Google Meridian: un game-changer pour le marketing mix modeling?
Qu'est-ce que Google Meridian, en termes simples
Meridian est le marketing mix model (MMM) open source de Google, écrit en Python et basé sur l'inférence bayésienne. Il fonctionne à partir de données hebdomadaires agrégées par marché (généralement les dépenses, les impressions, les ventes et un ensemble de facteurs externes) plutôt qu'à partir d'un suivi au niveau de l'utilisateur. C'est de cette conception que découle l'essentiel de son intérêt. Alors que les règles de confidentialité se renforcent et que les signaux au niveau de l'utilisateur se dégradent, un modèle agrégé ne dépend ni de l'un ni de l'autre.
L'aspect bayésien mérite une attention particulière avant de vous lancer. Vous définissez ce que vous croyez déjà concernant un canal sous forme de "prior" (croyance a priori), et le modèle met à jour cette croyance par rapport aux données. Les équipes dotées d'une réelle expertise commerciale peuvent ainsi l'intégrer au modèle. Les autres passeront la réunion de revue à défendre des chiffres saisis simplement parce que le notebook exigeait une valeur.
Google fournit également ce que les projets open source délaissent habituellement: une documentation à jour, une API Python pour réentraîner les modèles et générer les résultats, ainsi qu'un réseau de partenaires certifiés d'environ 30 prestataires pour les équipes qui préfèrent ne pas développer en interne.
Pourquoi la barrière à l'entrée du marketing mix modeling a baissé
Meridian absorbe de plus en plus de tâches qui gravitaient auparavant autour du modèle plutôt qu'en son sein. Il gère les variables hors média comme les prix et les promotions, ce qui est plus crucial qu'il n'y paraît. Les premiers modèles MMM attribuaient régulièrement à une campagne média une hausse des ventes en réalité provoquée par une baisse de prix, et des budgets réels étaient réalloués sur cette base. Vous pouvez également définir des priorités de contribution par canal et choisir le rythme de décroissance de l'effet publicitaire (adstock) pour chaque canal, afin que la configuration corresponde à votre expérience réelle des médias.
Autour du modèle, Google a ajouté un Planificateur de Scénarios pour ceux qui ne codent pas en Python, puis a intégré Meridian dans Google Analytics 360, directement au sein de l'interface de reporting des campagnes. Quelle que soit votre opinion sur cette stratégie, cela sort le marketing mix modeling du coin des data scientists pour le placer sous les yeux des décideurs budgétaires.
Faire tourner un modèle est devenu la partie facile. Convaincre un CFO de réallouer des budgets sur cette base reste la même discussion qu'auparavant, et aucun outil ne saura la raccourcir.
Les points forts de Meridian
Meridian traite les médias digitaux comme le font les planificateurs, en travaillant avec la couverture et la fréquence plutôt qu'avec des impressions brutes. Les effets de fréquence sont réels et rarement linéaires: un modèle qui ne voit que les impressions les aplatira en une moyenne qui ne correspond à aucune réalité. Il intègre également les données média et de requêtes de recherche de Google, ce qui fait gagner un temps précieux lors de la configuration si vos investissements sont fortement concentrés sur Google.
L'autre point fort est la géographie, particulièrement intéressante pour les annonceurs belges. Meridian a été conçu pour la modélisation à l'échelle géographique (geo-level), permettant d'analyser la Flandre et la Wallonie séparément plutôt que de les lisser dans une moyenne nationale inadaptée aux deux régions. Google a renforcé cela avec GeoX, qui intègre les résultats d'expérimentations géographiques dans le modèle. Les expérimentations apportent la preuve causale, et le modèle les replace dans leur contexte global.
Meridian ou Robyn ?
Robyn de Meta est l'alternative évidente, et les deux outils ont convergé bien plus que les premières comparaisons ne le laissaient penser.
Meridian est la voie la plus rapide pour un premier modèle, surtout avec un mix digital prédominant et des données média déjà hébergées sur les plateformes Google. Les paramètres par défaut sont cohérents et vous obtiendrez un résultat défendable plus rapidement. Cependant, chaque paramètre par défaut représente un choix méthodologique: assurez-vous simplement de savoir quels choix vous validez.
Robyn favorise les équipes qui souhaitent tout configurer par elles-mêmes et modéliser des dynamiques économiques atypiques. Il nécessite une expertise interne dédiée et pénalise les équipes qui n'en disposent pas.
En pratique, le choix se résume à trois questions:
Quelle part de vos médias se trouve déjà sur les plateformes Google?
Qui gérera et mettra à jour ce modèle dans six mois?
À quel point votre activité est-elle atypique en termes de prix, de saisonnalité ou de mix de canaux?
Nous avons développé des modèles avec les deux outils. Ce qui a fait la différence à chaque fois, c'est la qualité des données d'entrée et le fait d'avoir défini, avant même de modéliser, quelle décision stratégique le modèle devait guider.
Ce que Meridian ne résoudra pas
Un modèle qui converge n'est pas nécessairement un modèle juste. Il faut toujours évaluer si les "priors" sont défendables, si l'ajustement est réel ou s'il s'agit d'un surapprentissage du bruit, et si la réallocation recommandée est applicable lors du prochain cycle budgétaire. Ce travail d'évaluation humaine reste la partie la plus coûteuse du MMM, et son coût n'a pas baissé.
L'intégration native avec les plateformes Google fait gagner des semaines de travail sur les flux de données, pour mieux vous renvoyer vers les questions qui prennent réellement du temps. Le fichier des ventes physiques est-il propre? Ce manque dans les données de dépenses est-il un zéro ou une valeur manquante? La préparation des données reste l'étape la plus chronophage et la plus risquée.
La question de la neutralité mérite également attention. L'open source garantit la transparence, pas l'indépendance. Plus il devient facile de faire tourner un modèle de marketing mix au sein de l'environnement Google avec les données Google, plus vous devez analyser avec rigueur les données injectées et les conclusions acceptées sans double source.
L'attribution mérite d'être distinguée, car les deux concepts sont souvent confondus. Un modèle de marketing mix (MMM) compare les canaux de manière agrégée sur plusieurs mois. L'attribution des ventes suit le parcours et les points de contact individuels. Les équipes qui exploitent les deux approches obtiennent une vision globale qu'aucun de ces outils ne peut produire seul.
Ce que cela donne sur un budget réel
Pour un fournisseur d'énergie, nous avons modélisé la TV, la radio, la presse, le search et le social par rapport aux ventes B2C. Le classement des canaux s'est avéré être le résultat le moins utile. Le client a plutôt exploité les courbes de saturation: plusieurs canaux prolongeaient leur effet des semaines après l'arrêt des dépenses, tandis que d'autres avaient atteint un point où chaque euro supplémentaire générait un retour décroissant. Grâce aux simulations, la réallocation du budget existant a révélé un potentiel de croissance des ventes de plus de 5% sans dépense supplémentaire. Retrouvez l'histoire complète dans notre étude de cas de marketing mix modeling.
Nous avons construit ce modèle spécifique sur Robyn, ce qui illustre bien notre propos. La valeur ajoutée est venue des questions validées avec le client en amont: quels canaux saturent, à quoi ressemble un effet de rémanence (carryover) réaliste, et quelle part du budget peut réellement être réallouée au trimestre prochain.
Alors, Google Meridian change-t-il la donne?
Pour l'accessibilité, oui. Une équipe disposant de données propres et devant prendre une décision rapide peut construire un modèle de marketing mix robuste sans passer par un cycle d'achat complexe. Des bibliothèques MMM gratuites existaient déjà avant Meridian, dont Robyn, mais Meridian a transformé cette approche d'alternative audacieuse en choix évident.
Pour tout ce qui découle du modèle, non. Meridian ne vous dira pas si vos hypothèses de départ (priors) sont réalistes ni si la réallocation proposée résistera à la réalité du marché. Ces questions exigent l'intervention d'experts, et ce sont elles qui déterminent si un projet MMM aboutit ou reste bloqué dans un notebook.
Si vous hésitez, commencez par un projet plus modeste qu'espéré. Un marché, une décision, deux à trois ans de données hebdomadaires, et un expert autour de la table pour challenger les résultats. Déployez à plus grande échelle ensuite.
Questions fréquentes
Meridian est-il gratuit?
Le code est open source, la licence ne coûte donc rien. Votre budget sera alloué à l'infrastructure pour l'exécuter, à la préparation des données et à l'expertise nécessaire pour définir les "priors" et valider les résultats. L'utilisation de Meridian via Google Analytics 360 fait l'objet d'une discussion distincte, 360 étant un produit d'entreprise payant.
Meridian vaut-il le coup si Google ne représente pas la majorité de nos médias?
Oui. Meridian modélise tous les canaux pour lesquels vous disposez de données (TV, radio, presse écrite et autres plateformes). Google précise clairement que l'outil est conçu pour le cross-canal. Les intégrations Google facilitent la configuration initiale, mais ne dictent pas le choix de l'outil.
De quel volume de données un marketing mix model a-t-il besoin?
Deux à trois ans de données hebdomadaires par marché constituent une bonne règle générale. Cela doit couvrir les dépenses médias, les impressions disponibles, les ventes et les facteurs externes propres à votre secteur: prix, promotions, saisonnalité, météo.
Peut-on l'utiliser sans équipe de data science dédiée?
Pour un premier modèle, oui, grâce au Planificateur de Scénarios ou à un partenaire certifié. Le maintenir dans la durée est plus difficile, car le modèle doit être réadapté à mesure que votre mix, vos prix et votre marché évoluent. C'est généralement à ce stade que les décisions marketing basées sur les données s'ancrent dans les habitudes ou s'arrêtent définitivement.