Marketing mix modeling

Ce qu’est le marketing mix modeling

Le marketing mix modeling, généralement abrégé MMM, est une méthode statistique permettant d’estimer la contribution de chaque canal marketing aux ventes, sans s’appuyer sur un suivi au niveau individuel. Plutôt que de suivre les clics ou les déclenchements de pixel d’un utilisateur précis, le MMM analyse des données agrégées dans le temps : la dépense hebdomadaire ou mensuelle par canal, le total des ventes ou des conversions, et des facteurs externes comme la saisonnalité, le prix, les promotions et l’activité des concurrents.

Le modèle traite les ventes comme un résultat expliqué par une combinaison d’entrées. Il estime un coefficient pour chaque canal, indiquant approximativement combien de ventes incrémentales ont résulté d’un montant de dépense donné, une fois pris en compte les autres facteurs du modèle. Le résultat est généralement un ensemble de pourcentages de contribution et une courbe de rendements décroissants pour chaque canal, montrant à partir de quel point une dépense supplémentaire commence à produire des résultats plus faibles.

Comment cela fonctionne

Construire un MMM commence par rassembler des données historiques, souvent sur douze à vingt-quatre mois, couvrant la dépense sur chaque canal majeur ainsi que des variables externes qui influencent aussi les ventes. Les inclusions courantes sont les variations de prix, les jours fériés, la météo pour certaines catégories de produits, et des indicateurs macroéconomiques. Le modèle, souvent une forme de régression ajustée pour les rendements décroissants et les effets de report, ajuste ces entrées par rapport au résultat de ventes.

Le report compte parce que la publicité convertit rarement un utilisateur la même semaine où elle diffuse. Les techniques de MMM appliquent généralement une fonction de décroissance, de sorte que la dépense de cette semaine explique aussi une partie des ventes de la semaine ou du mois suivant. Une fois ajusté, le modèle peut simuler des scénarios hypothétiques : que se passerait-il pour les ventes si la dépense sur un canal doublait, ou si elle était totalement supprimée.

Pourquoi cela compte

Le MMM ne dépend ni des cookies, ni des identifiants d’appareil, ni des conversions rapportées par les plateformes, il n’est donc pas affecté par les restrictions de suivi comme l’App Tracking Transparency d’Apple ou le blocage des cookies au niveau navigateur. Il tient aussi naturellement compte des interactions entre canaux et des rendements décroissants d’une manière que l’attribution basée sur les clics ne peut pas, puisqu’il opère au niveau agrégé sur l’ensemble des canaux simultanément plutôt que dans le jardin clos d’une seule plateforme.

C’est pourquoi le MMM a connu un regain d’intérêt après que les changements de suivi iOS ont dégradé la mesure basée sur les pixels. Les marques qui s’appuyaient auparavant entièrement sur le ROAS rapporté par les plateformes ont commencé à utiliser le MMM comme vérification indépendante et agnostique au suivi de la performance par canal.

Comment agir

Utilisez le MMM comme un outil d’allocation budgétaire périodique et de haut niveau, plutôt qu’un signal d’optimisation quotidien. Il fonctionne mieux sur des cycles de plusieurs mois, pas de quelques jours, car il a besoin d’assez de variation historique de la dépense pour estimer des coefficients fiables. Associez-le à des signaux plus rapides, comme l’attribution de plateforme et les tests d’incrémentalité, pour les décisions tactiques telles que quel ensemble de publicités précis mettre en pause cette semaine.

Comme le MMM exige des données historiques propres et une expertise statistique pour être construit correctement, de nombreuses équipes commencent par une version simplifiée centrée sur leurs deux ou trois plus gros canaux avant d’élargir la couverture.

Erreurs courantes

Construire un MMM sur trop peu de données historiques, ou sur une période avec peu de variation des niveaux de dépense, produit des coefficients instables qui ne se généralisent pas. Ignorer les effets de report et de rendements décroissants, et traiter la relation entre dépense et ventes comme linéaire, surestime la valeur d’augmenter l’échelle d’un seul canal. Rafraîchir le modèle trop rarement fait manquer les changements de conditions de marché ou d’activité concurrentielle. Utiliser le résultat du MMM comme un chiffre précis plutôt qu’une estimation directionnelle mène à une confiance excessive dans des décisions que le modèle n’a jamais été construit pour soutenir à ce niveau de granularité.

Comment YieldBI vous aide

YieldBI ne construit pas de modèles de marketing mix, mais il centralise les données de dépense et de conversion sur l’ensemble des comptes et des campagnes, ce qui est exactement l’entrée dont un MMM a besoin. Que la modélisation s’exécute dans un outil séparé, l’assemblage des données est déjà fait.