MMM(Marketing Mix Modeling) by Meta : Robyn

Après avoir exploré le modèle de Marketing Mix Modeling (MMM) proposé par Google avec Meridian, nous poursuivons notre série avec une plongée dans l’approche développée par Meta. 

Meta a développé en 2021 un modèle de Marketing Mix Modeling (MMM) en open-source intitulé Robyn. Le modèle prend le contrepied 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.

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, 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.

• Tendance et saisonnalité

Robyn utilise Prophet (Taylor and Letham 2018), un package open-source de Meta, pour modéliser les effets de tendances, de saisonnalités et les événements importants telles que des lancements de nouveaux produits ou des 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 mais 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, aidant 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.

Les MMM automatisés comme celui proposés par Meta s’inscrivent dans une volonté claire de redonner aux annonceurs le contrôle sur la mesure de leurs performances marketing, 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. 

Bibliographie :

Taylor and Letham, 2018. Forecasting at Scale