Estimand économique
La cible doit correspondre à la valeur à optimiser : ventes nettes, marge, nouveaux clients ou contribution. Le modèle précise si les effets sont incrémentaux, moyens ou marginaux et comment les coûts médias sont traités.
Marketing Mix Modeling : spécifier la décision avant d’estimer le modèle.
DÉCISION SOUTENUEAutoriser l’usage du MMM pour une allocation seulement si la spécification, l’identifiabilité, la validation décisionnelle et l’incertitude répondent au contrat approuvé.
Preuves directement vérifiables
Sources primaires pour contrôler les affirmations clés.
- Documentation officielle Google Meridian (ouvre un nouvel onglet)
Workflow MMM, données, modélisation, analyse et optimisation.
État de la preuve
Ce qui n’a pas été reproduit.
Le jeu de données et le générateur de la source ont été contrôlés, et le modèle de l’article a été entraîné entièrement. Il retrouve les trois valeurs de performance qu’il publie — R² d’entraînement 0,949, R² de holdout 0,843, RMSE de holdout 0,53 M — sur les mêmes données et le même découpage (190 régions, 109 semaines, 13 canaux, dont 13 semaines réservées à l’évaluation). La structure causale que l’article met en avant, elle, n’en ressort pas : le graphe obtenu ne distingue aucune relation entre canaux. Les trois méthodes auxquelles l’article se compare n’ont pas été rejouées.
- 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.
- DeepCausalMMM source code (ouvre un nouvel onglet)
v1.0.20 · MIT · Archive GitHub du tag v1.0.20, version indiquée dans la revue JOSS, téléchargée le 31 août 2026.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
Identifiabilité
Variation, colinéarité, support, nombre d’observations et facteurs de confusion déterminent ce que le modèle peut séparer. Un coefficient plausible sous un prior fort n’est pas une information entièrement produite par les données.
Validation décisionnelle
L’erreur prédictive ne suffit pas. Il faut contrôler signe, ordre de grandeur, stabilité, décomposition, pente marginale et performance d’une allocation rétrospective, puis calibrer avec des expériences compatibles.
Méthode
Écrire et faire respecter le contrat du modèle
- 01Cadrer la décision
Définir budget, canaux, unités, périodes, scénarios, contraintes et fréquence de mise à jour. Écrire les décisions interdites, notamment extrapolations hors support ou lecture créative trop fine.
- 02Auditer le signal
Tester variation, corrélations, ruptures, données manquantes, prix, promotions, distribution, saisonnalité et événements. Construire une matrice d’identifiabilité avant toute estimation.
- 03Estimer et challenger
Comparer plusieurs spécifications, priors et fenêtres. Examiner résidus, contributions, adstock, saturation et paramètres. Refuser les compensations économiquement impossibles même si la prédiction s’améliore.
- 04Calibrer et gouverner
Rapprocher les estimations d’expériences ou quasi-expériences compatibles. Publier intervalles, domaine d’usage, journal de versions, écarts aux preuves et décision de validation par niveau d’exposition.
ÉLÉMENT ORIGINAL
Le contrat de décision d’un MMM
Huit champs relient décision, données, modèle, validation et garde-fous ; chaque champ possède une porte d’acceptation.
Budget, leviers, horizon
franchieContribution marginale
franchieCorrélation vidéo–search
conditionnellePrédiction + décision
franchieGéo-test compatible
franchie−15 % / +20 % observé
bloquanteRévision trimestrielle
franchiePilote borné
retenueUSAGE AUTORISÉComparer dans le support−120 k€ maximum avant nouveau test
MarkdownTélécharger le contrat de spécification MMM↓EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Un modèle prédictif à 7 % d’erreur échoue à l’allocation
Un MMM sur 156 semaines prévoit les ventes avec 7 % de MAPE. Il recommande de déplacer 400 k€ de vidéo vers recherche. La vidéo et la recherche de marque ont une corrélation de 0,82 ; le budget vidéo n’a jamais été inférieur à 250 k€ par trimestre.
Sous la spécification A, ROAS vidéo 0,9 et recherche 3,4. Sous un prior d’adstock plus long et une calibration géographique, vidéo 1,8 ± 0,7 et recherche 1,9 ± 0,5. La recommandation de −400 k€ place la vidéo à 120 k€, hors support. Un scénario limité à −120 k€ produit 96 k€ de gain attendu avec un intervalle de −18 à +205 k€ ; le regret maximal est 130 k€.
La MAPE ne valide pas l’allocation initiale. Le contrat interdit la baisse hors support et transforme le déplacement en test de 120 k€. La décision est « pilote avec garde-fou », pas « optimiser automatiquement ».
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Le contrat nomme la décision, l’estimand et le domaine d’usage.
- 02
L’identifiabilité est évaluée avant l’interprétation des coefficients.
- 03
Validation prédictive et validation décisionnelle sont séparées.
- 04
Toute recommandation hors support devient un test borné.
Limites
Ce que cette analyse ne prouve pas.
- Les données agrégées séparent difficilement des activités synchronisées.
- Les priors peuvent stabiliser sans créer d’information nouvelle.
- Les changements structurels réduisent le transport des courbes historiques.
Références
Travaux mobilisés.
- Jin, Y. et al. (2017), « Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects », Google Research.
- Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.
- Brodersen, K. H. et al. (2015), « Inferring Causal Impact Using Bayesian Structural Time-Series Models », Annals of Applied Statistics, 9(1), 247–274.