Les packages open source et les agents IA ont facilité la création d'un modèle de mix marketing (MMM), mais ils n'ont pas permis de savoir plus facilement si le modèle est correct. La barrière est passée de la construction du modèle à sa supervision : le calibrer par rapport aux expériences, comparer les modèles et nommer qui approuve le numéro. L’Asie du Sud-Est, avec un historique de données court et de nombreux canaux par dollar marketing, est la plus exposée.
Points clés
- Un agent IA peut désormais extraire un package open source, charger des données sur les dépenses et les revenus et produire un modèle de mix marketing fonctionnel avec presque aucune base statistique.
- Robyn (Meta) demande le moins à l'utilisateur, Meridian (Google) a besoin d'un codage de science des données et PyMC Marketing a besoin d'une expertise bayésienne ; les agents effacent l’écart de configuration mais pas l’écart d’interprétation.
- Dans quinze grandes expériences publicitaires étudiées par Gordon, Zettelmeyer, Bhargava et Chapsky, les méthodes d'observation étaient d'un facteur trois ou plus dans environ la moitié des études.
- Les modèles échouent souvent sur les données avant le début de la modélisation : références d'assistants IA sans référent, création de marque non rémunérée et entrées obsolètes de concurrents et d'audience.
- La supervision signifie calibrer par rapport aux expériences, traiter les désaccords entre les modèles comme une découverte et nommer la personne qui approuve le numéro.
Qu’est-ce qui a changé dans la modélisation du mix marketing ?
Construire un modèle de mix marketing est devenu quelque chose que presque tout le monde peut faire. Il reste rare de savoir si ce modèle dit la vérité. AdExchanger a récemment couvert l'essor de la modélisation du mix marketing open source, inventant le label OS MMM en cours de route, et l'enthousiasme derrière la pièce était authentique. Cela n’a tout simplement pas été indiqué vers la bonne réalisation.
Julian Runge, de la Medill School de Northwestern, a présenté une version de cet argument qui mérite plus d'attention qu'elle n'en reçoit. Un agent d'IA peut désormais être invité à extraire un package de modélisation open source, à charger les données de dépenses et de revenus d'un client et à produire un modèle de mix marketing fonctionnel sans pratiquement aucune base statistique requise. Quiconque a payé un consultant à six chiffres et a attendu un quart d'heure pour obtenir une réponse à une question aussi simple que celle de savoir quel canal fonctionne réellement devrait s'y arrêter un instant.
Vient ensuite la partie de l’argumentation qui ne passe pas bien dans une diapositive récapitulative. Ce qui est devenu bon marché, c'est l'acte de produire un modèle. Ce qui coûte toujours exactement ce que cela coûte toujours, c'est d'avoir raison sur un point.
Quelle partie de la modélisation du mix marketing est réellement devenue moins chère ?
Runge et Koen Pauwels ont publié uncomparaison pratique des principaux packages open source cette année, et il est exceptionnellement lucide sur ce que chacun exige. Robyn, construit par Meta, combine la régression de crête avec un processus de recherche évolutif. Il demande le moins à l'utilisateur et peut renvoyer un modèle fonctionnel en moins d'une journée. Meridian de Google s'attend à une réelle capacité de codage en science des données. PyMC Marketing attend une véritable expertise bayésienne et prend souvent quelques semaines pour fonctionner correctement.
| Emballer | Ce qu'il demande à l'utilisateur | Comment il se calibre par rapport aux expériences |
|---|---|---|
| Robyn (méta) | Le moins ; régression de crête avec recherche évolutive, un modèle fonctionnel en moins d'une journée | Grâce à une optimisation multi-objectifs, que Runge et Pauwels signalent comme moins comprise et moins testée |
| Méridien (Google) | Capacité réelle de codage en science des données | Résultats d'expériences sous forme d'a priori bayésiens ; Meridian GeoX permet aux expériences géographiques d'ancrer le modèle |
| Marketing PyMC | Véritable expertise bayésienne ; souvent quelques semaines pour fonctionner correctement | Résultats d'expériences sous forme d'a priori bayésiens |
Un agent IA efface l’écart de configuration entre ces trois outils. Cela ne fait rien pour effacer le fossé d’interprétation. Au contraire, cela l'élargit, car désormais les trois approches peuvent produire un graphique confiant d'ici la fin de la semaine, et chacun de ces graphiques semble tout aussi fiable sur une diapositive.
Pourquoi ne pouvez-vous pas faire confiance au résultat d’un modèle ?
Imaginez le scénario. Un agent a travaillé toute la nuit et un dossier propre se trouve dans la boîte de réception le matin. Une chaîne revient en signalant un retour sur les dépenses publicitaires de 4.1. La recherche de marque revient à 0.9. Quelqu'un dans la salle souhaite que le budget soit réaffecté d'ici la fin de la semaine et pose la seule question qui compte réellement. Ce numéro est-il correct ?
Personne dans la salle ne peut répondre à cette question à partir du seul résultat, car le résultat ne donne aucune indication sur sa propre fiabilité.
L’ampleur de ce qui peut mal se passer ici n’est pas nouvelle. Les chercheurs Gordon, Zettelmeyer, Bhargava et Chapsky ont mené quinze expériences publicitaires à grande échelle couvrant environ un demi-milliard d'observations d'utilisateurs et plus d'un milliard et demi d'impressions, puis ont comparé les résultats aux méthodes d'observation sur lesquelles l'industrie s'appuie généralement. Dans environ la moitié des études, l’augmentation estimée était d’un facteur trois ou plus. Une campagne avec un impact réel d'environ deux pour cent a été estimée par des méthodes d'observation à plus de trois mille pour cent. Une autre campagne avec une véritable augmentation de près de soixante-dix pour cent a été estimée à plus de quatre fois ce chiffre.
Cette recherche date de plusieurs années maintenant. Rien dans l’IA agentique ne change le problème sous-jacent qu’elle a découvert. Un pipeline plus rapide fonctionnant sur les mêmes données d’observation reproduira le même biais. Il le fera simplement plus tôt et avec un meilleur formatage.
Où se situent les modèles de mix marketing avant le début de la modélisation ?
La plupart des résultats médiocres d’une modélisation du mix marketing ne constituent pas vraiment un échec de modélisation. Il s’agit d’un échec de données que le modèle présente ensuite avec une confiance non méritée.
Commencez par les canaux que le modèle ne peut pas voir du tout. Si les clients demandent à un assistant IA comme ChatGPT ou Perplexity quel produit acheter et arrivent sur un site sans référent attaché, ce trafic n'a tout simplement pas de colonne dans l'ensemble de données. Le modèle l’intègre à la demande de base ou l’attribue discrètement à la campagne qui se déroule à proximité. Cela apparaît déjà dans les données. Touchigh, qui travaille sur l'optimisation générative des moteurs pour les vendeurs transfrontaliers entrant sur le marché américain, a signalé une croissance du trafic de référencement IA de près de sept cents pour cent au cours de la dernière période de vacances, avec des taux de conversion des références d'assistants IA supérieurs de trente à quarante pour cent à la moyenne du site. Les chiffres précis appartiennent à cette seule étude. Ce n’est pas le cas du point structurel. Un canal se développant à un rythme proche de ce rythme et complètement absent de l'ensemble de données est une erreur de spécification plutôt qu'une erreur d'arrondi.
Ensuite, il y a la ligne de dépenses qui n’apparaît jamais du tout. Publication des fondateurs, autorité de catégorie construite lentement au fil du temps, longue habitude non rémunérée de simplement apparaître de manière cohérente dans la conversation d'une catégorie. Rien de tout cela n’entraîne de coût médiatique, aucun d’entre eux ne produit une explosion visible, et son effet se manifeste souvent un trimestre ou deux plus tard, ce qui est précisément la forme qu’un modèle de mix marketing gère le moins bien. Il se laisse engloutir dans la tendance et disparaît complètement de l’analyse.
Et puis il y a l’échec le moins glamour de tous. Qualité d'entrée. Un modèle nourri d’une image mince et dépassée des concurrents et du comportement du public allouera en toute confiance un budget à un marché qui n’existe plus. Il y a uncas documenté impliquant Mothercare Singaporequi a réduit de quatre-vingt pour cent le temps consacré à la recherche d'audience, libérant ainsi plus de vingt-cinq heures par semaine, tout en suivant plus de quatre mille publicités numériques par an dans sa catégorie. Le chiffre véritablement intéressant n’est pas le temps gagné. C’est que l’image du marché qui alimente chaque modèle en aval est devenue actuelle au lieu d’être obsolète d’un quart.
Où va désormais l’expertise en modélisation ?
Cela ne disparaît pas. Cela passe de la construction du modèle à sa supervision. Trois choses méritent d'être corrigées avant la prochaine exécution du modèle.
Calibrez-vous par rapport à une expérience plutôt que par rapport à l’instinct. Meridian et PyMC Marketing permettent tous deux d'intégrer les résultats des expériences sous forme d'a priori bayésiens. Robyn calibre grâce à son processus d'optimisation multi-objectifs, que Runge et Pauwels signalent spécifiquement comme beaucoup moins compris et beaucoup moins rigoureusement testé. Google a introduit Meridian GeoX en mai 2026 spécifiquement pour que les expériences géographiques puissent ancrer un modèle directement plutôt que de s'asseoir à côté de celui-ci en tant qu'exercice distinct.
Traitez le désaccord entre les modèles comme une constatation en soi. Exécuter deux packages différents sur le même ensemble de données et les observer en désaccord d'un ordre de grandeur sur un seul canal enseigne quelque chose de réel sur la faiblesse de l'identification de ce canal dans les données. La plupart des équipes exécutent exactement un modèle et ne le découvrent jamais.
Nommez la personne qui signe le numéro. Avant qu’un chiffre ne parvienne à une décision budgétaire réelle, quelqu’un doit prendre le risque de se tromper. Il s’agit du contrôle unique que la plupart des équipes ignorent discrètement.
Cette couche de supervision doit résider quelque part, et pour une agence plus petite ou indépendante, elle ne réside souvent nulle part, simplement parce qu'il n'existe pas de banc d'analyse dédié pour absorber le travail. Cette lacune fait partie de ce qui rend les outils conçus pour donner aux petits magasins la couche d’intelligence et d’automatisation d’un réseau plus vaste si pertinents à l’heure actuelle. Le temps gagné dans le reporting ne crée de la valeur que s'il est réinvesti dans le jugement plutôt que absorbé par davantage de reporting.
Pourquoi cet atterrissage est-il le plus difficile en Asie du Sud-Est ?
L’Asie du Sud-Est est celle qui bénéficiera le plus des outils de modélisation gratuits et sera la plus exposée lorsque ces outils sont utilisés sans supervision appropriée. Les historiques de données ont tendance à être plus courts. Le nombre de canaux par dollar marketing a tendance à être plus élevé, couvrant TikTok Shop, Shopee, Lazada, Meta, un placement Grab et une communauté WhatsApp, souvent le tout au sein d'une seule campagne. Moins de marchés sont suffisamment grands pour permettre un test de résistance véritablement propre. Une marque régionale peut facilement se retrouver avec plus de colonnes de canaux dans son ensemble de données qu'elle n'a de semaines d'historique vierges, ce qui est exactement la condition dans laquelle un modèle de mix marketing renverra volontiers une réponse précise, stable et erronée.
L’accès gratuit à ces outils est sans aucun doute une bonne nouvelle. Parallèlement à cet accès, la distance entre une mauvaise hypothèse et un budget déjà réaffecté sur la base de celle-ci est beaucoup plus courte.
Ainsi, avant que le prochain modèle ne soit opérationnel, la question qui mérite d’être posée au sein de toute organisation est simple. Qui est responsable si la réponse s’avère fausse ?
Quelle est la place de SOMIN dans tout cela ?
L’écart décrit dans cet article n’est pas vraiment un écart de modélisation. Il s’agit d’un écart de renseignement, de l’espace entre un graphique qui semble confiant et un graphique qui a réellement été vérifié par rapport au comportement des individus sur un marché. SOMIN a été construit autour de la fermeture de cet espace précis. Les études de suivi de marque et de perspective de SoMonitor existent pour garder l'image d'audience sous n'importe quel modèle à jour plutôt qu'un quart obsolète, tandis que SODA et le partenariat GWI donnent aux équipes un moyen de tester ce qu'un modèle prétend par rapport au signal réel du consommateur avant que ce nombre n'atteigne une décision budgétaire. Les outils pourconstruire un modèle de mix marketingsont devenus beaucoup plus accessibles. Le jugement requis pour faire confiance ne l’est pas, et c’est la partie pour laquelle SOMIN est conçu pour prendre en charge.
FAQ
Un agent IA peut-il créer un modèle de mix marketing ?
Oui. Un agent peut extraire un package open source, charger les données de dépenses et de revenus d'un client et produire un modèle fonctionnel sans pratiquement aucune base statistique requise. Ce qu’il ne peut pas faire, c’est vous dire si le modèle est correct, car le résultat ne donne aucune indication sur sa propre fiabilité.
Quelle est la différence entre Robyn, Meridian et PyMC Marketing ?
Robyn, construit par Meta, combine la régression de crête avec la recherche évolutive et demande le moins à l'utilisateur. Meridian de Google s'attend à une véritable capacité de codage en science des données, et PyMC Marketing s'attend à une expertise bayésienne et prend souvent quelques semaines pour fonctionner correctement. Meridian et PyMC Marketing acceptent les résultats des expériences comme a priori bayésiens ; Robyn calibre grâce à une optimisation multi-objectifs.
Dans quelle mesure la mesure de la publicité observationnelle peut-elle être erronée ?
Dans quinze grandes expériences publicitaires analysées par Gordon, Zettelmeyer, Bhargava et Chapsky, les estimations observationnelles de l'effet élévateur étaient d'un facteur trois ou plus dans environ la moitié des études. Une campagne avec une augmentation réelle d'environ deux pour cent a été estimée à plus de trois mille pour cent.
Comment vérifier si un modèle de mix marketing est correct ?
Calibrez-le par rapport à des expériences, par exemple des expériences géographiques via Meridian GeoX, plutôt qu'à votre instinct. Exécutez deux packages différents sur les mêmes données et traitez les désaccords importants comme un signe que le canal est faiblement identifié, et nommez la personne qui approuve avant qu'un numéro ne parvienne à une décision budgétaire.
Pourquoi la modélisation du mix marketing est-elle plus risquée en Asie du Sud-Est ?
Les historiques de données sont plus courts, les campagnes sont réparties sur de nombreux canaux tels que TikTok Shop, Shopee, Lazada, Meta, Grab et WhatsApp, et moins de marchés sont suffisamment grands pour permettre des tests de résistance propres. Une marque peut avoir plus de colonnes de canaux que de semaines de données propres, c'est-à-dire lorsqu'un modèle renvoie une réponse précise, stable et erronée.
