La modélisation du mix marketing (MMM) est une méthode statistique qui estime la contribution de chaque canal (recherche, réseaux sociaux, TV, e-mail) aux ventes, en utilisant des données historiques agrégées plutôt qu’un suivi au niveau de l’utilisateur. Le MMM assisté par IA utilise des outils open-source comme Meridian de Google et Robyn de Meta, ainsi que l’automatisation et des méthodes bayésiennes, pour rendre la modélisation plus rapide et moins coûteuse. Son coût réside principalement dans la préparation des données et le temps des analystes ; son ROI provient d’une meilleure allocation budgétaire.
Le MMM est revenu en grâce à mesure que l’attribution basée sur les cookies s’est affaiblie. Les restrictions des navigateurs, les exigences de consentement et les invites de suivi des applications signifient que les plateformes voient une plus petite part du parcours client. Le MMM contourne cela en travaillant sur des totaux hebdomadaires : dépenses par canal, ventes, prix, promotions et facteurs externes. Il répond à une question budgétaire plutôt qu’à une question de clic.
Qu’est-ce que l’IA ajoute à la modélisation du mix marketing ?
Le MMM traditionnel était lent et coûteux, construit par des cabinets de conseil spécialisés pendant des mois. La vague actuelle d’outils change cela de plusieurs manières.
- Cadres open-source : Google Meridian et Meta Robyn fournissent des structures de modèles testées, de sorte que les équipes ne partent pas de zéro.
- Méthodes bayésiennes : permettent aux analystes d’inclure des connaissances préalables, comme les résultats de tests de levée, et d’exprimer l’incertitude sous forme de plages.
- Réglage automatisé : Robyn, par exemple, recherche de nombreuses variantes de modèles et présente des candidats qui équilibrent l’ajustement et la plausibilité.
- Actualisations plus rapides : une fois les pipelines de données construits, les modèles peuvent être réexécutés mensuellement ou trimestriellement au lieu d’annuellement.
- Modèles de langage : aident les analystes à écrire du code, documenter les hypothèses et expliquer les résultats aux non-spécialistes.
L’IA ne supprime pas le besoin de jugement. Les modèles peuvent bien s’adapter aux données historiques et donner quand même des réponses invraisemblables, comme un canal avec un effet négatif. Un analyste doit vérifier les résultats par rapport aux connaissances métier et aux expériences.
Combien coûte un projet MMM ?
Le logiciel peut être gratuit, mais le projet ne l’est pas. Les coûts se répartissent en quatre groupes.
- Préparation des données : collecte de deux ans ou plus de dépenses hebdomadaires, impressions, ventes, prix, promotions et facteurs externes comme les vacances ou la météo.
- Temps de l’analyste : construction, validation et interprétation des modèles, généralement le coût le plus important.
- Infrastructure : cloud computing pour les exécutions de modèles, modéré pour la plupart des annonceurs de taille moyenne.
- Expériences de calibration : tests géographiques ou études de levée de conversion qui vérifient les estimations de canal du modèle.
La préparation des données est systématiquement sous-estimée. Les données de dépenses se trouvent dans de nombreuses plateformes avec des formats de date et des devises différents. Les ventes hors ligne peuvent provenir d’un système séparé. Dans un premier projet typique, l’assemblage de données propres prend plus de temps que la modélisation.
De combien de données et de dépenses avez-vous besoin ?
Le MMM a besoin de variation pour apprendre. Si les dépenses d’un canal sont restées stables pendant deux ans, le modèle ne peut pas dire ce qu’il contribue. Il a également besoin de suffisamment d’historique, généralement deux à trois ans de données hebdomadaires, pour que la saisonnalité et les tendances puissent être séparées des effets de canal.
Les très petits annonceurs avec peu de canaux obtiennent souvent des résultats instables. Si la majeure partie de votre budget se trouve dans un ou deux canaux avec des dépenses stables, des méthodes plus simples comme des tests géographiques structurés peuvent répondre à vos questions de manière plus fiable. Le MMM a tendance à être rentable pour les annonceurs dépensant sur plusieurs canaux, y compris certains médias hors ligne, où l’attribution de plateforme laisse de grandes lacunes.
Comment mesurez-vous le ROI du MMM lui-même ?
Le rendement d’un projet MMM est l’amélioration des résultats marketing grâce à la réallocation du budget, moins le coût du projet. Pour le mesurer, vous avez besoin d’une décision et d’un test.
Utilisez le modèle pour identifier une réallocation, par exemple en déplaçant une partie du budget d’un canal saturé vers un canal avec de la place pour croître. Mettez-le en œuvre de manière contrôlée, idéalement dans certaines régions d’abord, et comparez les résultats avec les régions qui ont conservé l’ancien mix. Si les ventes par unité de dépense s’améliorent dans les régions de test, le modèle a gagné sa place.
Questions à poser à tout modèle
- Les effets de canal ont-ils du sens par rapport à ce que l’équipe sait ?
- Sont-ils globalement en accord avec les tests de levée ou les expériences géographiques ?
- Quelle est l’ampleur des plages d’incertitude et les décisions tiennent-elles à l’intérieur de celles-ci ?
- Le modèle prédit-il raisonnablement bien une période récente mise de côté ?
- Les courbes de rendements décroissants sont-elles plausibles pour chaque canal ?
Quelles sont les principales limites ?
Le MMM fonctionne à un niveau agrégé. Il vous dit combien un canal contribue globalement, pas quel créatif publicitaire ou mot-clé a le mieux fonctionné. Utilisez les données de plateforme et les expériences pour ces décisions.
Il est également tourné vers le passé. Un nouveau canal sans historique ne peut pas être modélisé tant qu’il n’a pas fonctionné assez longtemps avec des dépenses variées. Et les canaux corrélés, comme les dépenses de recherche et sociales qui augmentent toujours ensemble pendant les campagnes, sont difficiles à séparer sans variation planifiée.
Comment le budget doit-il être phasé ?
Planifiez la première année en trois phases. Le premier trimestre est principalement consacré au travail sur les données et à un premier modèle. Le deuxième trimestre exécute un test de la recommandation principale du modèle. Le second semestre actualise le modèle avec de nouvelles données et résultats de tests, ce qui réduit généralement les plages d’incertitude.
Gardez la portée du premier projet serrée : un marché, une mesure de vente, les principaux canaux payants. Ajouter chaque marque, région et gamme de produits à la fois multiplie le travail sur les données et rend les résultats plus difficiles à lire. N’étendez qu’après que le premier modèle a guidé une décision qui a résisté aux tests.
Comment Alien Road applique la modélisation du mix marketing assistée par IA
Dans un engagement typique, la découverte vérifie si le MMM est le bon outil : combien de canaux le client utilise, combien les dépenses varient au fil du temps et combien d’historique existe. Lorsqu’il ne convient pas, nous recommandons plutôt des tests géographiques ou des études de levée de plateforme.
Lorsqu’il convient, la configuration signifie la construction d’un pipeline de données à partir des plateformes publicitaires, de l’analyse et des systèmes de vente en tableaux hebdomadaires, puis l’exécution de Meridian ou Robyn avec des priors informés par toute expérience existante. Nous examinons les modèles avec les équipes marketing et finance du client pour nous assurer que les résultats ont un sens commercial.
Le reporting traduit les résultats en une recommandation budgétaire avec des plages d’incertitude et un plan de test pour le vérifier. Une fois le test exécuté, nous rapportons le résultat par rapport aux régions de contrôle et actualisons le modèle avec les nouvelles données.
Par où commencer cette semaine
Exportez les dépenses hebdomadaires par canal pour les deux dernières années, ainsi que les ventes hebdomadaires. Mettez-les côte à côte dans une feuille de calcul et tracez-les. Recherchez les canaux dont les dépenses n’ont jamais changé et les périodes avec des événements inhabituels comme des pénuries de stock ou des promotions majeures.
Ce graphique montrera si vos données ont suffisamment de variation pour le MMM. Si c’est le cas, vous êtes prêt à définir un premier modèle. Sinon, planifiez des changements de dépenses délibérés au cours des prochains trimestres afin qu’un modèle construit plus tard ait quelque chose à apprendre.
Continuer la lecture : Publicité · Optimisation publicitaire par IA