Marketing Mix Modeling : ce que Meridian de Google a changé

Dix-huit mois après le lancement de Meridian, le MMM est-il enfin devenu un outil de décision stratégique ? C'est la question posée par Hadrien de Nijs, directeur exécutif de M13h (groupe Cosmo5), qui revient sur quelques idées reçues concernant la démocratisation de l'économétrie chez les annonceurs désireux d'analyser les performances de leurs campagnes.

En janvier 2025, Google annonçait le lancement de Meridian, sa librairie open source de Marketing Mix Modeling (MMM). De quoi déstabiliser le marché et ouvrir le débat entre spécialistes, selon Hadrien de Nijs, directeur exécutif de M13h et expert du sujet au sein du groupe Cosmo5.

Si, alors, le sujet était principalement de comparer Meridian à des solutions comme Robyn, développé par Meta, ou même Lightweight MMM, la précédent MMM de Google, il a aujourd’hui changé de nature, selon lui.

Certes, Meridian participe à la démocratisation du MMM au sein des entreprises qui, grâce à sa nature open source et à une plus grande maturité dans la collecte et le stockage de leurs données, peuvent plus facilement déployer et utiliser l’économétrie. Mais ce qui change le plus, c’est la rapidité avec laquelle les entreprises peuvent utiliser les résultats de ces modèles pour orienter leurs stratégies, selon Hadrien de Nijs. Explications.

Minted : Que change fondamentalement l’arrivée de Meridian pour le Marketing Mix Modeling ? Est-ce l’allégement des contraintes pour faire de l’économétrie, avec un modèle plus léger et flexible, moins coûteux et moins demandeur en data pour fonctionner ?

Hadrien de Nijs : Beaucoup de choses changent, d’autres non : on a toujours besoin d’un historique de données de campagnes de plusieurs années pour garantir la robustesse des résultats, avec suffisamment de répétitions dans l’activation des leviers que l’on veut mesurer.

En revanche, ce qui change, c’est l’arrivée de Meridian au moment où les annonceurs sont plus matures en matière de gestion de la donnée. Ils sont davantage équipés en infrastructures permettant la collecte, le stockage et l’activation de la data. Il y a moins besoin de nettoyer et de qualifier la donnée en amont, ce qui permet de réduire le temps de déploiement des modèles, bien que les données liées aux campagnes offline soient encore assez déstructurées et plus difficiles à analyser que celles liées aux campagnes digitales.

Et il y a une autre évolution contextuelle : le MMM est de plus en plus opéré par des personnes qui ont une vraie culture média. Il y a moins d’anomalies ou d’observations hors sol qui demandaient auparavant beaucoup d’allers-retours avec les marques, car il est nécessaire d’orienter le modèle à partir de connaissances empiriques sur la manière dont fonctionnent ou doivent fonctionner les médias, en termes d’intensité, de temps de rémanence, de saturation, etc.

Minted : Vous mettez également en avant une autre évolution importante : la possibilité de nourrir beaucoup plus facilement le modèle pour l’orienter…

H.d.N. : Meridian s’inscrit dans la continuité de Lightweight MMM, mais a apporté des évolutions structurantes. Parmi elles, une meilleure gestion du paid search via l’intégration des requêtes Google, une modélisation du reach et de la fréquence pour affiner l’analyse vidéo, une documentation technique renforcée, et surtout la possibilité de calibrer directement les modèles à partir de « priors » issus d’expérimentations comme des tests d’incrémentalité, des geo-experiments ou CausalImpact.

Ce dernier point est central. En effet, les modèles dits « bayésiens », sur lesquels repose Meridian, partent d’un postulat initial, un « prior », qui s’affine au contact des données pour aboutir à une estimation a posteriori. La capacité à nourrir ces « priors » avec des résultats de tests réels permet d’articuler MMM, attribution et expérimentation dans une logique plus cohérente de mesure. Et c’est bien la force de Meridian : créer du liant et de la cohérence dans des approches de mesure qui, parfois, donnent des résultats en contradiction les unes avec les autres, ce qui pouvait handicaper la prise de décision.

Minted : On voit donc désormais le MMM devenir un outil de plus en plus activé de manière opérationnelle, là où, auparavant, il alimentait la réflexion stratégique au mieux une à deux fois par an ?

H.d.N. : Trois transformations sont à prendre en compte : d’abord, l’open source. Robyn, la solution développée par Meta, l’était aussi. Mais ce modèle a peut-être été lancé trop tôt vis-à-vis de la maturité du marché, là où de nombreux gros annonceurs internalisent aujourd’hui le MMM en se basant sur Meridian.

Ensuite, Meridian offre, grâce aux priors, un moyen de guider les modèles et de faire converger les résultats du MMM avec ceux de tests d’incrémentalité, par exemple, ce qui diminue les contradictions et simplifie la vie des CMO.

Enfin, il y a désormais une plus grande maturité du marché et une offre plus diversifiée, avec, au-delà de l’open source, des solutions SaaS comme Funnel.io ou Adverity qui intègrent des modules MMM dans leurs offres. Tout cela contribue à une diminution du coût du MMM.

Minted : Au-delà de ces évolutions, l’intérêt actuel pour le MMM s’explique aussi par la plus grande granularité des analyses ?

H.d.N. : Oui, clairement. Il y a une plus grande finesse qu’auparavant, en partie grâce à une plus grande disponibilité de la donnée. Mais on ne peut pas encore, selon moi, avoir des résultats robustes à l’échelle d’une campagne, faute de récurrence notamment.

Cependant, Meridian offre, par exemple, une approche en deux temps : on va d’abord modéliser les ventes liées au mix média global, puis faire un « digital deep dive » pour rendre l’analyse plus granulaire et obtenir des insights plus activables, en sachant par exemple comment articuler les investissements réalisés chez Google, entre YouTube, PMax ou d’autres canaux, ou encore entre les leviers selon leur place dans le funnel.

Minted : Cela dit, le MMM s’ouvre-t-il aujourd’hui à tous les annonceurs ? Ou certaines barrières à l’entrée subsistent-elles, ne serait-ce qu’en matière de niveau d’investissement ?

H.d.N. : Effectivement, un certain seuil d’investissement média, disons un million et demi d’euros par an, est historiquement nécessaire pour rendre l’usage du MMM pertinent. Sans cela, les pourcentages d’incréments obtenus, de l’ordre de 5 à 15% selon nous, ne vont pas justifier les coûts associés, bien qu’il existe de nombreuses externalités positives à la mise en place du MMM qu’il faudrait quantifier.

De plus, pour utiliser les insights du MMM et arbitrer entre les différents canaux du mix, il faut, par nature, un mix assez diversifié, ce qui n’est pas le cas de tous les annonceurs. Néanmoins, il faut avoir en tête qu’avec Meridian, Google s’adresse aussi à tous ses clients long tail, qui ont un mix digital only plus simple et qui bénéficieront nativement et gratuitement d’éléments pour analyser leurs performances et optimiser leur mix.

Toutefois, cela ne veut pas dire que l’activation de ces insights est à la portée de tous. Si le mix est un peu plus complexe, il peut être intéressant de travailler avec des experts qui peuvent modéliser des scénarios et incorporer les résultats du MMM dans un cycle de prise de décision et d’arbitrage marketing. C’est pour cette raison que les outputs des modèles et les « et « what-if analysis » doivent être améliorés.

Minted : Vous soulignez également l’intérêt de la méthodologie bayésienne adoptée par Meridian. En quoi est-ce intéressant pour les annonceurs ?

H.d.N. : Je suis assez partagé sur la réponse : nombre d’annonceurs, malgré l’utilisation de modèles open source qui offrent une totale transparence sur ce qui est fait, ne s’intéressent pas plus que cela à ces questions, sans doute par manque de temps ou d’expertise. Donc, de là à ce qu’ils s’intéressent aux spécificités de l’approche bayésienne par rapport à d’autres méthodes…

Toutefois, l’intérêt de cette méthodologie réside dans le fait qu’historiquement, les modèles économétriques étaient fragilisés par des biais d’omission : si l’on oubliait certaines variables d’importance, les résultats étaient assez instables.

L’approche bayésienne, de son côté, permet donc d’atténuer ce risque grâce aux priors. Elle est aussi plus rapide à mettre en place et plus puissante lorsqu’il s’agit de modéliser les synergies entre les médias ou d’affiner le niveau de baseline d’une marque, c’est-à-dire le niveau de ses ventes naturelles, qui ne sont pas directement liées à une activation publicitaire.

Minted : Vous évoquez une totale transparence de ces modèles open source. Cela veut donc dire que Meridian est totalement neutre dans l’appréciation des résultats des propres canaux de Google ?

H.d.N. : C’est le cas, que ce soit pour Meridian ou Robyn de Meta : il n’y a pas de biais en faveur du search ou du social. Mais, dans chaque cas, ces plateformes donnent la possibilité de récupérer des données beaucoup plus granulaires que celles disponibles pour les autres variables, tant sur le reach ou la fréquence d’exposition. Théoriquement, cette finesse permet une meilleure appréhension de ces canaux par les modèles, ce qui peut jouer en leur faveur.

Pour aller plus loin :