Media Mix Modeling

Le Media Mix Modeling (MMM, aussi appelé Marketing Mix Modeling) est une méthode économétrique qui mesure la contribution réelle de chaque investissement marketing aux ventes - sur un horizon de plusieurs semaines à plusieurs années, au niveau agrégé, sans nécessiter de données individuelles. L’idée de base : collecter des séries temporelles (semaine par semaine, ou mois par mois) sur les ventes et l’ensemble des variables marketing et contextuelles (saisonnalité, prix, distribution, conjoncture), puis construire un modèle statistique qui isole la contribution de chaque canal.

La méthode a été développée dans les années 1950-60 pour les grands annonceurs en médias de masse, formalisée dans la littérature académique depuis les années 1990, et a connu une longue éclipse au profit du tracking digital déterministe. Elle revient en force depuis 2020, sous l’effet conjugué de la fin des cookies tiers, des restrictions de ciblage mobile (ATT d’Apple), et de l’émergence de packages open source qui ont démocratisé la technique.

Deux familles d’outils dominent aujourd’hui. Les méthodes bayésiennes (Meridian de Google, PyMC-Marketing) permettent d’intégrer formellement des connaissances a priori et de quantifier l’incertitude des estimations. La régression régularisée (Robyn de Meta, avec tuning évolutionnaire) est plus automatisée et plus accessible, au prix d’hypothèses que l’utilisateur maîtrise moins bien. La première revue peer-reviewed du domaine, publiée par Runge & Pauwels en 2026 (Northwestern + Northeastern), synthétise ces outils sur des bases scientifiques solides pour la première fois.

Trois limites structurelles s’appliquent à tous les packages : le MMM exige plusieurs années de données historiques (une marque de moins de 2 ans n’a pas d’historique exploitable), il ne détecte rien sans variation de budget (un canal au spend constant est statistiquement invisible), et il raisonne au niveau agrégé - il ne dit rien sur les individus ni sur les créatifs spécifiques.

L’essentiel en 4 points

• Le MMM répond aux questions du CMO sur l’allocation trimestrielle - pas à celles du media planner (arbitrages mensuels) ni du trader (optimisation quotidienne).
• Les packages open source ont rendu la technique accessible aux scale-ups, mais l’accessibilité technique ne signifie pas la rigueur méthodologique.
• Un MMM non calibré par geo-test produit des verdicts confiants et faux - la calibration est le point de passage obligé.
• Le vrai blocker est organisationnel : les équipes ont peur de ce que le modèle va trouver, et un verdict sans changement de décision est du théâtre pur.

L’horizon de décision du CMO

Le MMM n’est pas un meilleur dashboard, c’est un horizon de décision différent. Dan Taylor (20 ans chez Google), dans un épisode d’Uncensored CMO : “Attribution helps your hands-on keyboard today, incrementality helps your media planner tomorrow, and MMM helps your CMO in two months.” L’attribution plateforme est un signal réactif quotidien ; l’incrémentalité (géo-tests, holdouts) répond aux arbitrages mensuels du media planner ; le MMM répond aux décisions trimestrielles du CMO - quelle est la contribution réelle au P&L.

Le piège est d’utiliser un seul niveau pour répondre aux trois questions. C’est exactement ce que font les équipes qui pilotent leur allocation sur le last-click. Le MMM appartient au stack de mesure comme le troisième sommet du triangle, jamais un substitut aux deux autres.

Pourquoi le MMM redevient accessible

La revue de Runge & Pauwels identifie deux facteurs de retour. Premier : les technologies de confidentialité - fin des cookies tiers, opt-out iOS - rendent les approches déterministes “increasingly obsolete.” Les méthodes probabilistes top-down comme le MMM, qui ne nécessitent pas de données au niveau utilisateur, redeviennent attractives. Et ce sont précisément les annonceurs digital-first de taille petite à moyenne - les plus dépendants du tracking déterministe, sans expertise ni budget pour un MMM propriétaire - que la nouvelle génération d’outils vise à équiper.

Deuxième facteur : l’effondrement de la barrière technique. Charlie de Thibault documente un pipeline MMM complet construit avec Robyn via un LLM en 12 minutes 30, contre un benchmark industrie de 6 semaines. “Le point de la démo n’est pas que le modèle est parfait. Le point est ce qui arrive au cycle quand le coût de construction s’effondre de semaines à minutes.” Clé opérationnelle : tenir un dossier log/ et réinjecter les logs de chaque run dans le LLM pour itérer. L’enjeu se déplace de “sait-on le construire ?” à “sait-on le calibrer et l’écouter ?”

Les outils : Meridian, PyMC, Robyn

Selon Runge & Pauwels, quatre packages dominent : Meridian (Google, bayésien), Robyn (Meta, Ridge + tuning évolutionnaire), PyMC-Marketing (communauté, bayésien) et LightweightMMM (Google, déprécié - succession par Meridian). L’axe qui les sépare est un arbitrage automatisation/accessibilité vs rigueur/customisabilité : Robyn est le plus automatisé (modèle complet en moins d’un jour, cible “small and midsize advertisers”), Meridian le juste milieu bayésien, PyMC le plus flexible (1-2 semaines).

Sur la dynamique récente, Meridian et PyMC sont en fort investissement, Robyn en déclin apparent (dernière release R significative : décembre 2024). Nuance apportée par Runge & Pauwels : à fin 2025, Robyn reste le plus accessible en termes d’adoption (34 contributeurs, plus de 1 400 stars, plus de 121 000 téléchargements). Les deux lectures convergent : Robyn n’est plus le fer de lance méthodologique, mais reste l’outil d’entrée d’une scale-up sans équipe data.

Calibrer ou ne rien conclure

La calibration par expérimentation géographique (geo holdouts) est devenue le standard de fait. GeoX (Google) calibre le modèle par des expériences contrôlées par région, réduisant la dépendance aux hypothèses a priori. Un MMM non calibré est de moins en moins défendable comme outil de décision. Le corollaire d’identification : un MMM ne détecte rien sans variation de spend. “MMM detects variability. No variation = no discernible impact” - d’où la recommandation d’amplifier intentionnellement la variation (gros swings délibérés, documentés) plutôt que de maintenir une allocation stable.

Trois pièges méthodologiques, documentés par Growth Dynamics dans son Measurement Playbook, guettent l’utilisateur pressé :

• Multicolinéarité : quand Meta, Google et TikTok montent ensemble (au lancement), le modèle ne peut pas démêler qui a créé le lift - l’adstock aggrave le chevauchement.
• Adstocks longs : étendre le decay pour “capturer le brand” fait absorber au modèle la saisonnalité, la croissance catégorie, la macro - du bruit pris pour du brand-building. Limiter à 4-6 semaines ; suivre le long terme via le Share of Search et les surveys.
• Priors mal calibrés : très puissants, souvent ajustés pour “stabiliser” le modèle ou coller aux croyances client ou agence. Règle de triangulation : “If MMM says a channel has 5x ROI but incrementality shows 2x, trust the incrementality test” - le MMM capte des corrélations, pas des causalités.

La critique à entendre - le MMM en vaut-il la peine ?

Michael Kaminsky (co-fondateur Recast, vendeur d’incrementality testing - donc juge et partie), relayé par les Marketing Architects : “MMMs are the worst form of marketing measurement. They are so error-prone, so generally misleading. The vast majority of them are worthless or create negative value.” Pour une marque de moins de 2 ans : “total waste of time” (historique insuffisant). À retenir indépendamment de l’agenda commercial : ne jamais se fier aux métriques natives des régies seules, et la lenteur des cycles de refresh est un blocage organisationnel, pas technique.

Même méfiance sur les “generalist MMMs” (foundation models entraînés sur des milliards de points multi-marques) : “Every brand is different, every marketing channel is different, and both change over time.”

Peut-on faire confiance à Google pour mesurer Google ?

Meridian + GeoX + Studio fait de Google le fournisseur d’infrastructure qui mesure ses propres annonceurs - conflit d’intérêt structurel. Mais la crainte que les packages évaluent leur propre média favorablement a été testée, et Runge & Pauwels ne trouvent pas d’évidence pour cette explication. Le conflit reste structurel mais ne se matérialise pas dans la méthodologie à ce stade - la défiance se justifie davantage sur les dashboards natifs des régies que sur leurs MMM open source. L’indépendance de PyMC reste un argument de crédibilité.

Si ta scale-up plafonne aujourd’hui

Décider si et quand. Un MMM exige plusieurs années de données et de la variation de spend - pour une marque de moins de 2 ans, c’est prématuré (rester sur attribution + incrémentalité). Au-delà, le MMM devient l’instrument qui légitime la réallocation perf-brand auprès du CFO. Les données de Thinkbox (Profit Ability 2, analyse de 20 marques, EssenceMediacom) donnent un ordre de grandeur : optimiser le media mix via MMM rapporte “a 29% enhancement in the first year and a 39% improvement after two years.” Le mécanisme : un mix non optimisé sous-investit structurellement les canaux à forts effets long terme (TV, audio) et sur-investit les canaux trackables à faible multiplier (PPC, paid social) ; rediriger 5-10 % de budget suffit à changer la trajectoire. Point d’entrée gratuit : le Media Mix Navigator (databank Profit Ability 2, thinkbox.tv).

Le vrai blocker est organisationnel. Comme le formule Michael Kaminsky relayé par les Marketing Architects : “People are scared to find out if the emperor doesn’t have any clothes. […] Measurement that doesn’t lead to a change in behavior is pure theater.” La lenteur des cycles de refresh n’est presque jamais technique - c’est le channel manager dont le budget va baisser, l’agence qu’il faudra réduire. Diagnostiquer le blocage comme une question de gouvernance, pas d’outil. Et jamais seul : tout MMM se valide contre une couche d’incrémentalité - si les deux divergent, croire le test.

Pour aller plus loin

• Stack de Mesure - le triangle complet de la mesure marketing (attribution, incrémentalité, MMM) et comment les articuler en pratique.
• Incrémentalité - la méthode qui tranche quand le MMM et les régies divergent, et comment construire les geo-tests qui calibrent le modèle.
• Split Brand-Activation - la décision stratégique que le MMM est construit pour éclairer : combien allouer au brand vs. à l’activation.
• Attribution - pourquoi les dashboards natifs des régies sous-estiment structurellement le brand et surestiment les derniers clics.

Sources

• Jon Evans (Uncensored CMO), “Marketing lessons from 20 years at Google - Dan Taylor”.
• Runge & Pauwels, Open-Source Media and Marketing Mix Modeling (Northwestern + Northeastern, 2026) - première revue peer-reviewed du domaine.
• Nico Neumann, The Open-Source MMM Landscape (snapshot 2026).
• Charlie de Thibault, “I Built a Full MMM in 12 Minutes With Claude”.
• Growth Dynamics, Growth Strategy Measurement Playbook.
• Ben Dutter, MMM Detects Variability.
• Thinkbox, Profit Ability 2 - analyse EssenceMediacom (20 marques), ch. 17 et 19.
• Marketing Architects, “Media Mix Modeling is Back in Style”.

ℹ️ À propos de cette page

Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.

Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.