Google Meridian et Meta Robyn sont deux packages open source gratuits de marketing mix modeling (MMM), mais ils conviennent à des équipes différentes. Meridian est le modèle bayésien de Google en Python, conçu pour les données géographiques et la calibration par expériences ; la version 2.2.0 est sortie le 5 novembre 2026. Robyn est le package R de Meta qui ajuste des régressions ridge et les règle par une recherche évolutionnaire ; sa dernière version CRAN, la 3.12.1, date de juillet 2025.
Un outil MMM hébergé est un service payant qui exécute pour vous un modèle comme ceux-ci, avec des connecteurs de données, une interface et du support. Le choix dépend moins de l’algorithme que de la personne qui possédera le modèle : un data scientist Python, un analyste R, ou personne dans votre équipe.
Ce guide compare Meridian, Robyn et PyMC-Marketing, la troisième option open source sérieuse, avec cinq outils hébergés, dont le nôtre. Chaque fait sur les outils a été vérifié sur les pages du projet ou de l’éditeur en novembre 2026. Pour savoir ce qu’est le MMM et comment il fonctionne, commencez par notre guide du marketing mix modeling.
Points clés à retenir
- Google Meridian est un MMM bayésien open source en Python sous licence Apache 2.0. Il est disponible pour tous depuis le 29 janvier 2025 et a atteint la version 2.2.0 le 5 novembre 2026.
- Meta Robyn est un MMM open source en R sous licence MIT. Il utilise la régression ridge avec la recherche évolutionnaire d’hyperparamètres de Nevergrad et renvoie un ensemble de modèles candidats optimaux au sens de Pareto, selon sa documentation.
- La dernière version GitHub étiquetée de Robyn est la v3.12.0 de décembre 2024, et son README qualifie toujours le package d’« expérimental ». Meridian et PyMC-Marketing ont tous deux publié des versions en novembre 2026.
- La documentation de Meridian de Google recommande au moins deux ans de données hebdomadaires pour les modèles géographiques et trois ans pour les modèles nationaux.
- Les packages sont gratuits ; le coût, ce sont les personnes et le calcul. Le README de Meridian recommande au moins un GPU, et la documentation de Robyn recommande au moins 2 000 itérations et 5 essais par exécution.
- Les outils hébergés échangent le contrôle contre la rapidité. En novembre 2026, les prix publiés vont de 500 € par mois (Cassandra Starter) à 8 500 $ par mois (Sellforte Enterprise), et plusieurs éditeurs ne publient aucun prix.
Meridian, Robyn et PyMC-Marketing comparés
Les trois packages MMM open source diffèrent surtout par la méthode et le langage. Meridian et PyMC-Marketing sont des bibliothèques Python bayésiennes qui renvoient l’incertitude complète et gèrent les modèles géographiques. Robyn est un package R fondé sur la régression ridge qui donne un premier modèle national rapide et automatisé. Tous trois peuvent prendre des résultats d’expériences et incluent un optimiseur de budget.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Mainteneur | Meta Marketing Science | PyMC Labs | |
| Langage | Python (le README indique 3.11 à 3.13) | R, plus une API Python en bêta qui exige R | Python (3.12 ou plus récent) |
| Licence | Apache 2.0 | MIT | Apache 2.0 |
| Méthode | Inférence causale bayésienne avec a priori | Régression ridge, recherche évolutionnaire d’hyperparamètres Nevergrad, Prophet pour la tendance et la saison | Bayésien (PyMC) |
| Ce que vous obtenez | Distributions a posteriori, intervalles de crédibilité | Un ensemble de modèles candidats optimaux au sens de Pareto, regroupés ; vous en choisissez un | Distributions a posteriori |
| Modèle géographique | Oui, et recommandé | Pas de modèle géographique hiérarchique | Oui, hiérarchique |
| Portée et fréquence | Oui | Calibrateur de courbes en bêta ; l’allocateur est un prototype | Non indiqué dans sa page de comparaison |
| Calibration par expériences | Oui, expériences comme a priori de ROI | Oui, tests d’incrémentalité et géographiques comme objectif (MAPE.LIFT) | Oui, calibration par tests d’incrémentalité |
| Optimiseur de budget | Oui, plus planification de scénarios | Oui, réponse maximale ou ROAS/CPA cible | Oui |
| Dernière version (nov. 2026) | 2.2.0, 5 novembre 2026 | v3.12.0 sur GitHub (déc. 2024), 3.12.1 sur CRAN (juil. 2025) | 1.4.0, 9 novembre 2026 |
| Idéal pour | Équipes Python avec données géographiques et tests d’incrémentalité | Équipes R voulant une première lecture nationale rapide | Équipes Python ayant besoin d’un modèle sur mesure |
Sources : le README de Meridian et sa documentation, le README de Robyn et sa documentation des fonctionnalités, et la page de comparaison de PyMC-Marketing, consultés le 17 novembre 2026.

Google Meridian
Google Meridian est un modèle bayésien open source de mix marketing qui estime l’effet causal de chaque canal média sur un indicateur comme les ventes. Il fonctionne en Python, donne ses meilleurs résultats avec des données géographiques, accepte des données de portée et de fréquence ainsi que des résultats de tests d’incrémentalité comme a priori, et inclut l’optimisation du budget. Il est gratuit, et il faut un data scientist pour l’exécuter.
Meridian succède à l’ancienne bibliothèque LightweightMMM de Google, et le README renvoie vers un guide de migration. Google l’a ouvert à tous le 29 janvier 2025, avec un programme de partenaires comptant « plus de 20 partenaires de mesure formés et certifiés sur Meridian ».
Ce qui le distingue :
- A priori et expériences. Vous pouvez encoder ce que vous savez déjà sous forme d’a priori. La documentation de Google qualifie les expériences d’incrémentalité de
« peut-être la base la plus solide » pour un a priori de ROI, et un
CalibrationBuilderaide à les traduire. - Modélisation géographique. Google recommande de collecter les données par région ; un modèle national est la solution de repli quand les données géographiques ne sont pas disponibles.
- Portée et fréquence. Pour les canaux vidéo, Meridian peut modéliser la portée et la fréquence, pas seulement les impressions.
- Demande de recherche comme variable de contrôle. L’ introduction suggère d’utiliser le volume de requêtes Google comme variable de contrôle de l’intérêt organique pour la marque.
- Outils de planification. Google a ajouté un Scenario Planner sans code le 19 février 2026 pour tester des scénarios budgétaires, et la MMM Data Platform fournit les données médias de Google (impressions, clics, coût).
Ce qu’il exige de vous : Python, des compétences en modélisation bayésienne pour définir des a priori et lire les diagnostics de convergence, et du matériel. Le README indique que Meridian a été testé sur un GPU T4 avec 16 Go de RAM et recommande au moins un GPU. L’exigence de données est élevée aussi : au moins deux ans de données hebdomadaires pour les modèles géographiques et trois pour les modèles nationaux.
Une réserve honnête : Google vend de la publicité et a construit le modèle qui la mesure. Le code est ouvert, vous pouvez donc inspecter chaque hypothèse, ce qui est la principale garantie.
Meta Robyn
Meta Robyn est un package open source de marketing mix modeling semi-automatisé en R, de Meta Marketing Science. Il ajuste des régressions ridge, recherche les hyperparamètres d’adstock et de saturation avec l’algorithme évolutionnaire de Nevergrad, et renvoie un ensemble de modèles optimaux au sens de Pareto plutôt qu’une seule réponse. Il convient aux annonceurs digitaux orientés réponse directe disposant de données hebdomadaires nationales.
La documentation des fonctionnalités de Robyn décrit la mécanique :
- Recherche de modèle. Régression ridge (L2), réglée avec TwoPointsDE de Nevergrad. Prophet décompose la tendance, la saison et les jours fériés.
- Trois objectifs. Chaque candidat est noté sur l’erreur de prédiction (NRMSE), une erreur de plausibilité métier (DECOMP.RSSD) et, si vous avez des expériences, l’erreur de calibration (MAPE.LIFT). Un regroupement k-means rassemble les candidats similaires pour faciliter le choix.
- Calibration. Les expériences de conversion lift et géographiques peuvent orienter le modèle vers des résultats causaux.
- Allocateur de budget. Deux modes : réponse maximale pour un budget donné, ou efficacité cible comme le ROAS ou le CPA.
- Portée et fréquence. Un calibrateur de courbes pour les données de portée et de fréquence est en bêta ; l’allocateur de portée et fréquence est « un prototype et pas encore disponible ».
Ce qu’il exige de vous : R, plus la bibliothèque Python Nevergrad, et de la patience avec le calcul. La documentation recommande au moins 2 000 itérations et 5 essais. Le guide de l’analyste de Robyn demande au moins deux ans de données hebdomadaires et environ 10 observations par variable. Une API Python (bêta) existe, mais c’est une enveloppe qui exige l’installation du package R.
La question du statut compte. Le README de Robyn le décrit toujours comme un package « expérimental ». La dernière version GitHub étiquetée est la v3.12.0 de décembre 2024, et la dernière version CRAN est la 3.12.1 de juillet 2025. Cela ne veut pas dire qu’il est cassé, mais une équipe qui démarre aujourd’hui doit peser des mises à jour plus lentes face à Meridian et PyMC-Marketing, qui ont tous deux publié en novembre 2026.
PyMC-Marketing
PyMC-Marketing est une bibliothèque Python open source de PyMC Labs pour les modèles bayésiens de mix marketing et de valeur vie client. C’est la plus flexible des trois : sa documentation mentionne des modèles géographiques hiérarchiques, la calibration par tests d’incrémentalité, un optimiseur de budget, des ordonnées à l’origine et des coefficients variables dans le temps, des a priori personnalisés et des termes de modèle personnalisés.
Le dépôt PyMC-Marketing est sous licence Apache 2.0, et la version 1.4.0 est sortie le 9 novembre 2026. Sa page de comparaison recommande Robyn pour les équipes R qui veulent une approche plus simple, Meridian pour une API plus simple avec des liens avec l’écosystème Google, et PyMC-Marketing pour une flexibilité maximale.
La même page indique un échantillonnage plus rapide et une erreur plus faible que Meridian dans un benchmark réalisé par PyMC Labs lui-même. Considérez-le comme une affirmation de son auteur : à notre connaissance, il n’a pas été reproduit de façon indépendante. Choisissez PyMC-Marketing quand votre équipe écrit du Python, connaît la modélisation bayésienne et a besoin d’une structure de modèle que les deux autres n’offrent pas.
Lequel est le plus précis ?
Il n’existe, à notre connaissance, aucun benchmark indépendant et direct de Meridian, Robyn et PyMC-Marketing sur les mêmes données réelles. La seule comparaison publiée par un éditeur est celle de PyMC Labs lui-même. La précision dépend davantage de vos données, de vos a priori et de votre validation que du package.
Testez donc n’importe quel modèle de la même façon, quel que soit votre choix :
- Ajustement sur échantillon réservé. Entraînez sur la plupart de vos semaines et vérifiez dans quelle mesure le modèle prédit celles qu’il n’a pas vues.
- Plausibilité. Les contributions et le ROI des canaux doivent rester dans une plage crédible. Un modèle qui attribue à la recherche de marque l’essentiel de vos ventes n’a généralement pas séparé la demande existante de la dépense.
- Expériences. Menez un test d’incrémentalité ou un test géographique sur votre plus gros canal et comparez. Notre article sur la question de savoir si Google Ads augmente le trafic organique présente un protocole de test par pause.
- Stabilité. Réajustez avec de nouvelles semaines ou d’autres a priori. Des estimations qui varient fortement ne sont pas prêtes pour des décisions budgétaires.
Outils MMM hébergés
Un outil de marketing mix modeling hébergé exécute le modèle pour vous : il connecte vos sources de données, ajuste et actualise le modèle, et affiche contributions et scénarios budgétaires dans une interface. Vous payez un abonnement et abandonnez une part de contrôle sur le modèle. Les outils ci-dessous ont été vérifiés sur leurs propres sites ; faits et prix datent de novembre 2026.
| Outil | Modèle, selon l’éditeur | Expériences | Qui l’exécute | Prix publié |
|---|---|---|---|---|
| Recast | MMM bayésien propriétaire | Tests GeoLift qui alimentent le MMM | L’équipe de Recast ou un partenaire Operator certifié | Aucun trouvé sur son site |
| Sellforte | « Always-on Causal Bayesian MMM » avec ROAS incrémental quotidien par campagne et ensemble d’annonces | Geo Lift, Conversion Lift et tests A/B | Plateforme de l’éditeur avec un responsable de la réussite client | De 1 900 $ à 8 500 $ par mois ; Full-Funnel MMM 4 500 $, pour 300 000 $ de dépenses médias mensuelles moyennes |
| Haus | Expériences d’incrémentalité plus un « Causal MMM » | Le produit principal | Stratèges de mesure et data scientists, selon l’offre | Non publié ; Causal MMM est dans les offres Plus et Enterprise |
| Cassandra | MMM plus tests d’incrémentalité, utilisés via un assistant IA dans Slack, Teams ou Google Chat | Produit de tests d’incrémentalité | Du libre-service aux offres gérées | Starter 500 € par mois jusqu’à 1 M€ de dépenses publicitaires annuelles ; Self-serve à partir de 3 000 € |
| AmICited (le nôtre) | Google Meridian, exécuté et hébergé | Pas d’entrée de tests d’incrémentalité | Libre-service dans l’application ou via les outils MCP | Offres Premium et Enterprise, plus des frais de forfait de modèle ; voir les tarifs |
Les réponses d’IA à cette question citent aussi Measured, Lifesight, Mutinex et Analytic Partners. Nous n’avons pas vérifié ces éditeurs pour cet article ; ils ne figurent donc pas dans le tableau.
Avant de signer avec un éditeur hébergé, posez trois questions. Le modèle est-il le sien ou un Meridian ou Robyn géré ? Pouvez-vous exporter les données et les résultats du modèle si vous partez ? Comment valide-t-il le modèle par rapport à des tests d’incrémentalité ?
Où se place AmICited
AmICited est notre produit ; lisez cette section en en tenant compte. Son Media Marketing Mix (MMM) ajuste un modèle bayésien avec Google Meridian et l’héberge : vous choisissez un résultat (revenu ou commandes de la boutique, achats GA4 ou toute conversion GA4) et des canaux dans l’application, et il indique la contribution de chaque canal avec des intervalles de crédibilité à 90 %, des courbes de réponse de 0× à 3× des dépenses, une meilleure répartition du budget actuel et des diagnostics de convergence. Les dépenses et impressions proviennent des cinq plateformes publicitaires de nos intégrations publicitaires, plus des coûts personnalisés pour les canaux hors ligne.
Ce qui diffère d’un MMM hébergé générique : un mode payant vers organique qui règle le résultat sur les clics Search Console, les clics Bing ou les sessions organiques GA4 et estime si la recherche payante ajoute du trafic organique ou en retire. Vous pourriez construire la même chose vous-même dans Meridian ou PyMC-Marketing en utilisant les clics organiques comme indicateur ; AmICited en fait un produit clé en main.
Ses limites, énoncées clairement :
- Offres et coût. Offres Premium et Enterprise uniquement. Des frais récurrents de forfait de modèle démarrent au premier entraînement confirmé, et les vérifications de préparation et l’entraînement utilisent des crédits mesurés.
- Historique. Un modèle standard exige 164 semaines complètes (156 semaines de résultat plus un délai de report de 8 semaines). Un mode à historique limité démarre à 24 semaines, mais il ne peut pas apprendre de façon fiable la saisonnalité annuelle et ses recommandations sont étiquetées comme indicatives uniquement. Google Ads conserve environ 13 mois d’historique, donc la plupart des nouveaux comptes démarrent en mode historique limité.
- Revenu, pas profit. Le ROI est le revenu par unité de dépense. Pour des retours tenant compte de la marge, utilisez le Profit-true ROAS ou notre explication du ROAS réel.
- Plus restreint que Meridian brut. L’application modélise une seule série hebdomadaire pour l’ensemble du site ou de la boutique. Elle ne propose ni modèle géographique, ni entrées de portée et fréquence, ni entrée de calibration par tests d’incrémentalité en novembre 2026.
Que choisir ?
Choisissez selon la personne qui possédera le modèle et les données dont vous disposez, pas selon l’entreprise qui a construit le code. Les packages open source conviennent aux équipes ayant un analyste capable de préparer les données, de définir les a priori et de valider les résultats. Les outils hébergés conviennent aux équipes sans cette personne, moyennant un coût mensuel. Avec moins de deux ans de données hebdomadaires propres, corrigez d’abord les données ou menez d’abord un test.
| Votre situation | Meilleur choix | Pourquoi |
|---|---|---|
| Data scientist Python, données de ventes régionales, tests d’incrémentalité prévus | Google Meridian | Modèle bayésien géographique, expériences comme a priori, développement actif |
| Analyste R, données hebdomadaires nationales, besoin d’une première lecture rapide | Meta Robyn | Recherche automatisée d’hyperparamètres et allocateur de budget prêt à l’emploi ; vérifiez son rythme de publication plus lent |
| Équipe Python ayant besoin d’effets variables dans le temps ou de termes de modèle personnalisés | PyMC-Marketing | Le plus flexible des trois, et le plus exigeant |
| Personne pour posséder un modèle ; e-commerce avec ventes hors ligne ou sur marketplaces | Un éditeur hébergé comme Sellforte, Recast ou Haus | Connecteurs de données, actualisations et support inclus |
| Meridian sans code ; données de boutique ou GA4 et comptes publicitaires déjà connectés | AmICited | Meridian hébergé, plus un mode payant vers organique ; modèle hebdomadaire au niveau du compte uniquement |
| Besoin de savoir si Google Ads change les clics de recherche organique | Un modèle payant vers organique | Réglez les clics organiques comme résultat, dans AmICited ou dans votre propre Meridian |
| Moins de deux ans de données hebdomadaires propres | Corriger les données d’abord, ou mener un test avec groupe témoin | Tout MMM s’appuie sur ses a priori quand l’historique est court |
| Petit budget, un ou deux canaux | Laisser le MMM de côté pour l’instant | Un test par pause ou géographique répond à la question à moindre coût |
Ce qu’il faut pour l’exécuter
Chaque option exige la même matière première : des données de résultat hebdomadaires (ventes, conversions ou clics organiques), des dépenses et impressions hebdomadaires par canal, et des variables de contrôle comme les promotions, les prix et la saisonnalité. Ce qui change, c’est qui fait le travail et le niveau de compétences et de calcul requis.
| Prérequis | Meridian | Robyn | PyMC-Marketing | Outil hébergé |
|---|---|---|---|---|
| Compétences | Python, modélisation bayésienne | R, régression, jugement des modèles candidats | Python, modélisation bayésienne | Analyste marketing pour relire les résultats |
| Calcul | GPU recommandé | CPU ; 2 000+ itérations × 5 essais | CPU ou GPU | Celui de l’éditeur |
| Préparation des données | Vous construisez le jeu de données | Vous construisez le jeu de données | Vous construisez le jeu de données | Connecteurs, variable selon l’éditeur |
| Variation des dépenses | Nécessaire pour chaque canal | Nécessaire pour chaque canal | Nécessaire pour chaque canal | Nécessaire pour chaque canal |
La dernière ligne est celle que l’on oublie. Un modèle ne peut apprendre l’effet d’un canal que si ses dépenses ont réellement varié dans le temps. Un canal qui a dépensé le même montant chaque semaine pendant deux ans ne donne presque rien à apprendre à un MMM, open source ou hébergé.
Open source ou hébergé
Le MMM open source est gratuit à utiliser et garde vos données dans votre propre environnement, mais vous payez le temps d’analyste, le calcul et la maintenance. Le MMM hébergé coûte un abonnement et implique de partager vos données de ventes et de dépenses avec un éditeur, en échange de connecteurs, d’actualisations et de support. L’arbitrage oppose les personnes et le contrôle à l’argent et la rapidité.
Côté sécurité, l’open source l’emporte par défaut : rien ne quitte votre infrastructure. Avec un éditeur hébergé, demandez ses certifications de sécurité (Recast, par exemple, indique être conforme SOC 2), où les données sont stockées et si vous pouvez les supprimer.
Le MMM hébergé vaut-il le coup avec un petit budget ? Généralement pas comme première étape. Si vous dépensez sur un ou deux canaux, un test avec groupe témoin sur le plus gros vous apprendra plus pour moins cher. Le MMM devient rentable quand vous dépensez sur plusieurs canaux et devez répartir le budget entre eux.
Comment démarrer
- Écrivez la décision à prendre. « Faut-il déplacer du budget de Meta vers Google Ads ? » demande un modèle de ventes. « La recherche de marque cannibalise-t-elle les clics organiques ? » demande un modèle payant vers organique.
- Auditez votre historique. Comptez les semaines complètes de résultats et de dépenses par canal. Sous deux ans, prévoyez un modèle limité ou un test d’abord.
- Vérifiez la variation des dépenses. Listez les canaux dont les dépenses ont à peine bougé ; regroupez-les ou laissez-les de côté.
- Choisissez le responsable. Un data scientist Python oriente vers Meridian ou PyMC-Marketing, un analyste R vers Robyn, personne vers un outil hébergé comme le MMM d’AmICited.
- Validez avant d’agir. Vérifiez l’ajustement sur échantillon réservé et la plausibilité, et menez un test d’incrémentalité sur votre plus gros canal.
- Comparez avec les chiffres des plateformes. Confrontez les estimations du modèle à ce que déclarent les plateformes publicitaires ; notre rapport d’attribution Meta montre l’écart entre les achats revendiqués par les plateformes et les commandes réelles.
- Réajustez régulièrement. Réajustez à mesure que de nouvelles semaines arrivent et traitez un gros écart entre versions comme un avertissement, pas comme une nouvelle vérité.
À retenir
Meridian, Robyn et PyMC-Marketing sont tous des moteurs MMM crédibles et gratuits, et les différences de méthode comptent moins que l’équipe qui les exécute. Choisissez Meridian pour les équipes Python avec données géographiques, Robyn pour les équipes R qui veulent un modèle national rapide et acceptent des mises à jour plus lentes, PyMC-Marketing quand vous avez besoin d’un modèle sur mesure, et un outil hébergé quand personne ne peut assumer le travail. Quel que soit votre choix, un MMM donne des estimations avec incertitude, pas une preuve : vérifiez-le avec une expérience avant de déplacer un budget réel.

