Le marketing mix modeling (MMM) estime la contribution de chaque canal marketing à vos ventes à partir de données agrégées : dépenses par canal et chiffre d'affaires, semaine par semaine, sur au moins deux ans. Deux outils open source dominent : Robyn, développé par Meta, en R, et Meridian, publié par Google, en Python et bayésien. Pour une PME e-commerce, la vraie question n'est pas lequel choisir, mais si vous avez assez de données et de canaux pour qu'un MMM apprenne quelque chose.
Un MMM bien fait répond à la question la plus chère de votre budget : où mettre le prochain euro. Mal fait, il donne une réponse précise et fausse.
À quoi sert un MMM (et à quoi il ne sert pas)
Le MMM modélise vos ventes comme une somme d'effets : une base (ce que vous vendriez sans publicité), la saisonnalité, les promotions, les prix, et la contribution de chaque canal. Deux phénomènes sont intégrés :
- L'effet retard (adstock) : une publicité vue aujourd'hui continue d'agir les jours suivants.
- La saturation : chaque euro supplémentaire rapporte moins que le précédent.
De là, le modèle produit des courbes de rendement par canal et propose une répartition du budget. C'est ce qu'aucun modèle d'attribution ne sait faire, comme nous l'expliquons dans notre article sur les modèles d'attribution.
Ce qu'il ne fait pas : dire quelle créa garder, quel ensemble de publicités couper, ou quel mot-clé enchérir. Il travaille au niveau du canal, par semaine. Pour le quotidien, l'attribution des plateformes reste l'outil.
Robyn et Meridian : le comparatif
| Critère | Robyn (Meta) | Meridian (Google) |
|---|---|---|
| Langage | R (version Python en bêta) | Python |
| Approche statistique | Régression ridge, optimisation évolutive des hyperparamètres | Bayésienne, avec priors |
| Données géographiques | Principalement national | Conçu pour le niveau géographique (modèle hiérarchique) |
| Calibration par des tests | Oui, intègre les résultats de tests de lift | Oui, via les priors de ROI |
| Portée et fréquence | Calibrateur de courbes avec données de portée | Intègre portée et fréquence |
| Sortie | Plusieurs modèles candidats à choisir, allocateur de budget | Distributions de probabilité, optimisation de budget |
| Prise en main | Plus accessible pour un analyste R | Demande plus de culture bayésienne |
Robyn utilise une régression ridge et l'optimisation Nevergrad, avec des transformations d'adstock et de saturation, et une décomposition automatique de la tendance et de la saisonnalité. Il produit un ensemble de modèles « optimaux » parmi lesquels l'analyste choisit. C'est une force (on garde la main) et un risque (on peut choisir le modèle qui confirme ce qu'on pensait).
Meridian adopte une approche bayésienne documentée par Google. Il permet d'injecter des connaissances préalables (par exemple le ROI mesuré par un test de lift) sous forme de priors, et il est pensé pour exploiter des données par zone géographique, ce qui multiplie les observations disponibles.
Les données minimales
C'est ici que la plupart des projets de PME échouent.
La règle des points par paramètre
Chaque canal, chaque variable de contrôle (promotions, prix, saisonnalité) est un paramètre à estimer. Plus vous en avez, plus il faut d'observations.
- Pour Robyn, la documentation recommande au moins deux ans de données hebdomadaires et un ratio d'environ une variable pour dix observations. Deux ans de semaines, c'est 104 lignes : une dizaine de variables au maximum.
- Pour Meridian, Google donne l'exemple d'un modèle national à 26 paramètres sur 104 semaines : 4 points par paramètre, jugé insuffisant. Sa recommandation : viser environ 15 points par paramètre pour obtenir une information directionnelle.
Ce que ça implique pour un e-commerce
Prenons une marque avec quatre canaux (Meta, Google Search, Google Shopping, TikTok), plus des variables de promotion, de saisonnalité et de prix : on arrive vite à une douzaine de paramètres. Avec deux ans de données hebdomadaires nationales, on est sous le seuil recommandé par Google. Trois solutions :
- Regrouper des canaux (Search et Shopping ensemble, par exemple).
- Allonger l'historique à trois ans.
- Passer au niveau géographique, en agrégeant les ventes Shopify par région ou département à partir des codes postaux. C'est le cas d'usage naturel de Meridian.
La variation, condition oubliée
Même avec trois ans de données, si vos dépenses Meta ont toujours évolué exactement comme vos dépenses Google (tout monte en novembre, tout baisse en janvier), le modèle ne peut pas séparer leurs effets. Il lui faut des périodes où un canal bouge et pas l'autre. Paradoxalement, un historique « trop bien piloté » est difficile à modéliser. Les tests d'incrémentalité créent justement cette variation.
Les coûts réels
Les deux outils sont gratuits. Le coût se répartit ainsi :
- Préparation des données : consolider dépenses par canal, ventes Shopify, promotions, prix, ruptures de stock, événements. C'est souvent plus de la moitié du travail.
- Modélisation et validation : choisir les variables, faire tourner, vérifier que les résultats ont un sens métier.
- Mise à jour : trimestrielle au minimum, sinon le modèle vieillit.
- Compétences : un profil data à l'aise en R ou Python et en statistiques. Notre article sur qui doit gérer la data marketing aide à décider si ce profil doit être interne.
Préparer les données : la liste de contrôle
Avant d'ouvrir R ou Python, assurez-vous que votre fichier contient, pour chaque semaine :
- Les ventes : CA Shopify hors taxes et nombre de commandes, idéalement séparés entre nouveaux clients et clients existants.
- Les dépenses par canal, telles que facturées, et si possible les impressions.
- Les promotions : dates, profondeur de remise, canaux de diffusion.
- Le prix moyen ou un indice de prix, si vos tarifs ont bougé.
- Les ruptures de stock sur les produits phares.
- Les événements : passages presse, lancement produit, changement de site.
- L'emailing et le SMS : nombre d'envois ou de destinataires, car ces canaux peu coûteux expliquent une partie des ventes.
Chaque valeur manquante doit être comblée ou justifiée. Meridian, par exemple, exige un jeu de données complet.
Quand un MMM est prématuré pour une PME e-commerce
Soyons directs : pour beaucoup de boutiques, un MMM n'est pas la priorité. Il est prématuré si :
- Un canal représente l'essentiel du budget. Si 85 % des dépenses vont sur Meta, un test de lift Meta vous en apprendra davantage, plus vite.
- L'historique est court ou chaotique : boutique de moins de deux ans, changement de positionnement, rupture de stock prolongée.
- Le tracking de base n'est pas fiable. Un MMM a besoin d'un CA propre et de dépenses exactes par canal. Commencez par le guide complet du tracking e-commerce.
- Personne ne pourra agir sur les résultats. Un modèle qui ne change aucune décision de budget est un coût pur.
Dans ces cas, la combinaison la plus rentable est un suivi du MER, une enquête post-achat et un ou deux tests par an, comme décrit dans notre comparatif GeoLift, Conversion Lift ou MMM.
Exemple de lecture d'un résultat de MMM
Supposons qu'un modèle (hypothétique) calibré par un test de lift donne, pour une marque de mode à 150 000 € de dépenses marketing trimestrielles :
| Canal | Dépense trimestrielle | ROI estimé (moyen) | ROI marginal au niveau actuel |
|---|---|---|---|
| Meta | 80 000 € | 3,1 | 1,6 |
| Google Search marque | 15 000 € | 1,4 | 0,9 |
| Google Shopping | 40 000 € | 3,6 | 2,8 |
| TikTok | 15 000 € | 2,2 | 2,0 |
Lecture : le ROI moyen de Meta est bon, mais son ROI marginal est bas. Le prochain euro y rapporte peu, le canal approche de sa saturation à ce niveau de créas. Shopping a encore de la marge. Le Search de marque rapporte moins d'un euro par euro marginal : une partie de ces ventes serait arrivée sans publicité. La décision ne consiste pas à couper Meta, mais à déplacer une partie de l'euro marginal vers Shopping, et à renouveler les créas Meta pour repousser la saturation. Une étude Search Lift permettrait de vérifier le lien entre Meta et le Search de marque avant de toucher à ce dernier.
Les erreurs à éviter
- Croire le modèle sans le confronter à un test. Calibrez au moins un canal majeur.
- Choisir dans Robyn le modèle qui plaît. Fixez vos critères de sélection avant de regarder les résultats.
- Oublier les variables non publicitaires : promotions, prix, ruptures, jours fériés. Le modèle attribue alors leur effet à la publicité.
- Lire le ROI moyen au lieu du ROI marginal pour décider d'une hausse de budget.
- Ne jamais mettre à jour.
Par où commencer cette semaine
- Listez vos canaux et leur part de budget. Si un canal dépasse 80 %, gardez le MMM pour plus tard.
- Rassemblez dans un seul fichier, par semaine, les dépenses par canal et le CA Shopify sur deux à trois ans.
- Ajoutez une colonne promotions et une colonne ruptures de stock.
- Comptez vos paramètres potentiels et vérifiez le ratio de points par paramètre.
- Planifiez un test d'incrémentalité sur votre premier canal : il servira de calibration au futur modèle.
Notre équipe tracking et data peut préparer ce socle et vous dire honnêtement si un MMM se justifie à votre stade. Dans l'Écosystème, les décisions de répartition des étapes Scaling et Hyper-scaling s'appuient sur ce type de mesure plutôt que sur la somme des ROAS des plateformes, et quand un canal sature faute de créas, Le Lab prend le relais pour renouveler les angles. Pour en parler, vous pouvez réserver un appel stratégique de 30 minutes.