Analyste MMM : quand remplacer l’attribution par l’incrémentalité

Le problème n’est pas que l’attribution soit fausse, mais qu’elle réponde souvent à la mauvaise question

Les directions marketing ont longtemps traité l’attribution comme la boussole centrale de l’optimisation digitale. Dans un environnement dominé par le search, le retargeting, l’affiliation, le paid social et les plateformes e-commerce, l’idée paraissait rationnelle : identifier les points de contact qui précèdent une conversion, leur attribuer un crédit, puis réallouer les budgets vers les leviers affichant le meilleur rendement. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, a permis de professionnaliser le pilotage, de réduire l’opacité média et d’imposer une discipline de performance.

Mais le contexte a changé. La disparition progressive des cookies tiers, les restrictions d’identifiants mobiles, la montée du consentement explicite, les jardins fermés des plateformes, la fragmentation des parcours et la place croissante des médias de considération rendent l’observation individuelle plus incomplète. Surtout, l’attribution mesure généralement ce qui est traçable, pas nécessairement ce qui est causal. Elle décrit une proximité avec la conversion ; elle ne prouve pas toujours que l’action marketing a modifié le comportement.

C’est ici que l’analyste MMM, marketing mix modeling, modélisation statistique estimant la contribution des leviers marketing à partir de séries temporelles agrégées, reprend une place stratégique. Le MMM ne cherche pas à suivre chaque utilisateur. Il estime, au niveau agrégé, la relation entre des investissements marketing, des facteurs externes et des résultats business : ventes, marge, leads qualifiés, trafic, demandes de devis ou visites en point de vente. Il permet de répondre à une question plus économique : si l’on augmente, réduit ou déplace un budget, quel effet incrémental peut-on attendre ?

L’incrémentalité désigne la part d’un résultat qui n’aurait probablement pas eu lieu sans l’action marketing. C’est la différence entre une conversion observée et une conversion réellement causée. Pour un comité de direction, cette distinction est décisive. Un canal peut afficher un CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, très bas parce qu’il capte des prospects déjà décidés. Un autre peut afficher un CPA plus élevé mais créer de la demande nouvelle, améliorer la préférence de marque ou accélérer un cycle de vente. De même, un ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, peut être flatteur sans être incrémental.

La question n’est donc pas de remplacer brutalement l’attribution par le MMM ou par les tests d’incrémentalité. La question est de savoir à quel moment l’attribution cesse d’être un outil d’optimisation suffisant et devient un risque de mauvaise allocation budgétaire. Pour un analyste MMM, le vrai rôle consiste à construire un système de preuve hybride : attribution pour les optimisations tactiques, tests pour établir la causalité locale, MMM pour arbitrer les grands équilibres budgétaires et mesurer les effets différés.

Comprendre les limites structurelles de l’attribution avant de la déclasser

Le premier réflexe devrait être de diagnostiquer ce que l’attribution sait encore bien faire. Elle reste utile pour optimiser des parcours courts, comparer des créations dans un même canal, identifier des ruptures de tracking, ajuster des audiences, surveiller des anomalies ou piloter des campagnes à intention forte. Dans le bas du funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, l’attribution fournit des signaux opérationnels rapides. Une campagne search générique qui double son coût par clic, une landing page qui perd 20 % de taux de conversion ou une séquence CRM qui dégrade son taux de clic doivent être détectées vite.

Le problème apparaît lorsque ces signaux opérationnels deviennent des vérités économiques. Le last click, modèle attribuant toute la conversion au dernier point de contact, favorise mécaniquement les leviers proches de l’achat : search marque, retargeting, comparateurs, affiliation couponing, email promotionnel. Ces canaux ne sont pas inutiles ; ils captent et facilitent la conversion. Mais ils peuvent surestimer leur contribution si une part importante des clients aurait acheté sans exposition additionnelle.

Les modèles multi-touch attribution, ou MTA, modèles répartissant le crédit d’une conversion entre plusieurs points de contact, corrigent une partie de ce biais en distribuant le crédit sur plusieurs interactions. Mais ils restent dépendants des traces observables. Si un utilisateur voit une vidéo en TV connectée, lit un avis sur Reddit, discute avec un pair sur LinkedIn, reçoit une recommandation en dark social, puis convertit via une recherche de marque, une grande partie de l’influence amont disparaît du modèle. Le MTA peut être plus sophistiqué que le last click sans être causal.

La montée des plateformes fermées accentue cette limite. Les environnements publicitaires fournissent leurs propres conversions attribuées, souvent selon des fenêtres de vue ou de clic qui ne correspondent pas aux autres systèmes de mesure. Une plateforme peut revendiquer une vente après une simple impression vue dans une fenêtre de sept jours. Une autre peut attribuer une conversion post-clic à trente jours. Additionner ces résultats produit presque toujours une sur-attribution. Dans certains audits, il n’est pas rare que la somme des conversions déclarées par les plateformes dépasse de 20 % à 60 % les conversions réellement observées dans le back-office, selon les fenêtres et les règles de déduplication.

Enfin, l’attribution peine à intégrer les effets de saturation et de rendement marginal. Le ROAS moyen d’un canal peut rester élevé alors que les derniers euros investis produisent peu de valeur additionnelle. Une campagne retargeting peut afficher un ROAS de 10 sur l’ensemble du mois, mais un test de holdout, groupe volontairement non exposé servant de comparaison, peut montrer que 70 % des conversions auraient eu lieu sans pression publicitaire. Dans ce cas, la performance attribuée masque une faible performance incrémentale.

Quand basculer vers l’incrémentalité : les signaux d’alerte pour l’analyste MMM

Le remplacement partiel de l’attribution par une lecture incrémentale devient prioritaire lorsque plusieurs signaux convergent. Le premier est la contradiction entre performance attribuée et performance business. Si les plateformes affichent une hausse du ROAS mais que le chiffre d’affaires net, la marge ou le nombre de nouveaux clients stagnent, l’organisation doit suspecter un problème de causalité. Les dashboards peuvent être verts alors que l’entreprise ne crée pas de demande supplémentaire.

Le deuxième signal est la concentration excessive des budgets sur les leviers de capture. Une marque qui investit massivement en search marque, retargeting et affiliation peut améliorer son CPA court terme tout en affaiblissant son acquisition future. Selon les travaux de Les Binet et Peter Field, souvent résumés autour d’un équilibre entre activation court terme et construction de marque, les effets de marque et les effets d’activation opèrent sur des temporalités différentes. La règle 60/40 ne doit pas être appliquée mécaniquement, mais elle rappelle que l’activation pure finit par exploiter un réservoir de demande existant plutôt que de l’élargir.

Le troisième signal est la dégradation de la qualité client. Si un canal affiche un CPA bas mais recrute des cohortes à faible LTV, lifetime value, valeur économique attendue d’un client sur toute sa relation avec la marque, l’attribution au premier achat peut conduire à surinvestir. Le MMM et les analyses d’incrémentalité doivent alors intégrer une variable de valeur, pas seulement de volume. Un client acquis à 30 euros avec 180 euros de marge attendue vaut mieux qu’un client acquis à 12 euros qui ne rachète jamais et consomme une remise importante.

Le quatrième signal est la part croissante de médias non cliquables ou mal traçables dans le mix : TV, radio digitale, affichage, vidéo, influence, podcast, retail media, TV connectée, programmatique display, social organique amplifié. Dans le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, l’exposition peut influencer la considération sans générer un clic immédiat. Une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter des impressions publicitaires de manière automatisée, peut donc contribuer à la demande tout en restant sous-valorisée dans un modèle centré sur le clic.

Le cinquième signal est le niveau de décision. L’attribution est souvent suffisante pour décider quelle création désactiver, quelle audience exclure ou quelle enchère ajuster. Elle est insuffisante pour décider s’il faut déplacer 500 000 euros du paid social vers la vidéo, augmenter la TV connectée, réduire le search marque ou financer un programme CRM relationnel. Plus l’arbitrage est stratégique, plus l’exigence causale doit être forte.

Une règle pratique peut être formulée ainsi : dès qu’une décision budgétaire dépasse 5 % à 10 % de l’enveloppe média d’un trimestre, ou qu’elle modifie l’équilibre entre création de demande et capture de demande, l’attribution seule ne devrait pas suffire. Il faut au minimum une lecture incrémentale, par test, par MMM ou par triangulation entre plusieurs méthodes.

Ce que le MMM apporte réellement : contribution marginale, saturation et effets différés

Le MMM n’est pas une version plus complexe de l’attribution. Il repose sur une logique différente. Il modélise des séries temporelles agrégées : dépenses média, impressions, GRP, gross rating points, indicateur de pression publicitaire combinant couverture et répétition, promotions, prix, distribution, disponibilité produit, saisonnalité, activité concurrentielle, météo dans certains secteurs, jours fériés et variables macroéconomiques. L’objectif est d’estimer la contribution de chaque levier à un résultat observé.

Son premier apport est la mesure du rendement marginal. Le ROAS marginal mesure le revenu additionnel généré par un euro supplémentaire investi. C’est souvent l’indicateur décisif pour arbitrer. Un canal peut avoir un ROAS moyen de 5, mais un ROAS marginal de 1,4 si les investissements ont dépassé le point d’efficacité optimale. À l’inverse, un levier émergent peut avoir un ROAS moyen modeste mais un potentiel marginal élevé si la marque y investit encore peu et si l’audience n’est pas saturée.

Le deuxième apport est la modélisation de la saturation. Les effets média ne sont généralement pas linéaires. Les premiers euros investis sur un canal touchent souvent les audiences les plus réceptives ; les suivants élargissent progressivement vers des segments moins qualifiés ou plus coûteux. Une courbe de saturation permet d’estimer à quel niveau d’investissement le rendement commence à diminuer fortement. Pour un directeur marketing, cette information vaut plus qu’un classement statique des canaux par ROAS attribué.

Le troisième apport est la prise en compte des effets différés, souvent modélisés par l’adstock, mécanisme statistique décrivant la persistance de l’effet publicitaire dans le temps. Une campagne TV, vidéo ou social de considération peut ne pas générer une conversion immédiate, mais produire un effet sur plusieurs jours ou semaines : hausse du search de marque, amélioration du taux de conversion, progression des visites directes, réduction du coût de conversion sur les audiences exposées. L’attribution court terme capte mal ces mécanismes.

Le quatrième apport est la neutralisation partielle des facteurs externes. Une hausse de ventes après une campagne peut être due au marketing, mais aussi à une promotion, une rupture concurrente, une météo favorable, un effet calendrier ou une couverture presse. Un modèle MMM bien construit tente d’isoler ces variables. Il ne produit pas une vérité absolue, mais il réduit les confusions grossières qui surviennent lorsque l’on compare simplement avant et après.

Le MMM a toutefois des conditions de réussite. Il exige un historique suffisant, idéalement deux à trois ans de données hebdomadaires lorsque la saisonnalité est forte, même si des approches bayésiennes plus récentes peuvent fonctionner avec moins d’historique dans certains cas. Il exige des variations de dépenses : si tous les canaux sont toujours activés au même niveau, le modèle aura du mal à distinguer leurs effets. Il exige également une donnée propre, cohérente, documentée, et des changements de tracking historisés. Un MMM construit sur des séries instables ou mal qualifiées produit une sophistication trompeuse.

Tester l’incrémentalité sans attendre un grand modèle parfait

L’erreur fréquente consiste à opposer MMM et tests d’incrémentalité. En réalité, les deux approches se renforcent. Le MMM donne une vision macro des arbitrages et des rendements. Les tests permettent de valider localement une hypothèse causale. Un analyste mature ne cherche pas le modèle unique ; il construit un système de preuves convergentes.

Le test le plus lisible est le holdout. Une partie de l’audience, des comptes ou des zones géographiques est volontairement exclue d’une campagne afin de servir de comparaison. Si le groupe exposé convertit davantage que le groupe non exposé, toutes choses égales par ailleurs, l’écart peut être interprété comme un effet incrémental. Ce principe est simple, mais son exécution est exigeante : taille d’échantillon suffisante, stabilité des populations, absence de contamination, durée adaptée au cycle d’achat, indicateur business robuste.

Les geo-tests sont particulièrement utiles pour les investissements médias à couverture large ou pour les dispositifs drive-to-store, c’est-à-dire visant à générer des visites ou achats en point de vente. L’entreprise active un levier dans certaines zones et conserve des zones comparables en contrôle. Le résultat est mesuré sur les ventes, les visites, les demandes de devis ou les requêtes de marque localisées. La difficulté réside dans le choix des zones comparables et dans le contrôle des facteurs locaux : météo, concurrence, événements, distribution, pression commerciale.

Les tests d’audience exposée versus non exposée sont plus faciles à mettre en œuvre dans les plateformes, mais ils doivent être interprétés avec prudence. Les groupes doivent être réellement comparables. Si l’algorithme choisit naturellement d’exposer les utilisateurs les plus susceptibles de convertir, le test peut surestimer l’effet. Les lift studies proposées par les plateformes sont utiles, mais elles restent souvent enfermées dans l’écosystème de la plateforme. Elles doivent être rapprochées des ventes réelles, de la marge ou de la qualité client.

Un exemple concret illustre l’intérêt du test. Une marque retail observe un ROAS attribué de 7 sur une campagne de retargeting display. Le comité média envisage d’augmenter le budget de 40 %. Avant de le faire, l’équipe data met en place un holdout de 15 % des visiteurs récents. Après quatre semaines, le groupe exposé convertit à 5,2 %, contre 4,8 % pour le groupe non exposé. L’uplift est réel mais faible. Une fois les coûts média et les remises intégrés, le ROAS incrémental tombe à 1,6. La décision change : la marque conserve le retargeting, réduit la fréquence, exclut les visiteurs très proches de l’achat et réalloue une partie du budget vers des contenus de considération mesurés par geo-test.

À l’inverse, une campagne vidéo de prospection peut afficher un ROAS attribué de 0,8 mais générer une hausse incrémentale du search de marque de 12 %, un meilleur taux de conversion des visiteurs directs et une progression des nouveaux clients dans les zones exposées. Sans test, elle aurait été coupée. Avec une lecture incrémentale, elle peut être maintenue, ajustée ou amplifiée sur les segments où le signal est le plus robuste.

Construire une architecture de décision : attribution, tests et MMM n’ont pas le même rôle

Le remplacement de l’attribution ne doit pas être compris comme sa disparition. Une architecture de mesure performante attribue à chaque méthode un rôle précis. L’attribution sert à piloter le quotidien. Les tests servent à trancher des hypothèses causales. Le MMM sert à arbitrer le portefeuille budgétaire et à estimer les rendements à l’échelle.

Au niveau tactique, l’attribution reste utile pour optimiser dans un canal. Elle aide à comparer deux annonces search, deux segments CRM, deux landing pages, deux audiences paid social ou deux séquences de nurturing. Elle peut aussi alerter sur une baisse de tracking, une hausse de CPA ou un changement de comportement. Mais elle doit être encadrée par des règles : ne pas comparer directement des canaux ayant des rôles différents, ne pas additionner naïvement les conversions plateformes, ne pas juger un média de notoriété avec une fenêtre de conversion trop courte.

Au niveau expérimental, les tests répondent aux questions à fort enjeu : le retargeting crée-t-il vraiment des ventes additionnelles ? Le retail media recrute-t-il de nouveaux acheteurs ou déplace-t-il des clients existants ? Une campagne TV connectée améliore-t-elle la recherche de marque ? Une pression CRM supplémentaire génère-t-elle du revenu net ou fatigue-t-elle la base ? Chaque test doit formuler une hypothèse falsifiable, un comparateur, un seuil de décision et une durée. Sans seuil, le test devient un exercice descriptif.

Au niveau stratégique, le MMM répond aux questions de portefeuille : quel budget total allouer au paid social, au search, à la TV, au retail media, au CRM, au display programmatique ? Quel canal est saturé ? Quel effet attendre d’une hausse de 20 % de l’investissement vidéo ? Quelle part de la croissance récente vient de la promotion plutôt que du média ? Le MMM permet aussi de simuler des scénarios : budget contraint, accélération, réduction de la pression promotionnelle, hausse des coûts média, déplacement du mix vers des leviers de marque.

La gouvernance doit empêcher les méthodes de se contredire sans arbitrage. Si l’attribution dit de couper la vidéo mais que le MMM et un geo-test indiquent un effet incrémental sur les ventes, la décision ne peut pas être prise dans un dashboard d’acquisition seul. Elle doit remonter à un comité réunissant marketing, data, finance, CRM et sales lorsque le cycle est B2B. Ce comité doit définir les KPI de référence, les seuils de confiance, les fenêtres d’analyse et les règles de réallocation.

Une bonne pratique consiste à classer les décisions selon leur horizon. Les décisions hebdomadaires peuvent rester pilotées par l’attribution et les signaux opérationnels. Les décisions mensuelles doivent intégrer des indicateurs de saturation, de cohortes et de qualité client. Les décisions trimestrielles devraient s’appuyer sur MMM, tests d’incrémentalité ou analyses causales plus robustes. Cette stratification évite deux excès : la paralysie méthodologique et l’optimisation court-termiste.

Les limites du MMM : précision apparente, dépendance aux données et risque politique

Le MMM est puissant, mais il n’est pas magique. Sa première limite est la granularité. Un modèle hebdomadaire national peut bien estimer l’effet d’un canal, mais mal distinguer les créations, les audiences ou les placements. Il dira peut-être que la vidéo digitale contribue aux ventes, sans indiquer précisément quelle création fonctionne le mieux. L’attribution et les tests restent nécessaires pour descendre au niveau opérationnel.

Sa deuxième limite est la colinéarité. Si plusieurs leviers sont toujours activés ensemble, par exemple TV, paid social et search générique pendant les mêmes temps forts, le modèle peut avoir du mal à séparer leurs contributions. Des approches bayésiennes permettent d’intégrer des priors, c’est-à-dire des hypothèses initiales fondées sur l’expérience ou des tests, mais elles ne remplacent pas la variation réelle. Un plan média qui ne crée jamais de contraste est difficile à mesurer.

Sa troisième limite est la qualité des variables externes. Si les promotions, prix, stocks, ruptures, pression concurrentielle ou changements de distribution ne sont pas intégrés, le modèle risque d’attribuer au média ce qui relève d’autres facteurs. Dans le retail, une rupture de stock peut faire chuter les ventes malgré une forte pression publicitaire. Dans le B2B, un changement de politique commerciale peut modifier le taux de closing indépendamment du marketing. Le MMM doit être construit avec les métiers, pas seulement avec des données média.

Sa quatrième limite est la tentation politique. Un MMM peut devenir un instrument de pouvoir si chaque équipe cherche à faire reconnaître la contribution de son canal. L’analyste MMM doit donc protéger l’intégrité méthodologique : documentation des hypothèses, tests de sensibilité, intervalles de confiance, comparaison avec les résultats d’expériences, transparence sur les limites. Un modèle qui fournit des chiffres trop précis sans incertitude apparente est dangereux. Il vaut mieux une fourchette robuste qu’un faux point exact.

Enfin, le MMM ne doit pas être utilisé pour justifier des décisions que l’organisation voulait déjà prendre. S’il conclut systématiquement que les gros canaux historiques sont les plus efficaces, il faut vérifier si le modèle ne reflète pas simplement l’absence de variation ou le poids des habitudes. S’il conclut que tous les leviers émergents sont inefficaces, il faut se demander si l’horizon d’effet, les variables d’attention ou les signaux intermédiaires sont correctement intégrés.

Conclusion : remplacer l’attribution quand la décision exige une preuve causale

Le bon critère n’est pas technologique, mais décisionnel. L’attribution doit être remplacée ou complétée par l’incrémentalité dès que l’entreprise cherche à savoir non pas qui a touché la conversion, mais ce qui a réellement changé le résultat. Tant que la décision concerne une optimisation tactique dans un environnement traçable, l’attribution reste utile. Dès que la décision engage des budgets importants, des canaux amont, des effets différés, des arbitrages de marge ou des choix de mix média, elle devient insuffisante.

Une feuille de route actionnable peut se structurer en sept étapes. Premièrement, auditer les modèles d’attribution existants : fenêtres, règles de déduplication, conversions plateformes, biais last click, périmètre de tracking. Deuxièmement, classer les canaux par rôle économique : création de demande, considération, capture, conversion, fidélisation. Troisièmement, identifier les zones de risque où le ROAS attribué peut surestimer l’effet réel : retargeting, search marque, affiliation promotionnelle, CRM fortement sollicité. Quatrièmement, lancer des tests d’incrémentalité sur les décisions les plus contestées ou les budgets les plus élevés. Cinquièmement, construire ou actualiser un MMM avec des données média, business et externes suffisamment documentées. Sixièmement, relier MMM, tests et attribution dans une gouvernance commune, avec des seuils de décision explicites. Septièmement, piloter les réallocations sur le ROAS marginal, la contribution incrémentale, la marge et la qualité client, pas seulement sur le coût par conversion attribuée.

Le rôle de l’analyste MMM est donc moins de remplacer un dashboard par un autre que de changer la nature du débat. La question n’est plus quel canal revendique le plus de conversions, mais quel investissement crée le plus de valeur additionnelle, à quel horizon, avec quel niveau d’incertitude et sous quelles conditions de saturation. Dans un marketing où les signaux individuels deviennent plus rares et plus biaisés, cette bascule est stratégique. Les organisations qui sauront articuler attribution, tests et MMM ne mesureront pas seulement mieux ; elles investiront avec une compréhension plus juste de la causalité marketing.