MMM by Google : lightweightMMM et Meridian

Mesurer l’efficacité de son budget marketing n’a jamais été aussi crucial – ni aussi complexe. Après avoir exploré les différentes approches de Marketing Mix Modeling (MMM), faisons un focus sur la proposition de Google sur ce sujet.

Google a développé deux modèles 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... More (MMM) en open-source : LightweightMMM en 2022 et Meridian en 2025. Le modèle lightweightMMM a jeté les bases d’une approche plus sophistiquée du MMM, notamment en intégrant des effets non-linéaires, l’approche bayésienne pour l’estimation ainsi que l’approche géographique hiérarchique. Le modèle Meridian quant à lui, est une version mise à jour de lightweightMMM. En effet, il comporte toutes ses fonctionnalités ainsi que des extensions telles qu’une prise en compte plus fine des effets de saisonnalité.

Ainsi voici les principales fonctionnalités comprises dans ces deux modèles :

• Effets différés des investissements et saturation publicitaire

Les deux modèles prennent en compte l’effet différé des investissements, où l’impact des campagnes s’étend sur plusieurs périodes, ainsi que la saturation publicitaire, qui 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. Plus de détails…

• Approche bayésienne

L’approche bayésienne est privilégiée pour estimer les deux modèles, car elle permet d’intégrer des connaissances préalables via des distributions a priori, et de mieux gérer les transformations non linéaires des variables d’investissement. Plus de détails…

• Modélisation géographique hiérarchique

Il est possible d’entrainer les deux modèles sur des données possédant une granularité géographique plus fines (national, régional, etc.), augmentant la précision et réduisant les intervalles de crédibilité. Chaque région est modélisée individuellement, prenant en compte les variations régionales tout en maintenant un mécanisme commun d’impact média. Plus de détails…

• Composante temporelle

Meridian intègre une composante temporelle pour modéliser les dynamiques temporelles telles que les tendances et la saisonnalité. Cela est réalisé en utilisant un paramètre d’intercept, calculé à partir de points temporels spécifiques, offrant une estimation plus lisse et précise des effets de saisonnalité. Plus de détails…

• Utilisation des données de couverture et de fréquence

Lorsque les données d’impressions média sont utilisées plutôt que les données d’investissement, Meridian peut exploiter les données de portée (nombre de personnes uniques exposées) et de fréquence (nombre moyen d’expositions par personne) pour fournir des informations plus précises que les impressions seules. Plus de détails…

Toutes ces avancées techniques permettent de créer des modèles robustes (Spécification ici), capables de procurer des insights clairs s’ils sont correctement mis en place et entrainés en prenant en compte leurs limites respectives

Next step : deep learning pour le MMM

Face à la complexité croissante de leurs modèles de MMM, Google a choisi d’explorer récemment le deep learning avec le NNN (Next-Generation Neural Networks) dans leur article Next-Generation Neural Networks for Marketing Measurement. Cette approche améliore la précision de la modélisation, mais au prix d’une plus grande opacité. Tellement que Google a retiré le terme « Mix Marketing Modeling » de leur article peu après sa publication. Toutefois, des outils d’interprétabilité comme SHAP pourraient être utilisés pour démystifier ces modèles, en éclairant les contributions des différentes variables et rendant les résultats plus accessibles.

Retrouvez notre article sur le MMM by Meta prochainement

Bibliographie :

Mulc et al., 2025. NNN: Next-Generation Neural Networks for Marketing Measurement