Nous poursuivons notre série avec une plongée dans l’approche développée par Meta. L’article précédent explorait le modèle de 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 quelque... More proposé par Google avec Meridian.
Robyn : le Marketing Mix Modeling open-source de Meta
Meta a développé en 2021 un modèle de Marketing Mix Modeling (MMM) en open-source intitulé Robyn. Le modèle prend le contre-pied de la tendance bayésienne de la plupart des MMM actuels en adoptant une approche fréquentiste. Cependant, il intègre aussi des effets non-linéaires ainsi qu’un traitement avancé des effets de tendance et de saisonnalité.
Les fonctionnalités clés du modèle Robyn
Ainsi voici les principales fonctionnalités comprises dans ce modèle :
Effets différés des investissements et saturation publicitaire
Le modèle prend en compte l’effet différé des investissements, où l’impact des campagnes s’étend sur plusieurs périodes. Il prend aussi en compte la saturation publicitaire. Celle-ci décrit la diminution de l’efficacité des dépenses supplémentaires après un certain seuil. Des fonctions paramétriques non linéaires sont utilisées pour modéliser ces effets de manière plus précise.
Tendance et saisonnalité
Robyn utilise Prophet (Taylor and Letham 2018), un package open-source de Meta. Il permet de modéliser les effets de tendances, de saisonnalités et les événements importants (nouveaux produits ou campagnes de promotions).
Approche fréquentiste et optimisation multiple
Robyn adopte une approche fréquentiste ainsi qu’une pénalisation Ridge. Cette approche est équivalente à une régression bayésienne avec des a priori gaussiens. Néanmoins, elle est utilisée ici pour effectuer une optimisation multiple des hyperparamètres. En effet, trois fonctions objectives sont mises en œuvre :
- NRMSE (Normalized Root Mean Square Error) : utilisée pour évaluer l’erreur de prédiction.
- RSSD (Decomposition Root Sum of Squared Distance) : mesure la cohérence entre la part des dépenses médias et la part des effets médias. Cela aide à exclure les modèles avec des décompositions extrêmes.
- LIFT (Mean Absolute Percentage Error) : minimise la différence entre l’effet prédit et l’effet causal calculé lors d’analyses antérieures.
Pourquoi adopter un MMM automatisé comme Robyn ?
Les MMM automatisés s’inscrivent dans une volonté de redonner aux annonceurs le contrôle sur la mesure de leurs performances marketing. Cela se fait tout en s’adaptant aux nouvelles contraintes de confidentialité. Dans cette perspective, l’enjeu pour les marques est autant technique que stratégique. Ces modèles constituent une opportunité que les marques doivent s’approprier afin de faire du MMM un véritable levier d’optimisation marketing.
Vous souhaitez évaluer la pertinence du Marketing Mix Modeling pour piloter vos investissements ? Contactez nos experts Data & IA pour en discuter.
Bibliographie : Taylor and Letham, 2018. Forecasting at Scale
