Logiciel de modélisation du mix marketing pour l’e-commerce
Media Marketing Mix (MMM) est un modèle bayésien de mix marketing qu’AmICited ajuste pour vous avec le moteur open source Meridian de Google. Vous choisissez un résultat et vos canaux dans l’application ; elle estime ce que chaque canal a apporté, où les 1 000 prochains de budget seraient les plus efficaces, et si la recherche payante modifie votre trafic organique. Pas de code, pas d’équipe de data science pour le mettre en place.
Des marques qui suivent la façon dont les réponses IA les nomment — échantillonnées chaque jour sur toutes les surfaces où leurs acheteurs posent des questions.
Lire les études de cas →Modélisation du mix média sur vos propres données
Le modèle travaille à la maille hebdomadaire. Vous choisissez un résultat, puis les canaux pour l’expliquer : les dépenses et impressions importées de vos comptes publicitaires connectés, des coûts marketing personnalisés pour les canaux sans intégration, et des groupes de campagnes qui scindent une plateforme en plusieurs canaux.
- Résultats — revenu de la boutique, commandes de la boutique, revenu d’achat GA4, achats GA4, ou tout événement de conversion GA4, compté ou avec une valeur par conversion pour que le modèle puisse indiquer le retour sur dépense.
- Cinq intégrations publicitaires — Google Ads, Microsoft Advertising, Meta Ads, LinkedIn Ads et ChatGPT Ads, reliées via les mêmes intégrations de plateformes publicitaires que le reste d’AmICited.
- Groupes de campagnes — séparez par exemple les campagnes Google Ads de marque et hors marque par identifiants ou par règle de nom. Un groupe exige au moins 8 semaines avec des impressions, et l’application suggère des groupes pour les campagnes représentant 5 % ou plus des dépenses d’une plateforme.
- Jusqu’à 256 canaux — mais moins de canaux, plus importants, donnent plus de signal au modèle pour chaque estimation.
Contribution, ROI et courbes de réponse
Pour chaque canal, le modèle indique sa contribution estimée au résultat avec un intervalle de crédibilité à 90 %, et son ROI sous forme de revenu par unité de dépense. Les courbes de réponse montrent comment le résultat devrait évoluer lorsque les dépenses passent de zéro à trois fois le niveau actuel, afin de voir où les rendements s’aplatissent.
- Où les 1 000 suivants rapportent le plus — un verdict par canal (augmenter, réduire ou incertain), fondé sur le rendement marginal aux dépenses actuelles.
- Meilleure répartition du budget actuel — le même total, réparti autrement entre les canaux pour obtenir le meilleur résultat modélisé.
- Scénarios — réglez chaque canal entre 0× et 3× de ses dépenses et comparez la variation modélisée avec son intervalle à 90 %. Un scénario n’est pas une prévision de revenu et ne modifie jamais les budgets de vos plateformes publicitaires.
- Diagnostics vérifiables — convergence (R-hat, taille d’échantillon effective, divergences), réajustements de sensibilité aux a priori, réajustement automatique hebdomadaire et versions enregistrées à comparer.
Payant vers organique : le PPC stimule-t-il ou cannibalise-t-il ?
Le modèle payant vers organique pose une question que la plupart des outils d’attribution ignorent : vos dépenses de recherche payante augmentent-elles ou réduisent-elles votre trafic de recherche organique ? Réglez le résultat sur les sessions organiques GA4, les clics organiques Search Console ou les clics organiques Bing Webmaster Tools, et le modèle estime le trafic organique avec et sans PPC au fil du temps.
- Impact du PPC dans le temps — une référence modélisée sans PPC à côté de la série observée.
- Contribution signée — la recherche payante peut ajouter des clics organiques, en retirer, ou n’avoir aucun effet net.
- Coût par clic organique incrémental — affiché uniquement lorsque l’effet est positif et identifié, jamais forcé.
- Complémentaire des rapports d’écarts — les termes pour lesquels vous payez sans aucune page organique figurent dans Paid-Proven Gaps.
De combien d’historique la modélisation du mix marketing a-t-elle besoin
Un modèle standard exige 164 semaines complètes : 156 semaines de résultat plus un délai de report de 8 semaines. Avec moins, un mode à historique limité s’entraîne sur 24 semaines complètes ou plus, mais il ne peut pas apprendre de façon fiable la saisonnalité annuelle, s’appuie davantage sur ses hypothèses a priori et qualifie ses recommandations d’indicatives. Google Ads conserve environ 13 mois d’historique, donc la plupart des nouveaux comptes démarrent en mode historique limité, sauf si des dépenses plus anciennes sont saisies comme coûts personnalisés.
- Vérification de préparation d’abord — semaines complètes, devise, couverture des sources, rétention et variation des canaux sont contrôlées avant tout entraînement ; les canaux ayant dépensé sur trop peu de semaines sont exclus.
- Revenu, pas profit — le ROI est le revenu par unité de dépense. Pour des retours tenant compte de la marge, voir ROAS réel des annonces Meta.
- Des estimations, pas une preuve — un modèle sépare les effets des canaux à partir de données d’observation ; un test d’incrémentalité reste la preuve la plus solide pour un canal donné.
- Offres et coût — disponible avec les offres Premium et Enterprise. Des frais récurrents de forfait de modèle démarrent lorsque vous confirmez le premier entraînement, et les vérifications de préparation et l’entraînement utilisent des crédits d’entrepôt mesurés.
semaines complètes pour un modèle standard, ou 24 pour démarrer en mode historique limité
Les conversions déclarées par les plateformes vous disent ce que chaque réseau publicitaire revendique. Le modèle estime ce que chaque canal a apporté une fois les autres pris en compte.
Voir Meta Attribution Reality