La modélisation du mix marketing, ou MMM, est une méthode statistique qui estime la contribution de chaque canal marketing aux ventes, en utilisant des données agrégées hebdomadaires ou quotidiennes au lieu du suivi des utilisateurs. Les outils assistés par AI, y compris les projets open source tels que Meridian de Google et Robyn de Meta, facilitent la création de modèles. Les petites entreprises peuvent commencer si elles disposent d’environ deux ans de données cohérentes sur les dépenses et les ventes.
Pourquoi le MMM est-il de retour à la mode ?
L’attribution basée sur les clics est devenue moins fiable. Les fonctionnalités de confidentialité des navigateurs, les exigences de consentement et les changements dans le suivi des applications signifient que de nombreuses conversions ne peuvent pas être liées à un clic sur une annonce. Les rapports des plateformes ont également tendance à s’attribuer le mérite. Le MMM contourne ce problème en examinant la relation entre les dépenses et les résultats au fil du temps, sans données personnelles.
La méthode existe depuis des décennies, mais elle nécessitait autrefois des consultants coûteux. Les bibliothèques open source, le calcul moins cher et les assistants de codage AI ont abaissé la barrière. Un marketeur à l’aise avec les feuilles de calcul et un peu de Python, ou travaillant avec un analyste, peut désormais exécuter un modèle de base.
Le MMM est-il réaliste pour une petite entreprise ?
Cela dépend des données, pas de la taille de l’entreprise. Le MMM a besoin de variation : des semaines où vous avez dépensé plus sur Meta et moins sur Google, une pause sur un canal, une poussée saisonnière. Si vous avez dépensé le même montant sur les deux mêmes canaux chaque semaine pendant un an, le modèle a peu à apprendre.
- Au moins 18 à 24 mois de données hebdomadaires est une règle empirique courante
- Dépenses par canal par semaine, provenant de chaque plateforme publicitaire
- Ventes ou prospects par semaine provenant de votre boutique ou CRM, et non des plateformes publicitaires
- Événements connus : promotions, changements de prix, ruptures de stock, jours fériés
- Idéalement, une certaine variation naturelle des dépenses entre les canaux
Pour une entreprise dépensant un petit montant sur deux canaux, une approche plus simple peut être préférable : tests planifiés on-off ou tests géographiques sur un canal à la fois. Le MMM devient rentable lorsqu’il y a plusieurs canaux et que la question de savoir où déplacer le budget est réelle.
Quels outils pouvez-vous utiliser ?
Meridian est le framework MMM bayésien open source de Google, écrit en Python. Robyn est le package open source de Meta, construit en R avec une interface Python disponible. Les deux sont gratuits et documentés sur GitHub. Il existe également des outils SaaS commerciaux qui enveloppent la modélisation dans un tableau de bord, destinés aux marques de commerce électronique.
L’assistance AI se situe à plusieurs endroits. Les assistants de codage comme ChatGPT, Claude ou Gemini aident à écrire les scripts de nettoyage des données et de modélisation. Les bibliothèques elles-mêmes utilisent l’optimisation automatisée pour essayer de nombreux paramètres de modèle. Et les modèles de langage peuvent aider à expliquer les résultats en termes simples, bien qu’une personne doive vérifier l’explication par rapport aux chiffres.
Comment construire un premier modèle étape par étape ?
- Étape 1 : Exportez les dépenses hebdomadaires par canal depuis Google Ads, Meta Ads Manager et toute autre source payante
- Étape 2 : Exportez les revenus ou prospects hebdomadaires depuis Shopify, WooCommerce ou votre CRM
- Étape 3 : Ajoutez des colonnes pour les promotions, les jours fériés et les changements de prix
- Étape 4 : Vérifiez les données pour détecter les lacunes et les erreurs évidentes, comme une semaine avec zéro vente en raison d’un problème de suivi
- Étape 5 : Exécutez un modèle de base avec les paramètres par défaut et l’exemple de documentation de la bibliothèque
- Étape 6 : Examinez les estimations de contribution des canaux et leurs plages d’incertitude
- Étape 7 : Comparez les résultats avec tout ce que vous savez déjà, comme l’effet d’une pause passée
- Étape 8 : Planifiez un test pour vérifier la plus grande affirmation du modèle
Quelles erreurs les débutants doivent-ils éviter ?
La première erreur est de traiter le résultat comme une vérité. Le MMM donne des estimations avec des plages, et ces plages peuvent être larges pour de petits ensembles de données. Si le modèle dit qu’un canal rapporte trois fois son coût avec une plage allant de moins d’un à six, la conclusion honnête est ‘nous ne savons pas encore’.
La deuxième erreur est d’ignorer les choses qui ne sont pas du marketing. Une baisse de prix, un nouveau concurrent ou une publication sociale virale peuvent stimuler les ventes. S’ils manquent dans les données, le modèle les attribuera au canal qui a dépensé plus cette semaine-là.
- N’utilisez pas les nombres de conversions des plateformes publicitaires comme résultat
- N’incluez pas de canaux avec presque aucune variation de dépenses et n’attendez pas de réponses claires
- Ne faites pas de gros changements de budget basés sur une seule exécution de modèle
- Enregistrez ce qui a changé dans l’entreprise chaque semaine
Comment transformer les résultats en décisions ?
Utilisez le modèle pour former une hypothèse, puis testez-la. Si le MMM suggère que YouTube contribue plus que ce que montre l’attribution au clic, augmentez les dépenses YouTube de manière contrôlée pendant une période définie, ou effectuez un test géographique, et voyez si les ventes totales réagissent. Meta et Google proposent tous deux des outils d’étude de lift pour certains annonceurs qui peuvent aider à valider les résultats.
Relancez le modèle chaque trimestre à mesure que de nouvelles données arrivent. Au fil du temps, la combinaison des estimations du modèle et des résultats des expériences offre une vue bien plus fiable que l’une ou l’autre seule.
Comment Alien Road applique la modélisation du mix marketing assistée par AI
Dans un engagement typique pour un petit annonceur, nous commençons par une vérification de la préparation des données : combien de semaines de données propres sur les dépenses et les ventes existent, quels canaux varient suffisamment pour être modélisés et quels événements commerciaux doivent être enregistrés. Si les données sont trop minces, nous recommandons d’abord des tests structurés et mettons en place la collecte de données pour que le MMM devienne possible plus tard.
Lorsque les données sont prêtes, nos analystes construisent un modèle avec un framework open source, documentent chaque hypothèse et présentent les résultats avec des plages d’incertitude plutôt que des chiffres uniques. Les recommandations incluent toujours un test de validation. Les rapports trimestriels mettent à jour le modèle, comparent les résultats prévus et réels et ajustent le plan budgétaire.
Gardez le premier modèle délibérément petit. Trois ou quatre canaux, une poignée de variables de contrôle et une documentation claire vous apprendront plus qu’un modèle ambitieux que personne dans l’équipe ne peut expliquer au département financier.
Par où commencer cette semaine
Créez une feuille de calcul avec une ligne par semaine pour les deux dernières années. Ajoutez des colonnes pour les dépenses par canal et pour les revenus de votre propre boutique ou CRM. Remplissez ce que vous pouvez et marquez les lacunes. Si vous vous retrouvez avec des données propres pour la plupart des semaines et au moins deux canaux qui ont varié, vous êtes prêt pour un premier modèle.
Continuer la lecture : Publicité · Optimisation publicitaire par AI