Mesurer la visibilité IA

Marketing Mix Modeling (MMM) : fonctionnement et cas d'usage

Le marketing mix modeling expliqué : comment fonctionne le MMM, de combien de semaines de données il a besoin, en quoi il diffère de l'attribution et des tests d'incrémentalité, et que faire avec moins.

Marketing Mix Modeling (MMM) : fonctionnement et cas d'usage
21 min de lecture 8 questions traitées

Le marketing mix modeling (MMM) est une méthode statistique qui estime la part de ventes apportée par chaque canal marketing, à partir de totaux hebdomadaires de dépenses et de résultats plutôt que du suivi des utilisateurs. Il répond à la question budgétaire que les tableaux de bord des plateformes ne peuvent pas traiter : si vous déplacez de l’argent d’un canal à un autre, que devraient devenir les ventes totales ?

Le point délicat, ce sont les données. La documentation de Meridian de Google demande au moins deux ans de données hebdomadaires pour un modèle géographique et trois ans pour un modèle national. Le guide Robyn de Meta demande au minimum deux ans de données hebdomadaires. Beaucoup de marques e-commerce n’ont pas autant d’historique propre ; ce guide explique donc aussi quoi faire avec moins.

Ci-dessous : comment fonctionne le MMM, en quoi il diffère de l’attribution multi-touch et des tests d’incrémentalité, comment lire les résultats, ainsi qu’une question que peu de guides MMM posent : la recherche payante augmente-t-elle ou réduit-elle votre trafic organique ?

Points clés à retenir

  • Le marketing mix modeling estime la contribution de chaque canal à partir de totaux hebdomadaires de dépenses et de résultats. Il n’a besoin ni de cookies ni de suivi au niveau de l’utilisateur ; les changements de confidentialité ne le cassent donc pas.
  • Meridian de Google demande au moins 2 ans de données hebdomadaires au niveau géographique et 3 ans au niveau national, selon son guide des données. Robyn de Meta demande 2 ans de données hebdomadaires et environ 10 observations par variable.
  • Trois ans de données hebdomadaires, c’est seulement 156 points de données. Dans l’exemple de Meridian, cela fait environ 15 par paramètre pour un modèle à 10 paramètres, assez pour des « informations directionnelles ».
  • L’attribution multi-touch répartit le crédit entre des clics suivis ; le test d’incrémentalité compare un groupe exposé aux annonces à un groupe qui ne l’a pas été. Le MMM est la seule méthode qui couvre tous les canaux à la fois.
  • Meridian, Robyn et PyMC-Marketing acceptent tous des résultats de tests d’incrémentalité pour calibrer le modèle, ce qui est la façon standard de combiner MMM et expériences.
  • Les décisions budgétaires doivent suivre le ROI marginal, le rendement de la prochaine unité de dépense, et non le ROI moyen. La documentation de Meridian indique qu’un mROI très inférieur au ROI signale une saturation.

Ce qu’est le marketing mix modeling

Le marketing mix modeling est un modèle de type régression qui explique un résultat commercial, comme le revenu hebdomadaire, comme la somme d’une base et de l’effet de chaque canal marketing. Comme il travaille sur des totaux hebdomadaires agrégés, il peut inclure des canaux qu’aucun pixel ne voit, comme la télévision, les podcasts ou la presse, et il n’est pas affecté par la perte de cookies ni par les bannières de consentement.

Le résultat est une estimation de ce que chaque canal a apporté, de son efficacité, et de la façon dont le résultat changerait selon les niveaux de dépenses. Le MMM est donc un outil de planification pour l’ allocation du budget marketing, pas un outil de reporting sur les campagnes d’hier.

Le media mix modeling est la même méthode appliquée uniquement aux médias payants. Le marketing mix modeling, au sens strict, peut aussi inclure le prix, les promotions et la distribution. La plupart des gens utilisent les deux noms indifféremment, et tous deux sont abrégés en MMM.

Logo

Prêt à surveiller votre visibilité dans l'IA ?

Suivez la façon dont les chatbots IA mentionnent votre marque sur ChatGPT, Perplexity et d'autres plateformes.

Comment fonctionne le MMM

Un MMM ajuste une seule équation à votre historique hebdomadaire : le résultat est égal à la base, plus la saisonnalité et d’autres variables de contrôle, plus un effet transformé pour chaque canal. Ce sont ces transformations qui en font plus qu’une simple régression : elles modélisent le fait que les annonces continuent d’agir après la semaine de diffusion et que chaque unité de dépense supplémentaire rapporte moins que la précédente.

Les éléments de base :

ComposantCe qu’il captureExemple
BaseLes ventes que vous feriez sans marketing : marque, bouche-à-oreille, acheteurs récurrentsUne boutique qui vend 300 commandes par semaine même quand toutes les annonces sont en pause
Saisonnalité et variables de contrôleCycles annuels, jours fériés, promotions, changements de prixBlack Friday, un creux estival, une promotion de 20 % sur tout le site
Adstock (effet de report)Les annonces continuent d’influencer les ventes pendant des semaines après leur diffusionUne campagne vidéo dont l’effet décroît sur les 3 à 4 semaines suivantes
Saturation (rendements décroissants)Chaque unité de dépense supplémentaire rapporte moins que la précédenteDoubler les dépenses Meta ajoute 40 % de ventes, pas 100 %
A priori et intervalles de crédibilitéCe que le modèle suppose avant de voir les données, et son degré de certitude après« Le ROI de la recherche se situe entre 1,8 et 3,1, avec une probabilité de 90 % »

Les exemples du tableau sont illustratifs, ce ne sont pas des données d’une vraie boutique.

Meridian de Google, par exemple, modélise le report avec une fonction d’adstock et la saturation avec une courbe de Hill, dont la forme détermine si les rendements déclinent progressivement ou suivent une courbe en S.

Le MMM bayésien en termes simples

Un MMM bayésien part d’un a priori, une plage déclarée de valeurs plausibles pour l’effet de chaque canal, et le met à jour avec vos données. Le résultat est une distribution, résumée par un intervalle de crédibilité : « avec une probabilité de 90 %, le ROI de ce canal se situe entre X et Y ». La documentation de Meridian décrit les a priori comme des points de départ : si les données contredisent fortement un a priori, le modèle s’ajuste.

L’intérêt pratique est l’honnêteté sur l’incertitude. Un intervalle large vous dit que les données ne peuvent pas isoler l’effet de ce canal du reste. C’est plus utile qu’un chiffre unique et assuré qui se révèle n’être que du bruit.

De combien de données avez-vous besoin

Prévoyez deux à trois ans de données hebdomadaires. Meridian de Google demande au moins deux ans au niveau géographique et trois ans au niveau national, ou trois ans si vous n’avez que des données mensuelles. Robyn demande au moins deux ans de données hebdomadaires et environ une variable pour dix observations. Moins de données signifie des intervalles plus larges et davantage de poids pour les hypothèses du modèle.

Pourquoi autant ? Deux raisons :

  • La saisonnalité se répète une fois par an. Avec 52 semaines, le modèle voit chaque fête une seule fois et ne peut pas dire si les ventes ont augmenté à cause du Black Friday ou parce que vous avez augmenté les dépenses cette semaine-là. Deux ou trois cycles lui permettent de les distinguer.
  • Chaque canal ajoute des paramètres. Chaque canal exige au moins une taille d’effet, un taux de report et une forme de saturation. La documentation de Meridian détaille un modèle national à 10 paramètres et 156 points de données hebdomadaires, soit environ 15 points de données par paramètre, et juge cela suffisant pour « glaner quelques informations directionnelles ».

La même page précise que ces indications sont « approximatives et directionnelles », et que la vérification la plus précise consiste à ajuster le modèle et à regarder la largeur des intervalles de crédibilité.

La variation des dépenses compte autant que la longueur de l’historique. Si un canal a dépensé le même montant chaque semaine pendant deux ans, le modèle n’a rien à apprendre. La documentation de Meridian note qu’une variation insuffisante des dépenses médias pénalise les modèles nationaux.

Que faire avec moins de trois ans

La plupart des marques e-commerce ont un à deux ans de données exploitables, souvent moins après un changement de suivi ou une migration de plateforme. Vous pouvez quand même modéliser, si vous ajustez vos attentes :

  1. Remontez les dépenses plus anciennes. Les plateformes publicitaires et les factures conservent souvent plus d’historique que votre outil d’analyse. Saisissez-le comme des coûts plutôt que de partir du jour où vous avez tout connecté.
  2. Fusionnez les petits canaux. Le guide des données de Meridian conseille de regrouper les canaux à faible dépense avec d’autres pour éviter des estimations de ROI instables. Moins de canaux, plus gros, donnent plus de données à chaque estimation.
  3. Utilisez des données géographiques si vous en avez. Les modèles géographiques partagent l’information entre régions : les mêmes semaines fournissent donc plus de points de données par effet, selon le guide de Meridian.
  4. Calibrez avec un test d’incrémentalité. Une seule expérience bien menée sur votre plus gros canal donne au modèle un a priori bien plus serré que ses valeurs par défaut.
  5. Faites varier les dépenses volontairement. Des paliers planifiés ou de courtes pauses sur un canal créent la variation dont le modèle a besoin.
  6. Lisez le résultat comme indicatif. Avec un an ou moins, la saisonnalité annuelle est en partie une conjecture. Utilisez le modèle pour classer les canaux et repérer la saturation, pas pour promettre un chiffre de revenu.

MMM, attribution et incrémentalité

Le marketing mix modeling, l’attribution multi-touch et le test d’incrémentalité répondent à trois questions différentes. Le MMM estime ce que chaque canal a apporté aux ventes totales dans le temps. L’attribution multi-touch répartit le crédit de chaque conversion suivie entre les points de contact qu’elle a vus. Le test d’incrémentalité mesure si une activité a causé des ventes supplémentaires en comparant des groupes exposés et non exposés.

Marketing mix modelingAttribution multi-touchTest d’incrémentalité
QuestionQu’a apporté chaque canal, et où placer la prochaine unité de budget ?Quels points de contact suivis figuraient sur le parcours de chaque conversion ?Cette campagne a-t-elle causé des ventes qui n’auraient pas eu lieu autrement ?
DonnéesDépenses, impressions et totaux de résultats hebdomadaires, sur 2 à 3 ansClics, vues et conversions au niveau de l’utilisateurUn groupe test et un groupe témoin, pendant le test
Cookies et confidentialitéAucun nécessaire ; données agrégées uniquementDépend des cookies, des pixels et du consentementLes tests par utilisateur reposent sur l’identité de la plateforme publicitaire ; les tests géographiques n’utilisent que des régions
RapiditéLong à mettre en place ; actualisation hebdomadaire ou mensuelleQuasi temps réelDes semaines par test
CoûtL’open source est gratuit mais demande des compétences ; les outils hébergés sont payantsSouvent inclus dans les outils d’analyse et publicitairesAnnonces suspendues ou régions témoins, plus le temps de mise en place
GranularitéCanal ou groupe de campagnesCampagne, annonce, mot-cléUn canal, une campagne ou une région à la fois
Idéal pourAllocation budgétaire entre canaux, médias hors ligneOptimisation quotidienne des campagnesProuver la causalité, calibrer les modèles
Principale faiblesseEstimation d’observation ; exige un historique long et variéLe crédit n’est pas la causalité ; ignore les points de contact non suivis et hors ligneÉtroit : une seule question par test

L’ attribution multi-touch et les modèles à point de contact unique comme l’ attribution au dernier clic comptent les conversions qu’ils voient. Les plateformes publicitaires comptent les leurs, ce qui explique que les chiffres de Meta correspondent rarement à ceux de votre boutique ; notre rapport Meta Attribution Reality met les deux côte à côte. Aucune de ces méthodes ne prouve qu’une annonce a causé une vente.

Le test d’incrémentalité est l’expérience qui le peut. Google décrit son Conversion Lift comme un moyen de séparer votre audience entre les personnes qui voient vos annonces et celles qui ne les voient pas et de mesurer la différence ; il précise que l’outil n’est pas disponible pour tous les comptes Google Ads. Un test géographique avec régions témoins fonctionne de la même façon : choisissez des régions comparables, suspendez ou modifiez les dépenses dans certaines, et comparez les ventes avec les autres. Contrairement à un test A/B de site web, qui compare deux versions d’une page, un test d’incrémentalité compare des annonces à l’absence d’annonces.

Comment les combiner

La configuration standard utilise le MMM pour la répartition du budget, l’attribution pour l’optimisation quotidienne au sein d’un canal, et les tests d’incrémentalité pour vérifier et calibrer le modèle. Calibrer consiste à transformer le résultat d’une expérience en a priori pour ce canal, afin que le modèle parte de preuves mesurées plutôt que d’une hypothèse générique. Les trois principaux MMM open source le permettent.

Un cycle pratique : ajustez le modèle, repérez le canal à l’intervalle le plus large ou au budget le plus important, menez un test d’incrémentalité dessus, réinjectez le résultat et réajustez. Chaque test resserre le modèle là où cela compte le plus.

Comment lire les résultats du MMM

Lisez quatre résultats dans cet ordre : la contribution (quelle part du résultat chaque canal explique), le ROI (rendement moyen de tout ce qui a été dépensé), le ROI marginal (rendement de la prochaine unité de dépense) et les courbes de réponse (comment le rendement change quand les dépenses augmentent). Fondez vos arbitrages budgétaires sur le ROI marginal et les courbes, et vérifiez l’intervalle de crédibilité avant d’agir sur un chiffre isolé.

  • La contribution est la part du résultat que le modèle attribue à chaque canal, la base en représentant généralement la plus grande partie.
  • Le ROI est le résultat incrémental divisé par les dépenses. Si le résultat est le revenu, le ROI est du revenu, pas du profit. Par exemple, un canal avec un ROI de 2 pour une marge brute de 40 % perd de l’argent dès que l’on intègre les coûts produits. Notre article sur le ROAS de seuil de rentabilité, le ROAS réel, le MER et le POAS traite du calcul de marge.
  • Le ROI marginal (mROI) est le rendement de la prochaine unité au-dessus des dépenses actuelles. La documentation de Meridian indique que lorsque le mROI est très inférieur au ROI, le canal commence à saturer.
  • Les courbes de réponse montrent le résultat modélisé à différents niveaux de dépenses pour un canal, les autres étant fixes. Meridian avertit que les points très éloignés des dépenses historiques sont des extrapolations.

Exemple : un modèle donne à la recherche Google Ads hors marque un ROI de 3,0 et un mROI de 1,2, et au prospecting Meta un ROI de 2,0 et un mROI de 1,9. La recherche a la meilleure moyenne, mais les 1 000 suivants rapportent davantage sur Meta. C’est la question du prochain euro, et c’est pourquoi classer les canaux selon le ROI moyen ou le ROAS des plateformes mène à une mauvaise répartition du budget.

La recherche payante change-t-elle le trafic organique ?

La plupart des MMM traitent la recherche organique comme une base ou une variable de contrôle et ignorent l’une des questions budgétaires les plus courantes : quand vous enchérissez sur un terme, perdez-vous des clics organiques que vous auriez obtenus de toute façon, ou les annonces augmentent-elles votre visibilité organique ? Un modèle de mix marketing peut l’estimer en prenant les clics ou sessions organiques comme résultat et les canaux payants comme entrées.

La réponse diffère selon le compte et le type de mot-clé, et l’effet peut aller dans les deux sens. Les annonces de recherche sur la marque peuvent prendre des clics que votre premier résultat organique aurait obtenus ; les annonces hors marque peuvent accroître la notoriété, qui apparaît ensuite dans des recherches organiques de marque. Nous présentons les preuves et la façon de le tester dans Google Ads augmente-t-il le trafic organique ?.

Deux données rendent cela mesurable : le trafic organique hebdomadaire issu de Search Console, de Bing Webmaster Tools ou de GA4, et les dépenses de recherche payante réparties par type de campagne. Un modèle payant vers organique donne une estimation signée : positive, les annonces ajoutent des clics organiques ; négative, elles en retirent.

Erreurs courantes en MMM

Les erreurs les plus courantes viennent de données incomplètes fournies au modèle ou d’une lecture des résultats comme s’ils étaient certains. Un modèle ne peut pas séparer des canaux qui bougent toujours ensemble, ne peut pas apprendre des saisons vues une seule fois, et traite les dépenses manquantes comme des dépenses nulles. Vérifiez les entrées avant de croire les sorties.

  1. Dépenses manquantes comptées comme nulles. Si un import oublie trois mois de dépenses Meta, le modèle voit trois mois de ventes sans Meta et conclut que Meta a peu fait.
  2. Canaux qui bougent toujours ensemble. Si les budgets de recherche et de réseaux sociaux montent et descendent de concert, aucun modèle ne peut séparer leurs effets. Faites varier l’un indépendamment.
  3. Trop de petits canaux. Douze canaux à petit budget donnent douze intervalles larges. Regroupez-les.
  4. Ignorer les promotions et les changements de prix. Une semaine de promotion attribuée à ce qui tournait cette semaine-là gonfle ce canal.
  5. Lire le ROI comme du profit. Le ROI sur revenu ignore les marges, la livraison et les retours.
  6. Agir sur des estimations ponctuelles. Si l’intervalle d’un canal couvre à la fois la perte et le gain, le verdict honnête est « incertain », pas un déplacement de budget.
  7. Ne jamais valider. Sans test d’incrémentalité ni vérification par prévision sur échantillon réservé, vous ne pouvez pas distinguer un bon modèle d’un modèle sûr de lui.

Qui devrait utiliser le MMM

Le marketing mix modeling est rentable lorsque vous dépensez de façon significative sur au moins trois canaux, que vos dépenses ont varié dans le temps et que vous disposez d’au moins deux ans de données hebdomadaires. Il est moins utile pour une marque présente sur un ou deux canaux, avec des budgets constants, ou avec moins de six mois d’historique : le modèle a alors trop peu de matière pour séparer les effets.

Bons cas d’usage :

  • Les marques e-commerce qui dépensent en recherche, en réseaux sociaux et sur au moins un autre canal, comme les annonces ChatGPT, LinkedIn, l’affiliation ou les médias hors ligne.
  • Les équipes dont les conversions déclarées par les plateformes dépassent le total des commandes réelles de leur boutique.
  • Les marques qui ont perdu en visibilité dans l’attribution après les changements de consentement et de cookies.
  • Toute personne qui se demande si les annonces sur sa propre marque valent le coup.

Mauvais cas d’usage :

  • Une boutique qui dépense presque tout sur une seule plateforme ; un test d’incrémentalité sur cette plateforme apporte plus.
  • Les marques avec moins de six mois d’historique, ou une migration récente qui a cassé le suivi.
  • Les équipes qui veulent des réponses quotidiennes au niveau de la campagne ou de l’annonce ; c’est le rôle de l’attribution.

Que choisir ?

Choisissez la méthode selon la décision à prendre. Utilisez le MMM pour répartir un budget entre les canaux, l’attribution pour optimiser au quotidien au sein d’un canal, et un test d’incrémentalité lorsque vous avez besoin de preuves qu’un canal ou une campagne génère des ventes. La plupart des marques qui dépensent sur plusieurs canaux finissent par utiliser les trois, chacune pour sa propre question.

Votre situationCommencer parAjouter ensuite
Répartir le budget du trimestre prochain entre 3 canaux ou plusMMMTest d’incrémentalité sur le plus gros canal
Optimiser enchères, audiences ou créations cette semaineAttribution et données des plateformesMMM pour la répartition entre canaux
Prouver qu’un canal génère des ventes avant de l’amplifierTest d’incrémentalitéMMM calibré avec le résultat
Moins d’un an de données, 2 canaux ou plusTest d’incrémentalité, plus MMM lu comme indicatifMMM standard une fois 2 à 3 ans atteints
Dépenses en médias hors ligne (TV, presse, podcasts)MMMTest géographique avec régions témoins
Enchères sur votre propre nom de marqueMMM payant vers organique ou test de pause de marqueRevue des écarts de termes de recherche

Outils de MMM : open source et hébergés

Les outils de MMM se répartissent en deux groupes : des bibliothèques open source gratuites que vous exécutez vous-même, et des produits hébergés qui exécutent un modèle pour vous. Les trois principales options open source sont Meridian de Google, Robyn de Meta et PyMC-Marketing ; elles sont gratuites mais exigent Python ou R, de la préparation de données et des contrôles de modèle. Les outils hébergés échangent un abonnement contre la mise en place, des connecteurs et une interface.

OutilTypeCe que dit son propre site (en novembre 2026)
Google MeridianOpen source, PythonMMM bayésien avec prise en charge géographique ; ouvert à tous le 29 janvier 2025 ; un Scenario Planner sans code a suivi en février 2026
Meta RobynOpen source, R (API Python en bêta)Package MMM « expérimental » de Meta Marketing Science ; régression ridge avec recherche évolutionnaire d’hyperparamètres ; licence MIT
PyMC-MarketingOpen source, PythonMMM bayésien avec adstock, saturation, calibration par tests d’incrémentalité et optimisation du budget ; Apache 2.0
RecastHébergéMMM bayésien propriétaire avec expériences GeoLift ; pas de prix public
CassandraHébergéMMM et tests d’incrémentalité, sans équipe data ; essai gratuit de 30 jours
MarSciHébergéExécute Meridian ou Robyn sur vos données ; exige au moins 1 000 € de dépenses marketing par jour
MMM PilotHébergéExécute Robyn sans code ; offre Starter à 50 $/mois
AmICitedHébergé (notre produit)Exécute Meridian ; modèles de ventes et payant vers organique ; offres Premium et Enterprise

Pour une comparaison des deux grands moteurs open source, voir Google Meridian vs Robyn.

Détail du prompt AmICited « What is the best marketing mix modeling software for ecommerce brands? », 17 novembre 2026 : amicited.com cité par 0 moteur sur 10 ; mentions de marques menées par Sellforte 11 %, Google Meridian 10 %, Measured 10 %, Meta Robyn 8 % et Recast 8 %

Le MMM dans AmICited

AmICited est notre produit. Son Media Marketing Mix (MMM) exécute pour vous un modèle bayésien sur Google Meridian, sans code. Vous choisissez un résultat, comme le revenu de la boutique depuis Shopify ou WooCommerce, les achats GA4 ou toute conversion GA4, et des canaux parmi cinq plateformes publicitaires connectées, plus des coûts personnalisés pour tout le reste.

Formulaire « Create a model » de Media Marketing Mix d'AmICited : nom du modèle, résultat réglé sur le revenu d'achat GA4, dates de début et de fin de l'historique avec un avertissement indiquant que les données importées commencent le 2026-05-24, devise de reporting, canaux de médias payants, contribution de la recherche organique et canaux marketing personnalisés

Ce qu’il apporte par rapport à l’exécution de Meridian par vous-même, c’est la mise en place et le modèle payant vers organique : réglez le résultat sur le trafic organique de Search Console, de Bing ou de GA4, et il estime comment la recherche payante modifie les clics organiques dans le temps. Les résultats comprennent des contributions avec intervalles de crédibilité à 90 %, des courbes de réponse de zéro à trois fois les dépenses actuelles, les endroits où les 1 000 suivants rapportent le plus, et une meilleure répartition du budget actuel.

Ses limites sont réelles. Il n’est disponible qu’avec les offres Premium et Enterprise, avec des frais de forfait de modèle. Un modèle standard exige 164 semaines complètes ; avec 24 ou plus, il fonctionne en mode historique limité, dont les recommandations sont étiquetées comme indicatives uniquement. Le ROI est du revenu, pas du profit. Et comme tout MMM, il estime à partir de l’historique ; il ne remplace pas un test d’incrémentalité.

Que faire maintenant

  1. Listez vos canaux et votre historique. Comptez les semaines de données complètes de dépenses et de résultats dont vous disposez pour chaque canal. Moins de deux ans donnent des résultats indicatifs.
  2. Corrigez d’abord les entrées. Comblez les trous de dépenses, signalez les promotions et les changements de prix, et vérifiez que le revenu de votre boutique et votre attribution des revenus concordent sur les totaux.
  3. Comparez les déclarations des plateformes aux commandes réelles. Utilisez Meta Attribution Reality ou votre propre export de boutique pour mesurer l’écart des chiffres des plateformes.
  4. Ajustez un premier modèle. Exécutez Meridian, Robyn ou PyMC-Marketing vous-même, ou un outil hébergé comme notre Media Marketing Mix.
  5. Agissez sur le mROI et les intervalles. Ne déplacez du budget que là où le rendement marginal est nettement plus élevé et où l’intervalle ne couvre pas zéro.
  6. Testez le plus gros pari. Menez un test d’incrémentalité ou un test géographique sur votre plus gros canal et calibrez le modèle avec le résultat.
  7. Comparez payant et organique. Examinez les termes de recherche pour lesquels vous payez sans page organique dans Paid-Proven Gaps, et modélisez si la recherche payante renforce ou remplace les clics organiques.

À retenir

Le marketing mix modeling est la seule des trois principales méthodes de mesure qui couvre tous les canaux à la fois sans suivre les utilisateurs. Il exige deux à trois ans de données hebdomadaires, des dépenses variées et des entrées honnêtes, et il renvoie des estimations avec des fourchettes, pas des faits. Utilisez-le pour répartir le budget, utilisez les tests d’incrémentalité pour le vérifier, et lisez le rendement du prochain euro plutôt que la moyenne.

Utile ? Faites-le circuler.

LinkedIn X

Questions fréquemment posées

Arshia est AI Workflow Engineer chez FlowHunt. Fort d'une formation en informatique et d'une passion pour l'IA, il se spécialise dans la création de flux de travail efficaces qui intègrent les outils d'IA dans les tâches quotidiennes, améliorant ainsi la productivité et la créativité.

Arshia Kahani
Arshia Kahani
AI Workflow Engineer

Voyez ce que chaque canal apporte aux ventes

AmICited ajuste un modèle bayésien de mix marketing sur Google Meridian à partir de vos données de boutique ou GA4 et de vos dépenses publicitaires. Il montre la contribution de chaque canal avec des intervalles de crédibilité à 90 %, des courbes de réponse, où les 1 000 suivants rapportent le plus, et si la recherche payante déplace vos clics organiques.