Différences et comparaison de méthodes
Ingestion de données, entrainement de modèle, suggestions d'allocation
Marketing Mix Modeling Bayésien : une méthodologie construite pour les annonceurs
Le Marketing Mix Modeling, ou MMM, part d'une idée simple : plutôt que de suivre chaque client un par un, on observe l'entreprise semaine après semaine et on cherche à expliquer les ventes par tout ce qui a bougé. Les budgets de chaque canal, mais aussi les prix, les promotions, la saison, l'activité des concurrents.
Le mécanisme central est intuitif : la publicité sature. Les premiers euros investis sur un canal sont les plus rentables ; passé un certain niveau, chaque euro supplémentaire rapporte de moins en moins. C'est ce qui permet de répondre à la question la plus utile en pratique : jusqu'où est-il encore intéressant d'investir ici avant de basculer le budget ailleurs ?
Ce que vous obtenez. La part de vos ventes qui vient de chaque levier, et celle qui aurait eu lieu de toute façon. Ce que rapporte réellement chaque canal, une fois retirées les ventes qui seraient arrivées sans lui. Et la possibilité de simuler avant de décider : si je déplace 100 000 € d'un canal vers un autre, qu'est-ce que ça change ?
Un point décisif aujourd'hui : le MMM ne dépend d'aucune donnée personnelle. Ni cookie, ni identifiant, ni bandeau de consentement. Sa fiabilité ne s'érode donc pas avec les restrictions des navigateurs, et aucune évolution réglementaire ne la menace. C'est la seule méthode de mesure dont le socle se renforce au lieu de se dégrader.
Ce qu'il faut pour démarrer. Deux à trois ans de données hebdomadaires, et des budgets qui ont varié dans le temps : sans variation, il n'y a rien à observer. Ces données existent déjà chez vous, dispersées entre vos régies et vos exports de ventes.
En contrepartie, le MMM raisonne par canal et se lit régulièrement. Il ne remplace pas vos outils de pilotage quotidien — il leur donne le cadre qui leur manque.
L'attribution multi-touch, ou MTA, part des parcours individuels. Un internaute voit une bannière, clique sur une annonce, ouvre un email, puis achète : l'attribution répartit le mérite de cette vente entre ces points de contact, le plus souvent au profit du dernier avant l'achat.
Sur la finesse, rien ne la remplace : le mot-clé, le visuel, l'audience, à jour chaque matin. Le problème n'est pas là. Il apparaît quand on s'en sert pour décider où mettre son budget.
D'abord, on voit de moins en moins. Safari et Firefox bloquent le suivi entre sites par défaut, iOS en restreint une bonne partie, et la publicité ciblée suppose le consentement de l'internaute. Une part réelle de votre trafic n'est jamais observée, et les plateformes comblent ces trous par des estimations. Vous en connaissez la conséquence la plus visible : additionnez les ventes que revendiquent Google, Meta et vos autres régies, vous dépassez votre chiffre d'affaires réel. Chacun compte les mêmes ventes.
Ensuite, et cela ne se règle pas techniquement, l'attribution ne voit que la fin du parcours. Elle valorise donc ce qui récolte la demande et sous-estime ce qui la crée. L'exemple le plus parlant est la recherche sur votre nom de marque : quelqu'un tape le nom de votre entreprise, clique sur votre annonce, achète. L'annonce reçoit tout le crédit alors qu'elle n'a pas créé l'intention, elle l'a interceptée. Le même raisonnement vaut pour le retargeting, qui s'affiche devant des gens déjà décidés.
La conséquence budgétaire est concrète. En répartissant votre budget selon l'attribution, vous investissez chaque année davantage sur les leviers qui récoltent, et de moins en moins sur ceux qui créent la demande. Cela fonctionne un temps, puis la croissance ralentit sans qu'aucun tableau de bord ne l'explique.
Répartir le mérite d'une vente n'est pas savoir si cette vente aurait eu lieu sans publicité. C'est la question à laquelle l'attribution ne peut pas répondre, et celle pour laquelle le MMM existe.
« Lequel choisir » suppose que les deux font la même chose. L'attribution demande comment répartir le mérite d'une vente entre plusieurs publicités. Le MMM demande combien de ventes en plus un budget a réellement générées. La première optimise vos campagnes, le second décide où va votre argent.
Quand les deux se contredisent
Cela arrive souvent, et ce n'est pas un dysfonctionnement. Votre outil d'attribution accorde 30 % des conversions au retargeting, un MMM lui en accorde 5 %. Les deux disent vrai : le retargeting est bien présent dans un tiers des parcours, mais il n'explique qu'une petite part des ventes qui n'auraient pas eu lieu sans lui.
Retargeting : attribution vs MMM
30 % des conversions selon l'attribution, 5 % des ventes additionnelles selon le MMM.
« Le MMM, c'est pour les gros annonceurs TV »
C'est l'idée reçue la plus tenace, et elle est devenue fausse. Elle date d'une époque où un MMM coûtait plusieurs centaines de milliers d'euros et prenait six mois.
Surtout, elle passe à côté de l'essentiel : les marques nées sur le numérique sont exactement celles que la perte de signal a le plus fragilisées, parce que leur mesure reposait entièrement dessus. Une entreprise qui investit sur Google, Meta, TikTok et l'affiliation a déjà un vrai problème d'arbitrage. N'avoir aucune campagne TV ne le résout pas, cela l'aggrave, puisqu'il ne reste aucune autre source de vérité.
Le MMM n'est pas une méthode pour les annonceurs hors ligne. C'est une méthode pour ceux qui ne peuvent plus se fier à ce que leurs plateformes leur racontent.
Combien mettre sur chaque canal
MMM
Quoi faire à l'intérieur d'un canal
Attribution
Par où commencer
Un MMM vous apportera quelque chose que vos outils actuels ne peuvent pas produire si vous vous reconnaissez dans l'un de ces cas : un écart persistant entre les ventes revendiquées par vos régies et votre chiffre d'affaires réel ; l'impossibilité de trancher entre deux canaux au moment de construire le budget ; un cycle d'achat plus long que la fenêtre de mesure de vos plateformes ; ou le sentiment que vos tableaux de bord vont tous très bien pendant que la croissance ralentit. Une impossibilité à justifier votre budget média et son impact sur le chiffre d'affaire de l'entreprise.
Si vous communiquez sur plusieurs canaux et ceux depuis au moins 2 ans, alors vous avez ce qu'il faut pour commencer, n'attendez plus et passer à l'action !
L'option la plus simple et la plus directe sont les connecteurs données que nous avons développé chez Nimuë. Ils vous récuperer vos données directement et automatiquement sur les plateformes des régis publicitaires. Une fois connectés, les données seront automatiquement mis à jour.
La seconde possibiltié est le dépot de données. Il vous permet de déposer des fichiers directement sur la plateforme. Ce qui peut être utile pour les médias offline, par exmple, qui ne fournissent pas de plateforme.
L'une de nos promesse est l'accessibilité du MMM sans data scientist dans vos équipes. Pour cela, nous nous reposons sur deux éléments complémentaires.
Tout d'abord une interface pensé pour vous permettre de paramétrer le modèle grace à vos connaissance métier et non des connaissances data. Tout les grandeurs algorithmiques qui ne vous parlent pas ont été traduite de façon à vous permettre de les comprendre et les modifier.
En second plan, notre équipe de Data scientist à mis en place une série d'outils permettant d'adapter les modèles à vos besoins sans effots et automaquiment.
Et si ça ne suffit pas ? Nos experts sont là pour vous aider.
L'allocation ou al ré-allocation de votre budget média est l'obectif final. Le moment précis où tout ce que nous avons mis en place prends sont sens. Et nous entendons vous permettre de le faire le plus facilement et avec claretée. La restitution des résultats et les suggestions d'allocation sont fait dans votre langage et dans votre contexte. Vous n'entendrez pas parler de grandeurs mathématiques incompréhensibles et inutilsable.
Votre capacité de prise de décision est notre objecif, la clareté et la compréhension notre métier.
[TODO: contenu section 3]
L'utilisation de Nimuë n'impact en rien vos oblidation légale concernant vos client. Notre méthodologie étant basée sur l'utilisation de données aggrégée, elle respecte par construction toutes les règles RGPD et e-privacy.
Pour ce qui est de nos engagement RGPD à votre égard. Vous être libre de partir avec l'ensemble de vos données lorque vous le souhaitez et nous ne les concerveront pas en dehors du contrat qui nous lie
La sécurité et la souveraineté de vos données est un enjeux majeur. Chez Nimuë, nous avons des conviction fortes à ce sujet. Vos données sont stockés sur des serveurs Français exclusivement. Nos serveurs sont administrés par l'entreprise française Scaleway nous permettant de vous fournir un service de quelité, fiable et sécurisé respectant la réglementation et les exigence de souverainté que nous souhaitons.
Le mot « bayésien » fait fuir, alors commençons par ce qu'il change concrètement pour vous : un MMM bayésien vous donne une fourchette au lieu d'un chiffre, et il vous permet d'intégrer ce que vous savez déjà de votre activité.
Le problème de départ est celui de tous les MMM. Vous avez deux ou trois ans de données hebdomadaires, soit environ 150 observations, pour estimer l'effet d'une dizaine de leviers qui bougent souvent ensemble. C'est peu. Une méthode statistique classique vous répondra quand même, avec un seul chiffre par canal, sans jamais signaler qu'elle a deviné.
L'approche bayésienne fait deux choses différentes.
Elle raisonne en fourchettes. Au lieu de « ce canal a un retour de 2,3 », elle produit « le retour de ce canal se situe très probablement entre 1,8 et 2,9 ». C'est moins confortable, et beaucoup plus honnête. Un canal dont la fourchette va de 0,4 à 6,0 est un canal sur lequel vous ne savez rien : il faut le tester avant d'y déplacer du budget, et vous le savez avant de vous tromper.
Elle accepte ce que vous savez déjà. C'est le point vraiment utile. Si vous avez mené un test l'an dernier sur un canal, si vous connaissez son ordre de grandeur de rentabilité, si vous savez qu'un levier ne peut pas avoir un effet négatif, ces informations entrent dans le modèle au lieu d'être ignorées. Un modèle classique repart de zéro à chaque fois, comme si vous n'aviez aucune expérience de votre propre marché.
C'est ce qui explique le retour en grâce du MMM : avec des données limitées, injecter de la connaissance métier vaut mieux que faire semblant de tout déduire des chiffres.
Un prior, c'est simplement ce que l'on croit avant de regarder les données. Le modèle part de cette hypothèse, la confronte à votre historique, et en ressort une conviction mise à jour. Plus vos données sont parlantes, plus elles corrigent l'hypothèse de départ ; moins elles le sont, plus l'hypothèse pèse.
Un exemple. On peut indiquer au modèle qu'un canal a probablement un retour proche de 2, sans certitude. Si l'historique montre clairement un retour de 3,5, le modèle suivra les données. Si l'historique est muet sur ce canal — parce que le budget n'a jamais varié — le modèle restera près de 2 au lieu de sortir un chiffre aberrant. C'est un garde-fou, pas une manière d'imposer le résultat souhaité.
D'où viennent les priors. De trois sources, par ordre de solidité : les tests d'incrémentalité que vous avez menés, qui sont la référence la plus fiable ; les repères de votre secteur ; et l'expertise de vos équipes. Une hypothèse doit toujours pouvoir être justifiée, et on vérifie systématiquement ce que le modèle donnerait sans elle.
C'est aussi le point de vigilance. Des priors trop serrés produisent un modèle qui confirme vos croyances plutôt qu'il ne les corrige. Un fournisseur sérieux vous montre l'écart entre l'hypothèse de départ et le résultat final, canal par canal. Si l'un des deux ne bouge jamais, la question mérite d'être posée.
Ce que le modèle contient par ailleurs. Vos investissements par canal, transformés pour tenir compte de la saturation et du délai d'effet. Vos prix et promotions. La saisonnalité, les jours fériés, les tendances de fond. Et selon les cas, la météo, la distribution ou la pression concurrentielle. Le tout est estimé simultanément, ce qui permet de distinguer une hausse due à la publicité d'une hausse due à Noël.
Un MMM bayésien produit trois lectures, qui répondent à trois questions différentes.
La contribution : d'où viennent mes ventes ?
Le modèle répartit votre chiffre d'affaires entre une base — les ventes qui auraient eu lieu sans activité publicitaire, portées par votre notoriété acquise et vos clients fidèles — et l'apport de chaque levier. Résultat souvent inconfortable : la base représente fréquemment la majorité des ventes. Ce n'est pas une mauvaise nouvelle, c'est la mesure de votre capital de marque. Mais cela recadre les conversations sur la performance.
Le ROAS : combien rapporte ce canal ?
C'est le retour sur investissement, exprimé en euros de ventes par euro investi. Deux différences majeures avec le chiffre affiché par vos régies. Il est incrémental : il ne compte que les ventes qui ne seraient pas arrivées sans le canal. Et il vient avec une fourchette, ce qui vous dit à quel point vous pouvez vous appuyer dessus.
Un canal à 4,0 dans une fourchette de 3,5 à 4,6 est un canal solide. Un canal à 4,0 dans une fourchette de 0,8 à 9,0 affiche le même chiffre et ne vous apprend rien. Sans fourchette, les deux sont indiscernables — et c'est exactement pour cela que tant de décisions budgétaires se prennent à l'aveugle.
Même ROAS. Un seul est exploitable.
La saturation : combien puis-je encore investir ?
C'est la sortie la plus actionnable, et celle que personne d'autre ne vous donne. Le ROAS moyen ne dit pas où placer l'euro suivant. La courbe de saturation, elle, montre le rendement de chaque tranche d'investissement supplémentaire.
Un canal peut afficher un excellent retour moyen tout en étant saturé : les euros déjà engagés rapportent, les suivants non. Un autre peut afficher un retour moyen médiocre parce qu'il est sous-investi, avec une marge de progression réelle. En raisonnant sur les moyennes, on renforce le premier et on abandonne le second — l'inverse de ce qu'il faudrait faire.
Canal saturé
Il reste de la marge
Même ROAS moyen : 3,2. La position sur la courbe change tout.
C'est ce qui permet de passer d'un constat à une décision : non pas « ce canal est bon », mais « voilà où placer les 200 000 € du prochain trimestre, et ce que cela devrait rapporter ».