Marketing mix modeling : mesurer chaque canal sans cookies

Qu’est-ce que le marketing mix modeling ?

Le marketing mix modeling, ou MMM, est un modèle statistique qui relie vos ventes, semaine après semaine, à vos dépenses dans chaque canal et aux facteurs extérieurs comme la saisonnalité, les prix ou les promotions. Il en déduit la contribution de chaque canal et son rendement à différents niveaux de budget.

Sa particularité tient aux données. Un MMM travaille sur des séries agrégées, par semaine et éventuellement par région, sans aucun identifiant individuel. Google présente Meridian comme un cadre conçu pour ces données agrégées, qui répond à trois questions, la performance passée de chaque canal, la façon dont son effet évolue selon la dépense, et la répartition future du budget (Google, Présentation de Meridian).

Cette approche ne dépend ni des cookies ni des clics. Elle reste donc lisible quand le consentement réduit la part des parcours observés, puisque les cookies publicitaires exigent un accord préalable de l’internaute (CNIL). Elle voit aussi ce que l’attribution ignore, une campagne d’influence, un passage en télévision, un affichage local.

Le MMM ne remplace pas pour autant les rapports des plateformes. Il répond à une autre question, à un autre rythme. Les régies vous disent chaque jour quelles annonces semblent fonctionner. Le MMM vous dit, quelques fois par an, comment répartir l’enveloppe entre Meta, Google, l’influence et le reste.

Comment un MMM estime-t-il l’effet de chaque canal ?

Il décompose les ventes en une base, ce qui se vendrait sans publicité, et en contributions de chaque canal. Pour que cette décomposition colle à la réalité, deux effets propres à la publicité sont modélisés.

L’effet retardé

Une campagne vue cette semaine continue d’agir les semaines suivantes. Le modèle étale donc l’effet de chaque dépense dans le temps, ce que l’on appelle l’adstock. Un canal de notoriété a souvent un effet plus long qu’une campagne de recherche sur le nom de marque.

La saturation

Doubler le budget ne double pas les ventes. Chaque canal finit par plafonner, et la courbe de réponse montre à partir de quand un euro supplémentaire rapporte moins. C’est cette courbe qui sert à réallouer le budget.

Les deux outils open source les plus utilisés n’estiment pas le modèle de la même façon. Robyn, de Meta, repose sur une régression ridge et sur des algorithmes évolutionnaires pour limiter les choix arbitraires de l’analyste (CRAN, Robyn). Meridian, de Google, est un modèle bayésien qui permet d’intégrer des connaissances préalables, appelées priors, et de travailler au niveau géographique (GitHub, google/meridian).

Quelles données faut-il réunir pour un MMM ?

Il faut un indicateur à expliquer, les dépenses et l’exposition de chaque canal, et des variables de contrôle, sur une longue période et sans trous. Google recommande des données hebdomadaires, au moins deux ans pour un modèle géographique et trois ans pour un modèle national (Google, collecte des données Meridian). Le guide de Robyn fixe aussi un minimum de deux ans de données hebdomadaires, ou quatre à cinq ans en données mensuelles (Robyn, An Analyst’s Guide to MMM).

• L’indicateur. Chiffre d’affaires, commandes ou leads, tirés du back-office plutôt que des plateformes publicitaires.
• Les médias. Dépenses et, si possible, impressions ou clics par canal, par semaine et par zone.
• Les contrôles. Prix, promotions, ruptures de stock, saisonnalité, volume de recherche sur la marque, tout ce qui fait bouger les ventes et les décisions de budget.

Deux exigences techniques reviennent dans la documentation de Meridian. Les valeurs doivent pouvoir s’additionner dans le temps et l’espace, donc des volumes et non des taux comme un CTR. Et il ne doit manquer aucune valeur, les semaines sans dépense étant renseignées à zéro.

Le piège du trop grand nombre de canaux

Chaque canal ajoute des paramètres à estimer. Google prend l’exemple d’un modèle national à 12 canaux et six contrôles sur deux ans de données hebdomadaires, qui n’offre qu’environ 4 points de données par paramètre. Sa solution consiste à regrouper les canaux en trois et à passer à trois ans d’historique (Google, quantité de données nécessaire). Nous faisons de même, en regroupant par rôle, par exemple prospection sociale, recherche, reciblage, influence.

Meridian ou Robyn : quels outils open source en 2026 ?

Les deux sont gratuits, maintenus par les régies et activement développés en octobre 2026. Le choix dépend surtout de la langue de travail de votre équipe et du niveau géographique de vos données.

Sources : PyPI, google-meridian, GitHub Meridian, CRAN Robyn et GitHub Robyn.

Un point d’histoire évite une erreur fréquente. LightweightMMM, l’ancien outil de Google encore cité dans beaucoup de tutoriels, n’est plus maintenu. Son dépôt a été archivé le 19 janvier 2026 et recommande de passer à Meridian (GitHub, LightweightMMM). Côté Meta, la version Python de Robyn est une traduction assistée par IA de la version R, que Meta présente comme une bêta susceptible de contenir des bugs.

Il existe aussi des solutions MMM commerciales, plus simples à prendre en main. Elles reposent sur les mêmes principes ; la différence tient à l’interface, à l’accompagnement et au prix.

Pour qui le marketing mix modeling est-il utile ?

Pour les annonceurs qui dépensent de façon régulière sur plusieurs canaux depuis au moins deux ans, et dont une part des ventes échappe au clic. Une marque qui combine Meta, Google, influence, retail et parfois télévision tire beaucoup d’un MMM. Une boutique lancée l’an dernier sur un seul canal n’a ni l’historique ni la variété de dépenses nécessaires.

Un critère compte autant que le budget, la variation. Si vos dépenses sur chaque canal sont restées à peu près constantes, le modèle n’a rien à observer. Il apprend des semaines où un canal a augmenté, baissé ou s’est arrêté. Les annonceurs qui ont toujours tout piloté au même niveau devront parfois créer ces variations volontairement.

Pour les comptes plus jeunes, la première étape reste une mesure propre. Nous commençons par un tracking fiable et par le suivi du chiffre d’affaires total rapporté aux dépenses, décrit dans notre guide sur le calcul du ROAS rentable.

Comment calibrer un MMM avec des expériences ?

En injectant dans le modèle des résultats de tests contrôlés, qui servent de vérité terrain. Sans cela, plusieurs modèles statistiquement corrects peuvent raconter des histoires différentes sur le même canal.

Meta recommande d’utiliser de façon régulière des études par personnes, comme Meta Conversion Lift, ou des tests géographiques, comme GeoLift. Le guide de Robyn demande que ces expériences correspondent au modèle en granularité, en indicateur et en période, et de ne pas calibrer avec des résultats peu fiables (Robyn, An Analyst’s Guide to MMM). Meridian intègre ces résultats sous forme de priors et met en avant les tests géographiques (Google, Présentation de Meridian).

Nous conseillons d’enchaîner les deux démarches. Le MMM signale le canal dont l’effet est le plus incertain ou le plus coûteux, un test le mesure, puis le résultat revient dans le modèle. Au fil des cycles, les intervalles se resserrent sur les canaux qui pèsent dans le budget.

Quelles sont les limites du marketing mix modeling ?

Le MMM reste un modèle statistique sur des données observées. Ses résultats sont des estimations avec une marge d’incertitude, et Google précise que la meilleure façon de juger si les données suffisent est de faire tourner le modèle et d’examiner l’intervalle de crédibilité (Google).

• Les canaux qui bougent ensemble. Si Meta et Google montent toujours en même temps, le modèle peine à séparer leurs effets.
• La granularité. Un MMM parle de canaux ou de grands groupes de campagnes. Il ne dit rien d’une créa, d’une audience ou d’un mot-clé.
• Le délai. Il faut des mois d’historique pour voir un changement, ce qui en fait un outil de planification et non de pilotage quotidien.
• La qualité des données. Une promotion oubliée dans les contrôles sera attribuée au canal qui dépensait cette semaine-là.

L’erreur que nous voyons le plus souvent consiste à lire les sorties comme des certitudes. Un ROI estimé de 3 avec un intervalle qui va de 1 à 5, exemple hypothétique, ne justifie pas de tripler le budget d’un canal. Il justifie un test.

Comment lancer un premier MMM sans se tromper ?

En partant de la décision à prendre, puis en remontant vers les données. Voici l’ordre que nous suivons.

1. Formuler la question, par exemple quelle part du budget déplacer de la recherche vers la vidéo l’an prochain.
2. Rassembler deux à trois ans de ventes, de dépenses et de contrôles par semaine, en vérifiant chaque trou et chaque changement de définition.
3. Regrouper les canaux par rôle pour garder un nombre de paramètres raisonnable.
4. Estimer un premier modèle, contrôler sa capacité à reproduire les ventes passées et la largeur des intervalles.
5. Tester le canal le plus incertain, puis recalibrer.
6. Traduire les courbes de réponse en scénarios de budget, que l’équipe média applique et suit.

La qualité de la mesure en amont conditionne tout le reste. Notre agence de tracking publicitaire fiabilise les données de ventes et de dépenses, et nos équipes performance marketing traduisent ensuite les résultats en arbitrages de budget sur Meta, Google et les autres régies. Pour la lecture des rapports de plateformes au quotidien, notre guide GA4 pour l’e-commerce reste le point de départ.