La modélisation du mix marketing : la construire, s'y fier, savoir quand elle convient

Un modèle de mix marketing (MMM, souvent appelé économétrie au Royaume-Uni³) est un modèle statistique de données agrégées, en général les ventes hebdomadaires à côté des dépenses par canal, du prix, de la distribution, de la saisonnalité et des facteurs extérieurs, qui estime la contribution de chaque activité et ce qui se passerait si le budget changeait. Les annonceurs utilisent ces modèles sous diverses formes depuis les années 1960¹. L'article de fond mesurer l'efficacité situe le MMM parmi les autres méthodes ; celui-ci descend d'un niveau.

• La décision qu'il éclaire comment répartir le budget de l'an prochain entre canaux et marchés, et combien dépenser au total.
• Son fonctionnement il sépare une base (ce qui se serait vendu de toute façon) des ventes incrémentales apportées par chaque activité, en tenant compte des effets qui durent et des rendements décroissants².
• Comment s'y fier le tester sur des données qu'il n'a pas vues, vérifier la plausibilité de ses courbes, le calibrer par des expérimentations^4, 12.
• Les outils en 2026 Robyn (Meta) et Meridian (Google) sont open source, et Google a ajouté à Meridian une couche de planification sans code en février 2026^7, 10.
• Ses limites il lui faut de l'historique et de la variation, il ne voit que ce que contiennent ses données et, seul, il décrit une corrélation¹.

Le MMM est la méthode des questions stratégiques et transversales : le budget total, la répartition entre canaux et entre marchés, la forme des rendements d'un canal (le point où dépenser plus ne rapporte plus). L'IPA présente l'intégration de l'économétrie, des expérimentations et de l'attribution comme la marque d'une culture d'apprentissage, non comme un choix entre elles³. Son rapport de 2024 Making Effectiveness Work, signé Simeon Duckworth, Neil Charles et Duncan Stoddard, le dit sans détour : aucune méthode n'est une solution miracle, et chacune a son rôle et ses limites⁴.

Dans la triangulation retenue pour tout ce parcours, le modèle de mix fixe les budgets et le rôle des canaux ; les expérimentations testent ses hypothèses les plus lourdes ; l'attribution optimise au quotidien à l'intérieur des canaux ; le suivi de marque montre les indicateurs avancés que les ventes ne reflètent pas encore.

Deux traits distinguent un modèle publicitaire d'une régression ordinaire. La rémanence (adstock) : une publicité continue d'agir des semaines après sa diffusion, si bien que les ventes de cette semaine dépendent en partie des dépenses du mois dernier. La forme, ou saturation : chaque unité supplémentaire dépensée dans un canal rapporte moins que la précédente. Des chercheurs de Google ont montré en 2017 comment un modèle bayésien capte à la fois les effets retardés et les rendements décroissants, que la régression linéaire traite mal, et comment calculer à partir des résultats le retour sur dépenses publicitaires (ROAS) et le ROAS marginal². C'est ce dernier dont une décision budgétaire a besoin : le rendement moyen dit si un canal a été rentable ; le rendement marginal dit si la prochaine unité le sera.

Le même article montre l'écueil. Un modèle bayésien part de lois a priori, des hypothèses sur l'effet de chaque canal, et quand les données sont minces, ces a priori pèsent lourd sur la réponse et peuvent la biaiser². C'est un atout quand l'a priori vient d'une bonne expérimentation, un risque quand il vient d'un vœu pieux. Consignez chaque a priori et sa provenance.

Les données sont l'essentiel du travail. Les recommandations de l'IAB pour moderniser le MMM plaident pour des données standardisées, pluriannuelles et bien gouvernées, et pour une couverture qui atteigne tous les canaux, les nouveaux formats et les publics sous-représentés⁵. En communication intégrée, c'est doublement vrai : si les relations presse, le sponsoring, les messages CRM ou les promotions sont absents, le modèle attribuera leur effet à ce qui a bougé au même moment. Enregistrez la dépense et une mesure d'exposition (impressions, audiences, envois) partout où c'est possible, et tenez un journal des événements que les données n'expliquent pas : une rupture de stock, un lancement concurrent, une actualité.

La variation est la matière première. Un modèle apprend l'effet d'un canal des semaines où ce canal a bougé autrement que les autres. Si tous montent et descendent ensemble, aucun modèle ne peut les séparer ; c'est l'un des défis de fond que décrivent des chercheurs de Google, avec la collecte des données, la spécification du modèle et le biais de sélection qu'introduit le ciblage¹. Une variation planifiée (un marché sans publicité, une vague décalée) améliore le modèle suivant.

Le guide de Google pour les directions marketing propose une check-list des bonnes pratiques d'un modèle rigoureux⁶, et la boucle MESI de l'IPA (modéliser, expérimenter, simuler, mettre en œuvre) fait du modèle de mix le point de départ des hypothèses, non leur aboutissement⁴. La validation la plus solide est la vérité terrain : une expérimentation randomisée, par exemple un test géographique où des régions entières sont tirées au sort pour voir ou non une campagne¹¹. C'est important, car les méthodes observationnelles, même nourries de données riches, échouent souvent à retrouver ce que mesurent les expérimentations¹². Servez-vous des résultats d'expérimentation pour vérifier et, quand l'outil le permet, pour calibrer.

Deux outils gratuits, issus des grandes plateformes publicitaires, ont changé l'économie du MMM. En octobre 2026 :

• Robyn est publié sur le CRAN comme un package de MMM semi-automatisé de Meta Marketing Science, sous licence MIT. Sa description cite la régression ridge, des algorithmes évolutionnaires, des sorties d'allocation budgétaire et un calibrage facultatif par la vérité terrain ; la dernière version que nous avons pu confirmer est la 3.12.1, publiée le 2 juillet 2025⁷.
• Meridian est le MMM bayésien open source de Google^8, 10. En février 2026, Google y a ajouté Scenario Planner, une interface sans code destinée à permettre aux équipes marketing de comparer des scénarios budgétaires sans écrire de code¹⁰. Sa référence pour les développeurs décrit un module qui construit des tableaux de bord Looker Studio à partir des sorties de Meridian⁸ et qui, selon la mise à jour de mars 2026, accepte les résultats d'ajustement du modèle, d'analyse marketing et d'optimisation budgétaire⁹. Le modèle doit toujours être entraîné d'abord sur l'historique.

Un logiciel gratuit réduit le coût de licence, pas le travail. Quel que soit l'outil, les questions de la check-list ci-dessus demeurent, et quelqu'un de votre côté doit pouvoir y répondre.

Il convient à une entreprise qui dépense de façon significative sur plusieurs canaux, dispose de ventes hebdomadaires (idéalement par région) et prend des décisions assez lourdes pour rentabiliser l'effort. Les marques qui vendent par la grande distribution ou hors ligne, où le suivi individuel ne peut suivre le client, n'ont souvent pas de meilleure option. L'IAB présente le retour du MMM exactement en ces termes : les limites que la vie privée impose aux identifiants et l'éclatement de la diffusion des médias ont redonné de l'intérêt aux méthodes agrégées⁵.

Ses limites sont structurelles. Il regarde en arrière : un nouveau canal sans historique reste une supposition tant qu'il n'est pas testé. Il travaille au niveau des canaux et des semaines : il ne dit pas quelle création ou quel mot-clé a gagné (c'est le rôle de l'attribution et des tests). Les effets de marque de long terme sortent de sa fenêtre habituelle s'il n'est pas construit pour les chercher ; la répartition marque-activation et le suivi de marque aident à garder le long terme en vue. Et sans calibrage, il décrit une association, pas une cause^1, 12.

Illustratif, sans données réelles. Une marque alimentaire régionale vend en grande surface et investit en télévision, vidéo en ligne, affichage, recherche payante et promotion en magasin. Le directeur financier demande s'il faut déplacer de l'argent de la télévision vers la vidéo en ligne. L'équipe réunit trois ans de ventes hebdomadaires par région, les dépenses et impressions par canal, les prix, les promotions et la distribution, et ajoute le calendrier des relations presse. Le premier modèle attribue à la recherche payante une part invraisemblable des ventes. L'équipe reconnaît le symptôme : la demande en recherche monte à cause de la télévision, et les deux bougent ensemble. Elle ajoute un test géographique, en suspendant la télévision dans quelques régions appariées pendant six semaines, et s'en sert pour calibrer la télévision. Le modèle recalibré montre que le rendement de la télévision s'aplatit au niveau actuel, tandis que la vidéo en ligne a encore de la marge. La recommandation est un déplacement modéré, à retester l'an prochain, pas un basculement.

1. Acheter un modèle avant de cadrer la question Le niveau de détail (national ou régional, hebdomadaire ou mensuel) découle de la décision.
2. Oublier des disciplines Relations presse, sponsoring, CRM et promotions absents des données, c'est leur effet attribué ailleurs.
3. Lire un rendement moyen comme un rendement marginal Un canal peut avoir un rendement moyen élevé et peu de marge de croissance.
4. Prendre un nouveau modèle pour la vérité Comparez-le à la version précédente et aux expérimentations avant de déplacer de l'argent.
5. Laisser le vendeur noter son propre canal Un modèle construit par une partie intéressée à un canal doit être vérifié de façon indépendante.
6. Ne jamais actualiser Les marchés bougent ; un modèle laissé deux ans de côté, c'est de l'histoire, pas un guide.

Lundi :

1. Écrivez les deux ou trois décisions budgétaires qu'un modèle doit éclairer cette année, et qui les prendra ; le cadre de mesure aide à les relier aux objectifs.
2. Faites l'inventaire des données : ventes hebdomadaires par région, dépenses et exposition pour chaque discipline, prix, distribution et journal des événements. Notez les trous.
3. Vérifiez la variation : si les canaux bougent toujours ensemble, prévoyez un changement délibéré ce trimestre.
4. Décidez de construire ou d'acheter et, dans les deux cas, demandez par écrit les réponses à la check-list ci-dessus.
5. Prévoyez une expérimentation pour calibrer le canal que le modèle séparera le plus mal.
6. Fixez un rythme d'actualisation et une règle : aucun mouvement budgétaire sur une seule version du modèle.
7. Présentez les résultats dans une revue unique avec la direction financière ; voir construire le business case et budgéter la communication intégrée.

• Google Research sur les défis de la modélisation du mix média¹ et sur la rémanence et la forme des effets².
• L'IPA sur l'économétrie³ et Making Effectiveness Work⁴.
• Les recommandations de l'IAB pour moderniser le MMM⁵ et le guide de Google pour les directions marketing⁶.
• Robyn sur le CRAN⁷ ; la référence de Scenario Planner pour Meridian^8, 9 et la couverture de son lancement¹⁰.
• Vaver et Koehler sur les tests géographiques¹¹ ; Gordon et ses coauteurs sur les expérimentations face aux méthodes observationnelles¹².
• Sur The IMC Report : mesurer l'efficacité, l'objectif « prouver l'efficacité », les pages direction marketing et opérations marketing, et les entrées du glossaire MMM et incrémentalité.