400 €Revenu attribué÷50 €Investissement=8
Incrémentalité
Une seule question : que se serait-il passé sans cette campagne ? L’incrémentalité compare les personnes exposées à celles qui ne l’étaient pas, isole l’effet réel du média, puis confronte le MMM au terrain.
Qu’est-ce que l’incrémentalité ?
Prenez une campagne. Parmi les personnes qui l’ont vue, 20 % achètent votre produit. Le réflexe consiste à attribuer ces 20 % à la campagne. Pourtant, parmi celles qui ne l’ont pas vue, certaines achètent aussi : elles vous connaissaient déjà, ont vu une autre publicité ou seraient venues de toute façon.
L’effet réel de la campagne n’est donc pas le total observé chez les exposés, mais l’écart avec un groupe de contrôle comparable. Une expérimentation d’incrémentalité établit ce lien de cause à effet. Sa limite : elle mesure un levier isolé sur une période donnée, pas la dynamique de tout le mix.
Groupe exposé4 achats observés
Groupe non exposé3 achats sans campagne
4 − 3 =11 achat incrémental
ROAS ou iROAS : l’écart en un exemple
Une campagne coûte 50 €. Parmi les personnes exposées, quatre achats à 100 € sont observés. Le groupe non exposé montre que trois de ces achats auraient eu lieu sans campagne.
400 € − 300 €Revenu attribué − Revenu sans campagne÷50 €Investissement=2
Le chiffre sur lequel arbitrerPourquoi l’attribution seule ne suffit pas
L’attribution répartit le crédit d’une conversion entre les points de contact. Elle mesure une efficacité relative, pas l’impact causal. Le multi-touch ne règle pas le problème de fond : chaque plateforme revendique ses conversions dans son propre outil. Sans référence externe, leur somme peut dépasser la réalité.
Attribution calibrée →Ventes revendiquées1 000 000
≠
Ventes réelles500 000
Quatre familles de méthodes, dont deux passent à l’échelle
Les méthodes répondent à la même question contrefactuelle avec des dispositifs différents. Les deux dernières s’appuient davantage sur les données existantes, ce qui les rend plus répétables.
Geo lift testing
Comparer deux zones géographiques comparables, l’une exposée à la campagne et l’autre non.
A/B lift testing
Créer deux segments d’audience sur un même média et mesurer l’écart entre eux.
Accéléré par l’IA
Contrôle synthétique
Mettre un levier en pause et estimer par algorithme le scénario qui aurait eu lieu sans cette coupure.
Accéléré par l’IA
Variations de dépenses
Faire varier les investissements à budget total constant et calculer les lifts issus de ces mouvements.
Comment ces résultats entrent dans le modèle
mediaROI n’exécute pas les tests. Les résultats dont vous disposez — produits par vos équipes, vos régies ou vos partenaires mesure — sont intégrés au MMM bayésien sous forme de priors. Le modèle est informé d’un résultat observé sur un levier et une période, sans être forcé à reproduire ce chiffre.
Plus un levier est documenté par des tests, plus le modèle peut séparer la contribution de leviers qui évoluent ensemble. Les apprentissages passés cessent d’être des slides archivées : ils deviennent une entrée statistique du modèle.
Résultats d’incrémentalité
Priors
Modèle MMM bayésien
Attribution calibrée
Résultats fournis par vos équipes, vos régies ou vos partenaires mesure.
Trois méthodes qui se contrôlent l’une l’autre
Aucune ne suffit seule. Quand les trois convergent, vous pouvez arbitrer un budget sans discuter la méthode.
MMM
La vision holistique et la source de vérité : tous les leviers, la baseline et les variables exogènes.
Attribution calibrée
La lecture quotidienne, campagne par campagne, corrigée par les coefficients du MMM.
Incrémentalité
La vérification causale ponctuelle, qui confronte le modèle au terrain et l’informe.
Découvrez la plateforme
30 minutes pour parcourir un modèle complet et poser vos questions