digital au niveau des parcours ; le MMM donne la vue d'ensemble, hors ligne compris, et résiste à la disparition des traceurs.

Pourquoi préciser « bayésien » ?

Parce qu'il fournit des intervalles d'incertitude et accepte des connaissances a priori. Une décision de budget prise sur un intervalle est plus sûre qu'une décision prise sur un chiffre isolé.

Vos historiques de dépenses et de ventes suffisent pour un premier modèle

Un échange d'une heure permet de vérifier ce que vos données rendent possible.

Discuter de votre projet