Modélisation du mix marketing (MMM)

La modélisation du mix marketing est une approche statistique qui estime la contribution des activités marketing et des facteurs externes à un résultat commercial, généralement les ventes ou le chiffre d'affaires, à partir de données agrégées de séries chronologiques. Au lieu de suivre les utilisateurs individuellement, elle effectue une régression des résultats en fonction des dépenses par canal, prix, promotion, distribution, saisonnalité, activité concurrentielle et conjoncture économique, produisant ainsi des estimations de la contribution de chaque élément et de ses rendements décroissants.

Cette technique est bien antérieure à la publicité numérique ; elle a été développée pour les entreprises de biens de consommation dont les supports de communication, tels que la télévision, la presse écrite et l’affichage extérieur, ne pouvaient faire l’objet d’un suivi individuel. Son récent regain d’intérêt est une conséquence directe de l’érosion du suivi au niveau de l’utilisateur : face à la perte de fiabilité des cookies tiers, des identifiants mobiles et des mesures intersites, la modélisation agrégée a retrouvé toute son importance car elle ne nécessite aucune donnée individuelle et n’est donc pas affectée par les taux de consentement ni par les restrictions des plateformes.

Ses principaux atouts sont sa couverture et sa neutralité. Elle peut inclure des canaux que l'attribution au niveau utilisateur ne prend pas en compte, tels que la télévision, la radio, la presse écrite, le sponsoring et l'affichage extérieur, en plus des canaux numériques. Elle peut également intégrer des facteurs non liés au marketing, comme les prix, la saisonnalité et les conditions macroéconomiques, que l'attribution ignore totalement. Puisque tous les canaux sont évalués dans un cadre unique, elle évite le biais systématique des résultats communiqués par les plateformes, où chacune revendique les mêmes conversions.

Ses limitations sont tout aussi structurelles. Ce modèle exige de longs historiques, généralement deux à trois ans de données hebdomadaires cohérentes, ce qui exclut les jeunes entreprises et toute période suivant un changement majeur de reporting. Il nécessite une réelle variation des dépenses pour estimer les effets, de sorte que les canaux à budget constant ne peuvent être évalués. Il fournit des recommandations au niveau du canal plutôt que des détails au niveau de la campagne ou de la création, ce qui ne permet pas d'optimiser les opérations quotidiennes. La corrélation des dépenses entre les canaux rend difficile la distinction des contributions individuelles. Enfin, les choix de spécification du modèle, notamment la gestion des effets de report et des courbes de saturation, ont un impact significatif sur les résultats, ce qui signifie que deux analystes compétents peuvent obtenir des résultats différents à partir des mêmes données.

La solution pratique à ces limitations consiste à recourir à la triangulation plutôt qu'à une méthode unique. La modélisation de mix offre une vision stratégique de la contribution des canaux et de l'allocation budgétaire. Les expériences d'incrémentalité valident la causalité de canaux spécifiques et permettent de calibrer les a priori du modèle. L'attribution fournit un signal tactique quasi temps réel pour l'optimisation en cours. Prises individuellement, chacune de ces méthodes est imparfaite ; leur combinaison permet, en cas de concordance, d'accroître la confiance, et en cas de divergence, d'identifier les points à approfondir.

L'adoption pratique dépend généralement davantage de la préparation des données que de la technique de modélisation, et cette préparation est conséquente. Les dépenses doivent être collectées de manière cohérente sur l'ensemble des canaux et des périodes, en incluant les honoraires d'agence et les coûts de production lorsqu'ils ont un impact significatif sur le total. Les facteurs externes doivent être identifiés et intégrés, notamment l'activité des concurrents (lorsqu'elle est disponible), les variations de prix, les changements de distribution, les conditions météorologiques pour les catégories concernées et les indicateurs macroéconomiques. Les périodes promotionnelles et les événements ponctuels doivent être clairement identifiés afin que le modèle n'attribue pas leurs effets aux publicités diffusées simultanément. Les entreprises constatent souvent, à ce stade, qu'il leur est impossible de reconstituer leur historique de dépenses à la granularité hebdomadaire, ce qui constitue en soi une conclusion importante à prendre en compte, que le modèle soit finalement construit ou non.

L'adoption s'est considérablement étendue avec l'apparition d'implémentations open source et de cadres bayésiens qui prennent en charge des ensembles de données plus petits et permettent aux résultats expérimentaux d'alimenter directement le modèle. La valeur dépend néanmoins de la qualité des données et de la volonté de l'organisation d'agir en fonction des résultats qui contredisent les rapports de la plateforme. En pratique, la modélisation elle-même est confiée à Analyse des données, tandis que les décisions budgétaires qu'elle éclaire appartiennent à gestion de la croissance et planification stratégique et conseilcar la réaffectation des dépenses entre les différents canaux est généralement une question de gouvernance autant qu'une question analytique.