La modélisation du mix marketing (MMM) est une technique d'analyse statistique qui mesure l'impact des campagnes et des activités marketing pour orienter les décisions de planification budgétaire et améliorer l'efficacité globale des médias. Elle utilise des données globales pour mesurer l'impact sur les différents canaux marketing et pour tenir compte des facteurs non marketing qui influent sur les revenus et d'autres indicateurs clés de performance (KPI). La MMM respecte la confidentialité et n'utilise aucun cookie ni aucune information au niveau de l'utilisateur.
Meridian est un framework de MMM qui permet aux annonceurs de configurer et d'exécuter leurs propres modèles internes. Meridian vous aide à répondre à des questions clés telles que :
- Quel a été l'impact des canaux marketing sur mes revenus ou d'autres KPI ?
- Quel a été mon retour sur investissement (ROI1) marketing ?
- Comment optimiser la répartition de mon budget marketing à l'avenir ?
Meridian est un framework de modélisation hautement personnalisable basé sur l'inférence causale bayésienne. Il est capable de gérer des données géographiques à grande échelle, ce qui est recommandé si de telles données sont disponibles, mais il peut également être utilisé pour la modélisation au niveau national. Meridian fournit des visualisations et des insights clairs pour aider les entreprises à prendre des décisions concernant leur budget et leur planification marketing. De plus, Meridian propose des méthodologies permettant de calibrer la MMM avec des tests et d'autres informations a priori, et d'optimiser la fréquence cible des annonces en utilisant les données de couverture et de fréquence.
Principales fonctionnalités
Meridian est compatible avec tous les principaux cas d'utilisation de MMM et fournit des méthodologies de modélisation et d'optimisation. Pour en savoir plus sur les méthodologies Meridian, consultez les sections Spécifications du modèle et Le modèle Meridian.
Voici les principales fonctionnalités :
Modélisation hiérarchique au niveau géographique : le modèle hiérarchique de Meridian au niveau géographique vous permet d'utiliser des données marketing au niveau géographique, qui contiennent potentiellement beaucoup plus d'informations sur votre efficacité marketing que les données au niveau national. Vous pouvez également examiner l'efficacité de vos actions marketing au niveau local ou régional. L'approche hiérarchique permet souvent d'obtenir des intervalles crédibles plus réduits pour des métriques comme le ROI. Pour en savoir plus, consultez Geo-level Bayesian Hierarchical Media Mix Modeling.
Meridian est compatible avec les modèles entièrement bayésiens comportant plus de 50 zones géographiques et 2 à 3 ans de données hebdomadaires qui utilisent Tensorflow Probability et son compilateur XLA. Le matériel GPU, disponible avec Google Colab Pro+ ou d'autres outils, peut optimiser encore davantage la vitesse.
L'approche standard au niveau national est possible si vous ne disposez pas de données au niveau géographique.
Intégration des connaissances préalables sur les performances média : le modèle bayésien de Meridian vous permet d'intégrer les connaissances existantes sur vos performances média à l'aide des priors de ROI. Dans ce modèle, le ROI est un paramètre de modèle qui peut utiliser n'importe quelle distribution a priori. Aucun calcul supplémentaire n'est nécessaire pour traduire les informations antérieures sur le ROI en paramètres de modèle. Les connaissances peuvent provenir de n'importe quelle source disponible, comme d'anciens tests, des résultats MMM antérieurs, l'expertise sectorielle ou des benchmarks du secteur.
La méthode bayésienne est flexible, car vous pouvez contrôler le degré d'influence des priors sur la distribution a posteriori. Les priors peuvent être utilisés pour estimer un paramètre lorsque le signal est faible dans les données actuelles. Meridian quantifie l'incertitude pour tous les paramètres du modèle, le ROI et le ROI marginal. Pour en savoir plus, consultez Calibration du modèle mix média avec des a priori bayésiens.
Prise en compte de la saturation des canaux média et des effets différés : la saturation et les effets différés pour les médias payants et naturels sont modélisés à l'aide de fonctions de transformation paramétrique. La saturation est modélisée à l'aide d'une fonction Hill, qui capture les rendements marginaux décroissants. Les effets différés sont modélisés à l'aide d'une fonction Adstock avec une décroissance géométrique. Meridian utilise les méthodes d'échantillonnage bayésiennes MCMC (Markov Chain Monte Carlo) pour estimer conjointement tous les paramètres du modèle, y compris ces paramètres de transformation. Pour en savoir plus, consultez Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects.
Utilisation facultative des données de couverture et de fréquence pour obtenir des insights supplémentaires : en plus des impressions, Meridian permet d'utiliser les données de couverture et de fréquence comme entrées de modèle pour obtenir des insights supplémentaires. La couverture correspond au nombre d'utilisateurs uniques ayant vu l'annonce au cours de chaque période, et la fréquence représente le nombre moyen d'impressions par utilisateur. Ces données permettent de mieux prédire les performances de chaque canal média en cas de variation des dépenses. Pour en savoir plus, consultez Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data.
Modélisation des canaux du bas de l'entonnoir (recherche sponsorisée, par exemple) : Meridian s'appuie sur la théorie de l'inférence causale pour faciliter une prise de décision rationnelle. Les hypothèses de modèle requises pour une inférence causale valide sont entièrement transparentes. Plus précisément, Meridian permet d'utiliser le Volume de requêtes Google (VRG) comme variable de contrôle pour mesurer l'impact de la recherche sponsorisée.
Optimisation du budget média : la phase d'optimisation détermine la répartition optimale du budget entre les différents canaux en fonction de votre budget global. Meridian peut également suggérer le budget global optimal en fonction de vos objectifs publicitaires. De plus, il propose une optimisation de la fréquence pour tous les canaux disposant de données de couverture et de fréquence.
Estimation à l'aide de scénarios possibles : grâce à votre modèle ajusté, vous pouvez estimer quel aurait été votre ROI selon différents scénarios média hypothétiques, par exemple en augmentant ou diminuant les dépenses publicitaires sur un canal spécifique, ou en effectuant une nouvelle répartition du budget entre les canaux.
Évaluation et indication de la qualité d'ajustement du modèle : Meridian génère des statistiques sur l'ajustement du modèle, à la fois dans l'échantillon et en dehors. Vous pouvez les utiliser pour comparer différentes configurations de modèle, telles que les distributions a priori et les paramétrisations.
Inclusion facultative de variables de traitement non média : les traitements non média, tels que les modifications de prix et les promotions, peuvent être inclus pour estimer l'efficacité des actions marketing non média.
-
"ROI" et "ROAS incrémentiel" sont utilisés de manière interchangeable dans les documents. Ils désignent tous deux la mesure du retour sur investissement incrémentiel. ↩