MMM : quelles bonnes pratiques pour les annonceurs ?
Parmi les défis posés par la fragmentation des audiences et des écosystèmes publicitaires, la mesure et la comparaison des performances entre les canaux est l'un des plus critiques pour les annonceurs. De quoi les pousser à redéfinir leurs modèles d'attribution et se tourner vers le Marketing Mix Modeling. Une pratique qui est de moins en moins réservée aux grands annonceurs, alors que Google lance ce mois sa solution Meridian : "Voir Google, et précédemment Meta qui avait sorti Robyn, mettre à disposition des solutions de MMM en open source reflète l'intérêt de cette approche macro face à la perte de granularité et de signaux liées à la fragmentation", explique Florian Combres.
Le Head of Media Performance and Data du Groupe AXA revient alors sur les facteurs de réussite de l'utilisation de cette méthode : "Dans les prérequis du MMM, on a la donnée et la qualité de la donnée, qui sont vraiment des éléments clés. On a un besoin d'un historique. Donc, en général, il faut au minimum deux ans, deux ans et demi, voire trois ans d'historique (...) Il faut aussi les capacités techniques pour faire tourner le MMM et interpréter ses résultats...". Enfin, dernier point qui pourrait limiter la démocratisation de ces techniques, malgré les initiatives de Google et Meta : "Il faut aussi un certain niveau d'investissement, le MMM étant une méthode statistique. Les indicateurs de fiabilité statistique ne permettent pas de quantifier l'impact de chacun des leviers sur nos ventes ou sur la génération de chiffre d'affaires si on investit trop peu."
Parmi les défis posés par la fragmentation des audiences et des écosystèmes publicitaires, la mesure et la comparaison des performances entre les canaux est l'un des plus critiques pour les annonceurs. De quoi les pousser à redéfinir leurs modèles d'attribution et se tourner vers le Marketing Mix Modeling. Une pratique qui est de moins en moins réservée aux grands annonceurs, alors que Google lance ce mois sa solution Meridian : "Voir Google, et précédemment Meta qui avait sorti Robyn, mettre à disposition des solutions de MMM en open source reflète l'intérêt de cette approche macro face à la perte de granularité et de signaux liées à la fragmentation", explique Florian Combres.
Le Head of Media Performance and Data du Groupe AXA revient alors sur les facteurs de réussite de l'utilisation de cette méthode : "Dans les prérequis du MMM, on a la donnée et la qualité de la donnée, qui sont vraiment des éléments clés. On a un besoin d'un historique. Donc, en général, il faut au minimum deux ans, deux ans et demi, voire trois ans d'historique (...) Il faut aussi les capacités techniques pour faire tourner le MMM et interpréter ses résultats...". Enfin, dernier point qui pourrait limiter la démocratisation de ces techniques, malgré les initiatives de Google et Meta : "Il faut aussi un certain niveau d'investissement, le MMM étant une méthode statistique. Les indicateurs de fiabilité statistique ne permettent pas de quantifier l'impact de chacun des leviers sur nos ventes ou sur la génération de chiffre d'affaires si on investit trop peu."
Catégorie
🤖
TechnologieTranscription
00:00Et on termine donc ce cinquième épisode de Future of l'émission avec notre décryptage
00:10consacré au sujet du Marketing Mix Modeling, vous l'avez peut-être suivi, vous Florian
00:15en tout cas c'est sûr, le lancement par Google de Meridian, donc un outil maison destiné
00:20à tous les clients de Google, peut-être une réaction à cette actualité avant de
00:24commencer et de rentrer dans le vif du sujet sur l'utilisation du MMM côté AXA ?
00:29Alors je pense que c'est le fait que des marques comme Google et précédemment Meta
00:36qui avait sorti Robin mettent à disposition de façon open source des solutions de MMM,
00:44ça reflète vraiment l'intérêt et le renouveau qu'il y a autour du MMM et en même temps je
00:54pense que c'est vraiment, si ces marques là et ces plateformes vont jusque là, c'est que
01:00clairement le MMM est de nouveau un pilier très important de la mesure compte tenu du contexte,
01:07juste nous en contexte, de fragmentation des audiences qu'on a évoquées dans l'émission
01:11et de perte un petit peu de granularité, de perte de signaux, du recul et observer les grands
01:16mouvements. Vous chez AXA ça fait longtemps que vous avez développé vos propres outils de MMM ?
01:20Alors nous ça fait plus de dix ans qu'on fait du MMM, on a fait le choix de s'appuyer sur un
01:29partenaire pour nous accompagner là-dessus. Je pense que dans l'assurance et chez AXA notamment
01:37on a une culture de la mesure qui est forte parce que notre métier c'est de gérer les risques donc
01:42très vite ce sont des méthodes qui ont pu être mises en place. Aujourd'hui on opère du MMM sur
01:53plus de 15 pays dans ce cadre là, avec bien entendu des niveaux de maturité, de précision qui peuvent
02:01différer selon les pays, mais effectivement je pense qu'on a une bonne expérience du MMM même
02:10si on continue d'apprendre régulièrement puisqu'à un moment donné on ne peut pas tout mesurer tout
02:17le temps et puis le contexte évolue et donc chaque situation nouvelle fait qu'il y a de
02:24nouvelles choses à interpréter, à comprendre. C'est toujours en fait la difficulté, c'est
02:29finalement quand on voit des nouveaux canaux émerger, ce qu'on a pu évoquer dans l'émission,
02:33que ce soit la CTV ou que ce soit des plateformes spécifiques, il faut un certain recul quand même
02:37pour pouvoir compiler la donnée et voir un peu quelle a été la contribution de ces canaux-là à la
02:42performance globale. Peut-être juste en termes de partenaires, qui vous avez travaillé ? On a travaillé avec Katie Maitray
02:47et Kimitra là. Et par rapport à aussi l'actualité de Google, l'idée c'est de démocratiser le MMM
02:54à beaucoup plus d'annonceurs. Est-ce que finalement tous les annonceurs sont quand même dotés de la
02:59donnée nécessaire ? Enfin j'imagine que pour faire du MMM, pour avoir des choses robustes, il faut
03:04aussi quand même avoir une multitude de canaux qu'on va activer, sinon peut-être que c'est pas
03:09le MMM qui est le plus adapté pour aller mesurer ces campagnes. Alors je pense que sur les canaux,
03:16je ne dirais pas que c'est un point rédhibitoire. Je pense que ce qui est important déjà dans les
03:25prérequis du MMM, on a effectivement la donnée et la qualité de la donnée, qui sont vraiment des
03:33éléments clés. On a un besoin d'historique. Donc en général, il faut au minimum deux ans,
03:40deux ans et demi, voire trois ans d'historique. Donc ça, c'est déjà une forte contrainte dans
03:45des organisations de s'assurer d'avoir cet historique sur la donnée métier, business,
03:51mais aussi sur la donnée média par exemple. Et puis après, avoir la capacité techniquement de
03:59faire tourner du MMM, bien sûr, et surtout d'interpréter les résultats et d'en tirer des
04:05insights qui servent. Maintenant, je pense que le fait que des gens comme Google, Meta, mettent à
04:15disposition en open source des solutions de MMM, ça a notamment une vocation à aider à démocratiser
04:21de plus en plus ces techniques, et notamment pour des annonceurs plus petits ou de taille moyenne,
04:29qui n'auraient pas nécessairement les moyens de monter un programme MMM par rapport à ce que ça
04:38implique. C'est intéressant aussi, ce recul nécessaire, en effet, ces deux ans, deux ans et
04:42demi de données, puisque voilà, on voit en effet de nouveaux canaux émergés. Pourtant, on a hâte
04:49aussi de voir ce qu'Equimetrix va fournir, j'imagine, cette année peut-être, ou en 2026 sur
04:55la CTV, par exemple. On sait que c'est quelque chose qu'ils intègrent de plus en plus à leur
04:59scope. Là, c'est au global, CTV. Est-ce qu'on arrive à avoir la granularité aussi plateforme
05:04par plateforme, par exemple ? Oui, on peut aller regarder et avoir des informations qui soient plus
05:12granulaires, je dirais à la condition que cette donnée soit disponible, et puis aussi d'avoir un
05:21certain niveau d'investissement minimum, puisque le MMM, ce sont des méthodes statistiques. On va
05:29aller quantifier l'impact de chacun des leviers sur nos ventes ou sur la génération d'affaires
05:39nouvelles. Mais si on investit très, très, très peu, à un moment donné, les indicateurs de
05:44fiabilité statistique ne seront pas au rendez-vous. Donc, en fait, je dirais sur le papier, oui, c'est
05:50possible, mais il faut quand même un minimum d'investissement pour pouvoir commencer à mesurer
05:58et à dire des choses. De la grosseur du trait et en tirer des insights intéressants. Alors que c'est
06:02des insights qu'on va être ensuite capables d'activer pour les vagues suivantes de vos
06:06communications. Qu'en est-il sur essayer de se rapprocher, d'optimiser les campagnes en
06:12cours ? Là, j'imagine qu'on va devoir se tourner vers d'autres, peut-être, méthodes. Alors, sur
06:17aujourd'hui, on est quand même sur le MMM, sur une mesure que je qualifierais de froide dans le
06:22temps, dans la mesure où, en fait, on est sur des cycles de production d'un MMM qui sont
06:30relativement longs. Il y a plusieurs phases. Le travail de collecte, de traitement de la donnée
06:36est quand même assez long. Donc, en fait, on va être facilement sur des cycles de trois, quatre
06:41mois avant de sortir des résultats. Aujourd'hui, il y a un travail pour essayer d'automatiser tout
06:49cela et de construire plus de prédictifs. Et pour des gens qui veulent optimiser des campagnes, ce
06:57sont des solutions auxquelles on réfléchit ou d'autres acteurs réfléchissent. Mais ça suppose
07:05quand même une grosse organisation derrière pour s'assurer que la donnée soit bien processée et
07:14pouvoir automatiser au maximum des choses. On a encore, dans nos organisations métiers comme dans
07:24l'écosystème média, beaucoup de données qui n'est pas nécessairement automatisable, qui est
07:31processée très manuellement. Et donc, à un moment donné, l'effort nécessaire pour pouvoir être dans
07:39une production en continu est quand même relativement important. Et donc, ça peut limiter
07:45le fait de s'appuyer sur du MMM pour optimiser en temps réel ces solutions. Maintenant, je pense
07:55qu'il faut utiliser le MMM d'abord pour ce qu'il apporte, c'est-à-dire une vision macro qui va
08:03permettre d'optimiser nos stratégies globalement. Il y a des dimensions tactiques. J'évoquais le fait
08:11qu'on pouvait avoir des analyses plus granulaires. C'est également possible. Maintenant, si on cherche
08:19à remplacer de l'attribution Last Click par du MMM, aujourd'hui, ce n'est pas possible en l'état.
08:27Maintenant, je pense que tout le marché s'oriente vers déjà une meilleure compréhension de la
08:37contribution de chacun de ces leviers. L'intérêt du MMM, c'est qu'il remet aussi en perspective
08:42tout ce qui est investi sur du branding par rapport à des activations plus court terme. Et quand on le
08:50fait, on se rend compte qu'il y a un impact fort de ces investissements et de ces actions. Et en même
08:57temps, c'est une façon aussi de mesurer l'impact à long terme de nos investissements, c'est-à-dire
09:03de sortir simplement de la conversion ou de la génération de business à très court terme. Ce sont
09:12aussi des choses qu'on peut mesurer via le MMM et qui, du coup, permettent de piloter beaucoup
09:19plus fortement et stratégiquement des choix d'allocations dans le temps. Merci beaucoup
09:25Florian pour vos efforts de pédagogie sur ce sujet du MMM. Je pense qu'ils auront comblé
09:31les statisticiens dans l'amont qui vont nous écouter. Merci beaucoup aussi d'avoir accepté
09:37notre invitation. On va conclure sur ce décryptage. Et merci à vous, bien sûr,
09:41aussi de nous avoir suivis. Je vous dis à très vite pour un prochain numéro. Merci Florian.
09:46Merci, à bientôt.