Normalisation
Comparer les formes sur une dépense et une réponse normalisées sépare la géométrie de la taille du canal. Les paramètres doivent ensuite être recalibrés dans les unités économiques réelles avant toute allocation.
Courbes de réponse : une bibliothèque de formes testables et comparables.
DÉCISION SOUTENUEUtiliser une courbe uniquement dans sa plage documentée et retenir la forme la plus simple dont la pente marginale reste stable sous validation et sensibilité.
État de la preuve
Ce qui a été reproduit, et ce que cela ne prouve pas.
Le JSON et Python vérifient quatre profils, le support maximum 200 et l’écart d’extrapolation illustratif de 50,48 k€. Ils ne prouvent ni calibration de marché ni rendement causal.
- Spécification technique de la bibliothèque de courbes de réponse (ouvre un nouvel onglet)
v1, 31 août 2026 · CC BY 4.0 · Document de méthode rédigé par marketing-mix.net. Les chiffres sont illustratifs : ce ne sont pas des mesures de marché.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
Support observé
La bibliothèque distingue la plage observée, la plage testée et la plage extrapolée. Une courbe peut bien ajuster 50 à 150 k€ et produire des recommandations opposées à 300 k€ ; cette zone doit être signalée, pas masquée.
Pente et incertitude
La valeur décisionnelle se trouve dans la dérivée au budget envisagé. L’incertitude sur cette pente, plus que l’erreur moyenne d’ajustement, détermine si le classement de deux canaux est assez stable pour réallouer.
Méthode
Lire une courbe comme une hypothèse de décision
- 01Choisir les contraintes de forme
Déterminer si la réponse doit être monotone, saturante, présenter un seuil ou autoriser des changements locaux. Ces contraintes viennent du mécanisme média, du marché et du domaine de décision.
- 02Ajuster sur des unités cohérentes
Exprimer dépense, pression, portée ou impressions dans l’unité réellement liée à la réponse. Aligner l’horizon avec l’adstock et contrôler prix, promotion, distribution, tendance et saisonnalité.
- 03Valider la pente
Comparer erreur hors échantillon, stabilité des paramètres, résidus, dérivée et point de demi-saturation. Répéter sous plusieurs fenêtres et priors afin de voir si la décision marginale change.
- 04Documenter le domaine
Publier budget minimum et maximum observés, budget actuel, plage recommandable, intervalle de réponse et règle de mise à jour. Toute décision au-delà devient une expérience, pas une prévision établie.
ÉLÉMENT ORIGINAL
Quatre profils normalisés sur le même budget
Les réponses sont ramenées à une base 100 afin de comparer forme, demi-saturation, pente au budget actuel et comportement hors support.
050100150200300 k€
1025456585100
83862788896
42658768692
63461778691
Support observé : 0–200 k€300 k€ = extrapolation
JSONTélécharger les profils et paramètres↓EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Même ajustement, 50,48 k€ d’écart hors support
Cinq observations entre 0 et 200 k€ sont ajustées par une saturation exponentielle et une courbe de Hill. Leur erreur de validation diffère de seulement 1,6 point. Le budget envisagé est 300 k€, alors que le maximum observé est 200 k€.
À 200 k€, les réponses publiées valent 108,08 et 103,22 unités. À 300 k€, l’exponentielle prévoit 118,78 unités et Hill 112,47. Avec 8 k€ de contribution par unité, l’écart d’extrapolation vaut (118,78 − 112,47) × 8 = 50,48 k€. Les pentes publiées à 200 k€ sont 0,1692 et 0,1362 unité par k€ ; leur incertitude doit être estimée avant tout classement.
La bibliothèque classe 300 k€ comme hors domaine. Elle ne recommande aucune dépense au-dessus de 200 k€ sans test : un incrément de 20 k€ peut servir à apprendre la pente. La faible différence d’ajustement ne justifie pas une extrapolation non testée.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
La forme possède un mécanisme et des contraintes justifiés.
- 02
Le budget recommandé reste dans la plage observée ou testée.
- 03
La pente marginale et son intervalle sont publiés au budget de décision.
- 04
Une extrapolation importante est financée comme apprentissage séquentiel.
Limites
Ce que cette analyse ne prouve pas.
- Une bibliothèque pédagogique ne remplace pas la calibration propre au marché.
- Adstock, ciblage et qualité créative peuvent déplacer la courbe dans le temps.
- Les courbes monocanal décrivent mal les synergies et substitutions entre activités.
Références
Travaux mobilisés.
- Little, J. D. C. (1979), « Aggregate Advertising Models: The State of the Art », Operations Research, 27(4), 629–667.
- Jin, Y. et al. (2017), « Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects », Google Research.
- Hill, A. V. (1910), « The Possible Effects of the Aggregation of the Molecules of Haemoglobin on Its Dissociation Curves », Journal of Physiology, 40, iv–vii.