MMM granulaire : jusqu’où descendre dans le plan média ?

La granularité du MMM devient un choix de pilotage, pas un réflexe analytique

Le MMM, marketing mix modeling, modélisation statistique qui estime la contribution des leviers marketing à partir de séries temporelles agrégées, revient au centre des arbitrages média pour une raison simple : l’attribution individuelle se fragilise. La disparition progressive des identifiants tiers, les limites du consentement, les environnements fermés et la fragmentation cross-device réduisent la capacité à reconstituer des parcours utilisateurs exhaustifs. Dans ce contexte, le MMM offre une lecture moins dépendante du tracking individuel et plus compatible avec les exigences de confidentialité.

Mais un débat plus technique s’impose désormais aux équipes marketing avancées : jusqu’où descendre dans le plan média ? Faut-il modéliser au niveau canal, par exemple TV, search, social, programmatique et retail media ? Au niveau plateforme, comme Google, Meta, Amazon Ads, TikTok, DSP ou régies retail ? Au niveau campagne, format, audience, création, objectif de funnel, device ou zone géographique ? La tentation est forte de tout granulariser pour rapprocher le MMM des décisions opérationnelles. Pourtant, plus un modèle descend bas, plus il risque de perdre en robustesse statistique, de multiplier les coefficients instables et de transformer une méthode de mesure stratégique en tableau de bord faussement précis.

L’enjeu n’est donc pas de produire le MMM le plus détaillé possible. Il est de choisir le niveau de granularité qui améliore réellement la décision : allocation budgétaire, arbitrage entre leviers, niveau de pression, calendrier, création, activation locale ou stratégie d’enchères. Un MMM granulaire utile doit répondre à une question business identifiable. S’il ne modifie ni le budget, ni le plan média, ni les règles d’activation, il ajoute de la complexité sans valeur.

Cette question est particulièrement critique dans l’AdTech. Le programmatique, le RTB, real-time bidding, mécanisme d’enchères en temps réel pour acheter une impression publicitaire, les DSP, demand-side platforms, plateformes permettant d’acheter des impressions publicitaires de façon automatisée, les SSP, supply-side platforms, plateformes qui commercialisent l’inventaire publicitaire, le retail media et la vidéo digitale génèrent des niveaux de détail considérables. Mais toutes ces dimensions ne sont pas modélisables avec le même degré de fiabilité. Le bon niveau de descente dépend du volume, de la variance, de la qualité des données, du cycle d’achat, de la corrélation entre leviers et de la fréquence des décisions à prendre.

Pourquoi la granularité séduit les directions marketing

Le MMM historique a longtemps été perçu comme un outil de direction générale : utile pour arbitrer entre grands canaux, mais trop lent et trop agrégé pour piloter les campagnes digitales. Un modèle trimestriel indiquant que le search contribue à 28 % des ventes incrémentales, la TV à 22 % et le social à 14 % reste précieux, mais il ne dit pas si l’annonceur doit augmenter YouTube ou TikTok, isoler le branded search, plafonner le retargeting, déplacer du budget vers le retail media offsite ou réduire la pression sur une audience déjà saturée.

La demande de granularité vient donc d’un besoin légitime : rapprocher la mesure des arbitrages réels. Dans un plan média moderne, les décisions ne se prennent pas uniquement au niveau canal. Une équipe peut devoir arbitrer chaque semaine entre campagnes de prospection vidéo, retargeting display, search marque, search générique, sponsored products, CTV, connected TV, télévision connectée diffusée via internet, ou DOOH, digital out-of-home, affichage digital extérieur. Les niveaux de ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, et de CPA, coût par acquisition, coût nécessaire pour générer une conversion attribuée, diffèrent fortement selon ces sous-leviers. Le MMM granulaire promet de distinguer ce qui crée réellement de la demande de ce qui intercepte une demande déjà formée.

Cette promesse est renforcée par les limites de l’attribution. L’attribution désigne les méthodes qui assignent une conversion à un ou plusieurs points de contact média. Dans les plateformes, elle favorise souvent les leviers proches de la conversion : branded search, retargeting, affiliation couponing, retail search. À l’inverse, le MMM peut mieux capter les effets diffus, retardés ou non cliqués : vidéo, TV, audio, display de prospection, sponsoring, influence ou DOOH. Descendre plus finement dans le MMM permettrait donc, en théorie, de réconcilier la vision business avec la réalité opérationnelle du plan média.

Mais cette ambition a un coût. Un modèle qui passe de 8 variables média à 60 variables média ne devient pas automatiquement plus intelligent. Il devient surtout plus exposé à trois risques : la multicolinéarité, c’est-à-dire la corrélation excessive entre variables explicatives ; le manque de signal, lorsque les variations de spend ou de pression sont trop faibles pour isoler un effet ; et l’overfitting, ou surapprentissage, lorsque le modèle explique très bien le passé mais prédit mal l’avenir. Pour un professionnel du marketing, ces notions ne sont pas abstraites : elles déterminent si le modèle peut réellement guider des millions d’euros d’investissement.

Le seuil statistique : une variable doit avoir assez de variation pour être mesurée

La première règle d’un MMM granulaire est simple : on ne modélise pas correctement une variable qui ne bouge pas assez. Le modèle estime une relation entre une pression marketing et un résultat business, par exemple ventes, leads, visites, nouveaux clients ou marge. Si une campagne dépense 50 000 euros chaque semaine pendant 40 semaines, sans variation significative, il devient difficile de distinguer son effet de la tendance, de la saisonnalité, du pricing, de la distribution ou d’autres leviers actifs au même moment.

La granularité exige donc de la variance. Un sous-levier peut être modélisé si son niveau d’investissement, d’impressions, de GRP, gross rating points, mesure de pression publicitaire combinant couverture et répétition, ou de clics varie suffisamment dans le temps et si ces variations ne sont pas parfaitement synchronisées avec d’autres leviers. En pratique, les équipes data regardent souvent trois éléments : le volume, la durée et l’indépendance relative du signal.

Le volume concerne le poids du levier. Une campagne représentant 0,5 % du budget total aura rarement assez d’impact observable pour obtenir un coefficient stable, sauf si elle est concentrée sur une zone, une période ou un segment très spécifique avec un effet fort. La durée concerne le nombre de points d’observation. Un MMM hebdomadaire sur deux ans fournit environ 104 observations ; un MMM quotidien sur un an en fournit 365, mais avec davantage de bruit. Plus on ajoute de variables, plus il faut de données pour éviter des estimations fragiles. L’indépendance concerne la capacité à isoler l’effet. Si chaque vague vidéo, social et display démarre le même lundi, avec la même intensité et le même ciblage, le modèle aura du mal à attribuer la contribution à chaque levier.

Un cas typique illustre la limite. Un annonceur e-commerce veut modéliser séparément trois campagnes Meta : acquisition broad, lookalike clients à forte LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation avec la marque, et retargeting. Si les trois campagnes sont actives toute l’année, optimisées par les mêmes algorithmes, avec des variations de budget parallèles lors des temps forts commerciaux, le MMM risque de produire des contributions instables. Il peut être plus robuste de modéliser Meta en deux blocs : prospection et retargeting, puis d’utiliser les données plateforme ou des tests de lift pour descendre au niveau audience.

Une règle opérationnelle consiste à ne granulariser que les dimensions qui présentent une variabilité exploitable et un volume significatif. À défaut, il vaut mieux agréger les sous-leviers dans une variable plus robuste, puis utiliser d’autres méthodes pour la lecture fine : expériences contrôlées, geo-tests, holdouts, études de conversion lift ou analyse log-level.

Le bon niveau dépend de la décision à prendre

La question centrale n’est pas « peut-on modéliser cette ligne ? », mais « quelle décision cette ligne doit-elle influencer ? ». La granularité doit suivre la gouvernance budgétaire. Si les budgets sont arbitrés mensuellement par canal, un MMM au niveau canal peut suffire. Si l’annonceur répartit les budgets chaque semaine entre plateformes et objectifs de funnel, il faut descendre au moins à ce niveau. Si les équipes créatives décident de renouveler ou non des messages selon leur contribution incrémentale, une granularité par type de création peut devenir pertinente, mais seulement si le plan d’expérience le permet.

Un framework utile consiste à croiser deux axes : la fréquence de décision et la matérialité financière. Une ligne média mérite d’être isolée dans un MMM si elle est à la fois budgétairement significative et régulièrement arbitrée. Un levier représentant 15 % du budget annuel et faisant l’objet d’ajustements mensuels doit probablement être modélisé séparément. Un format représentant 2 % du budget, activé ponctuellement et rarement arbitré, peut rester inclus dans un agrégat plus large.

• Niveau canal : pertinent pour les arbitrages stratégiques annuels ou trimestriels entre TV, search, social, programmatique, retail media, CRM, audio, DOOH et presse.
• Niveau plateforme : utile lorsque les décisions budgétaires distinguent Google, Meta, TikTok, Amazon Ads, Criteo, The Trade Desk, régies retail ou walled gardens.
• Niveau objectif de funnel : souvent plus actionnable que le niveau plateforme seul, car prospection, considération, retargeting et fidélisation n’ont pas les mêmes effets ni les mêmes horizons.
• Niveau format : pertinent lorsque les formats ont des rôles différenciés, par exemple vidéo courte, display, native, CTV, search sponsorisé ou sponsored products.
• Niveau campagne ou audience : possible uniquement avec beaucoup de données, des variations planifiées et une discipline expérimentale forte.

Le funnel, c’est-à-dire le parcours allant de la notoriété à la considération, puis à la conversion et à la fidélisation, constitue souvent un meilleur principe d’agrégation que l’organigramme média. Par exemple, regrouper toutes les campagnes de retargeting cross-plateformes peut être plus utile que de modéliser chaque plateforme séparément, si la décision consiste à plafonner la captation bas de funnel. À l’inverse, distinguer YouTube, TV linéaire et CTV peut être nécessaire si la direction doit arbitrer entre reach incrémental, coût par contact et efficacité sur la considération.

La granularité doit aussi refléter les délais d’effet. Le search générique peut produire un effet quasi immédiat. La vidéo de notoriété peut avoir un adstock, effet de rémanence publicitaire dans le temps, de plusieurs semaines. Le sponsoring ou le DOOH peuvent influencer la demande avec un décalage encore plus diffus. Mélanger des leviers aux dynamiques très différentes dans une même variable peut masquer leur rôle. Mais les séparer sans données suffisantes peut produire une précision artificielle. C’est l’arbitrage permanent du MMM granulaire.

Les risques techniques : multicolinéarité, saturation et bruit opérationnel

Le premier risque d’un MMM trop détaillé est la multicolinéarité. Si deux variables évoluent ensemble, le modèle ne sait pas toujours laquelle explique la variation des ventes. C’est fréquent en marketing : les budgets augmentent simultanément pendant les soldes, le Black Friday, les lancements produits ou les pics saisonniers. Le search, le social, le display et l’emailing peuvent tous monter au même moment, tandis que le prix baisse et que la demande organique augmente. Sans variation indépendante, le modèle attribue parfois la contribution au levier le plus corrélé, pas au levier réellement causal.

Le deuxième risque concerne les courbes de saturation. Un levier média ne produit généralement pas un rendement constant. Les premières impressions peuvent être très efficaces, puis le rendement marginal diminue avec la répétition. Le MMM moderne intègre souvent des fonctions de saturation pour estimer ce point d’inflexion. Mais plus on descend bas, plus l’estimation de ces courbes devient fragile. Modéliser la saturation de chaque campagne programmatique, chaque segment retail media ou chaque format vidéo exige un volume de données rarement disponible.

Le troisième risque est le bruit opérationnel. Dans l’achat média digital, les variables changent sans cesse : algorithmes d’enchères, audiences, inventaire, brand safety, créas, landing pages, prix, promotions, disponibilité produit, pression concurrentielle. Une ligne budgétaire identique peut recouvrir des réalités très différentes. Deux semaines à 100 000 euros de display programmatique ne valent pas forcément la même chose si la première cible des prospects froids en open auction et la seconde des visiteurs récents via deals premium. Le MMM ne peut pas compenser une mauvaise taxonomie média.

C’est pourquoi la qualité de la nomenclature est un prérequis. Avant de descendre dans le plan média, l’annonceur doit stabiliser les conventions : canal, plateforme, objectif, audience, format, pays, marque, produit, type de campagne, statut promotionnel, cible CRM, niveau de funnel. Sans taxonomie fiable, le modèle ingère des variables incohérentes et produit des résultats difficiles à interpréter. Une granularité mal nommée est pire qu’une agrégation assumée.

Le quatrième risque est l’illusion de précision. Un modèle peut afficher une contribution incrémentale de 1,7 million d’euros pour une sous-campagne et un ROI de 3,4. Mais si l’intervalle de crédibilité va de 0,8 à 6,1, la décision doit être prudente. Les résultats MMM devraient toujours être lus avec une incertitude : intervalles, stabilité des coefficients, tests hors échantillon, sensibilité aux hypothèses, comparaison avec des expériences. Un chiffre granulaire sans mesure d’incertitude peut conduire à des arbitrages trop agressifs.

Comment choisir entre agrégation, hiérarchie et expérimentation

Le MMM granulaire ne signifie pas nécessairement un modèle plat avec des dizaines de variables indépendantes. Les approches hiérarchiques, notamment bayésiennes, permettent de partager de l’information entre niveaux : canal, plateforme, campagne, région ou format. Un modèle bayésien utilise des distributions de probabilité pour estimer les paramètres et intégrer l’incertitude. Dans un MMM hiérarchique, les sous-leviers peuvent être estimés en étant contraints par le comportement global du canal. Cela réduit le risque de coefficients absurdes sur des lignes peu volumineuses.

Par exemple, un annonceur peut modéliser le social paid au niveau global, puis estimer des contributions relatives entre Meta, TikTok et Pinterest en fonction de leurs variations et de priors, hypothèses statistiques initiales, alimentés par des tests ou historiques. Cette approche évite de laisser une petite ligne média prendre une contribution disproportionnée simplement parce qu’elle coïncide avec une hausse de ventes. Elle permet aussi de produire une lecture plus nuancée : certaines sous-lignes sont estimées avec forte confiance, d’autres avec faible confiance.

L’agrégation reste toutefois indispensable. Une bonne pratique consiste à démarrer avec un modèle parcimonieux, c’est-à-dire limité aux variables essentielles, puis à tester progressivement les découpes supplémentaires. Chaque descente doit être justifiée par un gain de performance prédictive ou décisionnelle. Si distinguer Meta prospection et Meta retargeting améliore la stabilité et change les recommandations, la granularité est utile. Si distinguer six audiences Meta produit des coefficients volatils sans améliorer la prédiction, il faut revenir à un niveau supérieur.

L’expérimentation complète le MMM. Un geo-test compare des zones exposées à des zones de contrôle. Un holdout exclut volontairement une partie de l’audience éligible pour mesurer la différence de comportement. Ces méthodes coûtent du volume et de la discipline, mais elles fournissent un signal causal qui peut alimenter le MMM, notamment sous forme de prior ou de contrainte. Pour les sous-leviers très corrélés, l’expérience est souvent le seul moyen de trancher.

Un exemple concret : une marque observe dans son MMM que le retail media onsite semble très performant, avec un ROI incrémental estimé à 6, tandis que l’offsite affiche un ROI de 2. Les équipes soupçonnent toutefois une cannibalisation du search organique produit sur l’onsite. Un test avec holdout sur certaines catégories montre que seulement 35 % des ventes attribuées à l’onsite sont incrémentales, contre 70 % pour l’offsite ciblant des acheteurs catégorie non-marque. Le MMM suivant peut intégrer cette information et revoir les courbes de saturation. La granularité devient alors plus fiable parce qu’elle est calibrée par une expérience.

Cas d’usage : descendre au bon niveau dans un plan média retail et programmatique

Prenons le cas d’un annonceur grande consommation investissant 20 millions d’euros par an : 30 % en TV et CTV, 20 % en retail media, 18 % en social, 15 % en search, 10 % en programmatique display et vidéo, 7 % en CRM et autres leviers. Une lecture MMM au niveau canal indique que le retail media affiche un ROI incrémental moyen de 3,2, le search de 4,5, le social de 2,1 et la TV-CTV de 1,8. À ce niveau, la recommandation pourrait être d’augmenter le search. Mais cette conclusion serait incomplète.

En descendant d’un niveau, le search marque affiche un ROI attribué très élevé mais une incrémentalité faible. Le search générique contribue davantage au recrutement de nouveaux acheteurs. Dans le retail media, les sponsored products sur requêtes marque saturent rapidement, tandis que l’offsite basé sur données transactionnelles recrute des foyers non acheteurs. Dans le programmatique, la vidéo en deals premium génère un effet retardé sur les recherches de marque, alors que le retargeting display capte surtout des visiteurs récents.

Le bon plan de granularité pourrait alors être le suivant : TV linéaire, CTV, vidéo sociale prospecting, social retargeting, search marque, search générique, retail search marque, retail search catégorie, retail offsite, programmatique vidéo, programmatique retargeting, CRM. Ce niveau correspond à des rôles de funnel et à des décisions budgétaires réelles. Il évite de modéliser chaque campagne, chaque retailer et chaque audience, tout en isolant les mécanismes économiques les plus différents.

Si l’annonceur veut ensuite arbitrer entre retailers, il peut créer un modèle complémentaire par enseigne, mais pas forcément au même niveau de détail. Pour les trois plus gros retailers représentant 80 % du budget retail media, une granularité par onsite et offsite peut être pertinente. Pour les petits retailers, un agrégat suffit. Cette logique de Pareto est souvent plus robuste qu’une symétrie analytique artificielle. Toutes les lignes du plan média ne méritent pas le même niveau de lecture.

La même logique s’applique au programmatique. Descendre jusqu’au couple DSP-SSP peut être utile pour une analyse de supply path optimization, mais rarement dans le MMM principal, sauf volumes massifs. Le MMM peut distinguer programmatique prospecting vidéo, programmatique display haut de funnel et retargeting. Les log-level data, données événementielles détaillées au niveau requête, enchère, impression ou conversion, peuvent ensuite analyser les chemins d’achat, les frais, la viewability et l’IVT, invalid traffic, trafic invalide. Le MMM répond à la question de contribution business ; les logs répondent à la question d’efficacité d’exécution. Confondre les deux niveaux conduit à des modèles illisibles.

Les conditions de réussite : données, gouvernance et rythme de mise à jour

Un MMM granulaire exige une architecture de données solide. Les variables média doivent être historisées avec la même fréquence que les ventes ou conversions : dépenses nettes, impressions, clics, GRP, reach, fréquence, CPM, coût pour mille impressions, formats, audiences et objectifs. Les variables non média sont tout aussi importantes : prix, promotions, stocks, distribution, météo, concurrence, saisonnalité, jours fériés, lancements produits, pression commerciale, ruptures et changements de tracking. Un modèle granulaire sans variables de contrôle crédibles attribuera au média des effets qui viennent parfois du prix ou de la disponibilité produit.

La gouvernance doit définir qui a le droit de demander une découpe supplémentaire. Sinon, chaque équipe cherchera à isoler son levier pour obtenir une mesure dédiée. Le résultat sera un modèle trop complexe, alimenté par des intérêts organisationnels plutôt que par des critères statistiques. Une règle utile consiste à valider toute nouvelle granularité selon quatre critères : poids budgétaire, variabilité historique, fréquence de décision et capacité d’action. Si l’équipe ne peut pas agir différemment sur cette variable, elle n’a pas besoin d’être isolée dans le modèle principal.

Le rythme de mise à jour doit aussi être réaliste. Un MMM trimestriel très granulaire mais livré six semaines après la période analysée peut manquer les arbitrages opérationnels. À l’inverse, un modèle mis à jour chaque semaine avec des données instables peut donner un sentiment de pilotage en temps réel sans robustesse. Beaucoup d’organisations avancées adoptent une logique en couches : un MMM stratégique mis à jour trimestriellement, un modèle de monitoring mensuel pour détecter les inflexions, et des tests tactiques pour les décisions fines.

La lecture des résultats doit rester probabiliste. Les recommandations devraient distinguer trois catégories : augmenter avec confiance, maintenir ou tester, réduire avec prudence. Une contribution estimée ne doit pas automatiquement devenir un transfert budgétaire. Il faut tenir compte de la capacité d’absorption du levier, des courbes de saturation, du reach disponible, de la qualité créative, de l’impact sur la marque et des contraintes commerciales. Un levier à ROI élevé mais déjà saturé peut ne pas accepter plus de budget sans dégrader son rendement marginal.

Enfin, le MMM granulaire doit être connecté aux autres outils de mesure. L’attribution plateforme reste utile pour l’optimisation quotidienne. Les tests de lift valident les hypothèses causales. Les études de marque mesurent la considération et la préférence. Les panels ou données retail objectivent les ventes en magasin. Les clean rooms, environnements permettant de croiser des données sans exposer les identifiants individuels, peuvent enrichir la lecture audience. Le MMM ne remplace pas tout ; il organise une partie de la preuve à un niveau agrégé.

Conclusion : descendre jusqu’au point où la décision gagne plus que le modèle ne perd

Le MMM granulaire est pertinent lorsqu’il rapproche la mesure des arbitrages réels sans sacrifier la robustesse. Descendre dans le plan média n’est pas une preuve de maturité en soi. La maturité consiste à savoir où s’arrêter. Un modèle trop agrégé peut masquer des leviers saturés, confondre prospection et captation, ou sous-estimer des médias non cliqués. Un modèle trop détaillé peut produire des résultats instables, exposés à la multicolinéarité et difficiles à traduire en décisions.

Une feuille de route actionnable peut s’organiser en sept étapes. Premièrement, partir des décisions budgétaires réelles : canal, plateforme, funnel, format, région ou retailer. Deuxièmement, auditer le volume et la variabilité de chaque ligne avant de l’intégrer. Troisièmement, construire une taxonomie média stable, reliant dépenses, impressions, objectifs et audiences. Quatrièmement, commencer par un modèle parcimonieux, puis tester les découpes qui améliorent la prédiction ou changent les recommandations. Cinquièmement, utiliser des approches hiérarchiques lorsque les sous-leviers ont un signal partiel mais stratégique. Sixièmement, calibrer les zones d’incertitude par des holdouts, geo-tests ou études de lift. Septièmement, restituer les résultats avec intervalles de confiance, courbes de saturation et recommandations marginales, pas seulement avec des ROI moyens.

La bonne granularité se situe au point d’équilibre entre actionnabilité et fiabilité. Si une découpe permet de déplacer 10 % du budget vers un levier moins saturé, de distinguer création de demande et interception, ou de réduire une cannibalisation mesurable, elle mérite d’être explorée. Si elle sert seulement à produire un classement détaillé de campagnes sans capacité de décision, elle relève davantage du reporting que de la modélisation.

Pour les professionnels du marketing, la question à poser avant toute descente est donc : quelle décision sera meilleure grâce à cette granularité, et avec quel niveau d’incertitude acceptable ? C’est cette discipline qui transforme le MMM d’un exercice statistique en système de pilotage business. Le modèle ne doit pas chercher à reproduire toute la complexité du plan média. Il doit isoler les dimensions qui changent réellement la croissance, la marge et l’allocation du capital marketing.