Le marketing mix modeling (MMM) est une méthode de mesure qui estime statistiquement la contribution de chaque canal marketing aux ventes à partir des dépenses publicitaires hebdomadaires, des ventes et de facteurs externes comme la saisonnalité, le prix ou les promotions. N'utilisant aucune donnée utilisateur, il échappe aux restrictions de cookies et répond à la question : 'quel canal doit recevoir le prochain euro de budget ?'.
Le MMM est une approche plutôt qu'un outil. Il donne le meilleur de lui-même associé à l'attribution des plateformes et aux tests d'incrémentalité ; ce trio fonde un dispositif de mesure moderne.
Comment fonctionne le marketing mix modeling ?
Le modèle sépare les ventes en deux : les ventes de base, qui existeraient sans publicité, et les ventes incrémentales générées par les canaux. Deux effets sont estimés par canal. L'adstock (rémanence) mesure comment la publicité de cette semaine continue d'agir les semaines suivantes. La saturation mesure les rendements décroissants quand la dépense augmente. Les outils modernes sont généralement bayésiens et donnent chaque estimation avec un intervalle d'incertitude.
- Base : notoriété, trafic organique et clients fidèles ; généralement la plus grande part.
- Contribution par canal : ventes incrémentales de chaque canal et ROI estimé.
- ROI marginal : le rendement de la prochaine unité de dépense ; plus utile que le ROI moyen pour décider du budget.
- Variables de contrôle : saisonnalité, évolutions de prix, promotions, disponibilité des stocks.
Quelle différence entre MMM et attribution ?
L'attribution suit les parcours individuels et répartit les conversions entre points de contact ; le MMM estime la contribution des canaux à partir de données agrégées. L'attribution est rapide et fine, mais souffre de la perte des cookies et du biais de chaque plateforme en faveur de ses propres points de contact. Le MMM est plus lent et plus grossier, mais couvre aussi les canaux non traçables comme la TV, l'affichage ou l'influence. Voir notre guide des modèles d'attribution.
- Attribution plateforme : optimisation quotidienne, créations et mots clés.
- Test d'incrémentalité : prouver l'effet réel d'un canal par l'expérience (ROAS incrémental et tests).
- MMM : allocation budgétaire trimestrielle ou annuelle, mix de canaux et scénarios.
Comment une courbe de saturation change-t-elle la décision budgétaire ?
La courbe de saturation montre comment le revenu incrémental ralentit quand la dépense sur un canal augmente. Dans l'exemple, passer de 10K à 20K par semaine fait passer le revenu incrémental de 38 à 66, alors que passer de 80K à 90K n'ajoute que 2 unités. À ce stade, déplacer ce budget vers un canal dont la courbe est encore pentue est généralement plus efficace.
Avant le MMM, rassemblez vos données
Ads Sensor réunit dépenses et revenus de Meta, Google, TikTok, Criteo et GA4 dans un seul panneau.
Google Meridian ou Meta Robyn ?
Deux outils open source dominent. Google Meridian est bayésien, gère la modélisation géographique et intègre les résultats d'expériences comme a priori ; un planificateur de scénarios sans code a été ajouté en février 2026. Meta Robyn repose sur R et atteint plus vite un premier résultat grâce à la recherche automatique d'hyperparamètres. Les analyses du secteur présentent généralement Robyn comme le démarrage le plus rapide pour la plupart des organisations et Meridian comme l'option la plus complète, plus exigeante en données et en expertise.
- Données : en général au moins 2 ans d'historique hebdomadaire ; Meridian recommande 3 ans au niveau national.
- Canaux : en pratique 5-7 canaux principaux ; trop de petits canaux déstabilisent le modèle.
- Délai : typiquement 8-14 semaines entre l'audit des données et un premier modèle validé.
- Équipe : un analyste à l'aise avec la statistique, ou un appui externe.
Comment mener un projet MMM étape par étape ?
- Collecte : dépenses et impressions hebdomadaires par canal, ventes ou conversions hebdomadaires, prix, promotions et saisonnalité.
- Audit : semaines manquantes, devises, nommage cohérent des canaux ; c'est là que part l'essentiel du temps.
- Construction : premier modèle avec paramètres d'adstock et de saturation ; vérifier sa capacité à expliquer les ventes passées.
- Calibration : confronter aux tests d'incrémentalité disponibles et ajuster.
- Scénarios : simuler des réallocations budgétaires et décider selon le ROI marginal.
- Mise à jour : rafraîchir le modèle chaque trimestre ; les coefficients évoluent avec le marché et les créations.
Quelles sont les limites du MMM ?
- Colinéarité : si toutes les dépenses montent et baissent ensemble, le modèle ne distingue pas les canaux ; il faut une variation naturelle.
- Résolution grossière : pas de décision au niveau campagne ou création, seulement canal.
- Incertitude : le ROI s'estime en intervalle ; le réduire à un chiffre induit en erreur.
- Latence : données hebdomadaires et réentraînement le rendent inadapté à l'optimisation quotidienne.
Où se situe Ads Sensor dans un processus MMM ?
Ads Sensor n'est pas un outil de MMM et ne construit pas de modèle. Il couvre en revanche le prérequis le plus chronophage : des données de canal cohérentes et unifiées. Il réunit Meta, Google Ads, TikTok, Criteo et GA4 dans un panneau, compare revenu et ROAS entre plateformes et suit automatiquement l'avant/après de chaque changement appliqué. L'optimisation quotidienne dans Ads Sensor et les décisions budgétaires trimestrielles par MMM se complètent. Candidatez à la bêta.