Comment les cadres MMM à source ouverte démocratisent l'utilisation des MMM

Cet article est co-écrit par Mathieu Lepoutre et Arnaud Parent.

‍

Naviguer dans des informations vastes et complexes dans un monde soucieux de la protection de la vie privée est primordial pour prendre des décisions bien informées et hautement opérationnelles. Les spécialistes du marketing sont confrontés à ces questions : Quelles sont les activités de marketing qui génèrent le meilleur retour sur investissement ? Où le budget marketing est-il le mieux utilisé ? Comment fonctionnent les différents moteurs de marketing, y compris les canaux médiatiques payés, détenus et gagnés, mais aussi les promotions ou les prix ? Les facteurs externes, tels que les activités des concurrents ou les conditions économiques, influencent-ils les performances du marketing ? Quel est l'impact à court terme sur les ventes et à plus long terme sur la valeur de la marque ?

‍

Les limites de l'attribution

Les techniques traditionnelles d'attribution multi-touch (MTA) n'ont pas répondu aux besoins essentiels, principalement en raison de leur incapacité à saisir avec précision la nature multicanal / en ligne et hors ligne des parcours des clients. Elles ont tendance à trop se concentrer sur l'impact à très court terme des interactions numériques, négligeant l'impact des efforts de marketing hors ligne et des facteurs externes tels que la saisonnalité ou les changements économiques. Le MTA part du principe que toutes les conversions sont attribuées à un point de contact médiatique, principalement les médias numériques, ce qui est une hypothèse fondamentalement erronée, même pour les annonceurs opérant exclusivement en ligne avec des conversions numériques. Dans de nombreux cas, une part importante de l'impact ne provient pas des médias.

‍

En outre, les approches MTA sont fortement entravées par les contraintes liées à la confidentialité des données et par la disponibilité et la fiabilité de plus en plus réduites des données granulaires au niveau de l'utilisateur, ce qui les rend de plus en plus inefficaces et dénuées de sens dans le paysage marketing actuel qui évolue rapidement, même si l'on tente d'atténuer ce problème grâce à des fonctions telles que le mode de consentement ou la conversion améliorée.

C'est là que le MMM entre en jeu, en fournissant une évaluation holistique de l'efficacité de chaque composante du marketing, compte tenu de l'environnement complexe de la marque. Il optimise le marketing mix pour maximiser le retour sur investissement, ce qui permet aux entreprises de prendre des décisions marketing plus informées et plus stratégiques. La disponibilité croissante des analyses de données avancées, des compétences data science et des outils machine learning a amélioré la précision et l'évolutivité du MMM, ce qui en fait un atout plus précieux et plus largement accessible.

‍

Les avantages des bibliothèques à code source ouvert

Par ailleurs, l'avantage principal et le plus significatif des MMM réside dans leurs capacités prédictives. Les décideurs marketing peuvent simuler différentes hypothèses et scénarios avant le lancement d'une campagne, ce qui leur permet d'optimiser les stratégies et d'avoir un impact immédiat sur les résultats.

Toutefois, de nombreux annonceurs sont encore préoccupés par la mise en œuvre de ces techniques :

• La complexité : Le MMM nécessite une expertise en matière d'analyse statistique, de traitement des données et de connaissance du domaine, ce qui le rend inaccessible aux entreprises ne disposant pas d'un solide bagage analytique. En outre, l'élaboration et la validation des modèles MMM est un processus qui prend du temps, souvent plusieurs mois.
• Coûts élevés : L'engagement d'entreprises spécialisées ou de fournisseurs de solutions de mesure commerciales pour des projets MMM peut être prohibitif, limitant souvent ces efforts à quelques marques phares et laissant de nombreuses autres marques du portefeuille sans les ressources nécessaires.‍
• Manque de transparence : Les systèmes MMM externalisés restent des boîtes noires, les annonceurs n'ayant qu'une visibilité limitée sur les méthodologies et les hypothèses utilisées, ce qui entrave l'adoption du processus et la confiance dans les résultats.

En conséquence, les services complets fournis par des fournisseurs MMM tiers, qui gèrent généralement l'ensemble du processus, de la découverte et de la collecte de données à la modélisation et aux idées/recommandations, sont confrontés à des défis importants.L'hébergement de certains ou de tous les composants d'une plateforme de mesure et d'optimisation de l'efficacité marketing sur mesure gagne du terrain parmi les principaux annonceurs et apparaît désormais comme une alternative réaliste pour un nombre croissant de spécialistes du marketing. Pour ceux qui en sont encore à la phase de réflexion et/ou lorsque l'adoption d'une solution MMM SaaS de fournisseurs spécialisés semble moins pertinente en raison d'une personnalisation limitée, de problèmes potentiels d'intégration des données ou de coûts d'abonnement élevés, une question cruciale est de savoir comment les packages MMM open-source récemment publiés ou mis à jour peuvent agir comme un catalyseur du changement.

‍Les principauxlogiciels MMM à code source ouvert comprennent certains qui sont directement fournis par les principales plateformes numériques :

> Robyn de Meta: une base de code accessible au public pour le MMM semi-automatique qui exploite les techniques machine learning pour accélérer le processus de modélisation, minimiser les biais et la subjectivité des analystes et produire des modèles plus contrôlables et plus évolutifs. En outre, il s'intègre parfaitement aux outils Meta avancés et conviviaux tels que Nevergrad, facilitant ainsi l'optimisation efficace des allocations budgétaires.

>Google's Meridian : Un ensemble de bibliothèques Python récemment publié qui fournit aux équipes data science les outils de base pour explorer les mesures de type MMM en utilisant des techniques établies et fiables, représentant une nouvelle génération de solutions par Google après LightweightMMM. Cette offre constitue une avancée significative pour les annonceurs, car son noyau entièrement bayésien permet une spécification de modèle très flexible, estimant tous les paramètres avec incertitude plutôt que de s'appuyer sur les hypothèses du modélisateur. En outre, il va au-delà des modèles traditionnels en permettant l'estimation d'un modèle géographique hiérarchique et - ce que l'on attend naturellement de Google - en améliorant l'évaluation du rôle de la recherche dans l'efficacité et en intégrant des mesures de portée et de fréquence pour optimiser les décisions en matière de publicité vidéo. Pour en savoir plus sur cette fonctionnalité, consultez cet article : Pourquoi utiliser la portée et la fréquence plutôt que les impressions dans les modèles de marketing mix? 

Ces packages offrent clairement des fonctionnalités avancées, une intégration transparente avec les écosystèmes Meta ou Google, ainsi qu'une sécurité solide. Cependant, certains annonceurs à la recherche d'une plus grande flexibilité, d'une meilleure personnalisation et d'une plus grande indépendance envisagent souvent de se tourner vers des codes développés par la communauté comme une approche alternative. A titre d'exemple, nous pouvons citer

> PyMC-Marketing: Une solution MMM open-source développée par une équipe de chercheurs de PyMC Labs et une communauté d'experts, construite sur PyMC, une bibliothèque de programmation probabiliste largement utilisée pour construire des modèles bayésiens. Bien qu'il s'agisse d'un outil puissant et flexible pour le MMM, sa complexité, ses exigences en matière de calcul et sa dépendance à l'égard des méthodes bayésiennes font qu'il convient mieux à des scientifiques des données expérimentés maîtrisant Python et les statistiques bayésiennes. La mise en place et l'utilisation efficace de ce progiciel nécessitent un investissement important en temps et en ressources, et ce n'est peut-être pas le meilleur choix pour les utilisateurs qui recherchent des solutions automatisées et faciles à utiliser.

‍