Marketing Mix Modeling : Meridian, Robyn et le seuil de données

Marketing Mix Modeling : ce que la méthode estime

Le Marketing Mix Modeling (MMM) est une régression sur des séries temporelles agrégées. La variable cible est généralement le chiffre d'affaires hebdomadaire ; les variables explicatives sont les dépenses média ou les impressions par canal, ainsi que des variables de contrôle comme le prix, les promotions, la saisonnalité et les jours fériés. Le modèle en déduit quelle part du chiffre d'affaires revient à chaque canal. Selon le guide de Robyn, le MMM n'a pas besoin pour cela de données au niveau utilisateur : il travaille avec des valeurs agrégées.

Deux hypothèses transforment la régression en modèle publicitaire. L'adstock traduit le fait que la publicité agit avec un décalage et que son effet s'estompe sur plusieurs semaines. La saturation traduit le fait que chaque euro supplémentaire dans un même canal rapporte moins de chiffre d'affaires additionnel. Ces deux effets font partie de Robyn et de Google Meridian, dont l'introduction cite explicitement l'effet différé de la publicité et la saturation comme hypothèses du modèle. C'est de la courbe de saturation que découle ensuite la recommandation budgétaire.

Ce sont les variables de contrôle qui déterminent la qualité. Si la saisonnalité, les promotions tarifaires ou la demande organique manquent dans le modèle, celui-ci attribue leur effet aux canaux qui, par hasard, étaient actifs au même moment. C'est pourquoi la même introduction cite le volume de recherche Google comme variable de contrôle permettant de neutraliser l'intérêt organique pour la marque.

Le cadre général se trouve dans l'article pilier Social Media Analytics, KPIs & Measurement. Les décisions connexes sont approfondies dans Modèles d'attribution : pourquoi le multi-touch s'effondre et le dark social l'emporte, Tests d'incrémentalité : des tests geo-lift plutôt que le ROAS des plateformes et Qu'est-ce qui compte comme une vue ? Les métriques vidéo sur YouTube, TikTok, Instagram, LinkedIn.

Notions : MMM, Media Mix Modeling, Meridian et Robyn

Le terme Media Mix Modeling est le plus souvent employé comme synonyme de Marketing Mix Modeling, et l'abréviation MMM désigne les deux. Google Meridian et Meta Robyn sont deux implémentations open source de la méthode. Meridian réalise une estimation bayésienne et peut en plus utiliser des données au niveau régional. Robyn s'appuie sur une régression ridge et recherche automatiquement ses hyperparamètres avec Nevergrad.

Le choix de l'outil n'est pas neutre pour autant. Google continue de développer Meridian. Selon AdExchanger, Meta se désengage en revanche de Robyn. L'article s'appuie sur des sources anonymes chez des prestataires de mesure et des agences, dont deux évoquent une équipe Robyn dissoute. Il ne contient aucune déclaration de Meta. Si tu optes aujourd'hui pour Robyn, prévois donc d'assurer toi-même, à l'avenir, la maintenance de ta modélisation.

Les constats qui changent la décision

Google Meridian, Amount of data needed, 2025, mondial : La documentation de Meridian part de 12 canaux média, 6 variables de contrôle et 8 nœuds pour les effets temporels, soit 26 paramètres au total, sans compter, par souci de simplicité, les paramètres d'adstock et de saturation de chaque canal : « With two years of weekly data (104 data points), you have four data points per parameter. This sample size is too low to estimate the model reliably. » Il faut que l'exemple regroupe les canaux en trois, ramène les nœuds à deux et supprime une variable de contrôle pour qu'il ne reste que 10 paramètres. Avec trois ans de données hebdomadaires (156 points de données), « you might be able to glean some directional information from the MMM. »

Le seuil dépend donc du nombre de paramètres, et pas seulement de la durée de l'historique. Avec 26 paramètres, même trois ans ne donneraient que six points de données par paramètre. Dans un modèle réel s'ajoutent, pour chaque canal, des paramètres d'adstock et de saturation : le nombre de canaux pèse donc encore plus lourd. Si tu veux analyser douze canaux séparément, il te faut davantage d'information. Comme première solution, la documentation propose de réduire la taille du modèle. À défaut, elle suggère d'ajouter des données au niveau régional et de calculer un modèle géographique, au lieu de réduire la taille du modèle ou de collecter davantage de données.

Meta Robyn, Analyst's Guide to MMM, 2024, mondial : Meta Robyn (2020, MIT, régression ridge, R/Python) : « an MMM will need a minimum of two years of historical weekly data » ; avec des données uniquement mensuelles, 4–5 ans.

Le guide de Robyn donne en plus une règle empirique : une variable explicative pour dix observations. Deux ans de données hebdomadaires (104 semaines) permettent donc environ dix variables, canaux média, variables saisonnières et de contexte confondus. Les deux documentations arrivent au même ordre de grandeur, mais Meridian est plus stricte : même environ 15 points de données par paramètre n'y suffisent que pour une indication de tendance.

Funnel.io, Best MMM software; Improvado, MMM Providers; Recast, MMM software, 2025, mondial : Coûts : prestations managées, environ 50 000–200 000+ USD ; SaaS en self-service, environ 24 000–60 000 USD/an ; développement en interne, selon le calculateur de Recast, environ 125 000 USD plus 22 000 USD/an de maintenance.

Les deux fourchettes concernent les prestataires et les logiciels, la valeur de Recast un développement en interne. Meridian et Robyn sont eux-mêmes open source et utilisables sans frais de licence. Si tu les utilises, tu paies la préparation des données, la modélisation et la maintenance continue, c'est-à-dire surtout du temps de travail.

Sellforte, Ad spend needed for MMM, 2025, mondial : Sellforte : « If your annual media spend is below $5 million, traditional Marketing Mix Modeling (MMM) vendors might tell you that their service isn't the right fit for you. »

La limite des cinq millions n'est pas la position propre de Sellforte. Sellforte la présente comme l'estimation des prestataires MMM traditionnels et, selon ses propres indications, accompagne des clients dont les dépenses média annuelles vont de moins d'un million à plus de 100 millions de dollars américains. Sellforte est elle-même fournisseur de MMM : l'affirmation est donc aussi un argument commercial. C'est pourquoi la source ne vaut ni comme preuve ni comme contre-preuve d'un seuil budgétaire fixe.

Logique de décision : les données et le budget suffisent-ils ?

Deux vérifications précèdent le modèle. La première porte sur le volume de données : compte les semaines et les paramètres, c'est-à-dire les canaux média, les variables de contrôle et les effets temporels. Pour obtenir une indication de tendance, la documentation de Meridian réduit son exemple à une dizaine de paramètres avec trois canaux média et calcule avec trois ans de données hebdomadaires au lieu de deux. À défaut, elle recommande des données au niveau régional et un modèle géographique. Le calcul figure plus haut, dans le constat sur Meridian.

La seconde vérification porte sur le budget. Sellforte présente la limite de cinq millions de dollars américains de dépenses média par an comme une règle empirique des prestataires MMM traditionnels : en dessous, ils risquent de refuser le projet. Sellforte estime pour sa part que le MMM est faisable aussi avec des budgets plus modestes. Avec les outils open source Meridian et Robyn, la taille minimale exigée par les prestataires disparaît, mais les coûts restent. Selon le calculateur de Recast, la mise en place et la maintenance d'un modèle propre coûtent environ 125 000 USD plus 22 000 USD par an, sur la base de deux data scientists pendant six mois aux salaires américains. Recast vend lui-même un logiciel de MMM : le calcul n'est donc pas neutre. Mets ces coûts en regard de tes dépenses média annuelles.

La matrice résume comment savoir, avant et après la première exécution du modèle, si un modèle fournit des résultats fiables.

Mise en œuvre en quatre étapes

Préparer les données : Construis des séries hebdomadaires pour la variable cible, pour chaque canal et pour les variables de contrôle. Le guide de Robyn recommande des données hebdomadaires et, comme entrée du modèle, des mesures de contact comme les impressions ou les GRP. Il déconseille les clics pour les canaux digitaux, car ils ne capturent pas les conversions view-through. Tu as besoin en plus des dépenses pour calculer le ROI. La saisonnalité, les jours fériés, les prix, les promotions et l'activité de la concurrence entrent dans le modèle comme contexte.

Dimensionner le modèle : Regroupe les petits canaux jusqu'à ce que le nombre de paramètres corresponde au volume de données. Robyn décompose la tendance, la saisonnalité et les jours fériés avec l'outil de prévision Prophet. Dans Meridian, les nœuds déterminent la finesse avec laquelle les effets temporels sont modélisés, et chaque nœud coûte un paramètre.

Calibrer : Ancre le modèle avec des expériences. Dans Meridian, les résultats des tests sont intégrés comme priors pour le ROI de chaque canal ; la documentation appelle précisément cette étape le calibrage. Robyn intègre l'écart entre le modèle et le test comme troisième objectif dans la recherche d'hyperparamètres. Les tests de conversion lift des plateformes et les tests geo-lift conviennent.

Vérifier le résultat et répartir le budget : Confronte les contributions des canaux et le ROI aux expériences et à ta connaissance métier avant de déplacer du budget. Les deux outils déduisent des résultats du modèle une répartition budgétaire : Robyn avec un Budget Allocator intégré, Meridian avec une optimisation budgétaire.

Erreurs fréquentes

• Trop de canaux pour trop peu de données : Douze canaux distincts sur deux ans de données hebdomadaires donnent, dans l'exemple de Meridian, quatre points de données par paramètre. Le modèle fournit alors des chiffres, mais pas des chiffres fiables.
• Variables de contrôle manquantes : Sans saisonnalité, promotions tarifaires et demande organique, le modèle attribue leur effet aux canaux actifs au même moment.
• Uniquement les dépenses en entrée : Le guide de Robyn recommande les impressions ou les GRP comme entrée du modèle et déconseille les clics. Les dépenses restent nécessaires pour calculer le ROI.
• Pas de calibrage : Un modèle sans confrontation à une expérience peut présenter une corrélation comme un effet. Les deux documentations recommandent les expériences comme point d'ancrage.
• Une seule exécution du modèle prise pour la vérité : Robyn génère de nombreux modèles candidats et arbitre entre la qualité de prévision (NRMSE) et la plausibilité de la décomposition (DECOMP.RSSD). Si tu reprends sans vérification le modèle au meilleur ajustement, tu risques de reprendre aussi une répartition entre canaux peu plausible.

Lire et exploiter les résultats

Le MMM fournit des estimations entachées d'incertitude. En tant que modèle bayésien, Meridian produit une distribution des paramètres, c'est-à-dire des fourchettes plutôt que des valeurs ponctuelles. Présente donc les contributions des canaux et le ROI avec leur fourchette et avec la période sur laquelle repose le modèle.

La corrélation reste le problème de fond. Si deux canaux augmentent toujours en même temps, le modèle peine à séparer leurs contributions. Robyn utilise une régression ridge, qui rétrécit tous les coefficients vers zéro et stabilise ainsi les estimations lorsque les canaux sont fortement corrélés. Cela ne prouve pas un effet. La preuve vient des expériences. C'est pourquoi le guide de Robyn recommande explicitement de calibrer le modèle avec des résultats expérimentaux.

Après une exécution du modèle, déplace le budget progressivement. Vérifie la réallocation la plus importante avec un test de lift avant de reprendre entièrement la répartition proposée. Le résultat du test sert à nouveau de calibrage lors de l'exécution suivante du modèle.

Pour les entreprises en Europe, le niveau des données est une question pratique. Des séries hebdomadaires distinctes par pays ou par région peuvent être utilisées dans Meridian comme unités géographiques. Selon l'introduction de Meridian, les données au niveau régional contiennent plus d'information statistique qu'une seule série nationale.

Première étape avant de choisir un outil

Commence par compter les semaines et les paramètres. Si les données ne suffisent pas pour les canaux que tu veux séparer, regroupe-les ou démarre avec un test geo-lift. Le test répond à la question pour un canal et fournit ensuite le point d'ancrage pour le calibrage.

Le tracking, l'attribution, la logique des KPI et les tableaux de bord sont réunis en un système de pilotage mesurable dans le marketing piloté par la donnée de Blck Alpaca.