MMM by google : Modélisation géographique hiérarchique

Le Marketing Mix ModelingQu’est-ce que le Marketing Mix Modeling ? Imaginez que vous êtes un grand chef cuisinier. Votre plat signature (disons, vos ventes ou vos nouveaux clients) est le résultat d'un mélange subtil d'ingrédients : une pincée de publicité TV, une bonne dose de campagnes SEA, un zeste d'emailing, et... More (MMM) est une approche statistique utilisée pour analyser l’impact des investissements marketing afin d’optimiser les stratégies budgétaires d’une entreprise.

Cependant, les modèles traditionnels de MMM présentent certaines limitations notamment en termes de variabilité de la donnée et de nombre d’individus statistiques par rapport au nombre de paramètre à estimer.

Une solution possible est d’adopter une approche géographique hiérarchique (Sun et al. Google 2017) en appliquant le modèle non plus à des données agrégées à un niveau globale, mais à une granularité géographique pus fine (national, régional, etc…). L’approche géographique hiérarchique est préférable lorsqu’elle est possible, car elle utilise davantage de points de données par rapport au nombre de paramètres à estimer, offrant ainsi une précision accrue et des intervalles crédibilité plus étroits.

Pour assurer un impact médiatique cohérent entre différentes régions, il est crucial de normaliser les variables de réponse et de prédiction par la population de chaque région. Les KPI et les investissements marketing sont souvent corrélés à cette population, et la saturation des dépenses peut varier selon la taille de celle-ci. Ainsi, la normalisation par habitant est nécessaire.

Ainsi, l’approche géographique permet de modéliser chaque zone géographique individuellement avant de combiner les résultats :

Les paramètres des effets de saturation et de forme sont considérés comme constants à travers les régions. Bien qu’il soit possible de les faire varier entre les régions, cela augmenterait encore le nombre de paramètre.

Toutefois, il est nécessaire de garder à l’esprit que ces niveaux de granularités géographiques sont souvent compliqués à obtenir pour toutes les variables d’investissement et de contrôle.

Vous pouvez cliquer ici pour revenir sur l’article principal sur le MMM by Google

Bibliographie :

Sun et al., 2017. Geo-level Bayesian Hierarchical Media Mix Modeling