Prior traçable
Chaque prior indique source, population, période, échelle et raison de transport. Les expériences internes priment sur les benchmarks génériques ; les bornes physiques et économiques régularisent sans inventer une précision excessive.
Un MMM bayésien rend les hypothèses visibles et les décisions probabilistes.
DÉCISION SOUTENUEUtiliser les distributions postérieures pour choisir des allocations dont la probabilité de dépasser le seuil économique reste suffisante sous plusieurs priors et calibrations.
Preuves directement vérifiables
Sources primaires pour contrôler les affirmations clés.
- Meridian, introduction aux priors (ouvre un nouvel onglet)
Rôle des priors, régularisation et mise à jour bayésienne.
État de la preuve
Ce qui n’a pas été reproduit.
L’entraînement du modèle de l’article a été refait et retrouve les mesures de performance qu’il publie. Aucune inférence bayésienne n’a pour autant été exécutée : le modèle de l’article n’est pas bayésien, et la méthode bayésienne à laquelle il se compare n’a pas été rejouée. Les calculs de priors et de postérieurs présentés sur cette page ne sont donc pas reproduits.
- 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 avant calcul
Un échantillonneur performant ne sépare pas deux canaux parfaitement corrélés. Variation, saisonnalité, support, colinéarité et changements de définition sont diagnostiqués avant de choisir la famille de priors.
Décision postérieure
La moyenne d’un ROAS ne suffit pas. Calculer probabilité de rentabilité, risque de perte, distribution des courbes marginales et regret des allocations. La règle dépend de l’aversion au risque et de la réversibilité.
Méthode
Construire un MMM bayésien gouvernable
- 01Spécifier le processus générateur
Définir résultat, contrôles, tendance, saison, adstock, saturation, interactions et niveau hiérarchique. Relier chaque composant à une hypothèse métier testable.
- 02Éliciter les priors
Convertir expériences, études, benchmarks comparables et contraintes en distributions. Publier quantiles plausibles plutôt qu’une précision arbitraire. Prévoir un prior faible de référence.
- 03Ajuster et diagnostiquer
Contrôler convergence, taille effective, autocorrélation, divergences et prédiction postérieure. Tester récupération sur données simulées et capacité à reproduire les périodes tenues à l’écart.
- 04Calibrer et décider
Comparer les postérieurs aux expériences, conduire des analyses de sensibilité aux priors et simuler les décisions. N’autoriser une allocation que si elle reste acceptable dans les variantes crédibles.
ÉLÉMENT ORIGINAL
De la connaissance préalable à la décision postérieure
Trois canaux combinent prior et données ; la règle finale porte sur une probabilité de rentabilité, pas un coefficient ponctuel.
EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Le prior évite un faux ROAS de 4,1 sur un canal colinéaire
Les données hebdomadaires donnent à la vidéo un ROAS très instable de 4,1 ± 3,0, car ses dépenses suivent la saison. Une expérience antérieure comparable estime 1,8 ± 0,5. Le prior retenu est 1,9 ± 0,8 afin de rester plus large que l’expérience.
Avec une approximation normale, précision du prior 1/0,8² = 1,5625 et précision des données 1/3² = 0,1111. Moyenne postérieure : (1,9 × 1,5625 + 4,1 × 0,1111) ÷ 1,6736 = 2,05. Écart-type postérieur : √(1/1,6736) = 0,77. La probabilité d’un ROAS supérieur au seuil 1,6 est d’environ 72 %.
Le canal n’est pas étendu au maximum : 72 % reste sous la porte de 80 %. Une expérience géographique est financée pour augmenter l’information avant la prochaine allocation.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Sources, échelles et transport des priors sont documentés.
- 02
Convergence, prédiction et récupération de paramètres sont vérifiées.
- 03
Les décisions utilisent probabilités de seuil et risque de perte.
- 04
Plusieurs priors crédibles et une calibration expérimentale sont comparés.
Limites
Ce que cette analyse ne prouve pas.
- Un prior précis peut dominer des données peu informatives.
- La convergence numérique ne garantit ni causalité ni bonne spécification.
- Les postérieurs restent conditionnels aux variables, transformations et données choisies.
Références
Travaux mobilisés.
- Gelman, A. et al. (2013), Bayesian Data Analysis, 3rd ed.
- Jin, Y. et al. (2017), « Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects », Google Research.
- Vehtari, A., Gelman, A. & Gabry, J. (2017), « Practical Bayesian Model Evaluation Using Leave-One-Out Cross-Validation », Statistics and Computing.