Quand une entreprise communique sur plusieurs canaux (publicité sur les moteurs de recherche et les réseaux sociaux, e-mailing, influence, salons…), une question revient souvent : qu’est-ce qui fait réellement venir les clients ? Et, juste derrière : où mettre le prochain euro ?
Deux approches y répondent : l’attribution et le marketing mix modeling, ou MMM. On les présente parfois comme concurrentes. En réalité, elles ne regardent ni la même chose, ni à la même échelle, et on gagne à utiliser les deux.
L’attribution : suivre chaque client, clic après clic
L’attribution suit le parcours de chaque client, point de contact après point de contact, puis répartit le mérite de la vente entre eux. Cette répartition dépend du modèle choisi :
- tout au dernier clic, celui qui précède l’achat ;
- tout au premier clic, celui qui a fait découvrir la marque ;
- à parts égales entre tous les contacts ;
- davantage aux contacts les plus récents.
Aucun modèle n’est « le bon » dans l’absolu. Le choix dépend du secteur, de la durée du cycle d’achat et des hypothèses de l’équipe marketing. Changer de modèle peut d’ailleurs faire paraître un canal plus ou moins rentable sans qu’aucune vente n’ait changé.
L’attribution travaille à petite échelle : le client, la campagne, la journée. Dans sa version à règles, elle fonctionne avec peu de données, ce qui en fait un bon outil pour piloter les campagnes au quotidien.
Ses limites sont connues. Elle décrit le passé sans le prédire. Et elle ne voit que les canaux qui laissent une trace de clic : un affichage, un article de presse ou une recommandation entre collègues n’apparaissent dans aucun parcours.
Le MMM : relier les budgets aux ventes, semaine après semaine
Le marketing mix modeling prend le problème de plus haut. Il ne suit pas les personnes : il relie, semaine après semaine et sur plusieurs années, les dépenses de chaque canal aux ventes totales, en tenant compte des saisons et des promotions.
Le modèle décompose ensuite les ventes en plusieurs parts :
- la base : ce qui se serait vendu de toute façon, grâce à la notoriété, aux clients fidèles ou à la saison ;
- la contribution de chaque canal, y compris ceux qui ne génèrent pas de clic ;
- l’effet qui se prolonge après une campagne : une publicité vue aujourd’hui peut déclencher un achat quelques semaines plus tard ;
- la saturation : le seuil au-delà duquel chaque euro supplémentaire rapporte de moins en moins.
Il demande plus de données et une expertise statistique poussée. Il s’affine grâce à des tests sur le terrain : faire varier un budget dans quelques zones et comparer avec des zones où rien ne change. Ces tests ont un coût, mais ils ancrent le modèle dans le réel.
En retour, le MMM permet ce que l’attribution ne fait pas : simuler l’avenir. Que se passerait-il si l’on déplaçait une partie du budget d’un canal vers un autre ?
Les différences en un coup d’œil
Échelle de temps, granularité, données nécessaires, façon de séparer les canaux, technique et usage : le tableau ci-dessous résume ce qui distingue les deux approches.
Pourquoi le MMM revient en force
La méthode n’est pas nouvelle : elle existe depuis des décennies, notamment dans la grande consommation. Mais le contexte a changé.
- Le suivi des clics recule. Le refus des cookies et les règles de confidentialité réduisent ce que l’attribution peut suivre. Une partie des parcours devient invisible.
- Certains canaux échappent au clic. C’est le cas du GEO, la visibilité dans les réponses des assistants d’intelligence artificielle : un internaute découvre une marque dans une réponse, puis vient directement sur le site. L’attribution n’y voit qu’une visite directe. Un MMM peut estimer cet effet, à condition de le mesurer dans le temps.
- Les outils sont devenus accessibles. Les progrès du machine learning et des statistiques bayésiennes ont rendu ces modèles plus abordables. Des bibliothèques open source comme PyMC-Marketing ou Meridian permettent aujourd’hui de construire un MMM sans les moyens d’un grand groupe.
Une démarche scientifique, pas une boîte noire
Un modèle ne vaut que s’il est confronté au réel. Un MMM fiable suit donc une démarche rigoureuse :
- des données propres et réunies au même endroit : dépenses par canal, ventes réelles, promotions, saisons ;
- des hypothèses formulées avec l’équipe marketing : quels canaux agissent avec un temps de retard, quelles périodes sont atypiques ;
- un modèle, confronté au terrain par des tests ;
- des ajustements, jusqu’à ce qu’il explique correctement les ventes passées.
La data construit le modèle ; la connaissance du métier aide à concevoir les tests et à interpréter les résultats. Un modèle qui conclut qu’un canal ne rapporte rien mérite d’être discuté avec les personnes qui le pilotent, avant d’en couper le budget.
Comment combiner les deux
Plutôt que de choisir, chaque approche trouve sa place :
- l’attribution pour le pilotage quotidien des campagnes : quelle annonce, quel mot-clé, quelle audience ;
- le MMM pour répartir le budget entre les canaux, au trimestre ou à l’année ;
- les tests terrain pour vérifier l’un et l’autre, et les recaler.
Quand les deux divergent fortement sur un canal, c’est souvent là qu’il y a quelque chose à apprendre.
Par où commencer ?
Avant de modéliser quoi que ce soit, il faut des données fiables et réunies : un historique des dépenses par canal et des ventes réelles, pas celles que chaque plateforme publicitaire s’attribue. C’est souvent la première étape de nos audits data marketing.
Pour voir à quoi ressemble un MMM une fois construit, nous avons enregistré une démonstration de notre simulateur MMM sur une marque fictive.
Et vous, comment évaluez-vous aujourd’hui la contribution de chacun de vos canaux ?
Pour aller plus loin : « Bridging the Marketing Mix Modeling Actionability Gap », Harvard Business Review Analytic Services, étude réalisée avec le soutien de Google.
