Estimand explicite
Effet moyen, effet sur les exposés, effet d’une tranche de budget ou effet à long terme ne sont pas la même quantité. Le design ne peut être choisi avant d’avoir défini la population, l’action et l’horizon.
Causalité marketing : identifier le chemin qui fabrique une fausse performance.
DÉCISION SOUTENUEAutoriser une recommandation seulement si les principaux chemins de confusion sont bloqués, mesurés ou explicitement laissés dans l’incertitude.
Preuves directement vérifiables
Sources primaires pour contrôler les affirmations clés.
- Holland (1986), Statistics and Causal Inference (ouvre un nouvel onglet)
Définition du problème causal et du contrefactuel.
État de la preuve
Ce qui n’a pas été reproduit.
L’entraînement de la source a été refait et retrouve ses mesures de performance prédictive (R² de holdout 0,843). Le graphe de relations entre canaux, lui, n’en ressort pas : il revient indifférencié, alors que l’article en présente un dont les liens suggéreraient des chemins causaux plausibles. Ce dossier ne valide donc aucune conclusion causale, et ce constat appuie d’une mesure ce que la page affirme : bien prédire n’est pas avoir établi une structure.
- 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.
Chemins ouverts
Une variable commune à l’action et au résultat crée un chemin non causal. La contrôler peut aider, mais contrôler un médiateur ou un collidant peut aussi introduire un nouveau biais.
Design avant modèle
Randomisation, règle d’éligibilité, variation géographique ou temporelle crédible créent la comparaison. Un modèle plus complexe ne répare pas automatiquement une absence de contrefactuel.
Méthode
Construire une affirmation causale proportionnée à la preuve
- 01Définir l’intervention
Préciser qui reçoit quoi, quand, à quelle dose et par rapport à quelle absence d’action. Une campagne composite doit être décomposée si ses éléments peuvent varier.
- 02Dessiner les causes
Cartographier variables antérieures, critères de ciblage, demande latente, concurrence, médiateurs et résultat. Le graphe sert à décider quoi mesurer et quoi ne pas contrôler.
- 03Choisir la variation
Privilégier randomisation ; sinon documenter l’hypothèse qui rend une variation quasi expérimentale crédible et rechercher des tests placebo ou pré-tendances.
- 04Borner l’usage
Rapporter intervalle, sensibilité aux confondeurs et population couverte. Une preuve locale ne doit pas être transformée en rendement universel.
ÉLÉMENT ORIGINAL
La carte des chemins de biais
Le graphe sépare effet recherché, causalité inverse, sélection et variables communes. Chaque chemin appelle un design ou un diagnostic différent.
CAUSE COMMUNEDemande prévue+6 € de biais
↘
↙
ACTIONDépense média
→ effet recherché →
RÉSULTATVentes
VARIABLE OMISSIONPromotion + saison+5 € de biais
↗
↖
ASSOCIATION18 €
−BIAIS DOCUMENTÉ11 €
=EFFET TESTÉ7 €
EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Un rendement apparent de 18 € tombe à 7 € après identification
Une régression historique attribue 18 € de ventes à chaque millier d’euros média. Les budgets sont pourtant augmentés avant les semaines de forte demande et pendant les promotions.
La décomposition estime 6 € de biais lié à la demande prévue, 3 € aux promotions et 2 € à la saison, soit 11 €. Un test géographique comparable mesure un effet de 7 €, cohérent avec 18 − 11.
L’effet causal utilisable est de 7 € dans le périmètre du test. Le rendement de 18 € reste une association descriptive et ne doit pas guider l’allocation.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Population, intervention, comparaison, résultat et horizon sont définis.
- 02
Les causes communes de l’action et du résultat sont cartographiées.
- 03
Le design crée une variation indépendante ou défend une hypothèse testable.
- 04
L’affirmation finale reste limitée à la population et à la plage observées.
Limites
Ce que cette analyse ne prouve pas.
- Un graphe causal formalise les hypothèses ; il ne les rend pas vraies.
- Les effets peuvent varier selon segment, dose, période et interaction avec d’autres leviers.
- Les analyses de sensibilité réduisent la surconfiance mais ne révèlent pas un confondeur non mesuré.
Références
Travaux mobilisés.
- Pearl, J. (2009), Causality: Models, Reasoning, and Inference.
- Hernán, M. A. & Robins, J. M. (2020), Causal Inference: What If.
- Shadish, W. R., Cook, T. D. & Campbell, D. T. (2002), Experimental and Quasi-Experimental Designs.