MMM augmenté : articuler incrémentalité, ROAS et arbitrages média

Le MMM revient au centre du pilotage parce que l’attribution seule ne suffit plus

La fragmentation des signaux publicitaires a remis le MMM au premier plan des arbitrages média. Le MMM, marketing mix modeling, désigne une modélisation statistique qui estime la contribution des leviers marketing et commerciaux à partir de séries temporelles agrégées : dépenses média, pression promotionnelle, prix, distribution, saisonnalité, concurrence, météo, disponibilité produit ou indicateurs macroéconomiques. Son regain d’intérêt n’est pas seulement lié à la disparition progressive des identifiants tiers. Il répond à une limite plus profonde : l’attribution digitale, méthode qui assigne une conversion à un ou plusieurs points de contact utilisateur, a souvent confondu traçabilité et causalité.

Le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, reste utile pour piloter des opérations proches de la conversion. Mais il devient insuffisant dès que l’on cherche à arbitrer entre vidéo de notoriété, display programmatique, search marque, retail media, TV connectée, DOOH, digital out-of-home, affichage extérieur numérique, et CRM. Un canal peut afficher un ROAS attribué de 9 parce qu’il capte une demande déjà formée, tandis qu’un autre peut afficher un ROAS direct de 1,8 mais générer une hausse incrémentale des recherches de marque et des ventes futures. Si l’on décide uniquement sur le ROAS de plateforme, on favorise mécaniquement les leviers de captation au détriment des leviers de création de demande.

Le MMM augmenté vise précisément à corriger ce biais. Il ne s’agit pas de remplacer tous les dashboards opérationnels par un modèle économétrique trimestriel. Il s’agit d’articuler trois niveaux de vérité : les mesures d’attribution pour piloter le court terme, les tests d’incrémentalité pour mesurer ce qui se serait produit sans exposition, et le MMM pour arbitrer les budgets à l’échelle du mix. L’enjeu est stratégique : transformer une addition de reportings propriétaires en système de décision capable de répondre à une question simple mais rarement bien traitée : quel euro média additionnel crée réellement le plus de valeur marginale ?

Pour les directions marketing avancées, le sujet n’est donc pas de savoir si le MMM est moderne ou ancien. Le sujet est de savoir comment l’enrichir avec les bons signaux : expériences contrôlées, données de coût propres, courbes de saturation, métriques de marge, contribution par horizon temporel, contraintes de funnel et signaux médias granulaires. Un MMM non augmenté peut produire une vision trop agrégée, lente et peu actionnable. Un MMM augmenté peut devenir une boussole budgétaire, à condition de respecter ses limites statistiques et de le connecter aux décisions d’achat.

Passer d’un ROAS attribué à une contribution incrémentale

Le premier changement conceptuel consiste à distinguer performance attribuée, performance incrémentale et performance marginale. La performance attribuée correspond au chiffre d’affaires ou aux conversions rattachés à un canal par une règle d’attribution : dernier clic, premier clic, post-view, data-driven attribution ou modèle propriétaire de plateforme. Elle répond à la question : quel point de contact est associé à une conversion observée ? Elle ne répond pas à la question : cette conversion aurait-elle eu lieu sans ce point de contact ?

La performance incrémentale cherche à mesurer le résultat additionnel causé par l’exposition ou par la dépense média. Elle nécessite un contrefactuel : groupe non exposé, zone géographique non activée, période comparable, randomisation, holdout ou modèle causal. Un holdout désigne un groupe volontairement exclu de l’exposition afin de comparer son comportement avec celui du groupe exposé. La performance marginale, elle, mesure ce que produit l’euro supplémentaire investi au-delà du niveau actuel. C’est souvent cette métrique qui devrait guider l’allocation budgétaire, car un canal peut être très rentable en moyenne mais saturé à la marge.

Un exemple illustre le problème. Une marque e-commerce investit 1 million d’euros par trimestre en search marque, retargeting display, vidéo programmatique et retail media. Le reporting attribué indique un ROAS de 12 pour le search marque, 7 pour le retargeting, 3 pour le retail media et 1,5 pour la vidéo. Une lecture naïve conduirait à couper la vidéo et à renforcer les leviers bas de funnel, c’est-à-dire les étapes proches de la conversion dans le parcours allant de la notoriété à la considération puis à l’achat. Mais un test géographique montre que la vidéo augmente les recherches de marque de 9 % dans les zones exposées et que 35 % de la croissance du search marque est en réalité stimulée par les campagnes amont. Dans ce cas, le ROAS du search capte une partie de la valeur créée par la vidéo.

Le MMM augmenté doit donc réallouer la valeur au niveau du système. Il ne doit pas se limiter à reproduire les résultats de l’attribution. Il doit intégrer les effets indirects : halo de marque, transfert vers l’organique, délai de conversion, interaction entre canaux et saturation. Le CPA, coût par acquisition, montant dépensé pour générer une conversion attribuée, peut aussi être trompeur. Un CPA de 25 euros sur des clients existants à faible marge peut valoir moins qu’un CPA de 60 euros sur de nouveaux clients à forte LTV, lifetime value, valeur économique attendue d’un client sur sa durée de relation avec la marque. Le MMM augmenté doit donc se rapprocher de la marge incrémentale, pas seulement du chiffre d’affaires attribué.

Construire un MMM augmenté : données, granularité et variables de contrôle

Un MMM robuste commence par une architecture de données propre. Les variables dépendantes doivent être choisies avec soin : ventes nettes, chiffre d’affaires hors retours, marge brute, commandes, nouveaux clients, visites qualifiées ou recherches de marque. Plus la métrique est proche de la valeur économique réelle, plus le modèle est utile. Beaucoup de MMM échouent parce qu’ils modélisent un chiffre d’affaires brut qui mélange promotions, retours, ruptures de stock, cannibalisation et effets prix.

Les variables explicatives doivent couvrir l’ensemble des facteurs capables d’influencer la performance. Côté média, il faut intégrer les dépenses, impressions, GRP lorsque la TV est présente, clics, vues vidéo, couverture, fréquence, impressions visibles ou secondes attentives lorsque disponibles. Côté business, il faut intégrer les prix, remises, promotions, pression commerciale, distribution, stock, lancement produit, jours fériés, saisonnalité, météo, activité concurrentielle et tendances macro. Un modèle qui attribue au média une hausse de ventes provoquée par une promotion de 30 % ou par une amélioration de disponibilité produit surestime mécaniquement le rôle de la publicité.

La granularité est un arbitrage central. Une donnée hebdomadaire sur trois ans donne environ 156 observations, ce qui limite le nombre de variables utilisables. Une donnée quotidienne offre plus d’observations mais augmente le bruit, les effets de calendrier et les problèmes d’alignement entre exposition et achat. Une granularité géographique permet d’exploiter des variations locales, mais nécessite des dépenses et ventes suffisamment différenciées par zone. En pratique, un MMM exploitable combine souvent une granularité hebdomadaire ou quotidienne avec des dimensions par canal, marché, région ou catégorie produit, selon la disponibilité des données.

Le MMM augmenté ajoute trois couches à ce socle. Premièrement, il intègre des priors ou contraintes issues de tests d’incrémentalité. Un prior est une hypothèse statistique préalable qui guide le modèle, par exemple une plage plausible d’élasticité média. Deuxièmement, il distingue les effets immédiats et retardés grâce à des fonctions d’adstock. L’adstock représente la persistance de l’effet publicitaire dans le temps : une campagne vidéo peut continuer à influencer les recherches et ventes plusieurs jours ou semaines après exposition. Troisièmement, il applique des courbes de saturation, car l’impact média n’est généralement pas linéaire. Les premiers euros investis sur un canal peuvent générer une forte contribution, puis le rendement marginal décroît à mesure que la couverture utile se stabilise ou que la fréquence devient excessive.

Un ordre de grandeur utile : dans de nombreux modèles, les canaux bas de funnel présentent des effets rapides, avec un délai de quelques heures à quelques jours, mais une saturation forte. Les canaux de marque présentent souvent un effet plus diffus, avec des demi-vies d’adstock de deux à six semaines selon la catégorie, la pression média et la notoriété initiale. Ces chiffres ne doivent pas être appliqués mécaniquement. Ils doivent être estimés, testés et confrontés aux expériences terrain.

Intégrer l’incrémentalité dans le modèle sans la transformer en vérité absolue

Les tests d’incrémentalité sont indispensables, mais ils ne sont pas parfaits. Un geo-test compare des zones exposées et non exposées. Une randomisation utilisateur répartit des individus ou cookies en groupes test et contrôle. Une étude de lift mesure l’écart de conversion, de considération ou de recherche entre populations comparables. Ces méthodes sont plus proches de la causalité que l’attribution, mais elles restent sensibles au design expérimental : taille d’échantillon, contamination entre groupes, durée du test, effets concurrentiels, saisonnalité, choix des KPI et respect de l’exclusion.

Dans un MMM augmenté, les tests ne doivent pas remplacer le modèle. Ils doivent le calibrer. Par exemple, si un test holdout montre que le retargeting display n’est incrémental qu’à 30 % sur les visiteurs des sept derniers jours, cette information peut corriger le poids du canal dans le modèle ou servir de contrainte sur son élasticité. Si un geo-test montre qu’une campagne vidéo génère un lift de ventes de 4 % avec un intervalle de confiance large, le MMM peut utiliser ce résultat comme signal directionnel, mais pas comme vérité exacte au centime près.

La bonne pratique consiste à construire une bibliothèque d’expériences. Chaque trimestre, l’annonceur teste un levier ou une hypothèse : suppression partielle du retargeting, hausse de budget vidéo dans certaines zones, variation de pression retail media, exclusion des clients actifs, test de fréquence en TV connectée, comparaison de deals programmatique premium et open auction. Le programmatique désigne l’achat automatisé d’espaces publicitaires, souvent via RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression au moment où elle devient disponible. Les résultats alimentent ensuite les priors du MMM et évitent que le modèle apprenne uniquement à partir de corrélations historiques.

Un cas concret : une enseigne omnicanale observe un ROAS attribué de 8 sur ses campagnes drive-to-store. Un test par zones de chalandise montre un incrément de visites magasin de 5,5 %, mais seulement 1,8 % de ventes additionnelles après prise en compte des clients qui seraient venus sans exposition. Le MMM, calibré avec ce test, réduit la contribution estimée du levier sur les ventes nettes, mais confirme son rôle sur la fréquence de visite dans certaines zones à faible pénétration. La décision n’est pas de couper le canal, mais de le limiter aux zones où la contribution marginale reste positive.

Relier MMM et achat média opérationnel : du modèle aux enchères

Un MMM augmenté n’a de valeur que s’il influence les décisions de trading, de planification et de budget. Or le risque fréquent est de produire un modèle annuel présenté en comité, puis oublié dans les plateformes d’achat. Pour éviter cette déconnexion, les sorties du MMM doivent être traduites en règles opérationnelles : budgets par canal, seuils de saturation, objectifs de couverture, contraintes de fréquence, priorisation d’audiences, niveau d’enchère et critères d’exclusion.

Dans une DSP, demand-side platform, plateforme utilisée par les acheteurs pour acheter automatiquement des impressions publicitaires, le pilotage quotidien repose sur des signaux tactiques : CPM, coût pour mille impressions, taux de clic, taux de conversion, viewability, fréquence, inventaire, audience, device, domaine, SSP, supply-side platform, plateforme utilisée par les éditeurs pour vendre leur inventaire. Le MMM ne peut pas décider impression par impression. En revanche, il peut définir le cadre économique dans lequel ces signaux doivent être interprétés.

Exemple : le MMM montre que le display de prospection a une contribution marginale positive jusqu’à 600 000 euros par mois, puis décroît fortement. Dans la DSP, cela peut se traduire par un budget plafond, une priorité aux inventaires à forte visibilité, une exclusion des utilisateurs déjà exposés plus de six fois, et une enchère plus élevée sur les segments nouveaux clients à forte marge. À l’inverse, si le MMM montre que le retargeting est rentable en moyenne mais saturé au-delà de trois expositions visibles par utilisateur, la règle opérationnelle doit être un plafonnement de fréquence, pas une simple baisse uniforme du budget.

Le lien doit aussi fonctionner dans l’autre sens. Les plateformes opérationnelles produisent des signaux que le MMM classique ignore souvent : impressions visibles, taux d’IVT, invalid traffic, trafic invalide, distribution par environnement, qualité des deals, formats, attention estimée, part de nouveaux visiteurs, duplication d’audience. Ces signaux peuvent améliorer la qualité des variables média. Dépenser 100 000 euros en display avec 70 % de viewability et faible fraude n’a pas le même sens que dépenser 100 000 euros avec 38 % de viewability et un inventaire encombré. Le MMM augmenté doit donc modéliser autant que possible la pression média utile, pas uniquement la dépense brute.

Arbitrer les budgets avec les courbes de réponse marginale

La sortie la plus utile d’un MMM augmenté n’est pas le classement des canaux par contribution passée. C’est la courbe de réponse marginale. Une courbe de réponse décrit la relation entre niveau d’investissement et résultat attendu. Sa pente indique le rendement marginal : ce que produit l’euro supplémentaire. C’est cette pente qui doit guider les arbitrages, sous contrainte de budget, d’objectifs de funnel, de capacité opérationnelle et de risque.

Imaginons un budget média mensuel de 2 millions d’euros réparti entre search, social, vidéo, programmatique display, retail media et DOOH. Le MMM estime que le search génère 35 % des ventes attribuables au média, le social 20 %, la vidéo 18 %, le retail media 15 %, le display 8 % et le DOOH 4 %. Une lecture statique pourrait renforcer le search. Mais si la courbe de saturation montre que le search est déjà proche de son plateau, son euro marginal peut générer seulement 1,20 euro de marge, tandis que la vidéo, moins saturée, peut générer 2,10 euros de marge marginale avec un effet retardé sur quatre semaines. La bonne décision peut donc être de déplacer une partie du budget vers la vidéo, même si son ROAS court terme est inférieur.

Les arbitrages doivent aussi tenir compte du rôle dans le funnel. Un euro investi en notoriété ne doit pas être évalué avec la même fenêtre de conversion qu’un euro en retargeting. Le funnel désigne la progression entre notoriété, considération, intention et conversion. Le MMM augmenté doit relier chaque levier à des KPI intermédiaires pertinents : recherches de marque, trafic direct, visites qualifiées, nouveaux visiteurs, ajout panier, ventes magasin, part de nouveaux clients. Sans cette architecture, les canaux amont sont pénalisés par construction.

Une approche mature consiste à définir des poches budgétaires : création de demande, capture de demande, activation commerciale et fidélisation. Le MMM estime ensuite la contribution marginale de chaque poche, puis les équipes média arbitrent à l’intérieur de chaque poche avec des métriques opérationnelles adaptées. Cette séparation évite de comparer naïvement une vidéo de notoriété et une campagne search marque sur le même CPA à sept jours.

Les limites du MMM augmenté : précision apparente, biais et gouvernance

Le MMM augmenté n’est pas une machine à vérité. Il reste un modèle statistique dépendant de la qualité des données, des hypothèses et de la variabilité historique. Si un canal a toujours été activé en même temps qu’un autre, le modèle aura du mal à séparer leurs contributions. Si les budgets n’ont presque jamais varié, il estimera mal les courbes de réponse. Si les données de coûts sont incohérentes entre agences, plateformes et finance, les conclusions seront fragiles.

Le risque principal est la précision apparente. Un modèle peut afficher une contribution de 14,7 millions d’euros pour un canal avec un intervalle d’incertitude très large. Les résultats doivent être présentés avec des fourchettes, pas seulement des points estimés. Dire qu’un canal contribue entre 10 et 18 millions d’euros n’a pas la même implication que dire qu’il contribue précisément à 14,7 millions. Les décisions budgétaires doivent intégrer cette incertitude, notamment lorsque les arbitrages déplacent de gros volumes.

Le deuxième risque est le biais de variable omise. Si le modèle n’intègre pas les ruptures de stock, une campagne média diffusée pendant une période de forte disponibilité produit peut être survalorisée. Si les promotions ne sont pas codées correctement, le média peut récupérer le crédit d’une baisse de prix. Si la pression concurrentielle est absente, une baisse de performance peut être attribuée à tort à une baisse d’efficacité publicitaire. La discipline de data engineering est donc aussi importante que la sophistication statistique.

Le troisième risque est organisationnel. Le MMM peut entrer en conflit avec les dashboards de plateformes, les objectifs d’agence, les primes commerciales ou les habitudes des équipes. Si le modèle montre que 40 % du retargeting est non incrémental, mais que le canal porte les meilleurs CPA attribués du plan, la décision sera politiquement difficile. La gouvernance doit donc être définie avant la publication des résultats : qui valide les hypothèses, qui arbitre les contradictions, quelle métrique prime en cas de conflit, et à quelle fréquence les budgets sont réalloués.

Enfin, le MMM ne doit pas être mis à jour si rarement qu’il devient décoratif. Pour des marchés très dynamiques, une cadence trimestrielle avec recalibration continue peut être nécessaire. Pour des catégories plus stables, une mise à jour semestrielle peut suffire, complétée par des tests d’incrémentalité ciblés. L’important est d’aligner la cadence du modèle sur la cadence réelle des décisions.

Conclusion : faire du MMM augmenté un système d’arbitrage, pas un rapport de plus

Le MMM augmenté devient utile lorsqu’il relie trois dimensions rarement alignées : la mesure causale, la performance économique et l’exécution média. L’attribution reste nécessaire pour piloter les campagnes au quotidien, mais elle doit être corrigée par l’incrémentalité. Le ROAS reste parlant pour les équipes marketing et finance, mais il doit être interprété à la marge et non comme une moyenne historique. Le MMM reste puissant pour arbitrer le mix, mais il doit être enrichi par des expériences, des signaux de qualité média et des métriques de marge.

Une feuille de route actionnable peut s’organiser en sept étapes. Premièrement, choisir une variable cible alignée sur la valeur réelle : marge, ventes nettes, nouveaux clients ou LTV plutôt que chiffre d’affaires brut par défaut. Deuxièmement, fiabiliser les données de coût, de calendrier, de promotion, de stock et de média utile. Troisièmement, construire un MMM avec adstock, saturation et variables de contrôle explicites. Quatrièmement, lancer des tests d’incrémentalité récurrents pour calibrer les hypothèses du modèle. Cinquièmement, produire des courbes de réponse marginale par canal et par poche de funnel. Sixièmement, traduire les résultats en règles opérationnelles dans les DSP, les plans retail media, les stratégies de fréquence et les arbitrages de deals. Septièmement, instaurer une gouvernance qui documente les incertitudes, les décisions prises et les résultats observés après réallocation.

La maturité ne consiste pas à choisir entre MMM, attribution et expérimentation. Elle consiste à savoir quel outil répond à quelle question. L’attribution répond à ce qui est associé à une conversion. L’incrémentalité répond à ce qui a probablement causé un résultat additionnel. Le MMM augmenté répond à la question de portefeuille : où investir le prochain euro pour maximiser la valeur future sous contrainte de budget, de saturation et d’objectif business. C’est à cette condition qu’il devient un instrument de décision média, et non un exercice économétrique déconnecté du trading réel.