Comment P&G a remis le media mix modeling au centre de ses décisions budgétaires

En 2017, Procter & Gamble a annoncé une coupe de 200 millions de dollars sur ses achats display digitaux, après avoir constaté que les audiences ciblées ne correspondaient pas à ce que les vendeurs d'espace promettaient. Marc Pritchard, directeur marketing de P&G, avait alors qualifié l'écosystème digital de "crappy media supply chain". Mais derrière cette déclaration publique, il y avait un travail analytique beaucoup plus silencieux : une remise en question complète de la façon dont le groupe mesurait l'efficacité de ses investissements médias. C'est là que le media mix modeling (MMM) est revenu sur la table, après des années de marginalisation au profit des outils d'attributionattributionA framework for assigning credit to the touchpoints that contributed to a conversion, so you can measure which channels and interactions actually drive results.Voir la définition complète → digitale.

P&G n'était pas seul dans cette situation. La promesse des années 2010 était simple : le digital, grâce aux cookies tiers et aux pixels de conversion, permettrait enfin une attribution précise au centime près. Le MMM, qui modélise statistiquement la contribution de chaque canal sur les ventes à partir de données agrégées, semblait appartenir à une époque révolue. Puis les limites de l'attribution multi-touchattribution multi-touchA method that distributes conversion credit across all marketing touchpoints in the customer journey, rather than crediting only the first or last interaction.Voir la définition complète → ont commencé à s'accumuler : biais vers les canaux de bas de funnelfunnelThe customer journey from awareness to purchase, typically Awareness, Interest, Consideration, Decision, Action, with prospects narrowing at each stage.Voir la définition complète →, incapacité à mesurer la TV ou l'affichage, dépendance aux cookies désormais menacés par les navigateurs et les régulateurs.

Ce que P&G a mis en place

Le groupe a structuré son retour au MMM autour de plusieurs décisions concrètes. La première : reconstituer des équipes internes capables de faire tourner et d'interpréter ces modèles, plutôt que de sous-traiter intégralement à des prestataires. Cela impliquait de recruter des data scientists avec une compréhension des dynamiques marché, pas seulement des profils purement techniques.

La deuxième décision a porté sur les données d'entrée. Un MMM n'est utile que si les variables exogènes sont bien spécifiées : dépenses médias par canal, GRP télévision, prix promotionnels, données météo pour certaines catégories, indicateurs macroéconomiques. P&G a investi dans la consolidation de ces flux de données, souvent éparpillés entre agences, régies et systèmes internes. Le groupe a également intégré des données de panel consommateurs pour valider les sorties des modèles.

La troisième décision, peut-être la plus structurante, a concerné la fréquence de mise à jour. Les MMM classiques étaient recalibrés une ou deux fois par an, ce qui les rendait peu actionnables pour des décisions tactiques. P&G a travaillé à des cycles de modélisation plus courts, certaines équipes atteignant des mises à jour trimestrielles. Ce n'est pas encore du temps réel, et le groupe n'a jamais prétendu le contraire, mais c'est suffisant pour ajuster des plans médias avant la fin d'un exercice fiscal.

P&G a aussi combiné le MMM avec des tests de causalité, notamment des geo-tests : couper les dépenses dans certaines zones géographiques pendant une période définie, mesurer l'impact sur les ventes, puis comparer avec les prédictions du modèle. Cette triangulation entre modèle statistique et expérimentation contrôlée est devenue la norme dans les équipes analytiques sérieuses, indépendamment du MMM utilisé.

Les résultats obtenus

Les chiffres publics restent partiels. Ce que P&G a communiqué, c'est qu'entre 2017 et 2019, le groupe a réalloué environ 1,2 milliard de dollars de dépenses digitales vers d'autres canaux ou les a simplement supprimés, sans observer de baisse de croissance des ventes. Sur certaines marques, la portée des campagnes a même augmenté en passant par des canaux mieux évalués par le MMM.

En 2019, lors d'une présentation à l'Association of National Advertisers, Marc Pritchard a indiqué que P&G avait amélioré la productivité de ses investissements médias de façon significative, sans chiffrer précisément le gain par canal. Les analystes financiers ont observé une amélioration des ratios dépenses marketing / croissance organique sur la période 2018-2021. Attribuer cette amélioration exclusivement au MMM serait excessif : d'autres facteurs, dont des réductions tarifaires et des reformulations produits, ont joué un rôle.

Ce qui est documenté avec plus de précision : P&G a réduit sa dépendance aux walled gardens (Meta, Google) non pas par idéologie, mais parce que les MMM internes montraient des rendements décroissants sur certaines catégories au-delà de certains seuils de fréquence. Cette conclusion n'était pas disponible dans les tableaux de bord natifs de ces plateformes, qui n'ont évidemment aucun intérêt à signaler leurs propres limites.

Ce qui est transférable, et ce qui ne l'est pas

Pour un CMO qui pilote une organisation de taille intermédiaire, la leçon principale n'est pas "faites comme P&G". C'est "posez-vous la même question que P&G s'est posée en 2017 : nos outils de mesure actuels favorisent-ils structurellement certains canaux au détriment d'autres ?"

La réponse honnête, dans la majorité des organisations, est oui. Les outils d'attribution last-click ou même multi-touch surestiment systématiquement la contribution du search et du retargetingretargetingShowing ads to users who have previously visited your site or interacted with your brand, to bring them back and drive conversion.Voir la définition complète →. Ils sous-estiment la TV, la radio, l'affichage et, souvent, le contenu éditorial. Un MMM, même imparfait, rééquilibre cette lecture.

Deux conditions sont nécessaires pour que l'exercice produise quelque chose d'utile. D'abord, avoir au moins deux à trois ans de données historiques propres, avec une variation suffisante dans les niveaux de dépenses par canal. Un historique plat ou trop court rend le modèle statistiquement fragile. Ensuite, avoir la volonté organisationnelle d'agir sur les conclusions, même si elles contredisent les préférences des agences ou des équipes internes attachées à certains canaux.

Sur ce second point, P&G avait un avantage structurel : la direction générale soutenait explicitement la démarche, ce qui donnait à Pritchard la légitimité pour couper des budgets que certaines agences défendaient. Dans une organisation où le MMM est porté uniquement par l'équipe data, sans soutien du CEO ou du CFO, ses conclusions auront du mal à se traduire en décisions réelles.

Enfin, méfiance sur les offres commerciales. Plusieurs éditeurs proposent aujourd'hui des outils MMM en SaaS, certains intégrés directement à des plateformes d'achat média. Ces solutions peuvent être utiles, mais elles crcrThe percentage of visitors or prospects who complete a desired action (purchase, sign-up, contact form), calculated as conversions divided by total opportunities.Voir la définition complète →éent un conflit d'intérêts évident quand le vendeur de l'outil est aussi le vendeur de l'espace. Les conclusions d'un MMM propriétaire d'une régie doivent être