La modélisation du mix marketing assistée par IA aide les équipes B2B à estimer la contribution de chaque canal, des publicités LinkedIn aux événements et à la recherche, au pipeline et aux revenus, en utilisant des données hebdomadaires agrégées plutôt qu’un suivi au niveau de l’utilisateur. Cela fonctionne en B2B si vous modélisez les étapes du pipeline avec des délais réalistes, combinez le modèle avec des expériences et acceptez une incertitude plus large que celle des marques grand public. Des outils open source comme Meridian de Google et Robyn de Meta le rendent accessible sans une grande équipe de science des données.
La modélisation du mix marketing, ou MMM, est une méthode basée sur la régression utilisée par les marques grand public depuis des décennies. La partie assistée par IA fait référence aux outils modernes : modèles bayésiens qui gèrent l’incertitude, recherche automatisée d’hyperparamètres et modèles de langage qui aident à préparer les données et à expliquer les résultats. Son attrait a grandi à mesure que les restrictions sur les cookies et les règles de confidentialité ont affaibli l’attribution basée sur les clics.
Pourquoi le MMM est-il plus difficile en B2B qu’en marketing grand public ?
Les marques grand public vendent de nombreuses unités chaque semaine, le modèle dispose donc de beaucoup de signaux. Une entreprise B2B peut conclure quelques dizaines de contrats par trimestre, chacun après des mois de points de contact au sein d’un comité d’achat. Cela crée trois problèmes spécifiques.
- Faible nombre de résultats : les contrats conclus et gagnés sont trop peu nombreux pour être modélisés chaque semaine, il faut donc utiliser des étapes antérieures
- Longs délais : un webinaire en mars peut influencer un contrat signé en octobre
- Influence hors ligne : les appels commerciaux, les partenaires et les événements sont difficiles à quantifier de manière cohérente
Rien de tout cela ne rend le MMM inutile. Cela change simplement la façon dont vous le configurez. La plupart des modèles B2B utilisent le pipeline qualifié, les leads acceptés par les ventes ou la valeur d’opportunité comme résultat, et ajoutent des paramètres d’adstock longs pour que l’effet des dépenses puisse diminuer lentement.
De quelles données un modèle de mix B2B a-t-il besoin ?
La préparation des données prend plus de temps que la modélisation. Attendez-vous à passer la majeure partie du premier projet ici.
- Dépenses hebdomadaires par canal pendant au moins deux ans : LinkedIn, Google Ads, Microsoft Ads, display, syndication de contenu, événements
- Résultat hebdomadaire : nouvelles opportunités ou valeur du pipeline qualifié provenant du CRM
- Activité non payante : webinaires organisés, e-mails envoyés, clics de recherche organique
- Variables de contrôle : saisonnalité, changements de prix, lancements de produits, effectifs commerciaux
- Facteurs externes le cas échéant : événements de l’industrie, changements macroéconomiques, lancements de concurrents
La cohérence est plus importante que la précision. Si les dépenses événementielles ont été enregistrées mensuellement une année et par événement l’année suivante, standardisez-les avant toute chose. Les modèles de langage sont utiles ici pour mapper des noms de campagnes désordonnés en groupes de canaux propres, avec une personne vérifiant le mappage.
Quels outils les équipes B2B peuvent-elles utiliser ?
Options open source
Meridian de Google est un framework MMM bayésien publié en open source, avec prise en charge des données de portée et de fréquence et des priors informés par des expériences. Robyn de Meta utilise la sélection automatisée de modèles et est populaire pour son allocateur de budget. PyMC-Marketing propose des blocs de construction bayésiens flexibles pour les équipes à l’aise avec Python.
Plateformes commerciales
Plusieurs fournisseurs proposent le MMM en tant que service géré avec des tableaux de bord et une planification de scénarios. Ceux-ci conviennent aux équipes sans analystes internes, bien que vous devriez demander comment le modèle gère le faible volume de résultats et les longs délais avant de signer.
Comment valider un modèle de mix B2B ?
Un modèle peut bien correspondre à l’historique et être toujours faux sur ce qui l’a causé. La validation est ce qui le rend utilisable pour les décisions budgétaires.
- Test de holdout : entraînez-vous sur les semaines précédentes, prédisez le trimestre le plus récent, comparez avec les résultats réels
- Vérification de la plausibilité : les rendements des canaux sont-ils dans une fourchette raisonnable compte tenu de ce que vous savez ?
- Calibrage : exécutez des tests de holdout géographiques ou d’audience sur un ou deux canaux et réinjectez les résultats en tant que priors
- Stabilité : le résultat oscille-t-il violemment lorsque vous modifiez un paramètre ?
- Revue des ventes : les responsables de compte reconnaissent-ils l’histoire que raconte le modèle ?
Le calibrage avec des expériences est l’étape la plus forte. LinkedIn et Google prennent tous deux en charge des formes de tests de lift, et un simple holdout géographique, mettant en pause un canal dans certaines régions, peut également fonctionner si les régions sont comparables.
Comment les équipes B2B doivent-elles utiliser les résultats ?
Utilisez le modèle pour des directions et des fourchettes, pas pour des chiffres exacts. Un résultat indiquant que le contenu sponsorisé sur LinkedIn rapporte entre 1,5 et 3 fois son coût dans le pipeline est utile. Un résultat affirmant exactement 2,37 est une fausse précision.
L’allocateur de budget dans des outils comme Robyn ou Meridian suggère des réallocations basées sur des courbes de rendements décroissants. Déplacez le budget par étapes, peut-être de dix à vingt pour cent à la fois, puis observez si le pipeline suit les prévisions. Les grands sauts basés sur un premier modèle sont risqués.
Comment Alien Road applique la modélisation du mix marketing assistée par IA
Dans un engagement typique, la découverte commence par un inventaire des données : où les dépenses sont enregistrées, comment le CRM définit les étapes du pipeline et jusqu’où remontent les données fiables. Si l’historique est trop court ou incohérent, nous le disons et mettons d’abord en place la collecte de données, car un modèle basé sur de mauvaises données donne des réponses fausses avec assurance.
La configuration implique le nettoyage et l’agrégation hebdomadaire des données, l’utilisation d’un modèle de langage pour aider à classer les noms de campagnes avec une révision humaine, et l’ajustement d’un modèle open source comme Meridian ou Robyn avec des paramètres de délai adaptés au cycle de vente du client. Nous prévoyons au moins un test de lift pour calibrer un canal majeur. Le reporting présente la contribution des canaux sous forme de fourchettes, de courbes de réponse et d’une réallocation recommandée par étapes, suivie d’une mise à jour trimestrielle qui compare le pipeline prévu avec les résultats réels.
Erreurs qui font échouer le MMM B2B
Utiliser les revenus conclus et gagnés comme seul résultat avec trop peu de contrats produit du bruit. Utiliser une étape du pipeline à laquelle les ventes ne font pas confiance produit des arguments. Convenez de la définition du résultat avec la direction des ventes avant de modéliser.
Ignorer les effets de marque et organiques est une autre erreur courante. Si les dépenses ont augmenté en même temps qu’un lancement de produit majeur, le modèle peut créditer les publicités pour ce que le lancement a fait. Incluez le lancement comme variable.
Enfin, traiter le MMM comme un projet ponctuel le gaspille. Les marchés changent, les coûts des canaux évoluent et de nouveaux canaux apparaissent. Un modèle mis à jour trimestriellement reste utile ; un modèle construit une fois et oublié devient une diapositive.
Par où commencer cette semaine
Exportez deux ans de dépenses hebdomadaires par canal depuis vos plateformes publicitaires et vos dossiers financiers, ainsi que le pipeline qualifié hebdomadaire depuis votre CRM, dans une feuille. Vérifiez les lacunes, les campagnes renommées et les mois où les dépenses ont été comptabilisées en bloc. Si la feuille tient la route, vous avez assez pour exécuter un premier modèle exploratoire ; sinon, corriger cette feuille est le travail d’analyse le plus précieux que vous puissiez faire ce trimestre.
Continuer la lecture : Publicité · Optimisation publicitaire par IA