Marketing Mix Modeling : comment les mutations technologiques transforment les usages

Développé depuis les années 1950 pour mesurer l’efficacité des publicités télévisées, le MMM permet aujourd’hui aux entreprises de synthétiser la complexité de leur écosystème marketing, grâce à une combinaison de techniques statistiques et de modèles économétriques. L’objectif : isoler et mesurer avec précision l’impact individuel des différents leviers marketing – qu’il s’agisse des investissements sur les différents canaux médias, des stratégies de prix ou des actions promotionnelles – tout en neutralisant l’influence de facteurs externes comme les effets de saisonnalité. 

À la faveur du développement de l’IA générative – mais pas uniquement – cette approche historique connaît une profonde mutation, tant dans ses méthodes que dans ses usages. 

Des outils d’aide à la décision plus que des photographies du passé

“Aujourd’hui, nous ne proposons pas seulement une plateforme de mesure, mais aussi une plateforme d’optimisation : nous avons travaillé les fonctionnalités de forecast et de planning, pour adapter les outils aux enjeux des clients”, explique ainsi Pierre Biousse, senior manager chez Ekimetrics, l’un des pionniers du MMM sur le marché français. Le cabinet parle d’ailleurs désormais plus volontiers de MMO (pour “Marketing Mix Optimisation” que de MMM).

“Pendant longtemps, le MMM a été vu comme des études a postériori, plus que comme un outil de pilotage et d’aide à la décision : une fois par an, l’annonceur transmettait ses données, de façon massive, à un institut d’études ou à une agence, et il recevait en retour un powerpoint, qui n’était souvent consulté qu’une seule fois avant d’être rapidement mis au placard, car peu opérationnel et pas assez à jour. Aujourd’hui, à l’inverse, nous sommes dans une logique de ‘data platform’, actualisée et consultée de façon continue“, affirme pour sa part Nicolas Vaudran, managing director en charge des clients Retail & Services chez Fifty-Five, qui s’est lancé sur le marché des MMM il y a cinq ans. 

“Traditionnellement, le MMM est un outil pour mesurer la contribution et la saturation des canaux, de façon ‘rétroviseur’, à froid, en regardant le passé, alors que désormais, on s’en sert avant tout pour planifier les prochains mois, en tenant compte des différents paramètres, comme l’évolution de la concurrence, par exemple”, complète son collègue Romain Warlop, directeur data science chez Fifty-Five. Cette approche “temps réel” et orientée sur la performance permettrait aux clients du cabinet de gagner en moyenne 10 % de ROI sur la première année de déploiement de l’outil.

Des données plus granulaires, en quasi-temps réel

Le virage du MMM vers le quasi-temps réel est permis à la fois par un accès de plus en plus facile à la donnée, et par la relative standardisation des formats, en particulier pour les canaux numériques. “Les acteurs comme Meta ont récemment mis en place des librairies pour alimenter les MMM. Et de manière générale, tous les data providers (régies, plateformes, instituts d’études…) ont évolué. ll y a de plus en plus de données disponibles, même s’il y a toujours un enjeu de qualité de la donnée, avec une grande disparité entre le online et le offline”, explique Nicolas Vaudran (Fifty Five).

Guilhem Bodin, partner du cabinet Converteo, abonde : “les médias se digitalisent et se plateformisent, la data devient donc plus granulaire et plus accessible de manière automatisée, sur tous les canaux. Cela permet d’avoir des données presque à la journée. Cela devient ainsi moins compliqué (et moins cher) de la récupérer”. Les données gagnent ainsi en granularité et en précision, ce qui permet d’alimenter plus finement les modèles : par exemple, le search – qui était vu par le passé comme un canal unique – peut aujourd’hui être subdivisé en de multiples sous-canaux. De même pour les médias sociaux.

“Avant, on avait le MTA [Multi-Touch Attribution], qui permettait d’avoir de la granularité et d’obtenir des résultats assez précis. Mais c’est désormais beaucoup plus difficile d’en faire : le MMM représente donc une solution pour pallier ce manque, en y intégrant des notions de reach et de frequency, afin d’aller plus loin dans l’analyse. Néanmoins, si on se limite à des informations trop macro, comme uniquement des volumes d’impression ou des GRP, on ne va pas pouvoir avoir une granularité suffisante. On peut donc essayer de modéliser plus finement, en s’appuyant sur beaucoup plus d’indicateurs, en prenant en compte des impressions, des clics, des likes, des volumes de commentaires…”, souligne Romain Warlop (Fifty-Five). 

L’IA générative au service de la “data quality”

Le développement de l’IA générative (ou “GenAI”) contribue également à ce mouvement de démocratisation de l’accès aux données : “tout l’enjeu avec les plateformes MMO, c’est d’arriver à industrialiser les pipelines de données pour pouvoir exploiter de la donnée ‘chaude’, tout en mettant en place la bonne gouvernance pour chacune des sources de données. La GenAI permet désormais de traiter beaucoup plus rapidement de la donnée non-structurée – comme celles issues du social listening – pour l’intégrer aux modèles”, explique Pierre Biousse, qui supervise aussi l’offre d’IA générative chez Ekimetrics.

Chez Fifty-five, l’IA générative est utilisée pour améliorer la qualité de la donnée – via des “taxonomy checkers”, notamment, qui permettent de s’assurer que la nomenclature des campagnes médias est la bonne – ou pour compléter des données manquantes ou partielles. “L’IA générative permet aussi d’analyser des créas – pour les campagnes sur les réseaux sociaux par exemple – pour identifier les messages ou les combinaisons produits/fonds qui performent le mieux, et ainsi enrichir le modèle”, précise Nicolas Vaudran.

“Agent-based models” et “service-as-a-software”

En bout de chaîne, l’IA générative trouve également de nombreuses applications : elle permet de faciliter la prise en main des plateformes et des outils, en donnant la possibilité aux utilisateurs d’opérer des requêtes en langage naturel, de générer des graphiques à la volée, d’obtenir des explications sur les tableaux de bord ou encore de générer des recommandations. Autant de moyens de démocratiser les usages du MMM en facilitant la prise en main par les équipes métiers. 

“La GenAI permet de faire monter en compétences les équipes, qui peuvent dialoguer avec les données et trouver un ‘sparring partner’ grâce à l’IA”, estime Pierre Biousse chez Ekimetrics, qui ajoute : “en aval, l’IA change énormément l’expérience pour les utilisateurs : ils peuvent poser des questions et le chatbot est capable de comprendre l’intention en remontant non seulement des chiffres, mais aussi de l’analyse. C’est une tendance qui émerge d’ailleurs de plus en plus et qui est au cœur de notre roadmap : le service-as-a-software, avec le développement d’agents intelligents qui apportent des insights et de l’analyse.”

Chez Fifty-Five, il est aussi question d’agents, mais ceux-ci jouent un rôle différent au sein de la plateforme : “avec les Agent-Based Models, il s’agit d’adopter une approche par simulation, par laquelle on vient simuler des comportements de consommateurs fictifs, en étant extrêmement granulaire. On modélise au niveau du consommateur, en prenant en compte son environnement et tous les stimuli extérieurs qui influencent sa décision d’achat”, explique Romain Warlop.

“Les Agent-Based-Models ne sont pas si nouveaux, puisque l’idée de simuler des comportements individuels et des parcours clients basés sur des persona remonte aux années 90. En revanche, on utilise désormais de plus en plus, pour ces modèles, des données synthétiques”, précise Guilhem Bodin, chez Converteo.

Des modèles plus souples et moins coûteux

Outre les types de données qui viennent les nourrir, les modèles eux-mêmes évoluent. “Les packages et la technologie pour faire tourner un modèle standard sont devenus plus accessibles. Certes, on ne peut pas encore juste appuyer sur un bouton et cela nécessite encore des compétences en data science chez le client, mais celles-ci sont de plus en plus présentes dans les entreprises”, explique Guilhem Bodin (Converteo). Pour les usages les plus basiques, “quelques solutions SaaS sont apparues sur le marché, mais elles ne sont pas faites pour les subtilités : la plupart se limitent au media mix modeling simple. Si on veut intégrer l’impact d’une promotion, de la granularité sur certains canaux ou encore une vision omnicanale par exemple, on ne peut pas le faire.”

Plus que ces plateformes SaaS, ce sont Meridian chez Google et Robyn chez Meta, deux modèles de MMM en open-source, qui gagnent en popularité et accélèrent les déploiements. Au point que “neuf solutions sur dix sur le marché aujourd’hui utilisent des briques open source des modèles de Meta et Google”, selon le partner de Converteo. “Ces modèles pré-packagés sont des accélérateurs qui facilitent l’adoption : ils permettent aux clients de tester beaucoup plus rapidement le MMM, plutôt que de partir sur un développement complexe alors qu’il n’y a pas encore d’usage”, explique Nicolas Vaudran. “Ces modèles sont très pratiques pour mettre le pied à l’étrier et avoir un démarrage rapide, mais ce n’est pas une fin en soi : il faut être capable de les faire évoluer pour des usages plus poussés”, souligne quant à lui Romain Warlop (Fifty-Five).

Résultat : la barrière à l’entrée du MMM s’abaisse fortement pour les annonceurs. “Les tickets d’entrée démarrent maintenant à 20 000 euros (par exemple avec des solutions utilisant les packages de Google et Meta), et vont jusqu’à 400 000 euros pour des modèles totalement customisés. En conséquence, le budget média annuel à partir duquel cela devient intéressant d’investir dans un MMM est tombé à 2 millions d’euros, alors qu’avant, c’était plus proche de 80 millions”, estime Guilhem Bodin (Converteo).

L’internalisation par les annonceurs s’accélère

Ces modèles plus accessibles et moins coûteux facilitent également l’internalisation du MMM par les annonceurs, un processus amorcé depuis plusieurs années déjà dans les secteurs comme la distribution, l’automobile ou la banque : “l’internalisation est un enjeu central, parce que les clients veulent garder la maîtrise de leurs données : avoir une data platform qui rassemble les données de vente et données médias / CRM, c’est un asset en soi, qui sert le marketing. Elle permet ensuite de faire du scoring, de l’activation, de la segmentation”, explique Romain Warlop (Fifty-Five). 

Et son collègue Nicolas Vaudran de conclure : “il y a quatre ans, la modélisation faisait peur, parce qu’il fallait nécessairement passer par des modélisations externes. Désormais, le marché a changé et l’internalisation peut être à géométrie variable, par exemple en commençant par la data platform, avant d’aller vers une internalisation du modèle”.