Marketing Mix Modeling

Définition

Le Marketing Mix Modeling (MMM) est une technique d'analyse statistique qui vise à quantifier la contribution de chaque levier marketing (paid social, search, TV, radio, email, influence, promotions, prix, distribution…) aux ventes globales d'une marque. Concrètement, on construit un modèle de régression — souvent bayésien ou ridge — qui met en relation les investissements média et les ventes observées sur une période longue (généralement 2 à 3 ans de données hebdomadaires), tout en neutralisant les facteurs exogènes : saisonnalité, tendance, prix, météo, actions concurrentielles, conjoncture.

En DTC/e-commerce, le MMM répond à une question simple : *« Si je coupe 20 % de mon budget Meta Ads, quel impact sur mon chiffre d'affaires à 4 semaines ? »* Là où le tracking pixel et les plateformes publicitaires sont myopes (attribution last-click, iOS 14.5+, consentement), le MMM adopte une vision macro, agrégée et causale.

Analogie

Imaginez un chef pâtissier qui veut comprendre pourquoi ses ventes de macarons explosent en décembre. Est-ce la publicité radio du matin, le référencement payant, la promo -20 % sur les coffrets, ou simplement l'effet Noël ? Le MMM, c'est le carnet de recettes statistique du pâtissier : il isole chaque ingrédient (chaque canal), mesure son effet réel sur le résultat final, et détecte les interactions (radio + promo = effet démultiplié). Sauf qu'au lieu de goûter, il régresse.

Formule

Le modèle canonique s'écrit :

Ventes_t = β0
         + Σ_i β_i · Adstock(Média_i,t)
         + Σ_j γ_j · Promo_j,t
         + δ · Prix_t
         + λ · Saisonnalité_t
         + μ · Tendance_t
         + ε_t

Où :

- Adstock = effet de report et d'usure d'un média (une pub TV vue lundi influence encore les ventes vendredi). Formule classique : Adstock_t = Média_t + θ · Adstock_{t-1}, avec θ ∈ [0,1] (souvent 0,3 à 0,7 en e-commerce).

- β_i = coefficient de contribution du canal i (en € de ventes par € investi, hors effet de base).

- Saturation : on applique souvent une fonction d'Hill ou exponentielle décroissante pour modéliser le rendement décroissant : f(x) = x^α / (x^α + K^α).

- ε_t = résidu, l'inexpliqué.

Interprétation DTC typique : si β_search = 3,2 et β_social = 1,4, chaque euro investi en search génère 3,20 € de ventes incrémentales, contre 1,40 € en social — à condition d'être en zone non saturée.

Tableau comparatif : MMM vs Attribution vs Incrémentalité

Bon réflexe DTC : utiliser le MMM pour l'allocation annuelle, l'attribution pour le pilotage quotidien, et le geo-lift pour trancher sur un canal contesté (ex. influence).

Application en DTC / e-commerce

Trois cas concrets, chiffres à l'appui :

1. Arbitrage budget annuel — Une marque de cosmétiques bio réalise 12 M€ de CA. Le MMM révèle que le paid social (3,5 M€ investis) contribue à 28 % des ventes, le search à 22 %, l'email à 14 %, la TV à 9 %, et la base (notoriété, fidélité, saisonnalité) à 27 %. Décision : réallouer 600 k€ du social saturé vers l'email et le retail media.

2. Détection de saturation — Sur un canal Meta, le coefficient β chute de 2,1 à 0,9 au-delà de 180 k€/semaine. Le modèle recommande de plafonner à 160 k€ et de redéployer 20 k€/semaine vers TikTok, encore en zone linéaire.

3. Mesure de l'effet promo — Une opération Black Friday de -30 % génère +450 k€ de CA, mais cannibalise 180 k€ de ventes de décembre. L'effet net réel est de +270 k€, soit un ROI promo de 1,8 au lieu des 3,0 annoncés par le last-click.

4. Post-iOS — Après la perte de signal pixel, une marque de compléments alimentaires constate que le MMM estime la contribution du paid social à 31 %, contre 18 % annoncés par la plateforme — un écart de 13 points qui change toute la stratégie.

Erreurs fréquentes

- Confondre corrélation et causalité. Le MMM est un modèle observationnel : sans test d'incrémentalité, une corrélation forte entre TV et ventes peut cacher un effet saisonnier.

- Négliger la qualité des données. Données média non nettoyées (doublons, dépenses hors taxes vs TTC), promos mal codées, ruptures de stock non flaguées → coefficients biaisés.

- Trop de canaux pour trop peu de points. Avec 104 semaines de données, modéliser 25 variables est illusoire. Règle empirique : 8 à 12 variables max, regroupements par famille.

- Oublier l'adstock et la saturation. Un modèle linéaire naïf surestime systématiquement les gros canaux et sous-estime les petits.

- Figer le modèle. Un MMM se recalibre tous les 6 à 12 mois, surtout après un changement créatif majeur ou une refonte du site.

- Ignorer l'incertitude. Un β de 3,2 avec un intervalle de crédibilité [1,1 ; 5,8] n'est pas la même chose qu'un β de 3,2 ± 0,3. Toujours regarder les distributions postérieures.

Termes liés

- Adstock — effet de report d'un investissement média dans le temps.

- Saturation / rendements décroissants — au-delà d'un seuil, chaque euro rapporte moins.

- Attribution multi-touch — alternative bottom-up, complémentaire au MMM.

- Test d'incrémentalité géographique (geo-lift) — gold standard causal, à combiner avec le MMM.

- ROAS incrémental — le seul ROAS qui compte vraiment en DTC.

- Modèle bayésien hiérarchique — approche moderne privilégiée pour intégrer priors et incertitude.

- Media Mix Optimization (MMO) — étape suivante : utiliser le MMM pour optimiser automatiquement l'allocation budgétaire.