MMM marketing : définition, fonctionnement et cas d'usage concrets

La question revient dans presque chaque audit que nous faisons : "Comment savoir si notre budget Google Ads rapporte vraiment plus que notre budget Meta ?" La réponse instinctive, c'est de regarder le tableau de bord d'attribution de chaque plateforme. Le problème : chaque plateforme se crédite de la même conversion, et la somme des ROI annoncés dépasse souvent deux à trois fois le chiffre d'affaires réel. Le Marketing Mix Modelling, ou MMM, est la méthode qui permet de sortir de cette impasse — et elle n'est plus réservée aux équipes data de P&G ou de Coca-Cola.

Ce que le MMM est vraiment — et ce qu'il n'est pas

Le Marketing Mix Modelling est une méthode statistique d'inférence causale qui mesure l'impact de chaque levier marketing sur les ventes. Concrètement, on alimente un modèle avec des séries temporelles — dépenses publicitaires semaine par semaine, revenus, prix, saisonnalité, promotions — et le modèle décompose quelle part des ventes est attribuable à chaque variable.

Wikipedia le définit comme une méthode qui utilise des régressions multivariées sur des données de ventes et de marketing pour estimer comment différentes tactiques influencent les résultats business. Ce qui est important pour nous, c'est ce que cette définition implique en pratique : le MMM travaille sur des données agrégées, pas sur des cookies individuels. C'est précisément ce qui le rend robuste dans un environnement post-cookies et conforme au RGPD par construction.

Ce que le MMM n'est pas : ce n'est pas un outil de tracking temps réel, ce n'est pas un tableau de bord Google Analytics, et ce n'est pas un modèle d'attribution dernier clic. C'est un modèle rétrospectif qui répond à une question stratégique — "comment notre mix de dépenses a-t-il généré nos ventes ces 18 derniers mois ?" — plutôt qu'à une question opérationnelle — "quelle campagne a converti hier ?".

À ne pas confondre non plus avec la multi-touch attribution (MTA). La MTA cherche à comprendre le rôle de chaque point de contact dans le parcours d'un individu vers la conversion. Le MMM, lui, regarde la photo d'ensemble : quelle part de la croissance des ventes est expliquée par la TV, par le Search, par la saisonnalité, par le prix ? Les deux méthodes sont complémentaires, pas substituables.

Les deux blocs fondamentaux du modèle

Tout modèle MMM décompose les ventes en deux grandes familles.

Les ventes de base correspondent à ce que l'entreprise vendrait même sans aucune action marketing. Ce bloc intègre la demande naturelle du marché, l'effet de la saisonnalité, la force de la marque, le niveau de prix et la distribution. Pour une PME française qui vend en ligne, la vente de base représente souvent 50 à 70 % du chiffre d'affaires — ce qui surprend toujours les équipes marketing qui surestiment l'effet de leurs campagnes.

Les ventes incrémentales sont celles que génèrent les actions marketing : publicité digitale, promotions, emailings, campagnes radio ou affichage. C'est ici que le modèle devient utile pour arbitrer : il calcule, pour chaque levier, le volume de ventes qu'il a généré au-delà de la base, et donc son ROAS réel.

Le modèle intègre aussi deux effets souvent négligés dans les analyses classiques :

• L'adstock : l'effet d'une campagne publicitaire ne s'arrête pas le jour où elle cesse d'être diffusée. Une semaine de TV génère de la mémorisation qui continue d'alimenter les ventes pendant plusieurs semaines. Le MMM modélise cette décroissance temporelle.
• La saturation : au-delà d'un certain niveau de dépense, l'efficacité marginale d'un levier décroît. Passer de 10 000 € à 20 000 € en Search peut doubler les ventes, mais passer de 100 000 € à 110 000 € n'apportera que quelques pourcents supplémentaires. Connaître ce point de saturation est une information stratégique directe pour le CMO.

Les données dont vous avez besoin — et les contraintes réelles des PME

C'est le point que tous les guides académiques esquivent : quelles données faut-il vraiment pour faire tourner un MMM viable avec un budget de PME ?

La règle minimale : deux ans de données hebdomadaires sur les variables clés. En dessous, le modèle n'a pas assez de cycles saisonniers pour séparer l'effet d'une campagne de l'effet de Noël. En pratique, cela représente environ 100 points de données — ce qui est suffisant pour une régression stable si les données sont propres.

Les données nécessaires se répartissent en deux catégories.

Données internes (que vous avez déjà, souvent dans plusieurs silos) :

• Chiffre d'affaires ou volume de commandes, semaine par semaine
• Dépenses par canal marketing : Search, Social, Display, email, etc.
• Prix moyen et événements promotionnels
• Lancements de produits ou changements de gamme

Données externes (à collecter ou estimer) :

• Indices de saisonnalité du secteur
• Données météo si votre activité y est sensible
• Indicateurs macroéconomiques simples (indice de confiance des consommateurs, par exemple)

Le principal obstacle que nous rencontrons en audit n'est pas le volume de données, mais leur qualité et leur cohérence. Les dépenses publicitaires sont souvent dans un fichier Excel tenu à la main, les revenus dans l'ERP, et les campagnes emailings dans un troisième outil. Avant de penser modélisation, il faut consolider ces sources dans un entrepôt commun — BigQuery est parfaitement adapté à cet usage — et s'assurer que les définitions sont cohérentes d'une source à l'autre.

Comment lire les outputs d'un MMM — les indicateurs clés

Un modèle MMM bien construit produit plusieurs types de sorties. Voici celles qui ont une valeur opérationnelle directe pour un CMO.

La décomposition des contributions : un graphique qui montre, semaine par semaine, quelle part des ventes vient de la base et quelle part vient de chaque levier marketing. C'est la première chose à regarder pour comprendre si votre marque "tient" sans publicité ou si elle est sous perfusion constante.

Le ROI par levier : si les données de coût sont disponibles par canal, le modèle calcule directement combien d'euros de ventes chaque euro investi a généré. Attention : ce ROI inclut l'effet d'adstock — il est donc souvent différent, et plus juste, que le ROAS affiché dans les plateformes. Le ROAS plateforme ne voit que les conversions attribuées dans la fenêtre de clic ; le MMM voit l'effet total dans le temps.

Les courbes de saturation : pour chaque levier, le modèle trace la courbe de réponse — combien de ventes supplémentaires pour chaque euro supplémentaire investi. C'est la base de la simulation budgétaire : "que se passe-t-il si je déplace 20 % de mon budget Search vers Social ?" se répond directement sur ces courbes.

L'élasticité-prix : le modèle mesure de combien les ventes baissent pour chaque hausse de 1 % du prix. Une information que les équipes pricing et marketing utilisent rarement ensemble, et qui peut changer radicalement les décisions de promotions.

Trois cas d'usage concrets pour une PME française

Cas 1 — E-commerce mode et saisonnalité mal pilotée

Une PME e-commerce dans la mode dépense chaque année plus en publicité en septembre et octobre pour préparer les fêtes. Mais d'après son modèle d'attribution last-click, le ROAS de ces campagnes est systématiquement inférieur au reste de l'année. Conclusion hâtive : réduire les budgets automne.

Un modèle MMM sur 24 mois montre que l'effet d'adstock des campagnes de septembre est fort : la mémorisation générée en automne alimente les ventes de novembre et décembre bien au-delà de la fenêtre d'attribution de 7 jours. Le vrai ROAS des campagnes automne, une fois l'effet d'adstock intégré, est en réalité 40 % plus élevé que ce que le tableau de bord déclarait. La décision de couper ces budgets aurait été une erreur coûteuse.

Cas 2 — Répartition Search / Social pour un SaaS B2B

Une entreprise SaaS française investit 60 % de son budget en Google Search et 40 % en LinkedIn Ads. Le Search montre un CPA deux fois moins élevé que LinkedIn dans les rapports de chaque plateforme. Décision logique : augmenter le Search, réduire LinkedIn.

Le modèle MMM révèle un schéma différent. Le Search convertit rapidement les prospects déjà en demande — il est donc très efficace sur les ventes de court terme. LinkedIn, en revanche, génère un effet sur la vente de base : les entreprises exposées aux campagnes LinkedIn ont un taux de closing plus élevé sur les deals sourcés par le Search six semaines plus tard. Le MMM détecte cette complémentarité que l'attribution en silo ne peut pas voir. Couper LinkedIn aurait dégradé l'efficacité du Search à moyen terme.

Cas 3 — PME retail qui veut arbitrer entre digital et offline

Un réseau de boutiques en franchise veut savoir si ses campagnes radio locales servent à quelque chose, puisqu'elles sont impossibles à tracer en ligne. Le modèle MMM intègre les semaines de diffusion radio comme variable binaire et mesure leur corrélation avec les ventes en magasin sur deux ans. Résultat : chaque semaine de diffusion radio génère en moyenne 8 % de ventes incrémentales en magasin dans les zones de diffusion, avec un pic décalé de 5 à 7 jours. C'est la première fois que cet investissement peut être défendu avec un chiffre devant un comité de direction.

Les limites réelles à connaître avant de se lancer

Le MMM n'est pas une boîte noire magique. Plusieurs limites méritent d'être posées clairement.

La granularité est agrégée. Le MMM ne dit pas "cette campagne précise a généré ces ventes". Il dit "ce levier, sur cette période, a contribué à hauteur de X % aux ventes totales". Pour des décisions tactiques à la semaine, d'autres outils sont plus adaptés.

Le risque de surestimation. Plusieurs études académiques, dont des expériences randomisées menées par des plateformes publicitaires majeures, montrent que les modèles MMM observationnels peuvent surestimer l'effet causal des campagnes lorsqu'ils ne sont pas calibrés par des tests d'incrémentalité. La bonne pratique en 2026 : calibrer régulièrement le modèle avec des geo-tests ou des expériences contrôlées, et ne pas se fier uniquement aux corrélations historiques.

La donnée doit être propre avant tout. Un modèle MMM construit sur des données de dépenses incohérentes ou des revenus mal catégorisés produira des conclusions fausses avec une précision statistique parfaite. Garbage in, garbage out — c'est peut-être la limite la plus sous-estimée en pratique.

Le coût d'un premier projet. Une première implémentation MMM sérieuse demande de 4 à 8 semaines de travail de structuration des données, de modélisation et de validation. Ce n'est pas un projet de weekend, et il faut en avoir conscience avant de commencer.

Par où commencer concrètement

Si vous partez de zéro, voici la séquence que nous recommandons.

1. Consolidez vos données de dépenses et de revenus dans un entrepôt centralisé. BigQuery est notre outil de référence pour cette étape — il accepte tous les connecteurs et permet de travailler à l'échelle hebdomadaire sans limite.
2. Vérifiez la cohérence temporelle : assurez-vous que vos données de dépenses et de revenus utilisent la même définition de "semaine" et le même fuseau horaire.
3. Identifiez vos variables externes : saisonnalité, promotions exceptionnelles, événements sectoriels. Notez-les dans un calendrier structuré.
4. Fixez un objectif clair avant de modéliser : voulez-vous arbitrer entre deux canaux, justifier un investissement offline, ou comprendre la part de ventes de base ? La question guide le modèle.
5. Prévoyez un test d'incrémentalité sur au moins un levier pour calibrer le modèle — une geo-expérience simple sur deux régions comparables suffit pour valider l'ordre de grandeur des contributions estimées.

Le MMM ne remplace pas GA4, GTM ou votre CRM. Il s'y ajoute comme une couche de lecture stratégique, trimestrielle, qui permet de prendre du recul sur les signaux tactiques du quotidien. C'est la différence entre piloter en regardant le rétroviseur et piloter en ayant une carte du territoire.

Sources et ressources complémentaires

• Marketing mix modeling — Wikipedia
• Decoding Marketing Mix Modeling: A Complete Guide — DataCamp
• Marketing mix — Wikipedia (concept des 4P)
• Advertising adstock — Wikipedia
• Multi-touch attribution — Wikipedia