Marketing mix modeling : cadrer les hypothèses avant le budget

Avant de modéliser, il faut décider ce que le budget est censé apprendre

Le marketing mix modeling, ou MMM, désigne une famille de modèles statistiques qui estime la contribution des leviers marketing aux ventes, aux leads, aux visites ou à d’autres KPI business à partir de séries temporelles agrégées. Son regain d’intérêt n’est pas un effet de mode. Il répond à une contrainte structurelle : l’attribution utilisateur par utilisateur devient moins fiable avec la fragmentation des parcours, la baisse de disponibilité des cookies tiers, les restrictions de consentement, les conversions cross-device et les ventes omnicanales. L’attribution, méthode qui assigne une conversion ou une part de revenu à un ou plusieurs points de contact marketing, reste utile pour piloter finement certaines campagnes, mais elle ne suffit pas à arbitrer un budget annuel ou trimestriel.

Le MMM promet une réponse plus macro : si nous investissons 100 000 euros supplémentaires en paid search, en vidéo, en retail media, en programmatique ou en emailing d’acquisition, quel effet marginal pouvons-nous attendre sur le chiffre d’affaires, la marge ou le pipeline ? Cette question est centrale pour les directions marketing, mais elle est souvent posée trop tard. Beaucoup d’équipes démarrent un projet MMM en collectant des données, en choisissant un outil, puis en attendant que le modèle révèle la vérité du mix média. C’est une erreur de cadrage. Un MMM ne découvre pas automatiquement la stratégie optimale. Il formalise des hypothèses, les teste contre l’historique, puis produit des scénarios sous contraintes.

Le cadrage des hypothèses avant le budget est donc la phase la plus critique. Il faut expliciter ce que l’on croit déjà sur les canaux, les délais d’effet, la saturation, la saisonnalité, les promotions, la marque, les prix, la distribution et les contraintes opérationnelles. Sans ce travail, le modèle risque de confondre corrélation et causalité, d’attribuer à la télévision ce qui vient d’une promotion, au paid search ce qui vient de la demande de marque, ou au retargeting ce qui vient d’utilisateurs déjà intentionnistes. Un MMM mal cadré peut donner une apparence scientifique à un arbitrage fragile.

Pour des professionnels du marketing, l’enjeu n’est pas seulement analytique. Il est financier. Une entreprise qui dépense 5 millions d’euros par an en acquisition et réalloue 15 % de son budget sur la base d’un modèle mal spécifié engage 750 000 euros sur une lecture potentiellement biaisée. À l’inverse, un MMM bien cadré peut identifier que le ROAS, return on ad spend, ratio entre revenu attribué et dépenses publicitaires, d’un canal est excellent en moyenne mais faible à la marge, ou qu’un canal sous-estimé en attribution contribue réellement à la demande future. La valeur du MMM ne tient donc pas à la sophistication mathématique seule, mais à la qualité des hypothèses qu’il rend discutables.

Définir la décision budgétaire avant de définir le modèle

La première question n’est pas quelle méthode allons-nous utiliser, mais quelle décision devons-nous prendre. Un MMM conçu pour arbitrer un budget annuel entre télévision, search, social, display, CRM et promotions ne se construit pas comme un modèle destiné à ajuster les investissements toutes les deux semaines. Le niveau de granularité, la variable cible, la fenêtre historique et les contraintes de scénario dépendent de la décision.

Trois décisions typiques doivent être distinguées. La première est l’allocation stratégique : combien investir par grand levier sur un trimestre ou une année ? Elle exige une vision agrégée et robuste, souvent hebdomadaire, avec une capacité à intégrer la saisonnalité, les prix, les ruptures de stock, les promotions et les effets de marque. La deuxième est l’optimisation tactique : comment répartir un budget entre campagnes, audiences ou zones géographiques ? Elle demande plus de granularité, mais elle peut vite sortir du champ naturel du MMM si les variations historiques sont trop faibles. La troisième est la justification financière : quelle part des ventes ou du pipeline peut être raisonnablement reliée aux investissements marketing ? Elle suppose une gouvernance forte sur les hypothèses, car le modèle peut devenir un outil politique.

Le KPI cible doit être choisi avec la même rigueur. Le chiffre d’affaires brut est souvent disponible, mais il peut être trompeur si les marges varient fortement par produit ou canal. La marge contributive est plus pertinente pour piloter le budget, mais elle demande une donnée fiable sur les coûts variables : remises, retours, commissions, logistique, paiement, coût de service. En B2B, le pipeline créé peut être plus rapide à observer que le revenu signé, mais il doit être pondéré par la probabilité de signature et l’ACV, annual contract value, valeur annuelle moyenne d’un contrat. En e-commerce, le volume de commandes peut masquer une baisse de panier moyen ou une hausse de clients acquis par promotion.

Un exemple simple montre l’impact du cadrage. Une marque retail observe 12 millions d’euros de ventes mensuelles et dépense 1,2 million en média. Le comité de direction veut augmenter le budget de 20 %. Si le modèle cible le chiffre d’affaires, il recommandera peut-être de pousser fortement les campagnes promotionnelles social et search, qui génèrent des pics rapides. Si le modèle cible la marge nette à 90 jours, il peut au contraire recommander de réduire les promos et de renforcer les leviers qui attirent des clients moins sensibles aux remises. Les deux modèles peuvent être techniquement corrects ; ils ne répondent pas à la même décision.

Le cadrage doit donc formuler la décision en termes opérationnels : nous devons décider de la répartition du budget Q3 entre search non-brand, social paid, vidéo, retail media et CRM, avec un objectif de marge incrémentale, une contrainte de volume minimal et un payback period, délai nécessaire pour récupérer le coût d’acquisition, inférieur à 6 mois. Cette phrase vaut mieux qu’un brief vague sur la contribution marketing.

Cartographier les hypothèses causales canal par canal

Un MMM repose sur une hypothèse forte : les variations historiques des investissements et du contexte contiennent assez d’information pour estimer l’effet des leviers marketing. Cette hypothèse est acceptable seulement si l’on comprend comment chaque canal est censé agir. Le paid search ne fonctionne pas comme la vidéo. Le CRM ne fonctionne pas comme le display prospecting. Le Drive-to-Store ne fonctionne pas comme une campagne app install. Il faut donc cartographier les mécanismes avant de modéliser.

Le paid search brand capte souvent une demande déjà existante. Son CPA, cost per acquisition, coût moyen pour obtenir une conversion ou un client, peut être très faible, mais son incrémentalité peut l’être aussi si une partie des utilisateurs serait venue en direct ou via SEO. Le paid search non-brand capte une intention active mais plus concurrentielle ; son effet peut être plus incrémental, avec une saturation rapide sur les requêtes à forte valeur. Le paid social peut générer de la demande froide, mais son effet se lit parfois plus bas dans le funnel, entonnoir de conversion allant de l’exposition à l’acquisition, puis à l’activation, la rétention et le revenu. La vidéo peut augmenter la notoriété et améliorer les conversions futures sans produire de ventes immédiates observables. Le CRM et l’emailing peuvent accélérer la conversion d’audiences déjà connues, mais ils risquent de cannibaliser des achats naturels s’ils ciblent des utilisateurs déjà intentionnistes.

La programmatique ajoute une complexité supplémentaire. Une DSP, demand-side platform, plateforme permettant d’acheter automatiquement des impressions publicitaires sur plusieurs inventaires, peut acheter via RTB, real-time bidding, enchères publicitaires en temps réel impression par impression. Les métriques plateformes peuvent afficher un volume de conversions post-view important, mais le MMM doit intégrer le risque que ces conversions soient davantage corrélées à la pression média qu’elles ne soient causées par elle. Les hypothèses doivent alors préciser le rôle du canal : création de demande, couverture incrémentale, retargeting, répétition, géolocalisation, soutien de promotion ou activation locale.

Pour chaque levier, un bon cadrage décrit quatre dimensions. Premièrement, le délai d’effet attendu. Une campagne search peut produire un effet dans la semaine ; une campagne vidéo peut agir sur plusieurs semaines. Deuxièmement, la durée de persistance, souvent modélisée par l’adstock, transformation qui prolonge l’effet d’un investissement média dans le temps avec une décroissance. Troisièmement, la saturation, c’est-à-dire le fait qu’un euro supplémentaire produit moins d’effet après un certain niveau de pression. Quatrièmement, les interactions : une campagne TV peut augmenter les requêtes brand, une promotion peut renforcer temporairement le paid search, une campagne social peut nourrir le retargeting.

Ces hypothèses ne doivent pas être écrites pour faire plaisir au modèle. Elles doivent refléter la réalité business. Si l’entreprise n’a jamais fait varier significativement son budget vidéo, le MMM aura du mal à estimer proprement son élasticité. Si le search est toujours augmenté en même temps que les promotions, le modèle peut confondre l’effet de la demande prix avec l’effet média. Si le CRM cible uniquement les clients les plus actifs, son efficacité observée sera probablement surestimée. Le cadrage doit donc lister non seulement les mécanismes attendus, mais aussi les confusions probables.

Auditer les données avant d’accepter les résultats

Un MMM exploite généralement des données agrégées par semaine, parfois par jour, par zone, par canal ou par produit. La qualité du modèle dépend de la qualité des séries. Avant de lancer la modélisation, il faut auditer quatre familles de données : les dépenses média, les expositions ou impressions, les variables business, et les variables de contrôle.

Les dépenses média doivent être réconciliées avec la finance. Les plateformes publicitaires affichent souvent des montants différents de la comptabilité : décalages de facturation, taxes, frais d’agence, remises, coûts technologiques, achats en net ou en brut. Pour un MMM budgétaire, cette différence n’est pas anecdotique. Si le modèle estime un rendement sur des dépenses sous-évaluées de 12 %, les scénarios de réallocation seront mécaniquement trop optimistes. Les impressions et GRP, gross rating points, indicateur de pression publicitaire combinant couverture et répétition, doivent aussi être contrôlés lorsque le média n’est pas digital.

Les variables business doivent être stables dans leur définition. Une vente correspond-elle à une commande, une commande payée, une commande expédiée ou une commande nette des retours ? Un lead correspond-il à un formulaire, un MQL, marketing qualified lead, lead jugé suffisamment qualifié pour être travaillé, ou un SQL, sales qualified lead, lead accepté comme commercialement exploitable ? Un revenu B2B correspond-il au pipeline créé, au pipeline pondéré, au contrat signé ou au revenu reconnu ? Chaque choix change la lecture du ROI.

Les variables de contrôle sont souvent le point faible. Un MMM qui ne contrôle pas la saisonnalité, les prix, les promotions, les jours fériés, la météo, les ruptures de stock, les lancements produit, la concurrence ou les changements de distribution peut attribuer au marketing des effets qui viennent du contexte. Dans le retail, une vague de chaleur peut expliquer une hausse des ventes de boissons ou de textile léger. Dans le SaaS, la fin de trimestre peut créer des pics de signature indépendants du média. En e-commerce, une rupture de stock sur une catégorie phare peut faire baisser les ventes malgré une pression média élevée.

Un audit minimal devrait produire un dictionnaire de données et une matrice de risques. Par exemple : le budget social paid est fiable à la semaine depuis 24 mois ; le retail media n’est disponible qu’en mensuel jusqu’à juin ; les remises sont disponibles par jour mais pas par produit ; les ruptures de stock ne sont suivies que sur les 50 références principales ; le trafic direct a changé de définition après migration analytics. Ce document permet d’éviter une erreur classique : interpréter un résultat précis comme vrai alors qu’il repose sur une donnée instable.

La longueur historique compte également. Un modèle hebdomadaire sur 24 mois offre environ 104 observations. Si l’on veut estimer dix canaux, plusieurs transformations d’adstock, la saisonnalité, les prix, les promotions et des effets de tendance, le risque de sur-ajustement augmente fortement. Un modèle bayésien peut intégrer des priors, hypothèses préalables sur les valeurs plausibles des paramètres, mais il ne crée pas de variation historique là où il n’y en a pas. La donnée ne doit pas seulement être volumineuse ; elle doit contenir des variations exploitables.

Encadrer adstock, saturation et priors pour éviter les modèles opportunistes

Les deux transformations centrales du MMM moderne sont l’adstock et la saturation. L’adstock répond à la question du temps : combien de temps un investissement continue-t-il à produire un effet ? La saturation répond à la question du rendement marginal : à partir de quel niveau le levier perd-il en efficacité ? Ces choix sont déterminants pour les recommandations budgétaires.

Un adstock trop court favorise les canaux à réponse immédiate, comme search, comparateurs, retargeting ou promotions. Un adstock trop long peut survaloriser les canaux de notoriété en leur attribuant des ventes futures qui proviennent d’autres facteurs. De même, une courbe de saturation trop agressive peut recommander de couper un canal alors que le marché n’est pas réellement saturé ; une saturation trop faible peut pousser à scaler un levier déjà épuisé.

Le cadrage doit donc fixer des plages plausibles. Par exemple, une campagne paid search non-brand peut avoir un effet majoritairement intra-semaine, avec un adstock faible. Une campagne vidéo nationale peut avoir une demi-vie de deux à quatre semaines. Une campagne d’affichage local peut avoir un effet court mais dépendre fortement de la couverture géographique. Un canal CRM peut avoir un effet immédiat sur les achats, mais une partie de cet effet doit être suspectée de cannibalisation. Ces plages peuvent être discutées avec les équipes média, CRM, sales et finance avant la modélisation.

Les priors sont particulièrement utiles lorsque les données sont imparfaites. Dans un cadre bayésien, l’équipe peut exprimer qu’un canal ne peut raisonnablement pas avoir un ROAS incrémental de 30 si la marge, la pression concurrentielle et les tests passés suggèrent une plage entre 1 et 5. Elle peut aussi contraindre certains effets à être positifs, nuls ou faiblement plausibles. Cette démarche ne doit pas servir à imposer une croyance politique ; elle doit empêcher le modèle de produire des résultats absurdes à partir de corrélations accidentelles.

Exemple : une marque dépense chaque année davantage en vidéo pendant novembre et décembre, période où les ventes augmentent naturellement. Sans contrôle suffisant de la saisonnalité et sans prior raisonnable, le modèle peut attribuer une part excessive du pic de ventes à la vidéo. Si l’on introduit une saisonnalité historique, les promotions, les prix et une plage d’adstock plausible, l’effet vidéo peut rester positif mais plus modeste. La recommandation budgétaire change : maintenir la vidéo pour soutenir la marque, mais ne pas lui attribuer tout le pic de fin d’année.

Le MMM doit aussi produire des intervalles d’incertitude, pas seulement des points estimés. Dire que le ROAS incrémental du social est de 2,4 est moins utile que de dire qu’il se situe probablement entre 1,5 et 3,3 selon les hypothèses retenues. Cette incertitude doit entrer dans la décision. Un canal avec un rendement moyen élevé mais très incertain ne doit pas être traité comme un canal stable. Il peut mériter un budget d’apprentissage, pas une réallocation massive.

Relier MMM, attribution et tests d’incrémentalité sans les confondre

Le MMM ne remplace pas toutes les autres méthodes de mesure. Il doit être articulé avec l’attribution, les tests d’incrémentalité et les analyses de cohorte. Chaque méthode répond à une question différente. L’attribution aide à piloter les parcours observables et les optimisations de campagne. Les tests d’incrémentalité mesurent l’effet causal d’une activation sur un groupe exposé par rapport à un groupe témoin. Le MMM estime des contributions agrégées et des rendements marginaux sur l’historique.

Un holdout, groupe volontairement non exposé servant de témoin, peut valider ou corriger une hypothèse du MMM. Si le modèle estime que le retargeting génère 18 % des ventes incrémentales digitales, mais qu’un holdout sur les audiences retargeting montre seulement 3 % d’uplift absolu, il faut réexaminer le modèle. À l’inverse, si un canal haut de funnel semble faible en attribution mais que le MMM et des geo-tests indiquent un effet sur les ventes de zones exposées, il mérite peut-être un budget supérieur à ce que les plateformes suggèrent.

La triangulation est le framework le plus robuste. Elle consiste à comparer les conclusions de plusieurs méthodes imparfaites plutôt qu’à chercher une vérité unique. Si le MMM, les tests géographiques et les cohortes exposées convergent, la confiance augmente. S’ils divergent, le désaccord devient informatif. Peut-être que l’effet existe seulement dans certaines zones. Peut-être que le canal influence surtout la considération, pas la conversion immédiate. Peut-être que l’attribution plateforme surcrédite les conversions post-view. Le désaccord doit ouvrir une enquête, pas être arbitré par l’outil qui donne le résultat le plus favorable.

Un cas classique concerne le search brand. Les plateformes peuvent afficher un ROAS attribué de 20 ou 30, car les utilisateurs qui cherchent la marque convertissent fortement. Un MMM bien contrôlé peut estimer un effet incrémental beaucoup plus faible, car une partie de cette demande aurait converti via direct ou SEO. Un test de coupure partielle, sur certaines zones ou périodes contrôlées, peut confirmer qu’il reste une part incrémentale défensive face aux concurrents, mais pas au niveau affiché par l’attribution. La décision n’est pas forcément de couper le brand search ; elle peut être de le plafonner, de protéger les requêtes stratégiques et de réallouer l’excédent vers des leviers de création de demande.

Cette logique est essentielle au moment du budget. Un comité qui oppose MMM et attribution se trompe de débat. L’attribution dit souvent où les conversions observées passent. Le MMM cherche à estimer ce qui change quand le budget varie. Les deux lectures doivent être alignées sur une règle de décision : quels canaux sont pilotés quotidiennement par attribution, quels canaux sont arbitrés trimestriellement par MMM, et quels leviers doivent être validés par test incrémental avant scale.

Transformer les résultats en scénarios budgétaires sous contraintes

Le livrable le plus utile d’un MMM n’est pas un classement de canaux par ROI moyen. C’est une série de scénarios budgétaires avec rendement marginal, contraintes et risques. Le ROI moyen regarde le passé ; le rendement marginal aide à décider du prochain euro investi. Un canal peut avoir un excellent ROI historique parce qu’il a été sous-investi ou parce qu’il captait la demande la plus facile. Mais si sa courbe de saturation est avancée, le prochain euro peut être peu rentable.

Un bon scénario doit intégrer au moins cinq contraintes. Premièrement, les budgets minimums incompressibles : protection brand search, présence toujours active, contrats média, production créative. Deuxièmement, les budgets maximums réalistes : inventaire disponible, taille d’audience, fréquence acceptable, capacité sales ou support. Troisièmement, les délais d’effet : un investissement vidéo peut ne pas améliorer le revenu dans le mois, mais soutenir le trimestre suivant. Quatrièmement, les objectifs non financiers : couverture, lancement marché, défense concurrentielle, présence retail. Cinquièmement, le risque statistique : certains canaux ont des intervalles d’incertitude plus larges.

Exemple chiffré. Une entreprise B2C dispose de 3 millions d’euros pour le trimestre. Le modèle estime les rendements marginaux suivants sur la marge incrémentale : search non-brand entre 2,1 et 2,8 jusqu’à 600 000 euros, puis saturation ; social prospecting entre 1,3 et 2,4 avec forte incertitude ; vidéo entre 1,1 et 1,8 à court terme mais effet positif sur les recherches brand à six semaines ; CRM entre 3,0 et 4,5 mais plafonné par la taille de base adressable ; retargeting entre 0,8 et 1,4 après correction d’incrémentalité. Une lecture naïve pousserait tout vers CRM et search. Une lecture budgétaire robuste alloue le maximum utile au CRM, maintient search jusqu’au seuil de saturation, réduit le retargeting non incrémental, réserve un budget test au social et finance la vidéo si l’objectif inclut la demande future.

Le scénario doit aussi indiquer ce que l’on surveillera après décision. Si le budget social augmente de 30 %, quelles métriques confirment que le modèle avait raison ? CPM, coût pour mille impressions ; fréquence ; taux de visite qualifiée ; recherches brand ; conversions assistées ; cohorte de nouveaux clients ; marge à 30 et 90 jours. Si le paid search est plafonné, comment vérifier que l’entreprise ne perd pas de parts de demande ? Impression share, requêtes concurrentes, taux de conversion SEO brand, ventes directes. Le MMM ne ferme pas la boucle de décision ; il définit les signaux de contrôle.

Le rôle de la finance est important. Les scénarios doivent être traduits en cash, marge et payback, pas seulement en ROAS média. Un canal avec un ROAS marginal de 1,8 peut être acceptable si la marge brute est élevée et le réachat probable ; il peut être destructeur si la marge nette est faible. Un levier qui génère du pipeline enterprise peut avoir un ROI final élevé mais un délai de revenu incompatible avec la trésorerie. Le MMM doit donc être relié au modèle économique, pas seulement au plan média.

Conclusion : un MMM utile commence par des hypothèses falsifiables

Le marketing mix modeling devient réellement utile lorsqu’il est traité comme un système de décision, pas comme un audit rétrospectif du mix média. Sa valeur dépend moins de la promesse de précision absolue que de sa capacité à rendre explicites les hypothèses budgétaires : quels canaux créent la demande, lesquels la captent, lesquels saturent vite, lesquels agissent avec délai, lesquels sont surestimés par l’attribution et lesquels méritent un budget d’apprentissage.

Une méthode actionnable peut se résumer en sept décisions. Premièrement, définir la décision budgétaire avant le modèle : allocation annuelle, arbitrage trimestriel, justification financière ou optimisation tactique. Deuxièmement, choisir un KPI cible économiquement pertinent : marge, revenu net, pipeline pondéré ou valeur client, plutôt qu’un volume de conversions trop haut dans le funnel. Troisièmement, cartographier les hypothèses causales canal par canal, en précisant délai d’effet, adstock, saturation, interactions et risques de cannibalisation. Quatrièmement, auditer les données avant d’accepter les résultats : dépenses, impressions, ventes, promotions, prix, stock, saisonnalité, changements tracking. Cinquièmement, encadrer les paramètres du modèle avec des plages plausibles et des priors documentés. Sixièmement, trianguler les conclusions avec attribution, holdouts, geo-tests et analyses de cohorte. Septièmement, transformer les résultats en scénarios budgétaires sous contraintes, avec rendement marginal, incertitude et signaux de suivi.

Pour les directions marketing expertes, la question n’est donc pas simplement quel canal a le meilleur ROI historique. Elle devient : quelle hypothèse sur le prochain euro investi sommes-nous prêts à défendre, avec quel niveau de preuve et quel plan de vérification ? Cette formulation change la qualité du débat. Elle évite de sacraliser le modèle, tout en empêchant les arbitrages purement politiques. Le MMM ne donne pas une vérité définitive sur le marketing. Il fournit un cadre rigoureux pour décider sous incertitude, à condition d’avoir cadré les hypothèses avant de déplacer le budget.