Variation exploitable
La variation utile est celle qui n’est pas entièrement expliquée par saison, prix, promotions, distribution ou autres médias. Un coefficient de variation élevé peut rester inutilisable s’il suit exactement un autre canal.
Analyse expert · Révisée le 22.08.2026
Données MMM : tester l’identifiabilité avant d’assembler davantage de lignes.
DÉCISION SOUTENUEAutoriser un MMM au niveau d’agrégation que les variations observées permettent réellement d’identifier, et regrouper ou expérimenter les canaux insuffisamment distincts.
Calcul reproductible
Spécification et limites du calcul publié.
Ce dossier vérifie l’arithmétique locale du modèle pédagogique. Il ne transforme pas les hypothèses saisies en preuve de marché ou de causalité.
- Spécification technique de la matrice d’identifiabilité MMM (ouvre un nouvel onglet)
v1, 31 août 2026 · CC BY 4.0 · Spécification première partie d’une matrice d’identifiabilité fictive, vérifiant un indice de triage pédagogique et non un MMM réel.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
Grain cohérent
Dépenses, expositions, résultats et contrôles doivent partager une géographie, une période et une définition stable. Imputer un canal national dans chaque région crée des lignes sans ajouter d’information indépendante.
Décision proportionnée
La faisabilité dépend de l’usage. Des données peuvent suffire pour un effet média global mais pas pour séparer deux plateformes. Le niveau de décision autorisé doit être plus grossier que le niveau d’incertitude.
Méthode
Évaluer ce que les données peuvent réellement séparer
- 01Écrire le modèle de décision
Lister résultat, canaux, contrôles, grain, fenêtre et décisions attendues. Écarter les variables qui ne peuvent être définies de façon stable sur toute la période.
- 02Mesurer la variation
Calculer semaines non nulles, coefficient de variation, changements de niveau, variation géographique et part du support proche de la dépense actuelle.
- 03Tester la séparation
Examiner corrélations, inflation de variance, conditionnement et alignement avec promotions ou saison. Regrouper les variables dont la séparation dépend d’une hypothèse fragile.
- 04Prescrire la preuve manquante
Associer chaque faiblesse à une action : taxonomie, collecte géographique, variation planifiée, expérience, prior ou regroupement. Publier le niveau d’usage autorisé.
ÉLÉMENT ORIGINAL
La matrice variation × séparation × géographie
Trois canaux disposant du même historique reçoivent des niveaux de faisabilité différents selon leur variation, leur corrélation et leur hétérogénéité géographique.
| Canal | Semaines actives | Variation | Corrélation max. | Indice | Décision |
|---|---|---|---|---|---|
| Search | 100 % | 0,28 | 0,82 | 0,030 | Regrouper |
| Social | 95 % | 0,32 | 0,77 | 0,049 | Calibrer |
| TV | 45 % | 0,65 | 0,45 | 0,129 | Modéliser |
156 SEMAINESTV identifiableSearch + Social à regrouper ou expérimenter
CSVTélécharger la matrice d’identifiabilité MMM↓EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Scénario pédagogique : 156 semaines ne suffisent pas à séparer trois canaux
Dans cette matrice pédagogique fictive, Search possède 100 % de semaines actives, un coefficient de variation de 0,28 et une corrélation maximale de 0,82. Social atteint 0,32 et 0,77. TV n’est actif que 45 % du temps mais sa variation vaut 0,65 et sa corrélation maximale 0,45.
Indice de triage = part active × variation × (1 − corrélation) × facteur géographique. Search : 1 × 0,28 × 0,18 × 0,6 = 0,030. Social : 0,95 × 0,32 × 0,23 × 0,7 = 0,049. TV : 0,45 × 0,65 × 0,55 × 0,8 = 0,129.
L’indice n’est pas un test statistique formel, mais il révèle où investiguer. TV offre la meilleure variation indépendante ; Search et Social doivent être regroupés, calibrés ou séparés par une expérience avant une allocation fine.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Le grain des dépenses, résultats et contrôles est cohérent.
- 02
Chaque canal possède une variation distincte des autres décisions commerciales.
- 03
Le niveau d’allocation demandé correspond au niveau réellement identifiable.
- 04
Toute variable faible reçoit un regroupement ou un plan de preuve.
Limites
Ce que cette analyse ne prouve pas.
- L’indice de triage proposé ne remplace pas les diagnostics du modèle.
- Une corrélation faible n’élimine pas l’endogénéité de la dépense.
- La granularité géographique n’aide pas si elle repose sur des imputations nationales.
Références
Travaux mobilisés.
- Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.
- Sun, Y. et al. (2017), « Geo-Level Bayesian Hierarchical Media Mix Modeling », Google Research.
- Zhang, Y. et al. (2024), « Media Mix Model Calibration With Bayesian Priors », Google Research.