Le marketing mix modeling est vendu comme la solution pour mesurer l'offline. Pour une scale-up, c'est presque toujours trop tot. Voici quoi faire avant.
Un fondateur sur deux me parle de marketing mix modeling depuis six mois. C'est devenu le mot de passe de toute conversation sur la mesure, juste après « post-cookies ». Et neuf fois sur dix, ma réponse déçoit : vous n'avez pas assez de données pour que ce modèle vous dise quoi que ce soit d'utile.
Ce n'est pas une critique de la méthode. Le MMM fonctionne. Le problème, c'est qu'on le vend à des entreprises qui ne sont pas encore en état de s'en servir, et qu'un modèle mal nourri produit des chiffres faux avec beaucoup de conviction.
Ce que le marketing mix modeling promet vraiment
Le principe tient en une phrase : au lieu de suivre chaque individu avec un pixel, on compare l'évolution de vos ventes à l'évolution de vos investissements par canal, semaine après semaine. Pas de cookie, pas de consentement, pas d'iOS qui casse le suivi. Et surtout : ça capte l'affichage, la télé, la radio, tout ce que votre dashboard d'attribution ignore poliment.
C'est pour ça que la méthode, née dans les années 60 chez les annonceurs FMCG, revient en force. Google a ouvert Meridian, Meta pousse Robyn. Les outils sont gratuits. C'est justement ce qui rend le piège facile à ignorer.
Pourquoi le modèle ne marchera pas chez vous
La documentation de Meridian recommande deux à trois ans de données hebdomadaires pour construire un modèle national fiable. Deux à trois ans. Regardez votre historique offline : si vous avez lancé votre première campagne métro il y a huit mois, vous avez trente points de données, sur un budget qui a probablement doublé entre-temps, avec une saisonnalité que vous n'avez encore jamais observée deux fois.
Un modèle bayésien nourri de trente semaines ne mesure pas votre média. Il mesure votre bruit. Il vous rendra un chiffre — les modèles rendent toujours un chiffre — avec un intervalle de confiance si large qu'il englobe « ce canal fonctionne très bien » et « ce canal ne sert à rien ».
Ajoutez le coût réel : comptez huit à quatorze semaines entre l'audit de données et le premier modèle validé. Pour une scale-up qui doit arbitrer son budget du trimestre prochain, c'est un cycle entier perdu à construire un instrument qu'on ne pourra pas croire.
Mon opinion, et elle est tranchée : un tableur honnête bat un modèle sophistiqué mal alimenté. Parce que le tableur, lui, ne prétend pas savoir.
Ce qu'on fait à la place : on découpe la carte
La bonne méthode pour mesurer l'offline quand on n'a pas d'historique n'est pas de modéliser le passé. C'est de fabriquer une expérience dans le présent. On expose certaines zones géographiques, on en laisse d'autres au repos, et on compare. C'est brutal, c'est lisible, et ça ne demande ni data scientist ni deux ans de patience.
Chez Comptoirs de la Bio, on a remplacé le prospectus papier par du ciblage isochrone autour des magasins : chaque zone de chalandise adressée selon son temps de trajet réel, campagne 100 % trackée. Résultat, le budget d'acquisition en point de vente divisé par deux, avec la preuve zone par zone — pas une estimation modélisée, une comparaison.
Pour Deblock, la logique était la même à une autre échelle : encerclement des stations de métro et géociblage mobile à 100 mètres autour des points d'exposition, plus de 30 millions d'impressions. On savait quelles zones étaient sous pression et lesquelles ne l'étaient pas. La lecture du signal se fait dans cet écart, pas dans une régression.
La règle qu'on applique chez Jour de Chance
Tant qu'un client a moins de deux ans d'historique offline, on ne modélise pas : on teste. Zones exposées contre zones témoins, fenêtre de mesure fixée à l'avance, une seule variable qui bouge. Le MMM viendra quand il y aura assez de matière pour qu'il apprenne autre chose que nos hésitations.
Trois signaux qui valent mieux qu'un modèle mal nourri
- Le test géographique. Deux groupes de villes comparables, un exposé, un non exposé. La différence de ventes ou de trafic sur la période est votre incrémentalité. C'est la mesure la plus proche d'une vérité expérimentale que vous obtiendrez.
- Le trafic de marque. Recherches sur votre nom, trafic direct, taux de complétion des formulaires. L'affichage et la télé ne cliquent pas, ils font chercher. Ce signal se lit à la semaine et il est gratuit.
- Le CAC blended. Coût d'acquisition global, tous canaux confondus, suivi semaine après semaine. Si vous ajoutez de l'offline et que le CAC blended baisse pendant que le volume monte, l'offline paie. Si les deux montent ensemble, il faut chercher.
Aucun de ces trois signaux n'est parfait isolément. Ensemble, ils suffisent largement à décider où mettre les 200 000 euros du trimestre prochain — ce qui est, après tout, la seule question.
Quand vous serez vraiment prêts pour le MMM
Trois conditions, dans cet ordre. Deux ans d'historique hebdomadaire propre, avec les dépenses par canal réconciliées. Au moins quatre ou cinq canaux actifs simultanément, sinon le modèle n'a rien à arbitrer. Et un budget média annuel assez lourd pour qu'un arbitrage à 10 % justifie trois mois de chantier data.
En dessous, le MMM est un projet de dirigeant qui veut se rassurer, pas un outil de décision. Le jour où vous cochez les trois cases, le modèle devient redoutable : c'est le seul instrument qui arbitre la télé, l'affichage et le search dans la même équation.
D'ici là, la bonne question n'est pas « quel modèle ? » mais « quelle expérience je lance ce mois-ci ». Si vous voulez qu'on regarde ensemble ce que vos données actuelles permettent réellement de mesurer, l'audit média est gratuit et dure une heure.
À lire aussi
L'équipe Jour de Chance
Experts en acquisition digitale et stratégie média.