La modélisation du mix marketing (MMM) assistée par l’AI est une méthode statistique qui estime la contribution de chaque canal marketing aux ventes, en utilisant des données agrégées hebdomadaires ou quotidiennes plutôt qu’en suivant les utilisateurs individuels. L’AI et les outils bayésiens modernes la rendent plus rapide à construire, plus facile à mettre à jour et plus utile pour la planification budgétaire. Elle convient mieux aux marques qui dépensent sur plusieurs canaux et qui souhaitent des réponses indépendantes sur l’endroit où le budget supplémentaire sera efficace.
Le MMM n’est pas nouveau. Les entreprises de biens de consommation l’utilisent depuis des décennies, souvent via des cabinets de conseil spécialisés, avec des modèles dont la construction prenait des mois. Deux changements l’ont relancé : les règles de confidentialité et les restrictions des navigateurs ont affaibli l’attribution au niveau de l’utilisateur, et les outils open source ont rendu le MMM accessible aux petites équipes.
Les options open source les plus connues sont Robyn de Meta, Meridian de Google, qui a succédé à son projet précédent LightweightMMM, et PyMC-Marketing de PyMC Labs. Les plateformes commerciales proposent également le MMM en tant que service géré. L’AI intervient à plusieurs niveaux : sélection automatisée des modèles, calcul bayésien plus rapide, planification de scénarios et explication des résultats en langage naturel.
Comment fonctionne la modélisation du mix marketing ?
À la base, le MMM est une régression. Il prend une série chronologique de ventes ou de conversions et l’explique par les dépenses marketing par canal, ainsi que par d’autres facteurs tels que la saisonnalité, le prix, les promotions, les vacances et les conditions économiques. Le modèle estime dans quelle mesure chaque facteur influence les ventes.
Deux idées le rendent adapté au marketing plutôt qu’aux statistiques génériques.
- Adstock ou report : une publicité vue cette semaine peut affecter les ventes des semaines suivantes. Le modèle estime la durée de l’effet de chaque canal.
- Saturation ou rendements décroissants : doubler les dépenses double rarement les résultats. Le modèle estime la courbe pour chaque canal, montrant où les dépenses supplémentaires cessent d’être rentables.
Les méthodes bayésiennes, utilisées par Meridian et PyMC-Marketing, permettent aux analystes d’ajouter des connaissances préalables, telles que les résultats de tests de lift, et d’exprimer l’incertitude sous forme de plages plutôt que de chiffres uniques.
Où l’AI aide-t-elle ?
L’assistance de l’AI réduit principalement le travail manuel et rend les résultats plus exploitables.
- Préparation des données : nettoyage et alignement des dépenses, des impressions et des ventes provenant de nombreuses sources dans un tableau hebdomadaire.
- Recherche de modèles : tester de nombreuses combinaisons de paramètres d’adstock et de saturation et choisir celles qui correspondent et qui ont un sens commercial. Robyn, par exemple, utilise l’optimisation multi-objectifs pour cela.
- Planification de scénarios : montrer ce qui arrive aux ventes attendues si le budget est transféré entre les canaux.
- Explication : les modèles de langage peuvent transformer les résultats du modèle en résumés simples pour les parties prenantes, bien que ceux-ci doivent être vérifiés par rapport aux chiffres réels.
L’AI ne supprime pas le besoin de jugement. Un modèle peut bien correspondre aux données historiques et donner des conseils trompeurs si les entrées sont incorrectes ou si les canaux ont toujours évolué ensemble.
De quelles données avez-vous besoin ?
Le MMM a besoin d’historique et de variation. Une règle courante est d’avoir au moins deux ans de données hebdomadaires, afin que le modèle puisse séparer la saisonnalité des effets marketing. Les données quotidiennes peuvent aider avec des historiques plus courts, mais sont plus bruitées.
- Ventes ou conversions par semaine, idéalement par région si disponible.
- Dépenses et, si possible, impressions ou clics par canal et par semaine.
- Promotions, changements de prix, lancements de produits et ruptures de stock.
- Facteurs externes pertinents pour l’entreprise, tels que les vacances ou la météo.
La variation est importante. Si les dépenses de chaque canal augmentaient et diminuaient ensemble, le modèle ne pourrait pas les distinguer. Les changements planifiés, comme la mise en pause d’un canal dans certaines régions, rendent les modèles beaucoup plus fiables.
Comment le MMM se compare-t-il à l’attribution et aux tests de lift ?
Les trois méthodes répondent à des questions différentes, et les équipes matures les utilisent toutes.
- Attribution de plateforme et multi-touch : rapide, détaillée, au niveau de l’utilisateur, mais aveugle aux effets hors ligne et biaisée vers les canaux qui suivent le mieux.
- Tests de lift et géo : la preuve la plus claire de l’impact incrémental pour un canal à un moment donné, mais lente et limitée en portée.
- MMM : couvre tous les canaux, y compris hors ligne, et fournit des courbes budgétaires, mais avec une granularité plus faible et une incertitude plus large.
Une approche pratique consiste à utiliser les tests de lift pour calibrer le MMM, et le MMM pour guider les répartitions budgétaires, tandis que l’attribution gère l’optimisation quotidienne au sein de chaque plateforme.
Quelles sont les limites ?
Les résultats du MMM sont des estimations avec des plages. Les canaux avec de faibles dépenses obtiennent souvent des estimations larges et incertaines. Les modèles ont du mal avec les effets de marque qui se construisent sur des années. Et les résultats dépendent des choix de modélisation ; deux analystes peuvent arriver à des conclusions différentes à partir des mêmes données, c’est pourquoi la transparence et le calibrage sont importants.
Les équipes utilisent également mal le MMM en le traitant comme un projet ponctuel. Les marchés changent, les modèles doivent donc être actualisés trimestriellement ou au moins deux fois par an.
Qui devrait posséder le modèle au sein de l’entreprise ?
Le MMM se situe entre le marketing, la finance et l’analyse, et les résultats sont ignorés lorsque seul l’un d’entre eux le possède. La finance doit faire confiance aux données de vente, le marketing doit faire confiance aux entrées des canaux et l’analyse doit expliquer la méthode. Convenez dès le départ de qui valide les données, qui examine le modèle et qui décide des changements budgétaires.
Une courte réunion trimestrielle où les trois groupes examinent les derniers résultats et conviennent d’un test fonctionne mieux qu’un long rapport sur lequel personne n’agit.
Comment Alien Road applique la modélisation du mix marketing assistée par l’AI
Dans un engagement typique, le MMM commence par un audit des données. Nous collectons les dépenses, les impressions et les résultats de Google Ads, Meta, TikTok, LinkedIn et de tout média hors ligne, ainsi que les ventes du magasin ou du CRM du client, et vérifions s’il y a suffisamment d’historique et de variation. Si ce n’est pas le cas, nous concevons quelques mois de changements de dépenses planifiés avant de modéliser.
Le modèle lui-même est généralement construit avec un framework open source tel que Meridian, Robyn ou PyMC-Marketing, en fonction des données et de la préférence du client pour la transparence. Lorsque le client a effectué des tests de lift, nous utilisons ces résultats pour calibrer le modèle. Les outils d’AI aident à la préparation des données, à la recherche de modèles et aux premiers brouillons de résumés ; les analystes vérifient chaque conclusion.
Les rapports présentent la contribution des canaux avec des plages d’incertitude, des courbes de réponse et deux ou trois scénarios budgétaires avec les résultats attendus. Nous recommandons un changement budgétaire contrôlé, mesurons son effet et actualisons le modèle avec les nouvelles données.
Par où commencer cette semaine
Créez un tableau hebdomadaire pour les deux dernières années avec le total des ventes et les dépenses par canal. Même avant la modélisation, tracer ces lignes ensemble montre si les canaux ont évolué indépendamment et où les grands événements, comme les promotions ou les ruptures de stock, doivent être enregistrés.
Si l’historique est court ou si chaque canal a évolué ensemble, planifiez un test : réduisez ou mettez en pause un canal dans une région ou pendant quelques semaines. Cette variation rendra tout modèle futur beaucoup plus fiable.
Continuer la lecture : Publicité · Optimisation publicitaire par l’AI