Le marketing mix modeling (MMM) est une méthode de modélisation statistique qui estime la contribution de chaque levier marketing aux ventes ou à un autre indicateur, à partir de séries historiques agrégées d’investissements, de ventes et de facteurs externes.
En s’appuyant sur des techniques économétriques, cette approche permet d’isoler l’effet de chaque variable du mix marketing, en tenant compte de facteurs internes (investissements, prix, promotions, distribution) et externes (saisonnalité, concurrence, conjoncture). Le modèle relie, période par période, le plus souvent par semaine, l’indicateur suivi aux dépenses ou aux expositions de chaque canal. Il intègre deux effets propres à la publicité. L’effet de rémanence, ou adstock, traduit le fait qu’une campagne continue d’agir après sa diffusion. L’effet de saturation traduit des rendements décroissants : chaque euro supplémentaire rapporte moins que le précédent. Certaines approches récentes sont bayésiennes : elles intègrent des connaissances préalables, comme les résultats d’expériences.
L’expression media mix modeling, de même sigle, désigne la même méthode lorsqu’elle porte principalement sur les leviers médias. Le marketing mix modeling y ajoute le prix, la promotion ou la distribution, c’est-à-dire l’ensemble du marketing mix. Le MMM se distingue de l’attribution marketing, qui reconstitue des parcours individuels pour répartir le crédit des conversions entre points de contact. Il ne suit aucun individu et couvre aussi les médias hors ligne.
Directions marketing et financières l’emploient pour estimer le retour sur investissement de chaque levier, simuler des réallocations du budget publicitaire et préparer le plan média.
Le MMM n’a besoin d’aucun identifiant individuel : il travaille sur des totaux par période et par canal. Cette propriété compte quand la mesure individuelle se dégrade, par exemple lorsqu’une partie des internautes refuse les cookies. Il permet aussi de comparer dans un même cadre la télévision, l’affichage, la radio et les leviers numériques. Nous y voyons un outil d’arbitrage budgétaire entre canaux, pas un outil de pilotage quotidien des campagnes.
La documentation de Meridian, bibliothèque de MMM publiée par Google (consultée en 2026), recommande de collecter les données par semaine. Elle préconise au moins deux ans de données hebdomadaires pour un modèle par zone géographique et trois ans pour un modèle national. Elle précise que ces repères sont approximatifs : le meilleur contrôle reste la largeur des intervalles de crédibilité obtenus. Son exemple est parlant : deux ans de données hebdomadaires, soit 104 points, pour environ 26 paramètres, forment un échantillon trop faible pour une estimation fiable.
L’article de chercheurs de Google « Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects » (Jin et al., 2017) souligne la même limite : avec un petit échantillon, les hypothèses de départ pèsent fortement sur les résultats et peuvent les biaiser.
Le MMM produit trois sorties principales : la contribution de chaque levier au résultat, son rendement, souvent exprimé en retour sur les dépenses publicitaires, et sa courbe de réponse, qui montre où commence la saturation. Lisez toujours l’intervalle d’incertitude avec l’estimation centrale. Un levier dont le rendement est estimé, par exemple, entre 0,5 et 3 n’est pas « rentable » : il est mal mesuré. Cette lecture évite des réallocations fondées sur du bruit statistique.
Le livre blanc gratuit d’Advalians recense onze erreurs de mesure courantes et propose un test de fiabilité en 12 points, pour décider de votre budget sur des chiffres solides.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
Le MMM utilise des données agrégées pour estimer l’impact global des leviers marketing sur les ventes, tandis que l’attribution multi-touch, une forme d’attribution marketing, suit le parcours individuel des utilisateurs pour répartir le crédit d’une conversion entre plusieurs points de contact numériques.
Conséquence pratique : le MMM couvre les médias hors ligne et ne dépend pas des identifiants individuels, mais il répond à un niveau agrégé, par canal et par semaine. L’attribution répond au niveau de la campagne, mais ne voit que les contacts traçables. Utilisez le MMM pour répartir le budget entre canaux, l’attribution pour optimiser à l’intérieur des canaux numériques.
Il faut disposer de données historiques fiables sur les ventes, les dépenses marketing par canal, les prix, les promotions, la distribution, mais aussi sur les variables externes (météo, saisonnalité, contexte économique). Pour chaque canal payant, ajoutez si possible une mesure d’exposition, comme les impressions ; à défaut, la dépense sert d’approximation.
Collectez les séries par semaine. À titre indicatif, prévoyez deux à trois ans d’historique, davantage si vous modélisez de nombreux canaux : chaque canal ajoute des paramètres à estimer.
Vérifiez d’abord sa capacité de prévision sur une période qu’il n’a pas utilisée pour son estimation. Contrôlez ensuite la largeur des intervalles d’incertitude : un rendement estimé dans une fourchette très large ne permet aucun arbitrage. Examinez la plausibilité des effets. Un levier à effet négatif ou une rémanence de plusieurs années signalent un problème de données ou de spécification.
Confrontez enfin les résultats à une expérience, par exemple une coupure de diffusion sur une zone test. Un modèle fiable est cohérent avec l’expérience, pas seulement bien ajusté aux données passées.
Le piège principal est de lire une contribution estimée comme une vérité mesurée. Un MMM répartit les ventes selon ses hypothèses : changer la rémanence ou la saturation supposées peut déplacer plusieurs points de contribution d’un canal à l’autre. Comparez donc deux ou trois spécifications plausibles et ne retenez que les conclusions communes à toutes.
Avant toute réallocation importante, testez-la sur une partie du budget ou sur une zone géographique, puis comparez le résultat à la prévision du modèle.
Le critère n’est pas la taille mais la matière statistique disponible. Le MMM convient aux annonceurs qui investissent dans plusieurs canaux, dont des médias hors ligne, avec des dépenses qui varient d’une semaine à l’autre et un historique de deux à trois ans. Une PME qui investit surtout dans deux ou trois canaux numériques obtiendra plus vite des réponses utiles avec un test A/B ou des tests par zone géographique.
Renoncez au MMM si vos dépenses sont stables, si l’historique est court ou si aucune décision de répartition budgétaire n’en dépend.
Modèles, grilles et guides prêts à l’emploi pour vos projets marketing et communication.
