Marketing Mix Modeling (MMM) et tests d’incrémentalité en 2026 : mesurer la vraie performance marketing sans cookies

Temps de lecture : 13 min

Combien rapporte vraiment un euro investi en Paid Social, en affichage ou en campagnes de notoriété ? En 2026, la question est plus difficile que jamais pour les directions marketing des grands comptes et des ETI. Depuis mars 2024, Google exige un consentement explicite pour exploiter Google Ads et GA4 dans l’Espace économique européen [1]. En configuration « basique » du Consent Mode, la perte de données de mesure peut atteindre 30 à 70 % [2]. Et la CNIL ne laisse aucune marge : 83 sanctions et 486,8 millions d’euros d’amendes cumulées en 2025, dont 21 sanctions liées aux cookies et traceurs [3].

Dans ce contexte, l’attribution au clic ne suffit plus à piloter un budget média. Deux méthodes s’imposent comme le nouveau standard de la mesure de performance : le Marketing Mix Modeling (MMM), qui modélise l’impact de chaque levier à partir de données agrégées, et les tests d’incrémentalité, qui établissent la causalité par l’expérimentation. Ce guide explique comment elles fonctionnent, quels outils open source privilégier, et comment les déployer en 90 jours.

Pourquoi l’attribution au clic ne suffit plus

La mesure déterministe, fondée sur le suivi individuel des utilisateurs et l’attribution au dernier clic, repose sur un signal qui se dégrade d’année en année. Pour continuer à exploiter le remarketing et la personnalisation des annonces dans l’EEE, les annonceurs doivent transmettre à Google deux paramètres de consentement explicites, ad_user_data et ad_personalization [1]. Sans accord de l’internaute, les balises ne se déclenchent pas en mode basique ; le mode avancé envoie des signaux dégradés et reconstruit une partie des conversions par modélisation, mais la CNIL ne l’a pas formellement validé et le consentement reste le principe par défaut [2]. Nous détaillons ces arbitrages techniques dans notre article sur le SEA privacy-first.

Le problème n’est pas seulement quantitatif. La modélisation des conversions permet à chaque plateforme d’optimiser ses propres campagnes, mais elle ne donne pas à un directeur marketing ou à un directeur financier une lecture objective et cross-canal de la performance. Le dernier clic surestime mécaniquement les leviers de bas de tunnel, comme le SEA sur requêtes de marque, et sous-estime les investissements de notoriété, l’affichage, la vidéo ou le Paid Social, qui génèrent peu de clics immédiats. Pour arbitrer un budget global, il faut une méthode qui ne dépende ni des cookies ni des données personnelles.

Le Marketing Mix Modeling expliqué simplement

Le MMM est une approche statistique qui estime la contribution de chaque levier marketing (dépenses média, promotions, prix) et des facteurs externes (saisonnalité, tendance, jours fériés) sur un indicateur business : chiffre d’affaires, ventes, leads. Il travaille exclusivement sur des données agrégées dans le temps, par exemple les dépenses hebdomadaires par canal. Comme le résume l’équipe data de Qonto, les MMM « reposent sur des données agrégées plutôt que sur des données individuelles » et ne nécessitent aucune donnée personnelle identifiable [12]. C’est ce qui les rend compatibles par construction avec le RGPD et insensibles à la baisse des taux de consentement.

Adstock et saturation : les deux transformations clés

Pour refléter la réalité de la publicité, un MMM applique deux transformations aux investissements média [7][9] :

• L’adstock (effet de rémanence) : une campagne diffusée cette semaine continue d’influencer les ventes les semaines suivantes. Le modèle applique une décroissance progressive de l’effet plutôt que d’attribuer tout le mérite à la semaine de diffusion.
• La saturation (rendements décroissants) : doubler un budget ne double pas les ventes. Une courbe de réponse non linéaire identifie le point à partir duquel chaque euro supplémentaire rapporte de moins en moins.

Pourquoi l’approche bayésienne domine

Les frameworks modernes privilégient l’inférence bayésienne. Elle permet d’intégrer des connaissances préalables (des « priors »), par exemple le résultat d’un test d’incrémentalité, et produit des estimations assorties d’intervalles de crédibilité plutôt qu’un chiffre unique trompeur. Google présente Meridian comme un modèle fondé sur l’inférence causale bayésienne [5], et PyMC-Marketing permet de définir des priors et des vraisemblances sur mesure [9]. Qonto insiste sur ce point : exiger des intervalles de confiance et une validation hors échantillon, plutôt que de se fier au seul R² [12].

Ce que le MMM mesure… et ce qu’il ne mesure pas

Le MMM mesure le ROI incrémental de chaque canal, l’effet des leviers offline et online sur un même indicateur, la part de ventes « de base » indépendante du marketing, et les courbes de saturation qui guident la réallocation budgétaire. Il ne mesure pas le parcours individuel d’un client, la performance d’une création précise ou l’optimisation d’enchères au jour le jour : ces décisions tactiques restent du ressort des plateformes et de l’analytics.

Google Meridian, Meta Robyn, PyMC-Marketing : quel outil choisir ?

Longtemps réservé aux cabinets d’économétrie, le MMM s’est démocratisé grâce à trois frameworks open source majeurs.

Meridian, dont la version 2.0.0 est disponible sur GitHub, permet de modéliser des données au niveau géographique comme au niveau national, d’accélérer les calculs sur GPU et de calibrer le modèle avec des résultats d’expériences et des informations a priori [5]. Il intègre aussi l’optimisation de la fréquence publicitaire à partir des données de portée et de fréquence, un atout pour les annonceurs très investis en vidéo et YouTube.

Robyn combine régression Ridge, algorithmes évolutionnaires et optimisation multi-objectif via Nevergrad, avec un module d’allocation budgétaire. La version R est considérée comme stable, la version Python est présentée comme une bêta traduite [7].

PyMC-Marketing est le plus flexible : priors et vraisemblances personnalisés, adstock, saturation, intercepts et contributions média variables dans le temps, optimisation budgétaire, et des modèles de valeur vie client (CLV) dans la même boîte à outils [9]. Bolt a documenté son usage de PyMC-Marketing pour ses arbitrages budgétaires [14].

Données nécessaires. Quel que soit l’outil, la règle de base reste celle du guide Robyn : « un MMM a besoin d’au minimum deux ans de données historiques hebdomadaires », davantage (4 à 5 ans) si l’on ne dispose que de données mensuelles, avec un nombre d’observations environ 7 à 10 fois supérieur au nombre de variables [8]. Il faut réunir la variable cible (ventes, revenus, leads), les investissements ou impressions par canal et les variables de contrôle : promotions, prix, saisonnalité, événements. L’exposition média doit aussi varier dans le temps : un budget parfaitement constant ne permet pas d’isoler l’effet d’un canal.

Les tests d’incrémentalité : la preuve par l’expérience

Aussi sophistiqué soit-il, un MMM reste un modèle observationnel. Pour établir la causalité, il faut expérimenter. Le guide Robyn le recommande explicitement : utiliser les résultats expérimentaux, considérés comme la vérité terrain, pour calibrer le MMM, et mener ces études « de manière continue et régulière » [8].

Geo-lift et contrôle synthétique

Le test géographique est la méthode la plus robuste face à la disparition des cookies, car il ne dépend d’aucun identifiant individuel. L’outil open source de référence, GeoLift (Meta), repose sur la méthode du contrôle synthétique augmenté [11] :

1. le territoire est découpé en unités géographiques (villes, régions, zones de chalandise) ;
2. la campagne n’est activée (ou coupée) que dans les zones test ;
3. l’algorithme construit un « jumeau synthétique » des zones test à partir d’une combinaison pondérée de zones de contrôle dont l’historique de ventes est comparable ;
4. l’écart entre ventes réelles et ventes prédites par le jumeau mesure le lift incrémental.

Puissance statistique et budget

Un test mal dimensionné ne prouve rien : l’effet de la campagne se perd dans le bruit naturel des ventes. La documentation GeoLift rappelle qu’une analyse de puissance prospective est « fondamentale » avant de lancer un test [11]. Elle fixe l’effet minimum détectable (MDE), le nombre de zones test et le budget nécessaire, exprimé en coût par conversion incrémentale. Elle exige aussi un historique pré-test propre, sans valeurs manquantes ni zones incomplètes [11].

Conversion lift et holdouts

Les tests de type conversion lift, qui isolent un groupe de contrôle d’utilisateurs directement dans une plateforme, restent utiles, notamment pour Meta [8]. Mais ils mesurent un canal à la fois, dans l’environnement et avec les données de la plateforme concernée. Les tests géographiques ont l’avantage de mesurer l’effet sur vos propres ventes, tous canaux confondus.

La triangulation : combiner MMM, tests et attribution

Aucune méthode ne suffit seule. Les directions marketing les plus avancées pratiquent la triangulation, en croisant trois approches pour que chacune corrige les biais des autres [4] :

• le MMM donne la vision stratégique : contribution de chaque levier, saturation, allocation budgétaire globale ;
• les tests d’incrémentalité fournissent la preuve causale sur les leviers qui font débat ;
• l’attribution (analytics, plateformes) reste l’outil du pilotage tactique : audiences, créations, enchères.

Qonto propose un garde-fou simple : l’efficacité estimée par le MMM devrait se situer entre les bornes fournies par les modèles d’attribution et par les expériences d’incrémentalité [12]. Pour structurer vos données analytics en amont, voir notre guide GA4 et SEA pour les grands comptes.

Le débat sur la calibration

Comment injecter les résultats d’un test dans le MMM ? Deux écoles coexistent. La première convertit le résultat du test en prior sur le ROI du canal. La seconde, défendue par PyMC Labs, ajoute chaque test comme une vraisemblance qui contraint directement la courbe de saturation : plus on accumule de tests à des niveaux de dépense différents, plus la courbe est précise [10]. L’enjeu est réel : dans la simulation publiée par PyMC Labs, une variable confondante non observée conduit un MMM non calibré à inverser le classement de deux canaux, tandis que le modèle calibré retrouve des ROAS à environ 2 % des vraies valeurs [10].

La prudence reste de mise. L’équipe de Qonto recommande d’utiliser les tests pour orienter modérément les priors, sans figer les paramètres : il faut « laisser au modèle la possibilité de ne pas être d’accord » [13]. Un test isolé donne une direction, pas une vérité absolue ; c’est la répétition des tests et leur confrontation au modèle qui construisent la confiance.

Spécificités B2B et luxe

B2B : cycles longs et données CRM

En B2B, la vente finale est trop rare et trop tardive pour servir seule de variable cible. Il est souvent plus pertinent de modéliser des étapes intermédiaires du pipeline issues du CRM, comme les leads qualifiés (MQL, SQL) ou les opportunités créées, puis de relier ces étapes au chiffre d’affaires. Les paramètres d’adstock doivent refléter des effets plus longs : contenus experts, événements et campagnes LinkedIn produisent leurs effets sur plusieurs mois. Notre article sur LinkedIn Ads et ABM pour les grands comptes et ETI détaille la mesure de ces leviers.

Luxe : omnicanal et désirabilité

Dans le luxe, une large part des ventes se conclut en boutique, et la valeur de marque se construit sur un temps long. Un modèle limité aux ventes e-commerce sous-estimera systématiquement l’affichage, la presse, les événements ou l’influence. Il faut donc intégrer le chiffre d’affaires omnicanal (boutiques, e-commerce, wholesale lorsque les données le permettent) et suivre à part les indicateurs de marque (notoriété, considération). Les tests géographiques sont particulièrement adaptés aux réseaux de boutiques : une activation locale se mesure directement sur le trafic et les ventes en point de vente. Sur la mesure des nouveaux formats publicitaires du retail, lire notre analyse du retail media pour les grands comptes et le luxe.

Feuille de route en 90 jours pour une ETI ou un grand compte

Jours 1 à 30 : audit et collecte des données

Réunir au moins deux ans d’historique hebdomadaire [8] : investissements et impressions par canal (Google Ads, Meta, LinkedIn, programmatique, TV, affichage), ventes ou leads issus de l’ERP et du CRM, variables de contrôle (promotions, prix, saisonnalité, événements). Documenter chaque source et corriger les ruptures de série. La qualité de cette base conditionne tout le projet : Qonto rappelle que les données doivent être « propres, prêtes à l’emploi et bien comprises dans l’entreprise » [12].

Jours 31 à 60 : premier modèle

Choisir le framework selon les compétences internes et le mix média : Robyn pour son automatisation, Meridian pour la granularité géographique et la fréquence, PyMC-Marketing pour la flexibilité. Fixer les bornes d’adstock et de saturation avec les équipes métier, valider hors échantillon et présenter les résultats avec leurs intervalles d’incertitude.

Jours 61 à 75 : premier test d’incrémentalité

Lancer un geo-lift sur le levier dont le ROI fait le plus débat au comité de direction, souvent le Paid Social, la vidéo ou l’influence, après une analyse de puissance [11]. Intégrer ensuite le résultat au modèle comme contrainte de calibration [10].

Jours 76 à 90 : réallocation budgétaire

Utiliser l’optimiseur budgétaire du framework pour simuler plusieurs scénarios sous contrainte, puis livrer à la direction financière des recommandations fondées sur le rendement marginal : le retour du prochain euro investi, canal par canal. Planifier un rafraîchissement régulier du modèle et un calendrier de tests pour les trimestres suivants [13].

Erreurs fréquentes à éviter

• Juger un modèle sur son seul R² : un bon ajustement historique ne garantit pas des contributions justes [12].
• Figer un modèle sur un seul test : un test oriente, il ne tranche pas [13].
• Oublier les variables de contrôle : sans promotions, prix ou saisonnalité, le modèle attribue au média ce qui ne lui revient pas.
• Livrer un MMM une fois par an : la valeur vient d’un cycle continu modèle → test → réallocation.

Notre approche chez Million Marketing

Chez Million Marketing, nous abordons la mesure comme un chantier de gouvernance autant que de data science. Nous cadrons les questions business avec la direction marketing et la direction financière, auditons la qualité des données média et CRM, choisissons le framework adapté (Meridian, Robyn ou PyMC-Marketing) et concevons un calendrier de tests géographiques qui alimente le modèle dans la durée. Les recommandations sont ensuite activées sur nos expertises SEA, Paid Social et SEO. Pour les organisations qui veulent piloter ces arbitrages au plus haut niveau sans recruter, notre offre de CMO à temps partagé intègre ce dispositif de mesure au pilotage stratégique.

Sources et références

1. Digidop — Google Consent Mode V2 : guide complet pour mettre votre site en conformité (2024)
2. EdgeAngel — RGPD, CNIL et Analytics : Consent Mode, IA, DPF (2026)
3. CNIL — Sanctions et mesures correctrices : la CNIL présente le bilan 2025
4. Funnel — Marketing mix modeling, incrementality testing and attribution (Funnel Measure)
5. Google — Meridian, dépôt GitHub officiel
6. Google for Developers — About the Meridian project
7. Meta Marketing Science — Robyn, dépôt GitHub officiel
8. Meta — An Analyst’s Guide to MMM (documentation Robyn)
9. PyMC Labs — PyMC-Marketing, dépôt GitHub officiel
10. PyMC Labs — Media Mix Model Calibration with Lift Tests and Bayesian Priors
11. Meta — GeoLift Walkthrough (documentation officielle)
12. The Qonto Way (Medium) — Marketing Measurement series: Marketing Mix Modeling at Qonto, Part I
13. The Qonto Way (Medium) — Marketing Measurement series: Incrementality test scheduling
14. Bolt Blog — Bayesian models: Bolt’s story with PyMC-Marketing

Questions fréquentes sur le MMM et l’incrémentalité