Playbook du CMO et tactiques avancées de marketing mix modeling

Deux chiffres pour le même trimestre et la même campagne. Le dashboard de Meta lui attribue environ trois fois plus de conversions que votre mix model. Aucun des deux n'est une erreur ; ils répondent à des questions différentes à partir de données différentes. L'un d'eux fixera le budget de l'année prochaine, et cet arbitrage atterrit sur votre bureau, pas sur celui de votre analyste.

Une budgétisation pilotée par le modèle au plus haut niveau est une revendication sur de l'argent, ce qui explique pourquoi chaque responsable de canal dont le chiffre baisse va l'attaquer. Si la finance ne croit pas au modèle, il ne change rien. Le plan revient à l'année dernière plus l'inflation, et la facture de modélisation devient une ligne que vous défendez deux fois.

L'arbitrage que vous ne pouvez pas déléguer

Un rapport de plateforme ne voit que ses propres touchpoints, dans sa propre fenêtre d'attributionattributionUn framework qui attribue le crédit d'une conversion aux différents touchpoints y ayant contribué, afin de mesurer quels canaux et quelles interactions génèrent réellement des résultats.Voir la définition complète → (par défaut chez Meta : 7 jours après clic, 1 jour après vue), et il n'a aucune visibilité sur votre prix, votre distribution ou la demande qui serait arrivée de toute façon. Le modèle fonctionne dans l'autre sens : le spend d'un canal est un régresseur parmi d'autres, aux côtés du prix, de la saisonnalité et de la pression concurrentielle, comme l'expose la leçon sur les fondamentaux, donc il ne voit que ce qui varie réellement à l'agrégat. Si vous avez dépensé dans une bande étroite chacune des 150 dernières semaines, le modèle n'a rien à apprendre et vous rendra un coefficient avec un intervalle large comme un boulevard.

Le partage de travail :

• Les données de plateforme pour les décisions intra-canal : crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éa, audience, bid, placement. Rien d'autre n'a cette granularité ni cette fréquence de rafraîchissement.
• Le modèle pour l'argent inter-canaux : combien va au search versus la TV versus le retail media l'année prochaine.
• Quand les deux divergent d'un facteur supérieur à environ 2x sur le même canal, traitez cela comme une question ouverte plutôt que de faire la moyenne. Couper la poire en deux, c'est la façon de se tromper de moitié dans une direction que personne n'assume.

La version la plus difficile de cet arbitrage concerne le search de marque et le retail media, où la plateforme compte des conversions qui se seraient produites via un lien organique à coût nul. Ces deux lignes sont là où la budgétisation pilotée par le modèle trouve généralement ses premiers huit chiffres.

Calibrer le modèle avec des GEOGEORendre votre marque et vos contenus visibles et citables dans les réponses générées par des IA comme ChatGPT, Gemini et Perplexity.Voir la définition complète → experiments

Un modèle non falsifié est une opinion accompagnée d'une sortie de régression. Les geo experiments sont le moyen le moins coûteux de le falsifier : coupez le spend sur un ensemble de marchés appariés pendant six à dix semaines, mesurez l'écart de ventes, puis vérifiez si le coefficient du modèle pour ce canal prédisait l'écart observé. Si ce n'est pas le cas, le modèle est faux et vous savez maintenant de combien et dans quelle direction. Les implémentations modernes réinjectent le résultat du test comme prior, si bien que le refresh suivant est ancré sur quelque chose que vous avez mesuré plutôt que sur quelque chose que vous avez fitté.

Deux choses qu'un CMO doit protéger dans ce processus. D'abord, l'ampleur de la perturbation : une variation de spend de 10 % sur quatre marchés ne permet généralement de détecter aucun lift inférieur à deux chiffres, donc soit vous coupez fort dans les cellules de test, soit vous acceptez un résultat non concluant et cessez de prétendre le contraire. Ensuite, la contamination : la TV nationale, les promotions de prix nationales et les décisions des distributeurs ne respectent pas votre géographie de test, et un concurrent qui lance sur vos marchés de contrôle peut inverser la lecture. Lisez le test avec le calendrier commercial sous les yeux.

Budgétisez la calibration comme un coût permanent, à peu près une expérimentation par canal majeur et par an. Faites tourner le canal testé. Les canaux qui ne sont jamais testés sont précisément ceux que votre organisation a décidé d'avance de croire.

Le modèle auquel personne à la finance ne croit

C'est le mode d'échec dominant, et il est organisationnel plutôt que statistique. Les symptômes sont reconnaissables bien avant la mort du modèle :

• Des chiffres de contribution impossibles à réconcilier avec le P&L, parce que le modèle a été construit sur le coût média brut alors que la finance comptabilise net des remises d'agence.
• Des coefficients qui changent de signe entre deux refreshes, sans autre explication que « les données ont été mises à jour ».
• Des estimations ponctuelles présentées sans les intervalles, pour la lisibilité. La finance le découvre plus tard, généralement dans la réunion où vous demandez la réallocation.
• Un vendor qui montrera un waterfall chart mais ne livrera ni la table des élasticités ni la spécification du modèle.

La conséquence de second ordre est pire que les honoraires gaspillés. Dès qu'une équipe dirigeante apprend qu'un mix model peut être re-spécifié jusqu'à ce qu'il soit d'accord avec le plan, le vendor suivant est choisi pour sa complaisance, et le modèle devient un dispositif de ratification de décisions déjà prises. Renverser cette réputation prend deux ou trois cycles de planification.

La défense est ennuyeuse et elle fonctionne : réconciliez les ventes de base du modèle avec la ligne réelle du P&L avant que quiconque voie un résultat par canal, publiez l'intervalle à côté de chaque chiffre, et ne proposez jamais une réallocation inférieure à l'incertitude du modèle lui-même. Si l'intervalle du ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → du paid social va de 1,1x à 2,4x, vous ne pouvez pas justifier un déplacement de 5 % sur cette base. Vous pouvez justifier la commande d'un test.

Qui est propriétaire du chiffre

L'indépendance est une décision structurelle, pas une préférence. L'agence média qui achète l'inventaire ne devrait pas construire le modèle qui le note. La même logique s'applique aux plateformes : Meta publie et maintient des outils open source pour le mix modeling comme pour le geo testing, ce qui est réellement utile, et Meta vend aussi la publicité que ces outils évaluent. Utilisez le code, gardez la spécification et le design du test sous votre contrôle.

La même réserve vaut dans l'autre sens. Les vendors de brand trackingbrand trackingMesure régulière des indicateurs de santé de marque (notoriété, image, préférence, intention d'achat) dans le temps, pour détecter les évolutions et les relier à l'activité marketing.Voir la définition complète → comme Kantar vendent à la fois la série de tracking et les services de modélisation, donc si vous achetez les deux au même fournisseur, demandez qui contrôle le travail de qui. La série de tracking elle-même mérite sa place dans le modèle : une variable de brand equitybrand equityLa valeur commerciale que votre marque ajoute au-delà des attributs fonctionnels du produit : le premium de prix, la préférence et la loyauté qu'elle génère.Voir la définition complète → à évolution lente donne à la régression quelque chose à quoi attribuer la moitié persistante de l'effet, au lieu de le garer dans un baseline inexpliqué qui grossit chaque année.

En pratique, nommez un propriétaire interne unique (analytics ou finance, pas l'équipe média), confiez-lui la relation vendor, et placez le refresh du modèle sur le même calendrier que le budget lock plutôt que quatre semaines après.

Cas réels

Cas 1 : eBay. Blake, Nosko et Tadelis, en collaboration avec l'équipe d'économistes d'eBay, ont mené une expérimentation de terrain à grande échelle coupant la publicité en search payant sur un ensemble de marchés américains, et ont publié les résultats dans Econometrica en 2015. Les annonces sur mots-clés de marque n'ont quasiment rien rapporté, parce que le trafic est réapparu via des liens organiques à coût nul, et les retours mesurables sur les termes hors marque étaient concentrés sur les utilisateurs occasionnels. Les rapports de plateforme affichaient un retour sain depuis le début. Chacun de ces clics était réel ; les ventes incrémentales, en grande partie, ne l'étaient pas. C'est l'argument le plus tranchant disponible pour expliquer pourquoi un modèle calibré par expérimentation prime sur un chiffre remonté par un canal quand l'argent bouge.

Cas 2 : Meta. Meta a mis en open source Robyn, une base de code de mix modeling qui accepte les résultats de lift tests comme inputs de calibration, et GeoLift pour concevoir les geo experiments qui les produisent. Qu'une plateforme vendant du média publie la machinerie de mesure de sa propre incrémentalité vous indique à quel point l'arbitrage est devenu disputé. Reprenez le design pattern (expérimenter, puis contraindre le modèle, puis allouer) et gardez l'arbitre en dehors du vendeur.

Actions pour le CMO

• Réconciliez les ventes de base du modèle avec le P&L de la finance avant qu'un résultat par canal ne circule, et convenez par écrit avec votre CFO de la base de coût utilisée par le modèle (brut ou net).
• Inscrivez au plan un geo experiment par canal majeur et par an, et engagez-vous d'avance à agir sur le résultat, y compris dans le cas où il contredit un canal que vous avez publiquement défendu.
• Publiez les intervalles de confiance avec chaque recommandation de réallocation, et fixez un plancher : aucun déplacement inférieur à l'intervalle.
• Faites délibérément varier le spend sur au moins quelques marchés chaque année. Un plan parfaitement lisse prive le modèle suivant de la variation dont il a besoin pour lire quoi que ce soit.

Erreurs courantes qui tuent les résultats

Erreur 1 : laisser l'agence qui achète votre média construire aussi votre modèle. L'incitation est de montrer ses canaux sous leur meilleur jour. Achetez le modèle à un cabinet de mesure indépendant et donnez-lui directement des données first-party propres.

Erreur 2 : reconstruire le modèle quand la réponse dérange. Si la spécification change parce qu'un résultat était politiquement difficile, vous avez détruit définitivement la crédibilité du modèle auprès de la finance, et vous ne la récupérerez pas dans ce cycle de planification.

Erreur 3 : traiter le modèle comme un rapport annuel plutôt que comme un instrument de décision. Si les sorties arrivent après le budget lock, elles deviennent du commentaire. Calez le refresh pour que les résultats arrivent avec assez de temps pour en débattre.

Erreur 4 : optimiser sur l'estimation ponctuelle du modèle. Couper un canal jusqu'au spend exact que la courbe préfère, c'est une précision que les données ne soutiennent pas ; avancez par paliers mesurables, et re-testez.