Marketing Mix Modeling
Forfait : HyperRépartir le chiffre d'affaires entre les canaux média, et savoir quand ne pas croire l'attribution.
Problèmes business
- Savoir quelle part du chiffre d'affaires revient à chaque canal média, et à quel ROI.
- Repérer le canal saturé, où un euro de plus ne rapporte presque plus rien.
- Modéliser dépenses et ventes sans les confier à un prestataire ni à un cloud.
- Faire entrer dans le modèle le résultat d'un test géographique ou d'une lift study.
Problèmes académiques
- Enseigner l'adstock, la saturation et la régularisation ridge sur un jeu hebdomadaire complet.
- Montrer la différence entre une attribution par modèle et une mesure expérimentale.
Méthodes et garanties
- Adstock géométrique avec délai, saturation concave, régression ridge avec contrainte de non-négativité en option.
- Back-test chronologique sans fuite : transformations, standardisation et priors recalibrés sur l'apprentissage seul.
- Intervalles de contribution par bootstrap par blocs, VIF par canal.
- Moteur comparé au jeu simulé public de Meridian ; chaque résultat porte sa version de moteur et l'empreinte de sa configuration.
Attribuer le chiffre d'affaires à chaque canal
Le modèle explique une cible temporelle (Target, le chiffre d'affaires de la semaine par exemple) par les dépenses de chaque canal média coché dans le panneau, une baseline (tendance et saison) et des colonnes de contrôle pour les chocs connus : prix, promotions, jours fériés. Chaque dépense agit avec un délai (Max Delay), continue d'agir sur plusieurs périodes (Carryover (max lag)), puis sature. La pénalité ridge (L2 Penalty) stabilise les canaux qui bougent ensemble.
Le résultat décompose le chiffre d'affaires semaine par semaine et donne, pour chaque canal, sa contribution, sa part, son ROI et l'intervalle de sa contribution. Le calcul tourne entièrement dans le navigateur : dépenses et ventes ne quittent pas le poste.
Trouver où le prochain euro rapporte encore
Les courbes de réponse montrent la contribution d'un canal en fonction de sa dépense, avec un coude là où elle commence à plafonner. C'est là que se lit l'arbitrage budgétaire : un canal déjà sur son plateau rapporte peu par euro ajouté, un canal encore sur sa pente peut absorber plus. Une courbe en pointillés signale un canal dont la saturation n'a pas pu être identifiée : on n'y lit pas de coude.
Arbitrer entre deux canaux sur une surface
À deux canaux, la courbe devient une surface. Dans la scène 3D, le chiffre d'affaires prédit s'élève au-dessus du plan des dépenses des deux canaux : là où la surface s'aplatit, le canal sature et le prochain euro rapporte davantage ailleurs. Les semaines observées se posent autour, à leur chiffre réel, et des plans de dépense étiquetés (Scenario Points) se comparent directement sur la surface.
Savoir quand ne pas croire le modèle
Un MMM lit des corrélations dans le temps : c'est la meilleure explication cohérente de l'historique, pas une mesure causale. Le module le dit au lieu de le cacher. Le back-test (Holdout) est chronologique et sans fuite : on lit d'abord l'erreur sur les dernières semaines, le R² d'apprentissage n'étant qu'un contrôle. Reliability Bootstrap donne à chaque canal un intervalle, et la mention robuste quand sa contribution reste au-dessus de zéro d'un rééchantillonnage à l'autre. Un VIF au-dessus de 10 dit que la part d'un canal ne se sépare pas de celle des canaux corrélés. Les notes de run signalent une série trop courte (moins de 52 périodes), une cadence irrégulière, un canal à dépense constante, une saison couverte une seule fois.
Faire entrer ce qu'on sait déjà
Quand des mesures expérimentales existent (tests géographiques, lift studies), les priors de ROI les font entrer dans le modèle : un ROI attendu par canal, et un poids qui règle sa force face aux données (Prior Weight, puis un poids par canal). C'est l'équivalent fréquentiste des priors bayésiens de Meridian. Mêmes données, même configuration, même version du moteur : même résultat, vérifiable à l'empreinte affichée sous les graphiques.
Essayez-le sur vos données
Tout s’exécute dans votre navigateur : vos données ne le quittent pas.
Ouvrir TétrachoreMis à jour le 7 novembre 2026