Optimisation du marketing mix : choisir sur une frontière, pas un optimum fragile.
DÉCISION SOUTENUEChoisir un plan sur la frontière efficiente dont le gain additionnel justifie le risque, le regret et le coût opérationnel par rapport à une option robuste.
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.
v1, 31 août 2026 · CC BY 4.0 · Spécification première partie, versionnée avec la matrice illustrative Marketing Mix le 31 août 2026 ; elle vérifie un statut de dominance calculé, non l’optimalité d’un plan de marché.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
01
Frontière plutôt que classement
Un plan est dominé si un autre offre plus de contribution avec moins de risque. Les plans non dominés forment la frontière ; le choix entre eux relève de l’appétit au risque, de la réversibilité et de la capacité d’exécution.
02
Contraintes explicites
Minimums de présence, capacité, contrats, inventaire, couverture et rythme de changement appartiennent au modèle. Une contrainte ajoutée après calcul rend l’optimum théorique inexécutable et masque son coût réel.
03
Robustesse
Le scénario central est insuffisant lorsque courbes et synergies sont mal connues. Minimax regret, optimisation robuste ou scénarios pondérés montrent quels plans restent acceptables sans prétendre connaître une distribution parfaite.
Méthode
Construire une recommandation optimisée et gouvernable
01Définir objectif et garde-fous
Choisir contribution, clients ou valeur long terme et préciser horizon. Ajouter limites de risque, capacité, exposition par canal, cohérence du mix et apprentissage minimum.
02Générer les scénarios
Faire varier réponse, adstock, marge, coûts, concurrence et synergies. Conserver les corrélations plausibles afin d’éviter un stress composé d’hypothèses incompatibles.
03Tracer la frontière
Optimiser sous chaque niveau de risque et éliminer les plans dominés. Calculer contribution attendue, borne basse, regret maximal, nombre de changements et distance au support observé.
04Sélectionner et séquencer
Choisir le point dont le gain marginal compense le risque additionnel. Déployer par tranches, suivre les contraintes actives et mettre à jour les courbes avant de franchir une zone non observée.
ÉLÉMENT ORIGINAL
La frontière contribution–risque des allocations
Six plans sont comparés par contribution attendue, perte en scénario bas, complexité et regret maximal ; un plan robuste domine le statu quo.
Contribution attendue ↑Risque et regret →Statu quoPrudentRobusteÉquilibreMax. centralConcentré
COÛT DE ROBUSTESSE38 k€PROTECTION SCÉNARIO BAS210 k€RATIO5,53 ×
Renoncer à 38 k€ attendus protège 210 k€ en scénario bas
01 · SITUATION
Six allocations répartissent 1,5 M€ entre vidéo, recherche, social, CRM et retail. Le plan « maximum central » prévoit 520 k€ de contribution, une perte de 160 k€ dans le scénario bas et un regret maximal de 245 k€. Le plan « robuste » prévoit 482 k€, un gain minimal de 50 k€ et un regret maximal de 118 k€.
02 · CALCUL
Coût attendu de la robustesse : 520 − 482 = 38 k€. Protection dans le scénario bas : 50 − (−160) = 210 k€. Ratio protection/coût attendu = 210 ÷ 38 = 5,53. Le plan robuste nécessite trois changements supérieurs à 20 %, contre cinq pour le maximum central, et reste dans le support observé de quatre canaux sur cinq.
03 · DÉCISION
Le maximum central n’est pas retenu. Le plan robuste sacrifie 7,3 % de gain central pour supprimer la perte extrême, réduire le regret et faciliter l’exécution. Une tranche d’apprentissage est réservée au canal hors support.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
01
Tout plan dominé est écarté avant discussion.
02
Le scénario bas, le regret maximal et la distance au support sont publiés.
03
Les contraintes opérationnelles appartiennent au modèle, pas à la correction finale.
04
Les décisions hors support sont séquencées comme expériences.
Limites
Ce que cette analyse ne prouve pas.
La frontière dépend des scénarios et peut omettre un risque structurel.
Les fonctions de réponse instables produisent une précision d’optimisation illusoire.
La complexité organisationnelle est difficile à convertir en une pénalité unique.
Références
Travaux mobilisés.
Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009), Robust Optimization.
Bertsimas, D. & Sim, M. (2004), « The Price of Robustness », Operations Research, 52(1), 35–53.
Savage, L. J. (1951), « The Theory of Statistical Decision », Journal of the American Statistical Association, 46(253), 55–67.