Le marketing mix modeling (MMM) revient au centre des plans de mesure, pour une raison simple : l'attribution multi-touch voit de moins en moins bien. Refus de consentement, cookies raccourcis, plateformes qui s'attribuent chacune la même vente. Faut-il pour autant jeter l'attribution ? Non. Le MMM répond à une autre question, à un autre rythme, avec d'autres exigences de données. Ce guide compare les deux méthodes, détaille les prérequis d'un modèle fiable et montre comment les combiner avec des tests d'incrémentalité.
Marketing mix modeling : définition et principe
Le marketing mix modeling est une méthode statistique qui estime la contribution de chaque levier (Google Ads, Meta, TV, affichage, promotions) aux ventes, à partir de données agrégées dans le temps. Il ne suit aucun utilisateur : il met en regard des séries hebdomadaires de dépenses média et de ventes, et isole l'effet de chaque canal en neutralisant les facteurs externes (saisonnalité, prix, concurrence, demande de marque).
Deux mécanismes font sa valeur. L'adstock modélise l'effet retard : une campagne vidéo de mars continue de produire des ventes en avril. La saturation modélise les rendements décroissants : le dixième millier d'euros investi sur Meta rapporte moins que le premier. C'est ce second point qui intéresse un CMO, car il répond à la seule question qui compte pour l'allocation : où placer le prochain euro.
La méthode n'est pas nouvelle : les annonceurs de la grande consommation l'utilisent depuis des décennies. Ce qui a changé, c'est son coût d'accès et la raison de s'y intéresser : la perte de signal de l'attribution.
Attribution multi-touch : ce qu'elle mesure vraiment
L'attribution multi-touch (MTA) répartit le crédit d'une conversion entre les points de contact observés sur le parcours d'un utilisateur : clic Search, vue d'une vidéo, retour par un email. Elle travaille au niveau individuel, en quasi temps réel, et descend jusqu'à la campagne, l'annonce ou le mot-clé. Pour le pilotage quotidien, rien ne la remplace. Nous avons détaillé ses modèles et ses biais dans notre guide sur l'attribution marketing et le parcours client.
Son problème est structurel : elle ne mesure que ce qu'elle voit, et elle voit de moins en moins. Chaque refus de consentement, chaque cookie expiré, chaque parcours qui passe par un appareil non connecté crée un trou. Les plateformes comblent ces trous par de la modélisation, chacune dans son propre périmètre. Résultat : Google, Meta et TikTok peuvent revendiquer la même commande.
Sur les comptes multi-leviers que nous auditons (budgets de 50 à 150 k€ par mois), la somme des conversions revendiquées par les plateformes dépasse couramment de 20 à 50 % les commandes réellement enregistrées dans le back-office. Ce n'est pas de la fraude : c'est la conséquence logique de systèmes de mesure qui ne se parlent pas.
Le choix des modèles s'est aussi réduit. Google a retiré en 2023 les modèles premier clic, linéaire, dépréciation dans le temps et basé sur la position : l'attribution basée sur les données est devenue le modèle par défaut. Autrement dit, vous ne choisissez plus vraiment votre logique d'attribution dans Google Ads, vous héritez de celle de la plateforme.
Enfin, et c'est le point le plus important, l'attribution confond corrélation et causalité. Un retargeting qui touche des visiteurs déjà décidés récupère beaucoup de crédit pour très peu de ventes additionnelles. C'est exactement le biais décrit dans notre article sur le ROAS Meta Ads et l'incrémentalité.
MMM vs attribution : les différences qui comptent
Le MMM et l'attribution ne sont pas deux versions concurrentes de la même mesure. Le premier répond à une question d'allocation (combien investir par levier), la seconde à une question d'optimisation (quelle campagne, quelle annonce, quelle audience). Les comparer sur la précision n'a pas de sens : ils ne travaillent ni à la même granularité, ni au même horizon.
Le MMM a deux avantages décisifs dans le contexte actuel. Il fonctionne sur des données agrégées, sans identifiant individuel : il ne dépend ni des cookies ni du taux de consentement, même si un Consent Mode v2 bien configuré reste indispensable pour l'attribution et les enchères. Et il mesure tous les canaux sur la même base, y compris ceux qui ne génèrent pas de clic : TV, radio, affichage, vidéo vue sans interaction.
Ses faiblesses sont symétriques. Il ne descend pas sous le niveau du canal (Google déconseille même les données au niveau campagne dans Meridian), il réagit lentement, et un modèle mal spécifié produit des recommandations fausses avec une apparence de rigueur statistique. C'est le vrai risque.
Le MMM n'est plus réservé aux grands comptes
Pendant longtemps, un MMM signifiait un cabinet spécialisé, plusieurs mois de projet et un livrable annuel. Deux bibliothèques open source ont changé l'équation. Robyn, développé par Meta, combine une régression ridge (pour gérer la colinéarité entre canaux) et des algorithmes évolutionnaires pour régler l'adstock et la saturation. Meridian, publié par Google en version 1.0 en janvier 2025, adopte une approche bayésienne et sait modéliser les données par zone géographique.
Les deux outils acceptent la calibration par des expériences : on injecte le résultat d'un test d'incrémentalité dans le modèle pour contraindre ses estimations. Google pousse cette logique avec Meridian GeoX, son outil open source de tests géographiques, dont les résultats servent de priors au modèle depuis la version 2.0 de Meridian (septembre 2026).
L'outillage se professionnalise aussi. Un Scenario Planner, en bêta ouverte, génère les rapports et simule des répartitions de budget. Meridian Studio, une interface sur Google Cloud, est en pilote auprès d'annonceurs invités de juillet à décembre 2026.
Gratuit ne veut pas dire bon marché. Le code est libre, mais il faut une personne capable de préparer les données, de choisir les priors, de valider le modèle et de le contester. Sans ce profil, un MMM open source produit surtout des graphiques convaincants.
Les prérequis d'un marketing mix modeling fiable
La première question n'est pas l'outil, c'est la donnée. Un MMM estime des dizaines de paramètres à partir de quelques centaines de points : sous un certain volume, il ne fait que reproduire vos hypothèses de départ.
La documentation de Meridian est explicite : avec 12 canaux, 6 variables de contrôle et 2 ans de données nationales hebdomadaires, on obtient environ 4 points par paramètre, un échantillon que Google juge trop faible pour une estimation fiable. Les parades proposées : allonger l'historique à 3 ans ou passer à des données régionales. Côté Meta, le guide d'analyse de Robyn recommande au minimum deux ans d'historique hebdomadaire.
Au-delà du volume, quatre conditions font la différence :
• De la variation : si votre budget Meta est stable à quelques points près depuis deux ans, le modèle ne peut pas isoler son effet. Il faut des hausses, des baisses, idéalement des coupures volontaires.
• Une variable cible propre : ventes du back-office ou du CRM, nettes des annulations, jamais les conversions déclarées par les plateformes.
• Des variables de contrôle : prix, promotions, saisonnalité, ruptures de stock, demande de marque. Oubliez le Black Friday et le modèle l'attribuera à vos campagnes.
• Une nomenclature média stable : des dépenses classées de la même façon sur toute la période, sinon un changement de nommage devient un faux effet.
Notre seuil de pragmatisme : en dessous d'environ 30 k€ de budget mensuel répartis sur au moins trois leviers, le signal est rarement suffisant pour un MMM complet. Mieux vaut alors investir dans des tests d'incrémentalité ciblés et une répartition budgétaire construite sur des hypothèses explicites.
Combiner MMM, attribution et tests d'incrémentalité
La bonne architecture de mesure n'oppose pas les méthodes, elle les empile. Chacune couvre l'angle mort de l'autre, à condition de lui donner un rôle précis.
Le MMM fixe l'allocation
Chaque trimestre, le modèle estime le rendement marginal de chaque levier et propose une répartition. C'est l'outil des arbitrages structurants : ouvrir TikTok, réduire le Search de marque, tester la TV segmentée.
Les tests calibrent le MMM
Un geo-lift ou un conversion lift mesure l'effet causal d'un levier sur une période donnée. Injecté dans le modèle comme prior, il corrige ses dérives là où l'historique est ambigu. Priorité aux leviers qui pèsent le plus dans le budget ou sur lesquels le modèle est le moins sûr.
L'attribution pilote au quotidien
Une fois les enveloppes fixées par levier, l'attribution plateforme reste le bon outil pour arbitrer entre campagnes, annonces et audiences. Règle simple : on pilote avec l'attribution à l'intérieur d'un canal, jamais entre les canaux. Pour comparer les canaux, on corrige le ROAS plateforme par un coefficient d'incrémentalité issu du MMM ou des tests.
Sur un compte e-commerce à 60 à 100 k€ par mois réparti entre Google, Meta et TikTok, cette logique déplace typiquement 10 à 20 % du budget en un trimestre, le plus souvent du retargeting et de la marque vers la prospection. Le ROAS plateforme baisse souvent après ce type d'arbitrage : c'est le MER, pas le ROAS plateforme, qui doit servir de juge.
Par où commencer
Le point de départ dépend moins de votre budget que de l'état de vos données. L'ordre que nous recommandons :
1. Auditer la donnée : deux à trois ans de dépenses par levier et de ventes hebdomadaires, réconciliées avec le back-office. C'est souvent plus de la moitié du travail.
2. Lancer un premier test d'incrémentalité sur le levier le plus lourd ou le plus contesté, pour disposer d'un point d'ancrage causal.
3. Construire un premier modèle, le confronter au résultat du test, documenter les écarts.
4. Rafraîchir le modèle chaque trimestre et planifier volontairement des variations de budget pour qu'il continue d'apprendre.
Un MMM n'est pas un projet ponctuel, c'est un dispositif de pilotage. Si votre équipe n'a pas le profil data pour le tenir dans la durée, c'est précisément le périmètre de notre accompagnement en data consulting.
FAQ
Qu'est-ce que le marketing mix modeling ?
Le marketing mix modeling est une méthode statistique qui estime la contribution de chaque levier marketing aux ventes à partir de données agrégées, généralement hebdomadaires. Il modélise l'effet retard des campagnes et leurs rendements décroissants, en tenant compte de la saisonnalité, des prix et des promotions. Il sert à décider combien investir par canal, pas à optimiser une campagne précise.
Quelle différence entre MMM et attribution multi-touch ?
L'attribution multi-touch suit les parcours individuels et répartit le crédit d'une conversion entre les points de contact observés. Le MMM ne suit personne : il relie dépenses et ventes dans le temps. L'attribution est rapide et granulaire mais aveugle aux canaux sans clic et au refus de consentement. Le MMM couvre tous les canaux mais reste au niveau du levier et réagit lentement.
Combien de données faut-il pour un MMM ?
Le guide de Robyn recommande au minimum deux ans d'historique hebdomadaire. La documentation de Meridian montre qu'avec deux ans de données nationales et douze canaux, l'échantillon reste trop faible, et conseille trois ans ou des données par zone géographique. Le volume ne suffit pas : il faut aussi de vraies variations de budget pour que le modèle isole l'effet de chaque levier.
Meridian ou Robyn : lequel choisir ?
Les deux sont open source et gratuits. Meridian, développé par Google en Python, repose sur une approche bayésienne, gère les données géographiques et s'intègre aux tests GeoX. Robyn, développé par Meta et utilisé surtout en R, s'appuie sur une régression ridge et une optimisation automatique des paramètres. Le bon choix dépend d'abord des compétences de l'équipe qui maintiendra le modèle.
Le MMM est-il compatible avec le RGPD ?
Le MMM travaille sur des données agrégées (dépenses et ventes par semaine), sans identifiant individuel ni cookie. Il ne dépend donc pas du taux de consentement, ce qui en fait une mesure robuste quand le signal se dégrade. Cela ne dispense pas de recueillir correctement le consentement pour le tracking et l'attribution. Pour toute question juridique, rapprochez-vous de votre DPO ou d'un avocat.
À quelle fréquence mettre à jour un MMM ?
Un rafraîchissement trimestriel convient à la plupart des annonceurs : il intègre les nouvelles données et suit l'évolution des rendements par levier. Un changement majeur (nouveau canal, refonte de l'offre, forte variation de prix) justifie une mise à jour anticipée. Entre deux versions, les tests d'incrémentalité permettent de vérifier que le modèle reste aligné avec la réalité.



