Marketing Mix Modeling bayésien : arbitrer les budgets on et offline

Les décisions auxquelles répond un MMM

Le Marketing Mix Modeling, ou MMM, relie une variable commerciale aux investissements médias et aux facteurs de contexte. Chiffre d’affaires net, commandes, leads qualifiés ou marge : la cible choisie détermine comment interpréter les résultats. Optimiser des leads bruts ne revient pas à optimiser des ventes rentables.

Pour chaque canal, le modèle estime sa contribution et la persistance de ses effets, ainsi que la saturation (diminishing returns) de sa réponse. Ces estimations servent à comparer des scénarios : conserver la répartition actuelle, déplacer du budget, réduire une pression devenue peu productive ou financer un canal sous-investi. Le modèle produit aussi une prévision (forecasting) conditionnelle à un calendrier média et à des hypothèses commerciales explicites.

La contribution mesure la différence entre une prédiction avec l’activité du canal et un scénario contrefactuel (counterfactual) défini par le modèle. Elle ne compte donc pas des conversions attribuées. Pour l’interpréter comme un effet causal, il faut examiner les variables retenues, les variations observées et la calibration expérimentale. Une courbe bien ajustée aux ventes ne suffit pas à identifier ce qui les a provoquées.

Le MMM traite ensemble télévision, radio, affichage, presse, search, social, vidéo et autres leviers disponibles, sans reconstituer les parcours individuels. Il sert ainsi aux arbitrages data marketing entre leviers, au-delà du périmètre observable par les outils d’attribution numérique.

Préparer des données comparables dans le temps

Construire une table hebdomadaire documentée

Viser, par exemple, deux à trois ans de données hebdomadaires pour couvrir plusieurs cycles saisonniers. C’est un objectif de collecte, pas un seuil qui garantit la qualité du modèle. Un historique long marqué par une rupture de modèle économique peut apporter moins d’information qu’une période récente présentant davantage de variations exploitables.

Le grain de base est week_start, éventuellement complété par geo_id. Décrire les médias par channel, spend, impressions et, si les mesures sont fiables, par la couverture et la fréquence. Pour les résultats commerciaux, utiliser une source réconciliée avec les règles financières. Garder les mêmes règles de traitement des annulations, retours, taxes, dates de commande et délais de qualification.

Rattacher les dépenses à la diffusion plutôt qu’à la réception des factures, et préciser comment traiter les frais d’agence, de production et les remises. Les impressions décrivent une exposition ; les dépenses, son coût. Simuler un budget à partir d’impressions exige donc de modéliser ou de fixer le coût d’achat média.

Choisir les contrôles avec un raisonnement causal

Prix, promotions, saisonnalité (seasonality), jours fériés, disponibilité et contexte macroéconomique peuvent expliquer les ventes indépendamment des médias. Les inclure dans le modèle évite d’attribuer automatiquement une pointe commerciale à la campagne diffusée au même moment. Encore faut-il pouvoir défendre le mécanisme de chaque contrôle.

Une variable provoquée par la publicité peut absorber une partie de l’effet que l’on cherche à mesurer. Examiner donc le rôle causal du trafic direct ou des recherches de marque avant de les inclure. Pour le search payant, vérifier le sens de la relation : l’investissement peut augmenter parce que la demande augmente déjà.

Distinguer zéro, valeur manquante et canal non encore lancé. Conserver les données brutes, les corrections, les devises et les règles de conversion. Les agrégats nécessaires au modèle n’exigent aucune donnée personnelle. Ajouter des identifiants de visiteurs ne résout ni les confusions temporelles ni le manque de variation des budgets.

Comprendre adstock, saturation, régression et priors

Représenter la persistance des effets

L’adstock transforme la pression média en exposition effective. Une forme géométrique simple s’écrit a[t] = x[t] + alpha * a[t-1], où x[t] est l’exposition et alpha un coefficient compris entre zéro inclus et un exclu. Une campagne continue ainsi d’influencer les semaines suivantes, avec une décroissance contrôlée.

Avec alpha = 0,5, par exemple, une unité d’exposition conserve la moitié de son poids après une période dans cette formulation. Préciser si les poids sont normalisés et jusqu’à quel retard le calcul s’étend. Documenter aussi les données utilisées avant la fenêtre d’estimation : ces conventions changent l’échelle des coefficients et leur interprétation.

L’adstock géométrique suppose un maximum immédiat, alors que d’autres formes autorisent un pic retardé. Choisir selon le cycle de décision, puis vérifier la sensibilité des résultats à ce choix. Même une forme flexible ne peut compenser le manque d’information lorsque les campagnes ont toujours suivi le même calendrier.

Représenter les rendements décroissants

Une fonction de Hill peut s’écrire h(a) = a^s / (a^s + k^s), avec k > 0 et s > 0. Le paramètre k situe la demi-saturation et s règle la forme de la courbe. Selon s, la réponse présente une concavité immédiate ou une phase initiale plus progressive.

Le modèle combine ces transformations avec les contrôles : y[t] = base[t] + somme(beta[c] * h(a[c,t])) + somme(gamma[j] * z[j,t]) + erreur[t]. Cette écriture additive sert à expliquer le principe. Pour spécifier le modèle, il reste à choisir la distribution de la cible, les liens, la tendance (trend) et les interactions.

Fixer et documenter l’ordre adstock puis saturation : inverser les opérations change le mécanisme. Google Meridian formalise ces choix dans sa spécification du modèle. L’optimisation des budgets dépend de cette courbe, même si le modèle s’ajuste bien aux ventes dans leur ensemble.

Définir des priors interprétables

Un prior exprime une distribution plausible avant l’apprentissage : persistance, saturation, contribution ou ROI. Il peut intégrer l’expérience métier et des tests d’incrémentalité (incrementality). Avant l’estimation, simuler les ventes à partir de ces priors pour repérer les hypothèses absurdes, même lorsque les paramètres semblent raisonnables pris isolément.

Documenter la source, la date et la justification de chaque prior. Une affirmation commerciale non vérifiée reste sans preuve une fois traduite en distribution. Réutiliser les résultats expérimentaux du prior comme validation indépendante compte deux fois la même information. Documenter cet éventuel réemploi et l’éviter dans l’évaluation finale.

Pourquoi le bayésien et quel outil choisir

L’inférence bayésienne combine priors et données pour produire une distribution a posteriori. Elle décrit ainsi la contribution, le ROI et la réponse marginale par des distributions plutôt que par des chiffres isolés. Un intervalle crédible à 90 %, par exemple, contient 90 % de la masse postérieure, sous les hypothèses du modèle et des données utilisées.

Avec des historiques courts ou des canaux corrélés, des priors cohérents stabilisent l’estimation. Une structure hiérarchique peut partager l’information entre zones géographiques tout en conservant leurs différences. Cette régularisation n’élimine pas le défaut d’identification : si les médias varient toujours ensemble, les données séparent mal leurs effets.

Dans ce cas, montrer la sensibilité aux priors, regrouper certains canaux ou planifier une expérience. Un prior très contraignant peut donner un intervalle étroit sans que l’historique apporte beaucoup d’information. Comparer les distributions initiales et finales pour distinguer ce que les données ont appris au modèle des hypothèses qu’il a conservées.

Meridian documente son cadre dans le dépôt officiel. Robyn utilise la régression ridge et une optimisation multiobjectif, ce qui le distingue d’un MMM bayésien : ses fonctionnalités officielles décrivent aussi la calibration expérimentale. Les exemples de PyMC-Marketing couvrent les workflows de MMM et de calibration.

Choisir l’outil selon les compétences disponibles et le travail nécessaire pour diagnostiquer le modèle, intégrer les expériences, reproduire les résultats et maintenir le code. Ce travail de data science reste à la charge de l’équipe, quelle que soit la bibliothèque. Elle doit notamment pouvoir expliquer pourquoi une recommandation change.

Valider et calibrer avant de déplacer les budgets

Évaluer hors échantillon

Réserver une période postérieure à l’entraînement pour l’évaluation, puis répéter l’exercice avec plusieurs coupures temporelles. Une séparation aléatoire des semaines laisse passer de l’information sur des périodes voisines. Apprendre les transformations, les normalisations et les paramètres sans utiliser les observations du holdout.

Comparer l’erreur hors échantillon à une référence simple, par exemple une prévision saisonnière. Le RMSE pénalise les grandes erreurs ; le WAPE rapporte la somme des erreurs absolues à la somme des observations absolues. La MAPE devient problématique lorsque la cible est nulle ou très faible. Examiner aussi le biais, les résidus temporels et la couverture des intervalles de prévision (prediction interval).

Pour une estimation par MCMC, contrôler la convergence des chaînes, la taille effective des échantillons et les divergences. Ces diagnostics valident le calcul, pas la causalité. Un échantillonnage parfait peut produire une réponse trompeuse à partir d’une mauvaise spécification.

Une faible erreur d’entraînement accompagnée d’une mauvaise prévision signale un risque d’overfit. Surveiller aussi une tendance qui absorbe chaque campagne, ou des contributions qui changent radicalement après une légère correction des données. L’optimisation devient également fragile si les courbes de saturation s’appuient uniquement sur des zones jamais observées.

Perturber les hypothèses et intégrer les expériences

Refaire l’estimation avec d’autres fenêtres, des priors moins contraignants, un regroupement de canaux ou une autre représentation de la tendance. Comparer les décisions produites en plus des scores prédictifs. Si chaque variante raisonnable inverse le sens de la réallocation, demander davantage d’information avant de recommander un déplacement de budget.

Une expérience géographique compare des zones traitées et témoins selon un protocole défini avant intervention. Les tests d’incrémentalité apportent une mesure externe de l’effet média. Pour l’intégrer au modèle, faire correspondre le canal, la population, la période, l’indicateur commercial et l’horizon de persistance.

Conserver l’incertitude expérimentale dans la calibration. Un lift local pendant une promotion ne se généralise pas automatiquement à toute l’année. Documenter les débordements entre zones, les variations de pression et les différences de périmètre. Réserver, lorsque possible, une expérience indépendante pour confronter le modèle calibré à une nouvelle situation.

Transformer les sorties en arbitrages gouvernés

Livrer la contribution par canal avec son intervalle, la définition du contrefactuel et l’horizon retenu. Accompagner la courbe de réponse (response curve) de la plage historiquement observée. Le simulateur complète ces résultats en appliquant un calendrier de dépenses et des hypothèses de coûts, de prix et de saisonnalité.

Distinguer ROI moyen et rendement marginal : le premier rapporte une contribution au budget engagé, le second décrit l’effet attendu d’une unité supplémentaire au niveau actuel. Un canal rentable en moyenne peut déjà être proche de la saturation. Le prochain euro peut donc produire davantage sur un autre canal.

L’optimiseur maximise une contribution ou une marge attendue sous contraintes : somme(budget[c]) = budget_total et minimum[c] <= budget[c] <= maximum[c]. Ajouter les engagements contractuels, capacités commerciales, seuils de couverture et limites de variation. Intégrer aux scénarios l’adstock existant et retenir un horizon assez long pour ne pas pénaliser artificiellement les canaux à effet retardé.

Un scénario peut, par exemple, déplacer 10 % du budget d’un canal saturé vers un canal moins sollicité. Ce déplacement est illustratif et ne représente pas un gain constaté. Comparer la distribution des résultats au statu quo, puis examiner la probabilité de dégradation et la sensibilité aux coûts médias. Signaler toute simulation hors de la plage historique comme une extrapolation.

Organiser le rafraîchissement et la décision

Par exemple, ingérer les données chaque semaine, revoir leur qualité chaque mois et réestimer le modèle chaque trimestre. Adapter cette cadence aux nouvelles variations disponibles. Sans information nouvelle, relancer le modèle risque surtout de donner une impression de précision supplémentaire.

Pour chaque version, archiver les données, le code, les priors, les diagnostics, les scénarios et les décisions. Le marketing valide les contraintes opérationnelles, la finance les définitions économiques. La data garantit la traçabilité. Si la définition d’un canal ou les règles de comptabilisation changent, revoir le modèle : une mise à jour du tableau de bord ne suffit pas.

L’attribution numérique reste utile pour les parcours observés et l’optimisation opérationnelle, tandis que le MMM répond à une question agrégée différente. Expliquer les écarts à partir des périmètres, des fenêtres et des mécanismes de mesure. Moyenner les résultats fabriquerait un consensus artificiel.

Les erreurs récurrentes tiennent aux budgets trop peu variables, à la saisonnalité ignorée, aux promotions mal codées, aux canaux excessivement détaillés ou aux décisions fondées sur une estimation ponctuelle. Modifier le calendrier expérimental peut donc passer avant un travail statistique plus poussé. Un cadrage méthodologique doit aboutir à une décision mesurable et à un protocole pour la vérifier.

Questions fréquentes

Peut-on construire un MMM sans données personnelles ?

Oui. Les dépenses, expositions, résultats et contrôles sont agrégés dans le temps et éventuellement par zone. Les identifiants individuels ne sont pas nécessaires au fonctionnement du modèle.

Un historique court interdit-il une approche bayésienne ?

Non, mais les priors peuvent alors peser fortement sur les résultats. Il faut montrer cette dépendance, limiter la complexité et rechercher des variations géographiques ou expérimentales supplémentaires.

Robyn est-il un outil bayésien ?

Robyn repose sur une régression ridge et l’optimisation de transformations et d’hyperparamètres. C’est une alternative de MMM régularisé, à distinguer de l’inférence bayésienne de Meridian ou PyMC-Marketing.

Faut-il appliquer immédiatement le budget optimal ?

L’optimum dépend des hypothèses et des contraintes du modèle. Réallouer progressivement le budget avec un protocole de mesure pour confronter la recommandation aux résultats observés avant de la généraliser.

À retenir

• Définir une cible commerciale et un contrefactuel avant de choisir l’outil.
• Harmoniser dépenses, expositions et contrôles au même grain temporel.
• Documenter adstock, saturation et priors avec leur interprétation métier.
• Vérifier la prévision temporelle et la sensibilité des contributions.
• Calibrer avec des expériences dont le périmètre correspond au modèle.
• Arbitrer sur les rendements marginaux et les distributions de résultats.
• Archiver chaque version pour expliquer les décisions budgétaires.