Un MMM, sur le papier, c'est une régression : on relie la pub aux ventes. En pratique, c'est des mois de calibration et des dizaines de choix méthodologiques. Le résultat s'effondre dès que les données ne suivent pas. Voilà pourquoi le « MMM automatique en un clic » reste un argument de plaquette.
Un MMM est un modèle, pas un bouton
Un MMM estime la contribution de chaque canal aux ventes. Il lui faut pour ça un historique long, souvent deux à trois ans, hebdomadaire, propre, découpé par marché. La plupart des annonceurs n'ont pas cette donnée prête. Ils la découvrent trouée le jour où ils veulent lancer le modèle.
Les paramètres qui changent tout
Quelques décisions, invisibles pour un non-spécialiste, déplacent complètement les conclusions :
- L'adstock, l'effet retard de la publicité : combien de temps une impression continue d'agir ? Mal réglé, le modèle attribue à côté.
- La saturation : à partir de quel niveau un euro de plus ne rapporte presque plus ? C'est une courbe, pas une droite.
- Les variables externes : météo, prix, promotions, saisonnalité, concurrence. Oubliez-en une, le modèle la confond avec la pub.
- Les priors, ce que le modèle croit avant de voir les données : trop forts, ils dictent le résultat ; trop faibles, il part dans tous les sens.
Chacun de ces réglages est un choix défendable. Du coup, deux experts honnêtes sortent deux MMM différents du même jeu de données. C'est la nature de l'exercice, pas un défaut.
La calibration, le vrai travail
Un MMM crédible se cale sur des expériences réelles : des tests geo-lift et conversion-lift, où l'on coupe ou augmente un budget sur une zone pour mesurer l'effet réel. Sans cette calibration, vous obtenez un modèle qui colle parfaitement au passé et se trompe sur l'avenir. C'est le piège le plus courant. C'est aussi le plus cher.
Un MMM lancé sur des données trouées donne un faux résultat. Et un faux résultat coûte plus cher qu'un modèle qu'on n'a jamais lancé.
Ce que Relayne automatise vraiment
Relayne ne remplace pas le statisticien. Elle automatise tout ce qui doit être prêt avant le modèle : réunir les données, les ranger, certifier chaque chiffre. Puis elle calcule un score de préparation honnête qui dit si vous êtes prêt pour un MMM, ou pas encore. Avec Google Meridian comme moteur visé.
Quand vous n'êtes pas prêt, elle le dit clairement. Elle préfère ça à lancer un modèle qui sortira un chiffre rassurant et faux. La promesse est étroite et tenable : rendre la donnée assez solide pour qu'un MMM ait une chance d'être juste. La modélisation, elle, reste un métier.