Marketing mix modeling : la méthode oubliée qui mesure votre pub quand les cookies ont disparu

En avril 2021, Apple a fait apparaître une fenêtre sur chaque iPhone. Une question, une seule : « Autorisez-vous cette app à vous suivre ? » La plupart des gens ont tapoté « non ». Multiplié par des centaines de millions d'iPhone, ce simple « non » a fait s'évaporer des milliards de dollars de publicité en quelques mois.

Cette fenêtre s'appelait App Tracking Transparency (ATT). Du jour au lendemain, Facebook, Google et les autres géants de la pub ont perdu de vue ce que faisaient les gens après avoir cliqué sur une annonce. Quinze ans de marketing reposaient sur ce suivi. Il s'est coupé d'un coup.

Le chiffre est tombé à l'automne : Facebook, YouTube, Twitter (devenu X) et Snapchat ont perdu ensemble près de 10 milliards de dollars de revenus publicitaires sur le seul second semestre 2021 (estimation Lotame, rapportée par le Financial Times). Facebook a encaissé la plus grosse perte en valeur absolue, plus de 8 milliards à elle seule ; Snapchat la plus lourde en proportion de son chiffre. En quelques mois, l'outil de mesure sur lequel reposait toute une industrie s'est fissuré.

Et c'est là que ça devient absurde. Les entreprises qui avaient le plus profité de ce traçage, Meta et Google en tête, se sont mises à pousser une méthode de mesure dont les racines remontent aux années 1950, bien avant le premier cookie. Son nom : le marketing mix modeling. Si vous gérez un budget pub aujourd'hui, c'est sans doute elle qui décidera bientôt où part votre argent.

Qu'est-ce que le marketing mix modeling (MMM) ?

Le marketing mix modeling (MMM) est une méthode statistique qui calcule ce que chaque canal publicitaire rapporte réellement à votre chiffre d'affaires, à partir de deux chiffres que vous détenez déjà : ce que vous dépensez et ce que vous encaissez. Il travaille sur vos totaux agrégés, semaine après semaine, sans jamais toucher un identifiant individuel ni un cookie. En séparant l'effet de la publicité de celui de la saison, des prix et de la demande de fond, il isole la contribution propre de chaque canal et vous dit où déplacer un euro pour qu'il vende davantage.

C'est la différence entre regarder vos clics et comprendre vos ventes. Votre dashboard Meta compte les clics qu'il a vus. Le MMM, lui, mesure l'effet de la totalité de votre budget sur votre chiffre d'affaires, y compris la part que votre tracking ne voit plus depuis 2021.

Dans cet article, vous allez voir d'où vient cette méthode, pourquoi les plateformes l'ont remise entre vos mains, comment elle fonctionne (avec une casserole de soupe, puis avec les maths pour ceux qui veulent), et surtout comment l'utiliser sans vous tromper. Le cœur, celui que presque aucun article ne vous donne (ça fait trop prouveur cette partie), c'est le cadre à trois voies qui combine le MMM, l'attribution et les tests d'incrémentalité pour produire un chiffre auquel vous pouvez enfin vous fier.

Au menu :

• La méthode des années 1950 qui ridiculise vos dashboards en 2026.
• Le MMM expliqué avec une casserole de soupe.
• Les trois rouages qui changent vos dépenses en cash.
• Le cadre à trois voies (MMM, MTA, incrémentalité), l'arme que vos concurrents n'ont pas.
• Devez-vous faire du MMM, combien ça coûte, et comment lancer votre première mesure ce trimestre.

Pourquoi le marketing mix modeling revient en force

Commençons par tuer une légende. On lit souvent que Procter & Gamble « mesurait déjà ses pubs avec ce modèle dans les années 1960 ». La vraie histoire est plus solide, et plus utile. C'est Neil Borden, professeur à Harvard, qui forge l'expression « marketing mix » en 1953. L'analyse économétrique de la publicité naît dans les travaux académiques des années 1960 et 1970. Mais le MMM comme discipline commerciale prend vraiment forme dans les années 1980 et 1990, quand Nielsen et IRI marient l'économétrie aux données de scanner en caisse. Ce sont les géants des produits de grande consommation, Procter & Gamble en tête, la maison derrière Tide et Pampers, qui en deviennent les premiers gros adeptes dans les années 1990.

Puis le digital est arrivé. Suivre un internaute est devenu si facile que tout le monde s'est rué sur les pixels, et le MMM a fini au fond d'un carton, aussi oublié qu'une vieille Game Boy.

Les règles de confidentialité ont rouvert le carton. Quand Apple a imposé sa fenêtre ATT, les analystes ont mesuré combien de gens acceptaient. AppsFlyer, début 2021, a chiffré ce taux autour de 26 % par application, parmi celles qui affichaient la fenêtre (AppsFlyer, 2021). Flurry, qui suit la donnée en continu, tournait autour de 25 % sur le même périmètre (Flurry). Traduction simple : à peine un utilisateur sur quatre qui voit la question accepte d'être suivi. L'attribution par pixel a donc perdu d'un coup l'essentiel de son signal sur iPhone, et la fin programmée des cookies tiers a achevé le travail. Le reste se joue désormais dans le noir.

Le MMM, lui, n'a jamais réclamé cet identifiant. Il lit vos totaux, et aucune règle de confidentialité ne peut l'atteindre. Cette immunité l'a ramené d'entre les morts.

Le plus ironique, c'est que ce sont les plateformes elles-mêmes, celles que le MMM est précisément chargé de mesurer, qui ont remis l'outil entre les mains des marketeurs. Meta a publié Robyn en open source. Google a sorti Meridian, annoncé en mars 2024 et ouvert à tous fin janvier 2025. PyMC-Marketing a donné aux équipes Python une option clé en main. Quand les deux entreprises qui ont le plus à perdre d'une mesure honnête construisent elles-mêmes l'outil de mesure honnête, c'est le signal le plus clair que la mesure a changé d'ère. La méthode qui exigeait hier une mission de conseil à six chiffres tient désormais dans une bibliothèque qu'on installe en une seule ligne de commande.

La moitié de votre budget pub part peut-être en fumée

Sur l'argent que vous versez en publicité chaque mois, quelle part fait réellement vendre, et quelle part s'évapore ?

Si votre réponse sort d'un dashboard Meta ou Google, vous avez un problème. Ces plateformes corrigent leur propre copie. Elles s'attribuent des ventes qui auraient eu lieu sans elles, et depuis 2021 elles voient une fraction de plus en plus mince du réel. La suite est mécanique : du budget qui repart vers des canaux brillants à l'écran et ternes sur le compte en banque.

C'est exactement ce trou que le MMM vient combler. Il ne raconte pas l'histoire clic par clic, il répond à l'échelle où se décide un budget : où part votre argent, et ce qu'il rapporte vraiment. Pour quiconque dépense sérieusement en acquisition, la différence ressemble à celle qui sépare deux pilotes d'avion. Le premier vole dans le brouillard, sans aucune visibilité, et corrige sa trajectoire à l'instinct en espérant ne pas percuter la montagne. Le second garde les yeux sur ses instruments, lit son altitude et son cap en temps réel, et pose l'appareil exactement là où il l'avait prévu. Sans mesure fiable, vous pilotez votre budget dans le brouillard.

Le marketing mix modeling expliqué avec une casserole de soupe

Imaginez une casserole de soupe. Cette soupe, c'est votre chiffre d'affaires. Chaque semaine, vous versez des ingrédients dans la marmite : la TV, Google, Meta, l'email. Chaque semaine, une soupe ressort à l'autre bout, vos ventes. Le piège est là. Une fois les ingrédients fondus dans le bouillon, vous goûtez le résultat final, et rien de plus. Vous savez que la soupe est bonne, mais vous êtes incapable de dire quel canal a produit quelle part des ventes. Au mieux, vous devinez à la louche ce qui domine.

Le MMM, c'est le chef étoilé qui goûte cette même soupe et vous annonce sa composition exacte : tant de pourcent de Meta, tant de Google, tant de TV. Une fois que vous connaissez la recette au gramme près, vous pouvez la reproduire à coup sûr, et surtout ajuster les doses pour en produire davantage avec le même budget.

Voici comment ce chef procède. Il aligne deux à trois ans de votre histoire commerciale, semaine après semaine, dans un grand tableau : une colonne pour vos ventes, une colonne pour chaque canal sur lequel vous avez dépensé, et quelques colonnes pour les facteurs qui vous échappaient jusqu'ici, comme la saison et vos prix. Puis il apprend le motif qui relie ces colonnes, c'est-à-dire de combien vos ventes bougeaient en retour chaque fois que vous montiez ou baissiez les dépenses sur un canal donné. En retirant ensuite ce qui revient à la saison et aux variations de prix, il isole ce qui reste, à savoir la contribution réelle de chaque canal à votre chiffre d'affaires. Voilà toute la puissance du modèle : il sépare proprement le mérite de chaque euro dépensé, là où votre dashboard se contente d'additionner des clics.

Comment ce chef apprend-il sa recette, concrètement ? C'est ici que la version moderne de la méthode entre en scène. En 2017, une équipe de chercheurs de Google menée par Yuxue Jin a formalisé le MMM tel qu'on le construit aujourd'hui (Jin et al., 2017). Leur recette tient en trois temps. D'abord, ils modélisent le report dans le temps : une pub vue lundi continue de vendre le vendredi, et cet écho décroît un peu chaque jour, comme le son d'une cloche qui s'éteint Ensuite, ils modélisent la saturation : passé un certain seuil, chaque euro supplémentaire achète moins de ventes que le précédent, et la relation entre dépense et résultat dessine une courbe qui s'aplatit. Enfin, ils estiment le tout dans un cadre dit bayésien. L'intérêt du bayésien tient en un mot : les priors. Vous pouvez injecter dans le modèle ce que vous savez déjà, issu de campagnes passées ou de vraies expériences, pour qu'il ne parte pas de zéro. C'est ce qui le stabilise quand vos données sont limitées, et c'est exactement le levier qui rend possible la calibration dont nous parlerons plus loin.

Et voilà l'idée tout entière. Si vous découvrez le sujet, vous pouvez vous arrêter ici : vous avez compris ce qu'est le MMM et à quoi il sert. Mais connaître la composition de la soupe ne suffit pas encore à décider quoi changer dans la recette. Dans la suite, nous allons creuser le moteur qui transforme cette lecture en arbitrages budgétaires, donc en argent gagné. Chaque rouage que vous allez débloquer correspond très concrètement à un euro mieux dépensé.

Sous le capot : adstock, saturation et l'équation du MMM

Sous le capot, le MMM tient sur une idée unique : prédire le chiffre d'affaires comme la somme d'une base (les ventes que vous feriez sans aucune publicité) et de l'effet propre à chaque canal, une fois la saison et le prix retranchés.

Rendons-le concret. Prenez une semaine. Le modèle estime votre base à 200 000 € (ce que vous auriez encaissé sans dépenser un centime en pub). Il calcule ensuite l'apport de chacun : Meta ajoute 40 000 €, Google 35 000, la TV 15 000, et la saison creuse en retire 10 000. Le chiffre prédit pour la semaine devient 200 000 plus 40 000 plus 35 000 plus 15 000 moins 10 000, soit 280 000 €. Vous confrontez ce prédit au réel encaissé : plus les deux se rejoignent semaine après semaine, plus le modèle gagne en fiabilité.

Reste un détail qui change tout : on ne branche jamais vos dépenses brutes telles quelles dans ce calcul. La raison est simple. La publicité ne se comporte pas comme une dépense ordinaire. D'un côté, elle continue de vendre plusieurs jours après le clic, c'est l'adstock. De l'autre, chaque euro supplémentaire achète un peu moins de ventes que le précédent, c'est la saturation. Ignorez ces deux faits, et le modèle vous ment : il colle les ventes à la mauvaise semaine et vous pousse à surinvestir là où vous gaspillez déjà. Ces deux corrections sont exactement ce qui sépare un modèle qui vous fait gagner de l'argent d'un modèle qui vous égare. Bonne nouvelle, chacune est plus simple qu'elle n'y paraît.

Votre pub vend encore des jours plus tard (l'adstock)

Imaginez une cloche qu'on frappe. Un seul coup, et le son continue de vibrer longtemps après le geste. Un spot vu lundi peut encore déclencher un achat le vendredi. La publicité persiste, et cette persistance a un nom : l'adstock, ou effet de report.

Mettez-y des euros. Vous dépensez 10 000 € sur un canal dont l'effet fond de moitié chaque semaine. Cette semaine, le modèle compte les 10 000 € pleins. La semaine suivante, 5 000 € se reportent. Celle d'après, 2 500. L'écho s'éteint doucement. Ignorez ce report, et le modèle colle toute la vente à la semaine du paiement : une erreur pure et simple.

Les maths, si vous les voulez, tiennent en une ligne de décroissance :

$ \text{Adstock}_t = \text{Spend}_t + \lambda \times \text{Adstock}_{t-1} $

λ (lambda) est le taux de report, la fraction de l'effet qui survit d'une semaine à l'autre. Il loge le plus souvent entre 0,3 et 0,8 selon le canal. Un λ bas, vers 0,3, dit que la pub s'éteint vite : il n'en reste que 30 % la semaine d'après, la signature d'une promo flash. Un λ haut, vers 0,8, dit l'inverse : 80 % survivent chaque semaine, et la campagne continue de pousser des ventes pendant des semaines, la signature d'une grande campagne de marque.

Pourquoi chaque euro de plus vous rapporte moins (la saturation)

Quand les budgets gonflent, chaque euro supplémentaire finit par rapporter moins que le précédent. C'est l'histoire de la plante qu'on arrose : le premier verre la sauve, le dixième noie le pot. Vos dépenses publicitaires obéissent à la même loi.

Un chiffre suffit à le voir. Vos 100 000 premiers euros sur Meta génèrent 1 000 ventes ; les 100 000 suivants n'en génèrent plus que 400. La raison est limpide : les acheteurs faciles sont déjà pris, et vous payez désormais pour matraquer les mêmes personnes. Ce point de bascule a un nom, la saturation, l'instant où chaque nouvel euro rapporte moins que celui d'avant.

Si vous voulez les maths, ce comportement se modélise par une courbe en S appelée fonction de Hill :

$ \text{Saturated}_t = \frac{\text{Adstock}_t^{\alpha}}{K^{\alpha} + \text{Adstock}_t^{\alpha}} $

Cette courbe laisse au modèle le soin de repérer le coude exact, propre à chaque canal, au-delà duquel chaque euro part en gaspillage.

Tout tient dans une seule équation (le cœur statistique du MMM)

Une fois vos dépenses passées par l'adstock et la saturation, tout se range dans une seule équation. C'est le cœur statistique du MMM, ce qu'un statisticien appelle une régression :

$ \text{Revenue}_t = \beta_0 + \sum(\beta_i \times \text{Adstock}_i(\text{Spend}_i,t)) + \beta_{\text{seasonality}} \times \text{Season}_t + \beta_{\text{price}} \times \text{Price}_t + \epsilon_t $

Les coefficients β sont le butin. Chacun porte la contribution d'un canal. Tout le reste de la méthode n'existe que pour les estimer juste.

Le chiffre qui fait gagner de l'argent (la contribution incrémentale)

Lancez le calcul : il en sort la contribution incrémentale de chaque canal, le chiffre d'affaires qu'il a réellement causé, en plus de la base que vous auriez touchée de toute façon.

Un exemple pour fixer les idées. Le MMM crédite Meta de 1,2 M€ de ventes sur un trimestre qui en a pesé 5 : Meta représente donc 24 % de la contribution incrémentale. Regardez maintenant le rendement marginal, ce que rapporte le tout dernier euro investi sur chaque canal. Si un euro de plus sur LinkedIn ne ramène que 2,10 € de ventes quand le même euro sur Google en ramène 4,80, vous laissez de l'argent sur la table. Déplacez 100 000 € de LinkedIn vers Google : vous perdez environ 210 000 € côté LinkedIn, vous en gagnez environ 480 000 côté Google, soit 270 000 € nets de plus pour exactement le même budget total. Vous poursuivez le transfert jusqu'à ce que les deux rendements marginaux s'égalisent, car au-delà de ce point, déplacer encore ne rapporte plus rien. Ce seul geste justifie tout le modèle, et très concrètement, il fait du cash.

Pour rendre tout cela tangible, imaginez une marque e-commerce qui dépense 2 millions d'euros par an en publicité, répartis surtout entre Meta et Google. Son dashboard Meta s'attribue fièrement 3 millions d'euros de ventes. Son MMM, lui, calcule que la contribution incrémentale réelle de Meta tourne plutôt autour de 1,8 million : le reste serait arrivé de toute façon, porté par la notoriété de la marque et le bouche-à-oreille. Sur la foi du dashboard, cette marque continuait d'engloutir du budget dans un canal déjà saturé. Sur la foi du MMM, elle redéploie 300 000 euros vers Google et la TV, et encaisse plusieurs centaines de milliers d'euros de ventes en plus, sans dépenser un centime supplémentaire. C'est ce genre d'arbitrage, invisible sur un dashboard, que la méthode rend enfin possible.

MMM, MTA, incrémentalité : le cadre à trois voies que personne ne vous donne

Vous tenez le moteur. Une question revient alors sans cesse : faut-il préférer le MMM au multi-touch attribution, l'autre grande méthode de mesure ? La plupart des articles cherchent un vainqueur et passent à côté de l'essentiel. La vérité tient en une phrase : il n'y a pas deux méthodes, il y en a trois, et elles ne mesurent pas la même chose.

Le multi-touch attribution (MTA) part du bas. Il reconstitue le parcours d'un utilisateur (un clic sur une pub, l'ouverture d'un email, une visite de retour) et répartit entre ces points le crédit de la vente. C'est fin, c'est rapide, mais il faut reconnaître l'utilisateur d'une session à l'autre. Or c'est précisément cette reconnaissance que les règles de confidentialité ont brisée. Pour aller au fond de l'attribution seule, lisez notre guide complet des 9 modèles d'attribution multi-touch.

Le MMM part du haut. Il ignore les individus et lit les tendances dans vos totaux de dépenses et de revenus au fil du temps. Il est stratégique, imperméable aux questions de confidentialité, mais lent : la plupart des modèles réclament deux à trois ans de données hebdomadaires pour livrer des coefficients stables.

La troisième voie, celle qu'on oublie presque toujours, c'est le test d'incrémentalité, souvent mené sous forme de geo-lift. Vous mettez de côté une région ou une audience, vous lancez la campagne partout ailleurs, puis vous mesurez l'écart. Cet écart est causal, parce que la seule différence entre les deux groupes est la publicité elle-même. C'est la seule des trois méthodes qui produit une vérité de terrain, et c'est elle qui sert d'arbitre aux deux autres. On a détaillé toute la méthode, pas à pas, dans le guide complet du test d'incrémentalité, de quoi le lancer dans votre business dès ce trimestre.

Voici la comparaison claire, méthode par méthode.

La question n'est pas de savoir laquelle choisir. Chacune répond à une question que les deux autres ne savent pas traiter. Le MMM vous dit où mettre votre budget le trimestre prochain. Le MTA vous dit quelle créa couper ce matin. L'incrémentalité vous dit si l'un et l'autre disent vrai. Les opérateurs les plus avancés ne choisissent pas : ils font tourner les trois et les laissent se corriger. C'est la position que défendent les acteurs de référence de la mesure unifiée, comme Analytic Partners (leader du Forrester Wave sur la mesure marketing, Q3 2023) et Ipsos MMA.

Trianguler : comment les trois voies se corrigent en boucle

Faire tourner les trois méthodes ensemble ne consiste pas à regarder trois chiffres et choisir le médian. C'est un système dynamique où chacune nourrit les deux autres. Trois boucles de rétroaction, et chacune répare une faiblesse précise.

Boucle 1, l'incrémentalité corrige le MMM. Un test geo-lift donne un ROI causal à un instant T. Vous injectez ce résultat comme prior bayésien dans le MMM, ce qui contraint ses coefficients à respecter ce que vous avez mesuré causalement. Sans cette boucle, le MMM peut produire des coefficients statistiquement valides mais causalement faux, à cause de la multicolinéarité (quand deux canaux montent et descendent ensemble, le modèle peine à les distinguer).

Boucle 2, le MMM corrige le MTA. Le MMM produit un poids d'efficacité par canal sur la période. Vous l'injectez dans le MTA pour qu'il cesse de sur-créditer les canaux à fort volume au seul motif qu'ils touchent beaucoup de monde. Si le MMM dit que Meta est 50 % plus efficace que Google sur la période, le MTA pondère les points de contact Meta en conséquence.

Boucle 3, le MTA corrige l'incrémentalité. Le MTA fait remonter des classements de canaux. Les surprises (un canal qui apparaît haut alors qu'on le croyait bas) deviennent vos prochaines hypothèses de test. Le MTA dit « Pinterest semble sous-attribué », vous lancez un geo-lift Pinterest, vous confirmez ou vous infirmez, et vous recalibrez.

Voici la boucle dans un cas concret, pour ne pas rester dans l'abstrait. Votre MMM estime au premier jet un ROAS de 3,5 pour Meta : pour chaque euro dépensé, 3,50 € de ventes. Le chiffre vous paraît beau, mais Meta et votre recherche organique bougent souvent ensemble (les gens voient la pub, puis tapent votre nom dans Google), et le modèle a peut-être attribué à Meta des ventes qui revenaient à l'organique. Vous lancez alors un geo-lift : vous coupez Meta dans quelques régions comparables, et vous mesurez l'écart de ventes réel. Le test donne un ROAS causal de 2,2. Vous réinjectez ce 2,2 comme prior dans le MMM, qui ré-estime : le coefficient de Meta se contracte, et le crédit qu'il portait en trop se redistribue vers les canaux réellement sous-estimés. Le ROAS corrigé de Meta nourrit ensuite la pondération de votre MTA, qui arrête de sur-créditer chaque clic Meta. Trois méthodes, un seul chiffre que vous pouvez enfin défendre devant votre directeur financier.

Faites tourner cette boucle, et l'écart entre méthodes cesse d'être du bruit. Il devient le signal que quelque chose mérite un second regard. C'est tout l'enjeu : aucune méthode n'est crue aveuglément, et le système apprend en continu.

Le MMM est-il précis ?

Posons la question qui fâche, parce que c'est elle qui décide si vous engagez votre budget sur le modèle ou non. Et commençons par démonter le faux ami : le R².

Le R² mesure une seule chose : la part de variation de votre chiffre d'affaires que le modèle parvient à reproduire sur le passé. Un R² élevé veut dire que la courbe prédite épouse bien la courbe réelle des mois écoulés. Il ne dit rien, absolument rien, de la justesse causale du crédit attribué à chaque canal. Un modèle peut coller au passé à la perfection tout en attribuant le mérite au mauvais canal.

Pire, un R² flatteur cache souvent un piège bien connu des statisticiens : le surajustement. Un MMM à six canaux peut compter trente à cinquante paramètres à estimer, face à seulement une centaine de points de données hebdomadaires sur deux ans. Avec autant de leviers pour si peu d'observations, le modèle finit par mémoriser le bruit du passé au lieu d'en capter la logique. Le R² grimpe, la confiance grimpe, et la fiabilité réelle, elle, ne suit pas. Kvålseth le rappelait déjà en 1985 : un R² élevé est une condition nécessaire, jamais une preuve (Kvålseth, 1985).

Comment juge-t-on alors qu'un MMM tient debout ? On regarde ces cinq signaux :

• Le test hors échantillon (holdout). On cache au modèle les huit à douze dernières semaines, on le laisse les prédire, puis on compare au réel. Un bon modèle tombe à environ 15 % près. S'il déraille sur des semaines qu'il n'a jamais vues, il ne sert à rien.
• L'erreur moyenne (MAPE). On vise une erreur moyenne de prédiction inférieure à 10 %. Au-delà, le signal devient trop lâche pour piloter un budget.
• Le R² comme plancher, pas comme plafond. On attend un R² supérieur à 0,7 comme seuil minimal, sans jamais le confondre avec une preuve de justesse.
• L'absence de coefficients aberrants. Aucun canal ne doit ressortir avec une contribution négative inexplicable, ni changer de signe quand on relance le modèle sur une fenêtre légèrement différente. L'instabilité des coefficients est le symptôme classique de la multicolinéarité.
• Et surtout, la calibration contre l'expérience. C'est le juge de paix. On confronte les chiffres du modèle à de vrais tests geo-lift, et on ajuste. Meridian, l'outil de Google, intègre nativement cette calibration par les expériences.

Pourquoi la calibration tranche-t-elle tout ? Parce qu'on sait, preuve à l'appui, que les méthodes corrélationnelles se trompent parfois avec un aplomb total. Brett Gordon et ses coauteurs ont comparé, sur de vraies expériences contrôlées menées à grande échelle chez Facebook, ce que disaient les méthodes observationnelles et ce que disait l'expérience randomisée (Gordon et al., 2019, Marketing Science). Le verdict est sévère : les méthodes observationnelles surestiment l'effet réel, et dans près de la moitié des cas étudiés, elles s'en écartaient d'un facteur 3 ou plus. Le retargeting est le cas d'école : il s'attribue des achats qui auraient eu lieu sans lui. Seule une expérience contrôlée rétablit la vérité, et seule la calibration la fait entrer dans votre modèle.

Devez-vous faire du MMM ?

Le MMM n'est pas pour tout le monde. Voici une grille de lecture honnête, faite de règles de pouce de praticiens (pas d'un standard unique), pour savoir si vous êtes prêt. Plus vous cochez de cases, plus le modèle vous rendra un signal fiable.

• Historique de données : 18 à 24 mois minimum, en hebdomadaire. Deux à trois ans valent mieux. Le MMM apprend de la variation dans le temps, donc il lui faut des cycles, des hausses, des baisses, des saisons. Un modèle bayésien (Meridian, PyMC-Marketing) se contente d'un historique un peu plus court qu'un modèle fréquentiste (Robyn).
• Budget publicitaire suffisant. Pour une approche fréquentiste, les praticiens situent le plancher autour de 300 000 à 500 000 € par an (de l'ordre de 8 000 à 10 000 € par mois et par canal). Une approche bayésienne descend plus bas, vers 150 000 à 300 000 € par an, parce que les priors compensent le manque de données.
• Au moins trois à cinq canaux avec une activité significative. En dessous, il n'y a presque rien à arbitrer, et le MMM perd sa raison d'être.
• De la variation dans vos dépenses, pas juste un gros volume. C'est le critère le plus mal compris. Le MMM apprend en regardant ce qui se passe quand vous changez un budget. Si vous dépensez 50 000 € par mois sur Meta sans jamais bouger, le modèle ne peut rien en tirer. Une fluctuation de 20 à 30 % au fil des mois lui donne bien plus de matière qu'un montant élevé mais figé.
• Un horizon de décision trimestriel. Si vos décisions de budget se prennent par campagne et au jour le jour, le MMM seul vous frustrera : c'est le rôle du MTA.

Sources : consensus de praticiens, notamment analyticalalley.com et circana.com.

Combien ça coûte, et combien de temps

La vraie question n'est pas « combien ça coûte » mais « construire ou acheter ». Les deux voies existent, avec des coûts de nature différente.

Construire en interne. Les briques open source (Robyn, Meridian, PyMC-Marketing) sont gratuites. Le coût réel, c'est du temps de data scientist : compter plusieurs semaines, souvent quatre à douze et davantage, pour un premier modèle qui tienne la route, puis un rafraîchissement chaque trimestre. Vous payez en salaires et en délai, pas en licence. Et la calibration contre les expériences reste entièrement sur vos épaules.

Acheter une solution. Les SaaS et cabinets de conseil facturent l'abonnement ou la mission. Aucun tarif public fiable ne circule : les praticiens évoquent un plancher « à partir de 50 000 $ par an », mais ce chiffre est une estimation de terrain non vérifiée, à prendre comme un ordre de grandeur, pas comme une référence. Vous payez plus cher, vous gagnez du temps et de la fiabilité.

Pour trancher, un test de bon sens souvent cité par les praticiens : le budget que vous allez mesurer devrait peser environ 50 fois le coût de l'initiative MMM (analyticalalley.com). Si vous dépensez 2 millions d'euros en média, investir quelques dizaines de milliers dans la mesure est trivialement rentable dès que ça vous évite de gaspiller 5 % de ce budget. Si vous dépensez 200 000 €, la même dépense de mesure devient disproportionnée : c'est le signe qu'un MMM complet n'est pas pour vous tout de suite.

Il y a une troisième voie, et c'est celle qu'on a construite. Metrikia calcule votre MMM automatiquement, le calibre sur vos tests d'incrémentalité, puis injecte ses poids dans votre attribution multi-touch. Pas de data scientist à financer pendant des mois, pas de 50 000 $ de cabinet à sortir : vous branchez vos données, et vous obtenez un chiffre par canal auquel vous pouvez enfin vous fier. Le MMM vous dit où mettre le budget, le MTA quelle créa couper, et les deux se corrigent l'un l'autre dans le même tableau de bord. Pour un budget que vous pilotez déjà à l'aveugle, refuser de le mesurer proprement coûte bien plus cher que la mesure elle-même.

Voir ce que Metrikia révèle dans vos chiffres →

Quand NE PAS faire de MMM

Un bon outil mal placé fait perdre de l'argent. Voici les situations où le MMM n'est pas la bonne réponse, et où vous tirerez plus de valeur d'un test d'incrémentalité ou d'un bon MTA.

• Budget trop faible, en dessous d'environ 150 000 à 300 000 € par an : trop peu de signal pour des coefficients stables.
• Historique trop court, moins de 12 à 18 mois : le modèle n'a pas vu assez de cycles pour apprendre quoi que ce soit de fiable.
• Un ou deux canaux seulement, ou des dépenses figées sans variation : il n'y a rien à démêler.
• Un besoin d'optimisation en temps réel, au niveau de la créa ou de la campagne : c'est le terrain du MTA, pas du MMM.
• Des canaux flambant neufs, actifs depuis moins de six mois : pas encore assez de données pour les juger.
• Une phase de découverte de canaux, où vous testez tous azimuts : commencez par des expériences ciblées avant de modéliser.

Le paysage open-source : Robyn, Meridian, PyMC-Marketing

Si vous construisez en interne, trois bibliothèques dominent le terrain. Aucune n'est parfaite, et le bon choix dépend de votre stack et de votre maturité.

Meta Robyn. Écrit en R, Robyn repose sur une régression ridge couplée à une optimisation par algorithme évolutionnaire qui explore automatiquement les réglages d'adstock et de saturation. C'est le plus ancien des trois et le plus documenté par la communauté. Revers de la médaille : l'approche fréquentiste ne donne pas d'intervalles de confiance bayésiens, et la calibration contre les expériences se fait à la main.

Google Meridian. Écrit en Python, bayésien, c'est le plus récent et le plus aligné sur l'état de l'art. Son atout décisif : la calibration contre les expériences d'incrémentalité est intégrée nativement, exactement la boucle 1 dont nous parlions. Annoncé en mars 2024, ouvert à tous fin janvier 2025, c'est l'option à regarder en premier si vous partez de zéro aujourd'hui.

PyMC-Marketing. Également en Python et bayésien, bâti sur la bibliothèque probabiliste PyMC. Très flexible pour qui maîtrise la modélisation bayésienne, et parfaitement intégré à l'écosystème data Python. En contrepartie, il demande davantage d'expertise statistique pour être manié proprement.

Le point commun des trois : ils vous donnent le moteur, pas la fiabilité. Le moteur tourne en une ligne de commande, mais la calibration, la validation hors échantillon et l'orchestration des trois voies restent un travail d'ingénierie et de discipline que l'open source ne fait pas à votre place.

Comment lancer votre première mesure maintenant

Voici le piège dans lequel tombent neuf marques sur dix : vouloir un MMM complet du jour au lendemain. Or vous venez de le voir, un MMM complet réclame 18 à 24 mois d'historique propre. Si vous attendez d'avoir tout pour commencer, vous ne commencez jamais. Le bon mouvement ce trimestre n'est donc pas de bâtir un modèle entier, c'est de poser la première brique de la triangulation : un seul test d'incrémentalité, dès maintenant.

Vous pilotez une marque DTC ou e-commerce qui injecte sérieusement en publicité. Voici la séquence concrète.

1. Lancez un geo-lift sur votre canal le plus suspect ce trimestre, le plus souvent le retargeting ou un Meta qui s'auto-attribue trop. Vous coupez ce canal dans quelques régions comparables, vous le maintenez ailleurs, et vous mesurez l'écart de ventes réel. En quelques semaines, vous tenez votre premier chiffre causal, celui qui servira d'arbitre à tout le reste.
2. En parallèle, rassemblez votre historique dans un seul tableau : chiffre d'affaires, dépenses par canal (Meta, Google, TikTok, email, tout l'offline), prix et marqueurs de promotions, plus un repère de saisonnalité simple. Vous préparez le terrain du MMM pendant que le test tourne.
3. Quand vous avez 18 à 24 mois de données, faites tourner un premier modèle, et calibrez-le immédiatement avec le résultat du geo-lift comme prior. Ne lisez pas les coefficients en premier : lisez les courbes de saturation. Elles révèlent quels canaux ont franchi leur seuil d'efficacité en ce moment même. C'est l'euro le plus vite économisé.
4. Bouclez. Si le modèle et le test divergent, croyez le test et recalibrez. Puis laissez le MTA remonter les canaux surprenants, qui deviendront vos prochains geo-lifts. Vous venez de mettre la boucle à trois voies en marche.

En dessous d'un budget sérieux, un MMM complet rendra un signal bruité. Restez-en alors au test d'incrémentalité trimestriel sur votre plus gros canal : c'est déjà de la vraie mesure causale, et c'est la moitié de la bataille.

Le seul chiffre que vous puissiez défendre

Tout ce que vous venez de lire converge vers un constat unique : un chiffre fiable ne sort jamais d'une seule méthode. Il sort de la triangulation, de la calibration, et de la discipline de faire tourner la boucle en continu. C'est précisément ce que Metrikia opérationnalise pour vous : l'outil fait tourner le MMM, le calibre automatiquement contre vos tests d'incrémentalité, injecte ses poids dans votre attribution, et vous livre un chiffre par canal que vous pouvez poser sur la table sans craindre qu'il s'effondre au premier audit. La boucle que trois équipes mettent six mois à orchestrer à la main, vous la pilotez depuis un tableau de bord.

Si vous voulez la voir s'appliquer à vos propres chiffres plutôt qu'à un exemple, réservez une démo : en une session, nous branchons vos données, nous vous montrons où votre budget se gaspille aujourd'hui, et nous chiffrons ce que vous pouvez récupérer dès le prochain trimestre.

FAQ

Le MMM convient-il à une PME ou faut-il être un grand annonceur ? Tout dépend de votre budget média et de votre historique, pas de votre taille d'entreprise. En dessous d'environ 150 000 à 300 000 € de dépenses publicitaires annuelles, un MMM complet rend un signal trop bruité pour décider. Une PME qui dépense au-dessus de ce seuil, sur plusieurs canaux et avec de la variation dans ses budgets, en tirera une vraie valeur. En dessous, commencez par un test d'incrémentalité, plus accessible et tout aussi causal.

Combien coûte un projet de MMM ? Deux modèles. En interne avec de l'open source (Robyn, Meridian, PyMC-Marketing), la licence est gratuite et le coût réel est du temps de data scientist, soit plusieurs semaines de mise en place puis un rafraîchissement trimestriel. En achat, via un SaaS ou un cabinet, aucun tarif public fiable n'existe ; les praticiens citent un plancher de l'ordre de « 50 000 $ par an », à prendre comme une estimation non vérifiée. Règle de bon sens : le budget mesuré devrait peser environ 50 fois le coût de la mesure.

À quelle fréquence faut-il rafraîchir un MMM ? Un rythme trimestriel est l'usage le plus courant pour réestimer les coefficients et relire les courbes de saturation, car le MMM pilote des décisions stratégiques, pas des arbitrages quotidiens. Les tests d'incrémentalité, eux, se mènent au coup par coup quand une question causale se pose, et l'attribution tourne au jour le jour. C'est la différence d'horizon entre les trois voies.

De combien de données le MMM a-t-il besoin ? Comptez 18 à 24 mois d'historique hebdomadaire au minimum, deux à trois ans idéalement. Ce qui compte n'est pas seulement la durée mais la variation : le modèle apprend en regardant ce qui change quand vous montez ou baissez un budget. Un historique long mais plat, sans mouvements de dépenses, lui apprend peu.

MMM ou attribution, lequel est meilleur ? Ni l'un ni l'autre, parce qu'ils répondent à des questions différentes. Le MMM est top-down et stratégique, calibré pour les arbitrages de budget trimestriels et insensible aux questions de confidentialité. L'attribution est bottom-up et tactique, calibrée pour l'optimisation des campagnes en cours. Le geste d'expert consiste à croiser les deux et à les calibrer avec des tests d'incrémentalité.

Quelle différence entre un MMM et un test d'incrémentalité (geo-lift) ? Le MMM est un modèle statistique qui explique tout votre historique d'un coup et arbitre l'ensemble du budget. Le geo-lift est une expérience ciblée qui répond à une seule question causale (ce canal fait-il vraiment vendre ?) en comparant des régions test et témoin. Le premier couvre large mais reste corrélationnel ; le second couvre étroit mais donne une vérité causale. On utilise le second pour calibrer le premier.

Le MMM résiste-t-il vraiment à la fin des cookies et à l'ATT ? Oui, et c'est sa force principale. Le MMM ne lit que des totaux agrégés de dépenses et de ventes, il n'a jamais besoin d'identifier un utilisateur. Aucune fenêtre de consentement, aucune suppression de cookie ne le dégrade. C'est l'inverse du MTA, dont la couverture s'est effondrée sur iPhone depuis que la majorité des utilisateurs refusent le suivi.

Le MMM est-il causal ou corrélationnel ? Seul, il est corrélationnel : c'est une régression qui repère des associations entre dépenses et ventes, et ces associations peuvent être trompées par des canaux qui bougent ensemble. Il ne devient digne de confiance qu'une fois calibré contre une source causale, le test d'incrémentalité. C'est tout l'objet de la triangulation.

Qu'est-ce que l'adstock et la saturation, en une phrase chacun ? L'adstock est l'effet de report : une pub continue de vendre plusieurs jours ou semaines après sa diffusion, comme l'écho d'une cloche. La saturation est le rendement décroissant : passé un certain niveau de dépense, chaque euro supplémentaire rapporte moins que le précédent, comme l'eau qui finit par noyer la plante.

Quels outils utiliser pour faire du MMM ? Trois bibliothèques open source dominent : Meta Robyn (R, fréquentiste), Google Meridian (Python, bayésien, calibration intégrée) et PyMC-Marketing (Python, bayésien). Pour un projet neuf en 2026, Meridian est souvent le point de départ le plus solide. Si vous voulez la fiabilité sans monter une équipe data, une plateforme qui orchestre la triangulation et la calibration pour vous, comme Metrikia, vous évite le travail d'ingénierie.

Quand ne faut-il surtout PAS lancer un MMM ? Quand votre budget est trop faible, votre historique trop court (moins de 12 à 18 mois), vos dépenses figées ou limitées à un ou deux canaux, ou quand votre besoin est l'optimisation en temps réel de la créa. Dans tous ces cas, un test d'incrémentalité ou un bon MTA vous servira bien mieux.

Par quoi commencer concrètement ce trimestre ? Par un seul test geo-lift sur votre canal le plus suspect, pas par un modèle complet. Le MMM réclame 18 à 24 mois de données ; le test causal, lui, se lance maintenant et vous donne en quelques semaines le chiffre qui calibrera tout le reste.

Pour voir comment cette brique s'insere dans l'ensemble, voyez notre guide pour monter un systeme de tracking complet, couche par couche.

Références

AppsFlyer. (2021). iOS 14.5 opt-in rates are higher than expected. https://www.appsflyer.com/blog/trends-insights/att-opt-in-rates-higher/

Flurry. (en continu). iOS ATT opt-in rate monthly updates. https://www.flurry.com/blog/att-opt-in-rate-monthly-updates/

Google. (2024). Meridian: an open-source marketing mix model, now available to everyone. https://blog.google/products/ads-commerce/meridian-marketing-mix-model-open-to-everyone/

Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. (2019). A comparison of approaches to advertising measurement: Evidence from big field experiments at Facebook. Marketing Science, 38(2). https://www.kellogg.northwestern.edu/faculty/gordon_b/files/fb_comparison.pdf

Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). Bayesian methods for media mix modeling with carryover and shape effects. Google Inc. https://research.google/pubs/bayesian-methods-for-media-mix-modeling-with-carryover-and-shape-effects/

Kvålseth, T. O. (1985). Cautionary note about R². The American Statistician, 39(4), 279-285.

Lotame. (2021, octobre). App Tracking Transparency impact on social media ad revenue (estimation rapportée par le Financial Times). https://appleinsider.com/articles/21/10/31/social-media-firms-see-10b-cut-in-ad-revenue-due-to-app-tracking-transparency

Bibliographie

Borden, N. H. (1953). The concept of the marketing mix. Harvard Business School.

Meta. Robyn: open-source marketing mix modeling (R). https://github.com/facebookexperimental/Robyn

PyMC Labs. PyMC-Marketing: Bayesian marketing mix modeling (Python). https://github.com/pymc-labs/pymc-marketing

Analytic Partners. (2023). The Forrester Wave: Marketing measurement and optimization, Q3 2023 (positionnement leader).

À propos de l'auteur : Baptiste Noel, cofondateur de Metrikia. MSc en neurosciences cliniques et MSc en haute performance.