MMM ou attribution user-level : comment arbitrer selon le funnel ?

Le choix du modèle de mesure dépend d’abord du rôle du levier dans le funnel

La question n’est plus de savoir si le MMM doit remplacer l’attribution user-level, ni si l’attribution granulaire peut suffire à piloter l’intégralité d’un plan média. Ces deux approches ne répondent pas au même niveau de décision. Le MMM, marketing mix modeling, modélisation statistique agrégée qui estime la contribution des leviers marketing à partir de séries temporelles, aide à comprendre les effets macro sur les ventes, la marge ou les leads. L’attribution user-level, c’est-à-dire l’analyse des parcours publicitaires au niveau d’un utilisateur ou d’un identifiant, sert plutôt à optimiser les points de contact observables, les séquences, les audiences et les enchères.

Dans un environnement où les signaux individuels se fragmentent sous l’effet du consentement, de la disparition progressive des cookies tiers, des restrictions mobiles et des walled gardens, environnements fermés où les plateformes contrôlent leurs données et leurs méthodes de mesure, opposer frontalement ces deux méthodes devient improductif. Le vrai sujet est l’arbitrage selon le funnel, parcours allant de la notoriété à la considération, puis à la conversion et à la fidélisation. Un spot CTV, connected TV, télévision connectée permettant la diffusion publicitaire dans des environnements de streaming, ne se mesure pas comme une campagne search marque. Une activation DOOH, digital out-of-home, affichage extérieur digital, ne produit pas les mêmes signaux qu’un retargeting display. Un programme retail media onsite sur mots-clés marque n’a pas le même rôle qu’une vidéo programmatique en prospection.

Le piège le plus fréquent consiste à demander à un seul modèle de répondre à toutes les questions. Le MMM est souvent critiqué parce qu’il ne descend pas au niveau créatif, audience ou impression. L’attribution user-level est critiquée parce qu’elle ne prouve pas la causalité et surestime fréquemment les leviers proches de l’achat. Ces critiques sont justes, mais elles deviennent utiles seulement si elles débouchent sur une architecture de mesure différenciée. Le haut de funnel exige une lecture incrémentale et agrégée. Le bas de funnel exige une optimisation rapide, mais corrigée des biais de capture. Le milieu de funnel nécessite souvent une combinaison de signaux : progression d’audience, engagement qualifié, contribution assistée et tests de lift.

Pour les directions marketing, l’enjeu est économique. Un arbitrage mal calibré peut conduire à couper des leviers générateurs de demande parce qu’ils ne performent pas au CPA, coût par acquisition, montant dépensé pour générer une conversion attribuée. À l’inverse, il peut conduire à surinvestir des leviers à ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, artificiellement élevé parce qu’ils captent une demande déjà créée ailleurs. La maturité consiste donc à relier chaque méthode de mesure à la question qu’elle sait réellement traiter : où créer de la demande, où convertir l’intention, où optimiser l’exécution, où mesurer l’incrémentalité et où arbitrer le budget marginal.

Ce que le MMM mesure bien : effets agrégés, saturation et contribution incrémentale

Le MMM travaille généralement sur des données agrégées par jour, semaine, zone géographique, ligne produit ou canal. Il modélise une variable business, par exemple ventes, marge, nouveaux clients, leads qualifiés ou visites magasin, en fonction de variables explicatives : dépenses média, pression TV, vidéo, social, search, retail media, prix, promotion, distribution, saisonnalité, météo, stock, concurrence ou événements calendaires. Son avantage principal est de ne pas dépendre d’un identifiant individuel. Il peut donc mesurer des leviers difficiles à suivre au niveau user-level : TV linéaire, CTV, DOOH, radio, influence, presse, retail media partiellement fermé, ou encore effets indirects sur le search marque.

Un MMM robuste ne se contente pas de corréler dépenses et ventes. Il intègre des transformations propres au média. L’adstock modélise la persistance d’un effet publicitaire dans le temps : une vague vidéo peut continuer à influencer les recherches et les ventes plusieurs jours ou semaines après diffusion. La saturation modélise la baisse du rendement marginal : le premier million d’euros investi peut générer davantage de ventes incrémentales que le troisième. Les effets de synergie permettent d’estimer si deux leviers se renforcent, par exemple vidéo plus search non-marque, ou social plus retail search. Les modèles bayésiens, de plus en plus utilisés, permettent d’intégrer des connaissances a priori et d’exprimer les résultats sous forme d’intervalles de crédibilité plutôt que comme des certitudes ponctuelles.

Le MMM est particulièrement utile pour les décisions budgétaires de niveau portefeuille. Il répond à des questions comme : faut-il augmenter la part de vidéo dans le mix ? Le search marque est-il saturé ? Le retail media génère-t-il des ventes incrémentales ou capte-t-il des achats organiques ? La CTV contribue-t-elle aux nouveaux clients ? Quel est le ROI marginal d’un euro supplémentaire en social prospecting versus display programmatique ? Cette notion de ROI marginal est critique. Un canal peut avoir un ROI moyen élevé mais un ROI marginal faible si les investissements actuels ont déjà dépassé le niveau optimal.

Exemple : un annonceur e-commerce observe un ROAS attribué de 9 sur search marque, 4 sur retargeting social, 2,5 sur vidéo et 1,8 sur DOOH. Une lecture plateforme conduirait à concentrer le budget sur search marque et retargeting. Le MMM montre pourtant que le search marque est fortement saturé : au-delà de 80 000 euros par mois, chaque tranche supplémentaire de 10 000 euros ne génère que 8 000 euros de marge incrémentale. La vidéo affiche un ROI moyen plus faible, mais stimule les requêtes marque et les visites directes avec un effet retardé de deux semaines. Le DOOH ne convertit presque jamais directement, mais améliore les ventes dans les zones exposées lorsque la distribution locale est suffisante. La hiérarchie change dès que l’on passe du ROAS attribué au rendement incrémental.

Le MMM a toutefois des limites structurelles. Il exige des données suffisamment longues et variables. Une marque qui investit toujours le même montant dans les mêmes canaux aux mêmes périodes aura du mal à isoler les effets. Les modèles hebdomadaires nécessitent souvent 104 à 156 semaines de données pour stabiliser les estimations, même si des approches plus récentes peuvent fonctionner avec moins d’historique lorsque les priors et les tests expérimentaux sont bien intégrés. Le MMM est également sensible aux variables omises : rupture de stock, changement de prix, baisse de qualité du trafic organique, pression concurrentielle ou modification de l’assortiment peuvent être confondus avec un effet média si les données ne sont pas disponibles.

Enfin, le MMM n’est pas un outil d’optimisation opérationnelle quotidienne. Il ne dira pas quelle création display couper à 15 heures, quel deal ID privilégier dans un DSP, demand-side platform, plateforme permettant aux acheteurs d’acheter des impressions publicitaires de façon automatisée, ni quelle audience retargeting plafonner. Sa force est la lecture causale et économique agrégée ; sa faiblesse est la granularité d’activation.

Ce que l’attribution user-level apporte : granularité, séquencement et pilotage tactique

L’attribution user-level vise à relier des expositions, clics et conversions à des identifiants individuels ou pseudonymisés : cookie, mobile ad ID, login, email hashé, ID CRM ou identifiant de plateforme. Elle peut prendre plusieurs formes. Le last click attribue 100 % du crédit au dernier clic avant conversion. Le first click valorise le premier point de contact observé. Le linéaire répartit le crédit entre interactions. Le time decay donne plus de poids aux contacts récents. Les modèles algorithmiques, parfois appelés data-driven attribution, estiment statistiquement la contribution des points de contact à partir des parcours observés. Le MTA, multi-touch attribution, désigne généralement ces approches qui distribuent le crédit entre plusieurs interactions.

Sa valeur réside dans la granularité. L’attribution user-level permet d’analyser les chemins de conversion, la fréquence avant achat, les délais entre exposition et conversion, les performances par audience, création, device, placement, mot-clé, format ou séquence CRM. Dans les environnements RTB, real-time bidding, enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, elle nourrit les algorithmes d’optimisation : enchère plus élevée sur une audience à forte propension, exclusion d’un segment déjà converti, ajustement de capping, réallocation entre créations, coupure d’un inventaire à faible engagement post-clic.

Pour le bas de funnel, cette vitesse est indispensable. Une campagne search non-marque, un flux shopping, un retargeting panier, une campagne email de relance ou une activation retail media onsite doivent être pilotés à fréquence rapprochée. Attendre un MMM trimestriel pour corriger une fenêtre d’attribution trop large ou un segment sursaturé serait absurde. L’attribution user-level sert ici de système nerveux opérationnel. Elle indique où l’algorithme trouve les conversions attribuées, quels signaux déclenchent l’achat, quelles audiences répondent et quels points de friction apparaissent.

Mais cette granularité crée une illusion de précision. Observer un parcours ne signifie pas mesurer ce qui a causé la conversion. Un utilisateur exposé à une bannière retargeting deux heures avant un achat pouvait déjà avoir l’intention d’acheter. Une conversion post-view attribuée à une impression display non visible ou servie à un client actif ne vaut pas une conversion incrémentale. Les plateformes ont en outre intérêt à maximiser leur crédit selon leurs propres fenêtres post-clic ou post-view. Sur des plans multi-plateformes, la somme des conversions revendiquées peut dépasser les conversions réelles de 20 % à 70 %, selon les secteurs, les fenêtres et la pression média.

L’attribution user-level est également fragilisée par la perte de signal. Sur iOS, la disponibilité des identifiants publicitaires dépend du consentement. Sur le web, la disparition des cookies tiers réduit la capacité à reconstruire des parcours cross-site. Dans les walled gardens, les annonceurs accèdent souvent à des résultats agrégés ou modélisés plutôt qu’à des logs utilisateur complets. Les clean rooms, environnements sécurisés permettant de croiser des données sans exposer les identifiants individuels, offrent une réponse partielle, mais elles ne suppriment pas les biais d’observabilité. Ce que l’on voit dans le parcours n’est pas nécessairement représentatif de l’ensemble du parcours.

Une bonne utilisation de l’attribution user-level suppose donc des garde-fous : déduplication par une source de vérité annonceur, exclusion ou pondération des impressions non visibles, fenêtres adaptées par canal, distinction entre nouveaux clients et clients existants, limitation du crédit post-view, contrôle des effets de fréquence et tests d’incrémentalité sur les audiences critiques. L’attribution user-level ne doit pas être abandonnée ; elle doit être disciplinée.

Arbitrer selon le funnel : chaque étage appelle une preuve différente

Le haut de funnel regroupe les leviers dont le rôle principal est de générer de la demande : TV, CTV, vidéo online, DOOH, audio, social reach, display contextuel premium, sponsoring éditorial ou influence. Leur effet se manifeste rarement par un clic immédiat. Il peut apparaître dans les recherches marque, les visites directes, la mémorisation, la préférence, la pénétration de catégorie ou les ventes futures. Pour ces leviers, le MMM, les geo-tests, les brand lift studies et les analyses de séries temporelles sont plus pertinents que l’attribution user-level. Le KPI central n’est pas le CPA last click, mais le coût par reach qualifié, le lift de considération, le coût par recherche incrémentale, la marge incrémentale ou le ROI marginal.

Le milieu de funnel correspond aux leviers qui transforment l’attention en considération active : social engagement, vidéo séquentielle, display contextuel, native ads, campagnes de leads, contenus sponsorisés, email d’acquisition, audiences lookalike, retail media offsite ciblant des acheteurs catégorie. Ici, aucun modèle ne suffit seul. L’attribution user-level peut suivre les visites qualifiées, les ajouts panier, les formulaires, les vues produit, les téléchargements ou les progressions CRM. Le MMM peut estimer si ces signaux se traduisent réellement en ventes ou en nouveaux clients. Les tests holdout, groupes volontairement non exposés servant de contrefactuel, sont souvent indispensables pour vérifier que l’engagement observé n’est pas seulement le reflet d’une audience déjà chaude.

Le bas de funnel regroupe les leviers de capture et conversion : search marque, shopping, retargeting dynamique, affiliation couponing, email panier abandonné, retail search marque, relances CRM. L’attribution user-level y est plus utile, car les parcours sont courts, les événements nombreux et les optimisations fréquentes. Mais c’est aussi l’étage où le risque de cannibalisation est le plus fort. Un ROAS de 12 sur search marque peut cacher une incrémentalité faible si la marque est déjà recherchée et si l’organique aurait capté une partie des ventes. Un retargeting à CPA de 8 euros peut être moins rentable qu’une prospection à CPA de 35 euros si 80 % de ses conversions auraient eu lieu sans exposition.

Une matrice d’arbitrage peut être formulée simplement :

1. Haut de funnel : privilégier MMM, geo-tests, brand lift, analyses de recherche marque et courbes de saturation. L’attribution user-level sert surtout au contrôle de qualité média et de fréquence.
2. Milieu de funnel : combiner attribution user-level, tests holdout, cohortes CRM et MMM. L’objectif est de relier les signaux intermédiaires à une valeur future.
3. Bas de funnel : utiliser l’attribution user-level pour l’optimisation, mais calibrer les budgets avec des tests d’incrémentalité, des exclusions CRM et des coefficients de cannibalisation.
4. Fidélisation : raisonner en marge, LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation avec la marque, et pression relationnelle plutôt qu’en conversions brutes.

Ce découpage évite une erreur fréquente : imposer au haut de funnel une logique de conversion immédiate et accorder au bas de funnel un crédit causal excessif. Plus un levier est éloigné de l’acte d’achat, plus la mesure doit être agrégée, expérimentale et orientée incrémentalité. Plus un levier est proche de l’achat, plus la mesure peut être granulaire, mais plus elle doit être corrigée de la cannibalisation.

Construire une architecture hybride : MMM, attribution et expérimentation dans le même système

La maturité ne consiste pas à choisir un camp, mais à organiser la hiérarchie des preuves. Une architecture hybride repose sur trois couches. La première est le MMM, qui fixe les ordres de grandeur : contribution par canal, ROI marginal, saturation, effets retardés, scénarios budgétaires. La deuxième est l’attribution user-level, qui pilote l’exécution : audiences, créations, placements, fréquence, enchères, séquences, déduplication. La troisième est l’expérimentation, qui arbitre les zones de doute : holdouts, geo-tests, conversion lift, tests d’exclusion CRM, tests de pression média.

Ces couches doivent se parler. Un MMM qui estime une forte contribution du social prospecting doit être rapproché des données user-level : quels segments sociaux recrutent vraiment des nouveaux clients ? Quelle fréquence visible précède les conversions qualifiées ? Quelles créations génèrent des visites profondes plutôt que des clics accidentels ? Inversement, une attribution user-level qui valorise fortement le retargeting doit être confrontée au MMM et aux holdouts : quelle part est incrémentale ? À partir de quelle fréquence le rendement marginal chute-t-il ? Quel budget peut être déplacé vers la prospection sans perdre de marge nette ?

Un principe opérationnel consiste à attribuer une fonction à chaque outil :

• MMM : allocation budgétaire trimestrielle ou semestrielle, arbitrages entre canaux, estimation des rendements marginaux, scénarios de saturation.
• Attribution user-level : optimisation hebdomadaire ou quotidienne, lecture des parcours observés, déduplication tactique, pilotage des créations et audiences.
• Expérimentation : validation causale sur les décisions à fort enjeu, calibration des coefficients d’incrémentalité, mesure des effets de cannibalisation.
• Data warehouse annonceur : source de vérité pour transactions, marge, statut nouveau client, consentement, retours produit, stocks et données CRM.

La source de vérité est déterminante. Les plateformes publicitaires peuvent servir à optimiser, mais elles ne doivent pas être l’arbitre final de la contribution. Le data warehouse ou le back-office commercial doit primer pour les conversions réelles, la marge et le statut client. Sans cette base, le MMM risque d’être alimenté par des variables incohérentes et l’attribution user-level de multiplier les doubles comptages.

La cadence doit également être clarifiée. L’attribution user-level peut être lue chaque jour pour détecter des anomalies : tags cassés, hausse du CPA, baisse du taux de conversion, créa sous-performante, fréquence excessive. Les tests d’incrémentalité demandent souvent deux à six semaines selon les volumes. Le MMM nécessite généralement une mise à jour mensuelle, trimestrielle ou semestrielle selon la variabilité du marché et la qualité des données. Confondre ces horizons crée de mauvaises décisions : couper un canal haut de funnel après trois jours de CPA faible, ou attendre trois mois pour corriger un retargeting manifestement surpressé.

Cas chiffré : quand les modèles racontent des histoires opposées

Prenons le cas d’une enseigne omnicanale qui investit 1 million d’euros sur un trimestre : 250 000 euros en vidéo online et CTV, 200 000 euros en social prospecting, 180 000 euros en search non-marque, 120 000 euros en search marque, 150 000 euros en retargeting display et social, 100 000 euros en retail media. Le reporting plateforme revendique un ROAS de 11 sur search marque, 8 sur retargeting, 5 sur retail media, 3 sur search non-marque, 2 sur social prospecting et 1,4 sur vidéo. Une lecture naïve recommanderait de réduire fortement la vidéo et le social pour renforcer search marque et retargeting.

L’audit user-level révèle d’abord plusieurs biais. Sur le retargeting, 64 % des conversions attribuées concernent des visiteurs des dernières 24 heures et 48 % sont des clients déjà actifs. La fréquence moyenne servie est de 9 impressions sur 7 jours, mais la fréquence visible atteint 17 sur les 12 % d’utilisateurs les plus exposés. Le search marque récupère des conversions très proches de l’achat, avec une part organique historiquement élevée. Le retail media performe fortement sur les mots-clés marque et les produits déjà leaders dans leur catégorie, mais moins sur les requêtes génériques.

Le MMM trimestriel, enrichi par deux années de ventes hebdomadaires, par les données promotionnelles, les ruptures de stock et la pression concurrentielle, donne une lecture différente. Il estime que la vidéo et la CTV ont généré 18 % de hausse incrémentale des recherches marque dans les zones les plus exposées, avec un effet maximal à J+10. Le social prospecting contribue significativement aux nouveaux clients, mais seulement sur deux audiences et trois créations. Le retargeting reste rentable, mais son ROI marginal chute au-delà de 90 000 euros trimestriels. Le search marque affiche un ROI moyen élevé, mais un faible ROI marginal, car une part importante de la demande aurait été captée par le SEO ou l’accès direct.

Un test holdout sur le retargeting confirme que seulement 28 % des conversions attribuées sont incrémentales. Sur 18 000 conversions revendiquées, environ 5 040 sont réellement additionnelles. Le CPA attribué de 8,33 euros devient un CPA incrémental proche de 29,76 euros. À l’inverse, un geo-test vidéo montre une hausse de marge incrémentale de 210 000 euros sur les zones exposées pour 120 000 euros investis, soit un ROI incrémental de 1,75, modeste mais positif, avec un effet plus marqué sur les nouveaux clients.

La décision finale n’est pas de couper les leviers de bas de funnel, mais de les plafonner. L’enseigne réduit le retargeting de 35 %, plafonne la fréquence à 6 impressions visibles sur 7 jours, exclut les clients actifs récents, maintient le search marque sur les positions défensives réellement nécessaires et réalloue 160 000 euros vers vidéo courte, social prospecting validé et retail media générique. L’attribution user-level continue de piloter les audiences et créations. Le MMM fixe les enveloppes et les rendements marginaux. Les holdouts contrôlent les segments à risque de cannibalisation. C’est cette combinaison qui produit un arbitrage robuste.

Les conditions de réussite : données, gouvernance et discipline de décision

La principale difficulté n’est pas technique, mais organisationnelle. Un MMM exige des données fiables sur les ventes, la marge, les promotions, les stocks, la distribution, les prix, la saisonnalité et les investissements média réels. L’attribution user-level exige des conventions de tracking, des fenêtres cohérentes, une déduplication stricte, une gestion du consentement et une nomenclature exploitable. Les tests d’incrémentalité exigent une acceptation du coût d’opportunité : maintenir un groupe non exposé peut sembler inconfortable, mais c’est souvent le prix nécessaire pour mesurer la causalité.

La nomenclature média est souvent sous-estimée. Si les campagnes ne distinguent pas clairement objectif, canal, audience, format, création, pays, device, plateforme, type d’achat et période, l’analyse devient fragile. Un MMM agrège des variables mal nommées ; l’attribution user-level mélange prospection et retargeting ; les tests ne peuvent pas isoler le traitement réel. La qualité de la mesure commence dans le plan de taggage et dans la convention de nommage, pas dans le dashboard final.

La gouvernance doit imposer des règles explicites. Par exemple : aucune décision budgétaire majeure ne doit être prise uniquement sur le ROAS plateforme ; toute ligne représentant plus de 10 % du budget doit disposer d’une hypothèse d’incrémentalité ; les conversions post-view doivent être filtrées par visibilité et durée ; le bas de funnel doit être évalué avec des tests d’exclusion ou holdouts ; le haut de funnel doit être jugé sur des fenêtres suffisamment longues et sur des indicateurs intermédiaires validés. Ces règles ne suppriment pas l’incertitude, mais elles évitent que chaque équipe choisisse le modèle qui valorise son propre levier.

Il faut également accepter que les modèles divergent. Un MMM peut indiquer qu’un canal crée de la valeur à moyen terme alors que l’attribution user-level le sous-crédite. Un modèle user-level peut détecter une création très performante que le MMM ne voit pas. Un test holdout peut contredire les deux si le périmètre testé est plus précis. La bonne pratique n’est pas de chercher une vérité unique, mais de hiérarchiser les preuves selon la décision. Pour l’allocation annuelle, le MMM et les tests macro dominent. Pour le choix d’une audience demain matin, l’attribution user-level domine. Pour un canal à fort budget et forte incertitude, l’expérimentation tranche.

Conclusion : une méthode d’arbitrage en six décisions

L’arbitrage entre MMM et attribution user-level doit partir du rôle du levier dans le funnel, pas de la préférence technique de l’organisation. Le MMM est plus adapté pour mesurer les effets agrégés, les rendements marginaux, la saturation et les contributions de leviers peu traçables. L’attribution user-level est plus adaptée pour optimiser l’exécution, les séquences, les audiences et les enchères sur les parcours observables. Les tests d’incrémentalité sont indispensables pour relier les deux et corriger les biais de causalité.

Une feuille de route actionnable peut tenir en six décisions. Premièrement, classer chaque canal par rôle principal : génération de demande, considération, conversion, réactivation ou fidélisation. Deuxièmement, associer à chaque rôle un modèle dominant : MMM pour le haut de funnel, hybride pour le milieu, attribution disciplinée pour le bas. Troisièmement, définir une source de vérité annonceur pour les conversions, la marge, les nouveaux clients et les retours. Quatrièmement, calibrer l’attribution user-level avec des filtres de visibilité, des fenêtres réalistes, des règles de déduplication et des coefficients d’incrémentalité. Cinquièmement, utiliser le MMM pour fixer les enveloppes budgétaires et les rendements marginaux, puis l’attribution pour piloter l’exécution. Sixièmement, réserver des tests holdout ou geo-tests aux zones où les montants et l’incertitude justifient une preuve causale.

La maturité ne consiste pas à choisir définitivement entre MMM et attribution user-level. Elle consiste à empêcher chaque méthode de sortir de son domaine de validité. Le MMM ne doit pas prétendre décider du meilleur placement quotidien dans un DSP. L’attribution user-level ne doit pas prétendre mesurer seule l’effet économique d’une campagne vidéo, CTV ou DOOH. Entre les deux, l’expérimentation sert de garde-fou. Pour les professionnels du marketing, l’objectif est clair : construire une mesure qui ne récompense pas seulement les canaux les plus visibles dans les dashboards, mais ceux qui créent réellement de la valeur incrémentale à chaque étage du funnel.