La modélisation du mix marketing assistée par AI estime la contribution de chaque canal marketing aux ventes en utilisant des données agrégées au fil du temps, avec l’apprentissage automatique et l’automatisation accélérant la construction du modèle. Des outils open-source comme Meridian de Google et Robyn de Meta l’ont rendu accessible au-delà des grandes marques. Passer d’un pilote à un modèle qui guide les budgets nécessite des données hebdomadaires propres, des expériences pour le calibrage, des plages d’incertitude honnêtes et une routine pour rafraîchir le modèle.
Qu’est-ce que la modélisation du mix marketing et où s’intègre l’AI ?
La modélisation du mix marketing, MMM, est une approche statistique qui relie les ventes ou les conversions aux dépenses marketing, aux prix, à la saisonnalité, aux promotions et aux facteurs externes tels que les vacances. Parce qu’elle utilise des données agrégées, elle n’a pas besoin de suivi au niveau de l’utilisateur, ce qui la rend résistante à la perte de cookies et aux règles de confidentialité.
L’AI intervient de plusieurs manières. Robyn utilise une recherche automatisée d’hyperparamètres pour tester des milliers de variantes de modèles. Meridian, le cadre bayésien de Google, estime les effets des canaux avec incertitude et peut intégrer des connaissances préalables et des résultats d’expériences. Les modèles de langage sont désormais utilisés pour aider les analystes à explorer les résultats et à rédiger des rapports, bien qu’ils ne doivent pas décider de la spécification du modèle.
Votre entreprise est-elle prête pour le MMM ?
Le MMM fonctionne mieux avec de l’historique et de la variation. Avant de commencer, vérifiez :
- Au moins deux ans de données hebdomadaires, idéalement trois, pour les ventes et les dépenses.
- Des dépenses qui ont varié au fil du temps ; les canaux avec des budgets fixes sont difficiles à mesurer.
- Plusieurs canaux avec des budgets significatifs, y compris les médias hors ligne si utilisés.
- Une variable de résultat claire, comme les revenus, les commandes ou les prospects qualifiés.
- Un analyste qui comprend la régression et peut expliquer les résultats à des non-spécialistes.
Les petites entreprises avec un ou deux canaux tirent souvent plus profit d’expériences simples que d’un MMM. Un détaillant régional qui ne diffuse que sur Google Ads et Meta, par exemple, peut beaucoup apprendre en coupant Meta dans quelques villes correspondantes pendant quatre semaines.
Liste de contrôle de mise en œuvre : données
La préparation des données prend la majeure partie du temps dans un premier projet. Travaillez sur ces éléments :
- Collectez les dépenses hebdomadaires et les impressions ou clics par canal depuis chaque plateforme.
- Collectez les ventes hebdomadaires, divisées par région si le modèle doit fonctionner au niveau géographique.
- Ajoutez des variables de contrôle : changements de prix, promotions, ruptures de stock, vacances et événements concurrents si connus.
- Alignez toutes les séries sur la même définition de semaine et le même fuseau horaire.
- Documentez les lacunes et comment chacune a été comblée.
Les données au niveau géographique, lorsqu’elles sont disponibles, donnent à Meridian et aux outils similaires beaucoup plus de signal qu’une seule série nationale. Conservez les exportations brutes ainsi que le tableau nettoyé, afin que tout chiffre dans le modèle puisse être retracé jusqu’à sa source lorsque quelqu’un le remet en question.
Liste de contrôle de mise en œuvre : modèle
Une fois les données prêtes, construisez et vérifiez le modèle avec discipline :
- Commencez par une spécification simple et n’ajoutez de la complexité que lorsque cela est justifié.
- Vérifiez que les courbes d’adstock (report) et de saturation semblent plausibles pour chaque canal.
- Examinez l’ajustement sur les semaines retenues, pas seulement sur la période d’entraînement.
- Inspectez l’incertitude : un canal avec une plage très large ne devrait pas entraîner de mouvements budgétaires.
- Comparez les résultats avec ce que l’équipe sait par expérience et demandez pourquoi lorsqu’ils ne sont pas d’accord.
Un modèle qui dit qu’un canal avec de minuscules dépenses génère une grande part des ventes a généralement un problème de données ou de spécification plutôt qu’une découverte.
Comment calibrer un MMM ?
Le calibrage lie le modèle à des preuves causales. Les outils habituels sont les études de lift et les expériences géographiques. Meta et Google proposent tous deux des tests de lift de conversion sur leurs plateformes, et les expériences géographiques activent ou désactivent les dépenses dans des régions correspondantes. Les effets mesurés deviennent des points préalables ou de calibrage dans le modèle, réduisant la plage de réponses plausibles.
Planifiez au moins une expérience par canal majeur par an. Sans calibrage, les résultats du MMM peuvent bien correspondre à l’historique et pourtant induire en erreur sur ce qui se passerait si les budgets changeaient.
Convenir de la manière dont les résultats seront utilisés
Avant de présenter les résultats, convenez avec la finance et la direction de la manière dont ils seront utilisés. Les changements budgétaires d’une part modeste par trimestre, testés et re-mesurés, sont plus sûrs que de déplacer la moitié du budget sur une exécution de modèle. Montrez des plages plutôt que des chiffres uniques.
Quels sont les pièges courants ?
Quelques problèmes apparaissent dans presque chaque premier MMM. La recherche de marque semble souvent être le meilleur canal car elle capture la demande que d’autres médias ont créée ; traitez-la avec précaution ou modélisez-la comme un résultat d’autres dépenses. Les canaux hautement corrélés, comme la TV et la vidéo en ligne achetées aux mêmes semaines, ne peuvent pas être bien séparés, alors planifiez un flighting varié à l’avenir. Et les promotions laissées en dehors des données sont créditées à tout média qui a été diffusé en même temps. Examiner ces points avant de présenter les résultats évite des revirements gênants plus tard.
Passer du pilote à la production
Un pilote répond à “est-ce que cela fonctionne pour nous ?”. La production signifie que le modèle est rafraîchi selon un calendrier et alimente la planification. Cela nécessite des pipelines de données automatisés depuis les plateformes publicitaires et les systèmes de vente vers un entrepôt comme BigQuery, une cadence de rafraîchissement, souvent mensuelle ou trimestrielle, un contrôle de version pour le code du modèle et un court rapport standard.
Il a également besoin d’un propriétaire. Les modèles sans propriétaires se dégradent silencieusement à mesure que les canaux changent, que de nouvelles plateformes démarrent et que les anciennes définitions de données dérivent.
Comment Alien Road applique la modélisation du mix marketing assistée par AI
Dans un engagement typique, nous commençons par une revue de préparation : historique des données, variation des dépenses, nombre de canaux et le résultat à modéliser. Si l’entreprise n’est pas prête, nous le disons et suggérons d’abord des expériences.
Pour les clients prêts, nous construisons le pipeline de données dans l’entrepôt du client, préparons des séries hebdomadaires ou au niveau géographique et exécutons Meridian ou Robyn, en choisissant l’outil en fonction de la forme des données et des compétences de l’équipe. Nous examinons les courbes et l’incertitude avec l’analyste du client, concevons des tests de lift ou géographiques pour calibrer les canaux les plus faibles et présentons les résultats sous forme de plages avec un changement budgétaire modeste recommandé. Après chaque changement, nous mesurons le changement et mettons à jour le modèle, de sorte que le plan de chaque trimestre soit vérifié par rapport à ce qui s’est passé.
Par où commencer cette semaine
Créez une feuille de calcul avec les dépenses hebdomadaires par canal et les revenus hebdomadaires des deux dernières années. Tracez-les ensemble. Si vous pouvez voir les dépenses bouger alors que les ventes bougent aussi, vous avez la variation dont le MMM a besoin ; si chaque ligne est plate, commencez par un test géographique avant de modéliser.
Continuer la lecture : Publicité · Optimisation publicitaire par AI