MMM (Robyn, Meridian...) : qui en a besoin ?

TL;DR

Le MMM connaît un regain d'intérêt réel, porté par Meridian de Google et Robyn de Meta. Attribution classique et MMM ne répondent pas aux mêmes questions : la première pilote les campagnes au quotidien, le second mesure l'effet réel de chaque canal sur le long terme à partir de données agrégées. Pour qu'un modèle produise quelque chose d'utile, trois conditions doivent être réunies : deux ans de données propres, un data scientist capable de faire tourner et d'interpréter le modèle, et un budget média d'au moins 300 à 400 000 euros annuels répartis sur plusieurs canaux. En dessous de ces seuils, les tests d'incrémentalité offrent une alternative accessible qui produit des données causales sans historique long ni profil technique. Le choix entre Meridian, Robyn et PyMC-Marketing dépend de vos canaux dominants, de vos ressources internes et de votre rapport à la neutralité méthodologique.

Ce que l'attribution classique rate

Quand un client achète sur votre site après avoir vu une pub Meta, puis cliqué sur une annonce Google Shopping, votre outil d'attribution attribue la vente. Il distribue du crédit entre les canaux selon une logique définie, dernière interaction, première interaction, ou un modèle "data-driven" qui fait l'affaire. Tout ça a l'air raisonnable.

Le problème : ce client allait peut-être acheter de toute façon, s'il connaissait déjà la marque, par exemple. Il cherchait juste le bon moment. L'attribution ne se pose pas cette question. Elle enregistre les contacts, elle répartit le mérite, elle passe à autre chose.

Ce qu'elle rate complètement, c'est qu'elle ne peut pas tout tracer. La TV, l'affichage, le bouche-à-oreille, l'influence diffuse. Et surtout, l'effet cumulé de mois de présence sur un canal, qui ne se voit dans aucune conversion directe mais qui construit quelque chose dans la tête du consommateur.

L'attribution est utile pour piloter les campagnes au quotidien. Elle devient dangereuse quand on s'en sert pour décider de l'allocation budgétaire globale, parce qu'elle récompense toujours ce qu'elle voit, jamais ce qu'elle ne peut pas voir.

Le MMM répond à une autre question

Le Marketing Mix Modeling ne regarde pas les parcours individuels. Il regarde des courbes : semaines de dépenses médias, semaines de ventes, saisonnalité, prix, météo parfois. Il cherche les corrélations causales entre ces variables sur le temps long, et il en infère l'effet réel de chaque canal sur vos résultats.

Il travaille sur des données agrégées, sans cookie, sans identifiant individuel. Ce qui en fait l'outil de mesure le mieux positionné pour survivre à la disparition des cookies tiers.

Mais pour que ce type de modèle produise quelque chose d'utile, trois conditions doivent être réunies.

La première : deux ans de données propres. Vos dépenses médias semaine par semaine, canal par canal, sans trous, sans changements de tracking non documentés, avec les événements commerciaux qui ont affecté vos ventes. La plupart des marques ont changé d'agence, de plateforme analytics, ou de structure de compte au moins une fois dans cet intervalle. Chaque transition crée une fracture. Le modèle ne peut pas reconstruire ce qui n'existe pas.

La deuxième : quelqu'un capable de faire tourner et d'interpréter le modèle. De calibrer les paramètres bayésiens, c'est-à-dire les hypothèses de départ sur le comportement de chaque canal. Un paramètre mal réglé produit un modèle qui confirme vos intuitions au lieu de les challenger. La plupart du temps, c'est un Data Scientist qui prend en charge cette mission.

La troisième : un signal suffisant dans vos données. Le MMM cherche des variations. Si vous dépensez 20 000 euros par mois sur Meta sans jamais vraiment bouger, le modèle n'a pas assez de matière pour isoler l'effet. En pratique, en dessous de 300 à 400 000 euros de budget média annuel répartis sur plusieurs canaux, le signal est trop faible pour être fiable.

Meridian, Robyn, et les autres : ce qu'il faut savoir avant de choisir

Trois outils dominent le marché open source aujourd'hui.

Meridian, c'est le MMM de Google, sorti en beta en 2024 et disponible publiquement depuis janvier 2025. Il tourne en Python, utilise de l'inférence bayésienne pure via MCMC, et sa vraie force est l'intégration native de données Google : volume de recherche par zone géographique, reach et fréquence YouTube. Là où un MMM classique mesure la vidéo en impressions brutes, Meridian peut distinguer dix personnes touchées une fois de une personne touchée dix fois. C'est un vrai progrès technique.

Robyn, c'est le MMM de Meta, plus ancien, plus documenté, plus de retours terrain. Il tourne en R et utilise une régression par algorithme évolutionnaire plutôt que du bayésien pur. En pratique, Robyn propage moins bien l'incertitude sur ses estimations. Là où Meridian vous dit "l'effet de ce canal est probablement entre X et Y", Robyn vous sort un chiffre qui a l'air plus précis qu'il ne l'est. Pour les équipes moins techniques, c'est plus facile à lire. Pour les décisions importantes, c'est une fausse précision.

PyMC-Marketing est la troisième option, moins connue, et la seule vraiment neutre. Outil open source sans parent stratégique derrière, basé sur PyMC, entièrement flexible. Il demande plus de compétences pour être configuré mais il n'a pas d'incentive à valoriser un canal particulier dans ses outputs.

Et puis il y a les solutions propriétaires payantes : Recast, Ekimetrics en France, les offres Nielsen et IRI pour les très grands comptes. Elles coûtent entre 50 000 et 200 000 euros pour un projet complet, incluent l'accompagnement méthodologique, et livrent des rapports que vous pouvez montrer à un CFO sans avoir à expliquer ce qu'est un prior bayésien.

Pourquoi Google et Meta offrent leurs outils gratuitement ?

La question mérite d'être posée directement. Ces deux entreprises n'ont aucune raison philanthropique de démocratiser la mesure marketing.

L'avantage concurrentiel de Google n'est pas dans l'algorithme du MMM, il est dans ses données. Meridian est gratuit, mais pour en tirer le meilleur parti, vous devez accéder aux données Google Query Volume via leur plateforme MMM dédiée. Plus vous investissez sur Google, plus vos données sont riches, plus votre modèle est précis, plus les résultats valorisent Google dans votre mix.

Robyn fonctionne de la même façon avec les données Meta. Chaque outil est structurellement conçu pour avoir la meilleure granularité sur le canal de son créateur.

Ce n'est pas un problème en soi, c'est juste quelque chose à avoir en tête quand vous lisez vos outputs. Un modèle nourri principalement de données Google aura tendance à produire de bons arguments pour continuer à investir sur Google.

Ce que vous devriez faire

Pour la majorité des marques e-commerce en dessous du seuil où le MMM devient fiable, il existe une approche plus accessible et plus immédiatement actionnable : les tests d'incrémentalité.

Le principe est simple. Vous prenez deux groupes de régions comparables, vous coupez ou réduisez la publicité sur l'un d'eux pendant 4 à 8 semaines, et vous mesurez l'écart de ventes. Ce que vous observez, c'est l'effet causal réel du canal que vous avez coupé. C'est une expérience contrôlée avec un groupe témoin.

Un holdout test fonctionne sur le même principe mais à l'échelle de l'audience plutôt que du territoire.

Ces tests ont un coût réel. Pendant quelques semaines, vous sous-investissez délibérément sur certaines zones. Il faut accepter ce coût comme le prix d'une décision budgétaire mieux informée.

Ces test sont accessibles sans data scientist, sans deux ans de données propres, et sans budget médias à six chiffres. Et ils construisent exactement le type de culture de la mesure qui rendra un futur MMM pertinent, quand votre marque aura les prérequis pour y aller.

Qui a vraiment besoin d'un MMM aujourd'hui ?

Trois profils, trois réponses différentes.

En dessous de 300 000 euros de budget média annuel : les tests d'incrémentalité sont votre terrain de jeu. Investissez dans la rigueur méthodologique des tests plutôt que dans un outil de modélisation que vos données ne peuvent pas alimenter correctement.

Entre 300 000 et 1 million d'euros, avec plusieurs canaux actifs : commencez à construire l'infrastructure qui rendra le MMM possible dans 18 mois. Données propres, historique consolidé, process de documentation des événements commerciaux. Et continuez les tests d'incrémentalité en parallèle.

Au-dessus de 1 million d'euros, avec une équipe data ou la capacité d'en recruter une : Meridian ou Robyn méritent une évaluation sérieuse. PyMC-Marketing si vous voulez la neutralité au prix d'un effort technique plus important. Les solutions propriétaires si vous avez besoin d'un livrable présentable à votre board sans mobiliser six mois d'équipe interne.

Le MMM va devenir un standard. Dans trois à cinq ans, les marques au-dessus d'un certain seuil l'auront intégré dans leur stack de mesure, aux côtés de l'attribution et des tests d'incrémentalité. Meridian et Robyn ont accéléré cette trajectoire en rendant l'accès technique possible sans investissement massif.

Mais un outil sans les prérequis pour l'utiliser ne mesure rien. Vous devez avant tout savoir où vous en êtes dans votre maturité de budgétaire, et faire les choses dans le bon ordre.