La modélisation du mix marketing assistée par IA utilise des modèles statistiques, désormais souvent des outils open-source comme Meridian de Google et Robyn de Meta, pour estimer la contribution de chaque canal aux ventes, puis aide à planifier les budgets. Le workflow se déroule en cinq étapes : collecter et nettoyer les données hebdomadaires, configurer le modèle, le calibrer avec des expériences, examiner les résultats avec l’entreprise et les transformer en scénario budgétaire. L’IA accélère la préparation des données, la recherche de modèles et le reporting.
Qu’est-ce que la modélisation du mix marketing ?
La modélisation du mix marketing, souvent appelée MMM, estime l’effet des activités marketing sur un résultat tel que les ventes ou les inscriptions en utilisant des données agrégées dans le temps. Elle ne suit pas les utilisateurs individuels, ce qui la rend utile lorsque le suivi des cookies et des appareils est limité. Elle prend en compte des facteurs tels que la saisonnalité, les changements de prix et les promotions, et estime comment les effets publicitaires se répercutent dans le temps et comment les rendements s’aplatissent à mesure que les dépenses augmentent.
Deux outils open-source sont largement utilisés. Robyn, de Meta, utilise une recherche automatisée d’hyperparamètres pour produire de nombreux modèles candidats. Meridian, de Google, est un framework bayésien qui permet aux analystes d’inclure des connaissances préalables et les résultats d’expériences. Les deux nécessitent le jugement de l’analyste ; aucun n’est un bouton qui produit la vérité.
Où l’IA aide-t-elle, et où ne le fait-elle pas ?
“Assisté par IA” signifie ici deux choses. Les outils de modélisation automatisent des parties de la recherche et de l’estimation des modèles. Par ailleurs, les assistants IA généraux aident au travail fastidieux environnant : écrire des scripts de nettoyage de données, documenter les hypothèses, expliquer les sorties et rédiger des rapports.
Ce que l’IA ne fait pas, c’est décider si un résultat est crédible. Un assistant peut produire un graphique plausible à partir d’un modèle cassé. L’analyste et l’entreprise jugent toujours si les chiffres correspondent à ce qu’ils savent.
Étape 1 : collecter et nettoyer les données
Le MMM nécessite des données hebdomadaires (parfois quotidiennes), couvrant généralement deux ans ou plus pour que le modèle puisse voir la saisonnalité.
- Résultat : ventes, revenus, leads ou autre résultat commercial par semaine.
- Médias : dépenses et, si possible, impressions par canal, comme Google Ads, Meta, TikTok, YouTube, TV et publicité extérieure.
- Contrôles : prix, promotions, distribution, jours fériés, activité des concurrents lorsque connue, et facteurs macroéconomiques tels que l’inflation sur les marchés à forte inflation.
- Signaux organiques : envois d’e-mails, sessions de recherche organique, pics de relations publiques.
Exportez les données de chaque plateforme, alignez-les sur les mêmes semaines et devises, et vérifiez les lacunes. Les assistants IA sont pratiques ici pour écrire des scripts pandas ou SQL qui fusionnent les fichiers et signalent les semaines manquantes, mais chaque script doit être examiné et exécuté sur une copie des données.
Étape 2 : configurer le modèle
Choisissez l’outil
Utilisez Robyn si votre équipe travaille en R ou Python et souhaite comparer de nombreux modèles candidats. Utilisez Meridian si vous souhaitez une approche bayésienne avec des priors et que vous avez des résultats d’expériences à intégrer. Certaines équipes testent les deux.
Définissez la structure
- Quels canaux sont modélisés séparément et lesquels sont regroupés.
- Paramètres d’Adstock (report) et courbes de saturation par canal.
- Variables de contrôle et termes de saisonnalité.
- Priors dans Meridian, basés sur des études ou expériences passées, définis de manière conservatrice.
Notez ces décisions. Un assistant IA peut transformer des notes brutes en un document d’hypothèses clair que le client peut lire.
Étape 3 : calibrer avec des expériences
Les résultats du MMM s’améliorent lorsqu’ils sont vérifiés par rapport à des tests causaux. Les expériences géographiques, les études de conversion lift de Meta ou Google et les tests de holdout fournissent la vérité terrain pour certains canaux.
- Exécutez ou collectez au moins un test de lift pour un canal majeur.
- Intégrez les résultats dans le modèle en tant que calibration (Robyn) ou priors (Meridian).
- Comparez les estimations du modèle pour ce canal avec l’expérience ; de grands écarts signifient que le modèle doit être revu.
Étape 4 : examiner les résultats avec l’entreprise
La sortie du modèle est un ensemble de contributions par canal, de courbes de rendement et d’intervalles de confiance. Avant que quiconque n’agisse en conséquence, examinez-le lors d’une session de travail.
- Les contributions correspondent-elles à ce que l’équipe sait du marché ?
- Les intervalles d’incertitude sont-ils suffisamment larges pour que les décisions doivent attendre ?
- Y a-t-il des canaux avec trop peu de variation des dépenses pour bien estimer ?
- Un événement ponctuel, comme une rupture de stock, a-t-il faussé les résultats ?
L’IA peut rédiger la première version du résumé, mais l’examen lui-même doit impliquer des personnes qui connaissent l’entreprise.
Étape 5 : transformer les résultats en scénario budgétaire
Utilisez l’optimiseur de budget du modèle pour comparer les scénarios : répartition actuelle, un déplacement vers des canaux avec de meilleurs rendements marginaux et une option intermédiaire prudente. Appliquez des limites qui reflètent la réalité, telles que les dépenses minimales de marque ou les dépenses hebdomadaires maximales par canal.
Planifiez ensuite un test de suivi. Si le modèle suggère de déplacer le budget d’un canal à un autre, déplacez-en une partie et mesurez, plutôt que de tout déplacer en une fois.
Comment Alien Road applique le MMM assisté par IA dans le travail publicitaire
Un engagement typique commence par une vérification de la préparation des données : combien de semaines de données existent, quels canaux ont suffisamment de variation des dépenses et quels contrôles sont disponibles. Si l’historique est trop court, l’équipe commence par des expériences et un modèle plus simple, et prévoit un MMM plus complet plus tard.
La configuration implique la construction du jeu de données hebdomadaire fusionné, l’exécution de Robyn ou Meridian, et la rédaction du document d’hypothèses avec l’aide d’un assistant IA. Les résultats sont examinés avec les contacts marketing et finance du client.
La mesure se poursuit avec des rafraîchissements de modèle programmés, généralement trimestriels, et avec des tests de lift qui vérifient les recommandations principales. Chaque rapport de rafraîchissement montre ce qui a changé et pourquoi.
Erreurs de workflow courantes à éviter
Une poignée d’erreurs se répètent d’un projet à l’autre. Les équipes modélisent souvent trop de canaux séparément alors que certains ont peu de variation des dépenses, ce qui produit des plages larges et dénuées de sens. D’autres oublient des variables de contrôle majeures, comme les augmentations de prix sur un marché inflationniste, et le modèle crédite les médias pour des ventes qui provenaient de la tarification.
Une autre erreur consiste à traiter une exécution de modèle comme définitive. Le MMM est un cycle : données, modèle, test, examen et rafraîchissement. La valeur augmente à chaque tour, à mesure que les expériences affinent les estimations et que l’entreprise apprend quels signaux privilégier. Enfin, évitez de présenter des estimations ponctuelles sans incertitude ; un rendement de canal affiché comme un chiffre unique invite à des décisions que les données ne peuvent pas soutenir.
Par où commencer cette semaine
Faites une liste de chaque canal sur lequel vous avez dépensé de l’argent au cours des deux dernières années et vérifiez que vous pouvez exporter les dépenses hebdomadaires pour chacun. Notez les lacunes, les changements de devise et les campagnes sans enregistrements. Cet inventaire décide si un modèle peut être construit maintenant ou si le premier travail consiste à réparer la collecte de données.
Continuez à lire : Publicité · Optimisation publicitaire par IA