Commençons par définir cet acronyme MMM : le Marketing Mix Modeling (MMM) est une méthode statistique permettant de mesurer la contribution effective de chacun des leviers sur ses ventes.
Historiquement, le MMM a été créé par les marques de grande conso pour analyser l’impact de leurs campagnes offline (TV, Radio) sur leurs ventes.
Les acteurs du digital n’ont, quant à eux, jamais été friands du MMM puisque les données collectées online permettaient, jusqu’à peu, un tracking presque parfait.
Mais c’est en train de changer très rapidement.
D’un côté, les données sont de plus en plus difficiles à collecter : iOS14, Ad Blocker, fin des cookies. Même lorsque des données sont captées, elles ne reflètent que partiellement la complexité du parcours de décision des consommateurs (le fameux messy middle de Google).
En parallèle, le coût de mise en place d’un MMM a beaucoup chuté, grâce au développement de modèles open-source (Lightweight/Meridian côté Google, Robyn côté Meta) et aux capacités de calculs offertes par le Cloud.
Pour ces deux raisons, le MMM revient en force et s’impose progressivement comme un outil indispensable pour répondre aux enjeux d’attribution des acteurs digitaux.
Les modèles d’attribution classiques (MTA) se basent sur des données d’impressions, de clics et de conversions, sans faire le lien avec les ventes réelles.
Dès lors que la donnée n’est plus captée, les outils d’attribution reflètent des parcours d'achats incomplets, voire incohérents.
Exemple : vous êtes une agence de location de voiture
Que vous dira Google Analytics ?
Mais la réalité est très différente puisque chacun des leviers (TV, Search, Meta) à un impact plus ou moins important sur la conversion finale.
L’enjeu de la modélisation est justement de déterminer le poids de chacun des leviers dans les conversions globales.
La mise en place d’un MMM permet de “challenger” son allocation budgétaire entre les différents leviers. On peut en effet comparer pour chaque levier : son impact business (exprimé en %) avec le spend (en %).
Dans l’exemple ci-dessous, Youtube a concentré 8.4% du budget, mais n’a contribué qu’à 3.9% des ventes. On peut donc légitimement se demander si l'annonceur n'est pas en train de surinvestir sur Youtube.
Plus globalement, l'analyse des données passées via le MMM permet :
Avoir une analyse précise sur ses données passées n’a d’intérêt que si l'on peut en tirer des enseignements pour la suite.
Dans l’exemple juste au-dessus, l’enseignement est de réduire la part de ses dépenses sur Youtube.
Mais se pose rapidement la question : “quel est le montant optimal ?”.
Le résultat est complexe à déterminer puisqu’il dépend de trois types de facteurs :
Le MMM permet de calculer ce montant et apporter une réponse concrète aux annonceurs qui souhaitent déterminer leur mix média.
Par exemple, notre solution propose 2 scénarios :
Après avoir trouvé le bon partenaire (MMM Provider), il y a généralement 3 étapes :
La durée de chacune des étapes est évidemment variable en fonction du volume et de la complexité des données à analyser.
À titre d'exemple, un annonceur qui opère des campagnes en France, sur 5 leviers (online et offline) et qui dépense 2m€/an verra ses premiers insights en quelques semaines.
Nous ne détaillerons ici que l'étape 1 puisque les étapes 2 et 3 sont entièrement à la charge du MMM Provider.
La collecte de données est l’étape la plus importante, suivant l’affirmation :
Garbage In, Garbage Out
Autrement dit : si les données collectées sont de mauvaises qualités ou incomplètes, les conclusions risquent aussi de ne pas être cohérentes, quelle que soit la complexité du modèle.
Il s’agit ici de lister l’ensemble des variables qui pourraient impacter le chiffre d'affaires (ou la target du modèle). On distingue 3 grands types de variables :
Par exemple, voici le fichier standard d'onboarding que l'on envoie en début de projet : MMM-Input
Une fois l’ensemble des variables listées, il s’agit de collecter les données.
Cette étape peut être chronophage, notamment pour des actions marketing offline, puisqu’il faut récupérer des données qui ne sont pas systématiquement renseignées ou centralisées.
Une fois les données collectées, il faut les harmoniser. Une vision simplifiée de cette étape est d'imaginer un grand tableau dans lequel on aurait :
Une fois les données listées, collectées et harmonisées, vient le déploiement du modèle. Si cette étape est majoritairement du côté du MMM Provider, l'annonceur doit apporter son expertise business.
Vient donc un cycle d'itérations techniques (trouver les bons modèles) mais aussi business (choix des variables à intégrer).
***
***
Si vous souhaitez échanger sur les possibilités offertes par les MMM pour améliorer votre compréhension de votre acquisition --> baptiste@nanga.tech
