Attribution, incrémentalité ou MMM : quelle méthode pour quelle décision ?
Choisissez une option par ligne. Le résultat est une orientation pédagogique fondée sur un barème visible, jamais une validation scientifique ou une recommandation opérationnelle.
Marketing Mix Modeling + Triangulation
Égalité à 8 points : confrontez les méthodes au coût d’erreur, à la faisabilité et au niveau de preuve requis.
| Méthode | Score | Statut | Usage |
|---|---|---|---|
| Marketing Mix Modeling | 8 points | orientation ex aequo | à valider |
| Triangulation | 8 points | orientation ex aequo | à valider |
| Expérimentation | 4 points | alternative | à valider |
| Attribution | 2 points | alternative | à valider |
Orientation pédagogique · décision finale humaine
Approfondissement
Comprendre le mécanisme avant d’utiliser l’outil.
Mesurer le marketing revient à estimer ce qui se serait produit sans l’action. La métrique observée n’est pas encore l’effet causal.La méthode dépend de la décision, du grain, de l’horizon et du contrefactuel disponible. Attribution, expérience et modèle agrégé répondent à des questions différentes et doivent être triangulés.
Définir population, intervention, comparateur, résultat et horizon avant de choisir la méthode : c’est l’estimand que l’analyse doit réellement identifier.
Aligner période d’exposition, délai d’effet et fenêtre de résultat ; prévenir anticipation, contamination et effets reportés.
Construire explicitement le contrefactuel : randomisation si possible, sinon hypothèses d’identification et diagnostics vérifiables.
Rapporter intervalle, puissance, biais résiduel, sensibilité et ampleur économiquement pertinente, pas seulement une significativité statistique.
Une mesure devient décisionnelle lorsque son intervalle distingue les options et que l’effet plausible dépasse le coût et le risque d’action.
Points de vigilance
Les distinctions qui empêchent une mauvaise lecture.
Elle répartit un résultat observé selon une règle ; elle n’identifie pas nécessairement ce que le marketing a créé.
Elle compare résultat exposé et résultat contrefactuel en contrôlant les différences systématiques.
La validité interne concerne la cause dans l’étude ; la validité externe concerne le transfert à d’autres contextes.
Protocole
Du cadrage à la validation.
Définir population, intervention, comparaison, résultat et horizon avant de choisir la méthode.
Randomiser si possible ; sinon justifier hypothèses d’identification et diagnostics.
Rapporter intervalle, puissance, sensibilité et ampleur économiquement pertinente.
Comparer expérience, modèle agrégé, données opérationnelles et connaissance du mécanisme.
Un ROAS observé peut être très supérieur au ROAS incrémental
Situation. Une campagne reçoit 1 000 conversions à 100 € de marge, pour 40 000 € de dépense. Un test estime que 35 % seulement sont incrémentales.
Calcul. ROAS de marge observé : 100 000 ÷ 40 000 = 2,5. ROAS incrémental : 35 000 ÷ 40 000 = 0,875.
Décision. L’attribution décrit où les conversions ont été enregistrées ; le test change la décision économique.
Revue contradictoire
Cinq questions à résoudre avant de présenter une recommandation.
- L’unité est-elle actionnable ?
Vérifier qu’elle correspond au niveau auquel une décision peut être exécutée et suivie. Une moyenne plus large peut inverser la lecture en masquant segments, canaux ou périodes déficitaires.
- L’horizon couvre-t-il le mécanisme ?
Recalculer la conclusion sur une fenêtre courte et une fenêtre longue. Les coûts immédiats, la rétention, la saturation et les effets différés ne se matérialisent pas au même moment.
- Le comparateur représente-t-il vraiment l’absence d’action ?
Expliquer ce qui se serait produit sans la décision. Une tendance historique ou une attribution de contacts ne suffit pas si sélection, saisonnalité ou changements simultanés restent actifs.
- Quelle hypothèse fait basculer le choix ?
Identifier le paramètre qui change le classement, publier sa plage plausible et montrer le scénario prudent. Une recommandation sans sensibilité cache son principal risque.
- Qui arrête ou révise la décision ?
Nommer le responsable, le signal observé, le seuil et la date de revue. Sans règle d’arrêt, un pilote favorable devient facilement un engagement permanent non réévalué.
Conditions d’acceptation
Ce qui doit être vrai avant d’agir.
- Écrire la quantité causale recherchée avant le plan d’analyse.
- Rapporter incertitude statistique et seuil de pertinence économique.
- Ne jamais mélanger conversions attribuées et conversions incrémentales dans un même ratio.
Limites
Ce que l’analyse ne prouve pas.
- Une expérience sous-puissante ne prouve pas l’absence d’effet.
- La contamination entre groupes réduit la différence mesurable.
- Un résultat local et court ne se transfère pas automatiquement à tous les marchés et horizons.
Références
Travaux mobilisés pour cadrer la méthode.
- Rubin, D. B. (1974), « Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies ».
- Holland, P. W. (1986), « Statistics and Causal Inference », Journal of the American Statistical Association.
- Lewis, R. A. & Rao, J. M. (2015), Quarterly Journal of Economics.
À explorer ensuite
Continuez dans le même raisonnement.
Quelle méthode produit une preuve adaptée à la décision ?
Revenir au thème →Sujet associéSystème de KPI marketingChoisir les KPI
Lire →Sujet associéCausalité en marketingInterpréter une mesure
Lire →Sujet associéIncrémentalité marketingMesurer l’effet causal
Lire →Sujet associéTests géographiquesLancer un géotest
Lire →Thème suivantMarketing Mix ModelingRelier données, modèle, validation, allocation et gouvernance.
Explorer →État de la preuve
Ce qui n’a pas été reproduit.
Les calculs de puissance et de taille d’échantillon de la source d’incrémentalité ont été refaits, sans substitution : 6 des 8 valeurs qu’elle publie sont retrouvées au chiffre près, les 2 autres à 1,2 % et 1,9 % — un écart de l’ordre de la tolérance que sa propre méthode déclare. Ses données de campagne et ses résultats empiriques n’ont jamais été publiés et ne peuvent être refaits. Du côté du modèle de mix, le générateur de données a été exécuté, mais ni l’entraînement, ni les figures, ni les conclusions empiriques ne sont reproduits. Le sélecteur de méthode reste pédagogique.
- Designing Experiments to Measure Incrementality on Facebook (ouvre un nouvel onglet)
arXiv:1806.02588v2, 11 juillet 2018 · Licence arXiv non exclusive de distribution · Version arXiv v2 du 11 juillet 2018, téléchargée depuis arXiv le 31 août 2026. La licence autorise arXiv à distribuer l’article ; elle ne transfère pas un droit général de réutilisation.
- DeepCausalMMM: A Deep Learning Framework for Marketing Mix Modeling with Causal Structure Learning (ouvre un nouvel onglet)
JOSS 11(120), 9914, 2026 · CC BY 4.0 · Version JOSS publiée le 25 avril 2026, téléchargée depuis le PDF JOSS le 31 août 2026.