Méthodologie

Unified Marketing Measurement

Comment mediaROI construit une mesure unique, comparable d’un canal à l’autre, sur laquelle vos équipes peuvent arbitrer un budget sans discuter la méthode.

Demander une démo

3 méthodes qui se vérifient entre elles

L’une mesure tout, l’une ajuste au quotidien, l’une teste le réel. Quand les trois s’accordent, vous pouvez agir.

MMM

Mesure l’impact de chaque canal, y compris la TV, la presse et la radio. Mis à jour à la cadence que vous choisissez.

Attribution

Vos résultats au quotidien, corrigés par le MMM.

Incrémentalité

Vos geo lift et conversion lift tests alimentent le modèle et le corrigent sur la réalité.

Découvrir l’incrémentalité →

Le signal individuel disparaît. La mesure change de nature

Pression d’Apple et de Google sur le signal, RGPD, fin progressive des cookies tiers : la mesure marketing quitte les modèles déterministes, qui suivaient chaque utilisateur, pour des modèles probabilistes, qui expliquent des volumes agrégés.

Conséquence : l’attribution et le MMM, longtemps séparés, se rapprochent. Le MMM reste holistique : il lit l’ensemble des points de contact, online, offline, prix, promotions, facteurs externes. L’attribution reste granulaire : elle lit le chemin de conversion campagne par campagne. La question n’est plus de choisir l’un ou l’autre, mais de les faire parler le même langage.

C’est ce que fait le Unified Marketing Measurement : le MMM comme référence, l’attribution recalée sur lui, vos tests d’incrémentalité pour l’ancrer dans le réel.

Trois rôles, une seule lecture

Le MMM, la source de vérité à long terme

Modèle statistique sur données agrégées. Il modélise tous les points de contact : médias online et offline, CRM, promotions, prix, variables exogènes. Il donne la baseline et la contribution de chaque levier. C’est le pilier qui informe les deux autres. Sa lecture est hebdomadaire ou mensuelle, pas quotidienne.

L’attribution calibrée, la lecture tactique au quotidien

Les données d’attribution de vos plateformes et de votre outil analytics servent à piloter au niveau campagne. Mais elles souffrent du last click, des biais cookies, et ne voient ni le branding ni l’offline. mediaROI leur applique les ROAS du MMM comme coefficients correcteurs. Résultat : une attribution quotidienne, cross-plateforme, cohérente avec la contribution réelle de chaque levier.

L’incrémentalité, la mesure causale ponctuelle

Geo lift, A/B tests, conversion lift : vos expérimentations sont le seul outil qui mesure une causalité au sens strict. Leur limite : elles mesurent un canal isolément, sur une période, pas le mix global. Leurs résultats entrent dans le MMM comme priors et le rendent plus robuste.

Vos tests informent le modèle. Le MMM produit la référence. L’attribution est recalée sur le MMM à chaque mise à jour. Plus vous avez de tests sur des leviers corrélés, plus le modèle distingue proprement leurs contributions.

Ventes = baseline + contributions incrémentales

Le MMM décompose votre indicateur cible (chiffre d’affaires, visites, leads, recrutement) en deux parts.

La baseline

La part de vos ventes qui existerait sans investissement média : demande organique, capital de marque, récurrence d’achat, saisonnalité, tendance de marché, facteurs externes. Ce n’est pas « ce qui se passe si on ne fait rien » : sans investissement, la baseline s’érode avec le temps.

Les contributions

Les ventes additionnelles générées par chaque levier au-delà de la baseline : médias, prix et promotions, trade, CRM. Contribution n’est pas attribution : la contribution est estimée par un modèle probabiliste au niveau agrégé, l’attribution repose sur une approche déterministe au niveau individuel.

Ce que le modèle capte pour chaque levier

La rémanence (adstock) : l’effet d’un investissement persiste après la fin de la diffusion, plus ou moins longtemps selon le média. Elle est modélisée levier par levier.
La saturation : au-delà d’un certain niveau, chaque euro supplémentaire rapporte moins. Les courbes de réponse la quantifient et indiquent le rendement du prochain euro investi (ROAS marginal).
Les effets court, moyen et long terme : 7, 30, 90 jours et plus, séparés et quantifiés.
La rentabilité : ROAS pour un modèle chiffre d’affaires, coût par visite pour un modèle trafic, CAC pour un modèle acquisition.

Un modèle par indicateur cible, au niveau de granularité défini ensemble. Les résultats alimentent le simulateur budgétaire : vous testez une réallocation avant de la décider.

Un moteur open source, une couche métier propriétaire

Notre modèle repose sur un moteur bayésien open source, reconnu et audité par le marché. Nous ne réinventons pas la roue mathématique. Le moteur fait les calculs ; tout ce qui fait la qualité du résultat, c’est la couche que nous mettons autour.

Pourquoi bayésien

Deux raisons. La première : un modèle bayésien accepte des priors, des points de départ informés par notre expérience sectorielle, la connaissance métier de vos équipes et vos tests d’incrémentalité. Le modèle explore ensuite librement autour de ces points de départ. La seconde : la cohérence entre mises à jour. Les résultats du modèle précédent servent de prior au modèle suivant. C’est ce qui rend possible une mesure récurrente, mensuelle si besoin, sans casser la lecture dans le temps.

Ce que mediaROI ajoute au moteur

Une infrastructure data : connecteurs API avec les plateformes médias, connexion à vos data warehouses, imports Excel et Google Sheets pour les sources sans API. Nos outils internes nettoient, mappent et structurent les données pour la modélisation.
Une surcouche d’intelligence métier : notre lecture de la rémanence par média, de la saturation, des variables exogènes, l’intégration de vos tests en priors, l’attribution calibrée.
Une plateforme pour les marketeurs, pas seulement pour les data scientists : dashboards, simulateur budgétaire, assistant mediaAI qui répond à vos questions en langage naturel.

Du modèle au quotidien : l’attribution calibrée

Dans Google, votre CAC last click vaut 10. Quand on prend en compte tous les leviers, il vaut plutôt 20. L’attribution calibrée applique ce coefficient correcteur à vos données d’attribution, campagne par campagne, chaque jour.

Deux prérequis. Un MMM mis à jour tous les mois : appliquer en septembre des coefficients issus d’un modèle arrêté en janvier donnerait des chiffres faux, nous préférons ne pas proposer le module que le proposer creux. Et un outil analytics ouvert, dont la donnée se récupère par export automatisé ou API.

Où s’arrête chaque outil : le MMM donne la juste contribution de chaque levier et de chaque plateforme, il ne descend pas au niveau de l’audience ou du créa. L’attribution calibrée, elle, descend jusqu’à la campagne, avec des chiffres recalés sur la contribution réelle. Pour l’optimisation intra-canal au jour le jour (enchères, audiences, formats), vos outils plateformes restent les bons ; le MMM guide l’allocation entre leviers, l’attribution calibrée guide les arbitrages entre campagnes.

Vos tests d’incrémentalité, intégrés au modèle

Geo lift, A/B tests, conversion lift : vos expérimentations passées et en cours ne sont pas perdues. Leur résultat, un lift ou un ROAS mesuré sur un levier et une période, oriente le point de départ du modèle pour ce levier, avec une incertitude qui reflète celle du test.

La nuance qui compte : on informe le modèle, on ne le force pas. Il reste libre d’ajuster en fonction des données. Plus vous avez de tests sur des leviers corrélés, TV et search par exemple, plus le modèle distingue proprement leurs contributions.

Pas de boîte noire

90 %R² typiquement observé

5 à 10 %MAPE typiquement observé

Robustesse

R² de 90 % : la part des variations de votre indicateur que le modèle explique. MAPE de 5 à 10 % : l’écart moyen entre valeurs prédites et valeurs réelles. Ordres de grandeur typiquement observés sur nos modèles, pas des promesses contractuelles.

Transparence

Priors, posteriors, itérations et niveaux de robustesse sont exposés dans un module de la plateforme. Vos équipes data peuvent auditer le modèle. Le moteur est open source et audité par le marché.

Co-construction

Nous invitons vos data scientists à construire le modèle avec nous. C’est leur connaissance business que nous combinons avec notre expertise mesure et média. Quand une variation des ventes reste inexpliquée, nous revenons vers vous pour identifier la variable manquante : le modèle s’améliore à chaque itération.

Intervalle de crédibilité

Chaque coefficient est livré avec son intervalle de crédibilité, l’équivalent bayésien de l’intervalle de confiance : la plage dans laquelle la vraie valeur a 95 % de chances de se trouver, compte tenu des données et des priors. Un intervalle large sur un canal n’est pas caché : il signale que le modèle manque d’information, et c’est souvent là qu’un test d’incrémentalité apporte le plus.

Ce que le MMM fait, et ne fait pas

Un MMM honnête commence par dire où il s’arrête.

Limites méthodologiques

Le modèle a besoin de variance : un levier investi de façon parfaitement constante ne peut pas être isolé. Les leviers always-on reçoivent un traitement spécifique.
Des variables fortement corrélées sont regroupées de façon raisonnée, avec vos équipes.
La granularité dépend du poids et des volumes : sous environ 1 % du budget, un levier isolé ne ressort pas. L’architecture du modèle s’adapte.

Limites d’usage

Une lecture macro des arbitrages, pas un pilotage campagne par campagne.
Une lecture hebdomadaire ou mensuelle, pas quotidienne. C’est le rôle de l’attribution calibrée.
Des données complètes et de qualité en entrée : la collecte est industrialisée, le dataset est validé ensemble avant modélisation.
Un socle qui s’entretient : des mises à jour régulières pour suivre l’évolution de votre offre, de vos points de vente, de vos médias.

Quatre étapes, à votre rythme

1
Collecte et préparation des données
Données internes (ventes, investissements, promotions) et externes (météo, jours fériés, concurrence). Connecteurs API pour les plateformes médias, connexion à vos data warehouses, imports Excel ou Google Sheets pour les sources sans API. Nos outils internes nettoient, harmonisent la granularité et préparent le dataset. Vous le validez avec nous avant modélisation.
2
Modélisation bayésienne
Le modèle intègre incertitudes et effets complexes : saturation, rémanence, variables exogènes, vos priors. Un modèle par indicateur cible.
3
Analyse des résultats
Robustesse, contributions, courbes de réponse, effets court et long terme, simulations de scénarios budgétaires.
4
Recommandations et pilotage
Réallocation vers les leviers les plus performants, leviers à intensifier ou à réduire. Restitution par nos marketing scientists, puis autonomie de vos équipes sur la plateforme.

Trois semaines entre la validation du dataset et la restitution des résultats. Puis une mise à jour à la cadence que vous choisissez : annuelle, semestrielle, trimestrielle ou mensuelle. À chaque mise à jour, contributions, saturations et recommandations sont actualisées, et le modèle précédent sert de point de départ au suivant.

Lexique

Indicateur cible: le KPI que le modèle explique (CA, visites, leads, recrutement). Un modèle dédié par indicateur.
MMM: modèle statistique qui mesure la contribution de chaque levier aux ventes, média et hors média.
Baseline: la part des ventes qui existerait sans investissement média : demande organique, marque, saisonnalité, facteurs externes.
Contribution incrémentale: les ventes additionnelles générées par un levier, au-delà de la baseline.
Rémanence (adstock): la persistance de l’effet d’un investissement une fois la diffusion terminée.
Saturation: le rendement décroissant d’un levier quand l’investissement augmente, modélisé par des courbes de réponse.
ROAS marginal: le rendement du prochain euro investi sur un levier : où chaque euro supplémentaire rapporte le plus.
Prior: connaissance injectée dans le modèle avant entraînement (tests, études passées) pour guider l’estimation.
Attribution calibrée: lecture quotidienne des plateformes digitales, recalée sur les résultats du MMM. Nécessite une mise à jour mensuelle.
Incrémentalité (tests): geo lift et A/B tests mesurant l’effet causal d’un levier. Leurs résultats nourrissent le modèle comme priors.
Mise à jour: ré-entraînement du modèle sur les données à jour, à la cadence choisie.
R² et MAPE: R², part des variations passées expliquée par le modèle. MAPE, erreur moyenne de prédiction en pourcentage.

FAQ

Questions fréquentes des équipes data

Les courbes de saturation changent-elles avec la saisonnalité ?

Non, et c’est voulu. Entre deux mises à jour, la courbe d’un levier reste stable. La saisonnalité est captée par les variables exogènes et la baseline, pas par les courbes : l’effet média mesuré reste propre. Les courbes sont ré-estimées à chaque mise à jour.

Peut-on avoir des résultats par segment (marque, BU, univers produit) ?

Oui, en segmentant les modèles : un segment, un indicateur cible, un modèle. L’arbitrage à poser : plus de finesse par silo, mais moins de données par silo. C’est un sujet de cadrage, pas un blocage technique.

Comment mes tests d’incrémentalité sont-ils intégrés ?

Comme priors : le résultat du test oriente le point de départ du modèle pour ce levier, avec l’incertitude du test. Le modèle n’est pas forcé de le reproduire.

Le simulateur donne-t-il des valeurs uniques ou des fourchettes ?

Des valeurs centrales, avec un indicateur de fiabilité par couleur selon l’écart aux niveaux d’investissement observés dans votre historique. Plutôt que des intervalles statistiques bruts, difficiles à convertir en décision, nous traduisons l’incertitude en zones de confiance actionnables.

Quelle granularité de données faut-il ?

Idéalement 24 à 36 mois d’historique quotidien, sinon hebdomadaire. La donnée hebdomadaire est le prérequis pour qu’un levier soit modélisé. Une donnée mensuelle peut servir de variable de contrôle.

Découvrez la plateforme

30 minutes pour parcourir un modèle complet et poser vos questions