Guide Pratique De Meridian MMM : De Zéro À Expert

Dans le paysage numérique complexe d’aujourd’hui, comprendre le véritable impact de vos efforts marketing est plus crucial que jamais. À mesure que les parcours consommateurs deviennent de plus en plus fragmentés et que les réglementations sur la confidentialité évoluent, les méthodes de mesure traditionnelles montrent souvent leurs limites.

C’est là que Google Meridian intervient : il s’agit d’un framework avancé de Media Mix Modeling (MMM) open source, conçu pour aider les marketeurs et les data scientists à prendre des décisions plus intelligentes, guidées par les données. Que vous diffusiez des publicités à la télévision, sur le search, les réseaux sociaux ou YouTube, Meridian utilise une modélisation bayésienne avancée pour quantifier la contribution de chaque canal, et recommande même comment optimiser les budgets futurs.

Pour une introduction plus approfondie à Meridian, consultez nos articles de blog associés ici et ici.

Dans ce blog, je vais vous expliquer comment configurer Meridian et comment exécuter votre premier modèle à partir de vos propres données marketing.

Fonctionnalités clés et avantages de Meridian

Google Meridian est bien plus qu’un simple outil MMM open source : c’est un framework moderne, transparent et hautement personnalisable, conçu pour répondre aux défis actuels de la mesure marketing. Voici ce qui le distingue :

1. Inférence causale bayésienne

Meridian utilise des statistiques bayésiennes pour estimer l’impact causal de chaque canal marketing. Cette approche ne vous donne pas seulement un chiffre unique de ROI ; elle fournit plutôt une plage de résultats possibles, rendant vos estimations plus réalistes et plus fiables, surtout en situation d’incertitude.

2. Modélisation hiérarchique au niveau géographique

Que vous analysiez la performance par État, pays ou point de vente, Meridian prend en charge des modèles hiérarchiques. Les régions partagent une puissance statistique, ce qui améliore la précision des prévisions et permet des insights plus granulaires, y compris pour les régions disposant de données limitées.

3. Intercepts variables dans le temps pour la saisonnalité et la croissance

Au lieu de supposer une baseline constante, Meridian inclut des intercepts dynamiques qui s’adaptent au fil du temps. Cela prend en compte la saisonnalité, la croissance organique et d’autres tendances temporelles, afin que les effets média ne soient pas confondus avec les fluctuations naturelles de la performance de l’entreprise.

4. Modélisation de l’adstock et de la saturation

Les médias n’agissent pas instantanément, et les dépenses ont des limites. Meridian modélise les deux :

• Adstock : l’effet différé des dépenses média dans le temps
• Saturation : des rendements décroissants à mesure que vous dépensez davantage

Cela vous donne une vision bien plus réaliste de la performance média et du ROI.

5. Intégration du Google Query Volume (GQV) et des données de reach/fréquence

Vous pouvez enrichir votre modèle avec le Google Query Volume (GQV) pour contrôler l’intérêt organique, ainsi qu’avec les données de reach/fréquence YouTube afin de mieux modéliser l’efficacité des campagnes vidéo. Cela conduit à une attribution moins biaisée et à des décisions média mieux informées.

6. Entièrement open source et personnalisable

La nature open source de Meridian signifie que vous gardez le contrôle. Vous pouvez :

• Ajuster les priors et la structure du modèle
• Modifier les distributions des effets média
• Ajouter vos propres variables de contrôle ou votre logique métier
• Intégrer des pipelines de données personnalisés (par ex. BigQuery, S3)

C’est idéal pour les équipes qui recherchent de la flexibilité et de la transparence dans leurs mesures.

7. Optimisation du budget intégrée

Une fois le modèle entraîné, Meridian peut recommander comment réallouer votre budget entre les canaux afin de maximiser les conversions ou le ROI, tout en respectant les effets de saturation. Ce n’est pas seulement de l’analytics, c’est un support de planification actionnable.

Installer Google Meridian

Avant d’installer, assurez-vous d’utiliser Python 3.11 ou 3.12. La prise en charge GPU (comme NVIDIA T4 ou V100) est recommandée pour de meilleures performances, mais les environnements CPU-only sont également pris en charge.

Installer via pip :

Exécuter Google Meridian

Pour une analyse plus approfondie et une mise en œuvre complète, nous vous recommandons de consulter notre repository. Il inclut du code, des échantillons de données et des exemples détaillés.

Charger le jeu de données

Cette section définit la structure de votre jeu de données en associant vos colonnes media, spend et control aux entrées MMM appropriées.

• channels liste les principaux canaux media que vous analysez (par ex., Channel0, Channel1, Channel2).
• CoordToColumns indique à Meridian comment interpréter votre jeu de données : quelles colonnes représentent les impressions media, les dépenses media, les contrôles, les données de reach/frequency et le KPI (comme les conversions).
• Les dictionnaires *_to_channel relient les noms de colonnes de vos données brutes à leurs noms logiques de canal, afin que Meridian sache comment les regrouper et les interpréter correctement, notamment pour la visualisation et l’attribution.

Cette section charge vos données marketing depuis un fichier CSV dans Meridian.

• CsvDataLoader lit le jeu de données en utilisant les correspondances de colonnes que vous avez définies précédemment.
• csv_path pointe vers l’emplacement de votre fichier CSV.
• coord_to_columns indique à Meridian comment interpréter chaque colonne (par ex. lesquelles sont media, contrôles, etc.).
• Les mappings media_to_channel et media_spend_to_channel garantissent que chaque métrique media est correctement reliée à son canal respectif.

Enfin, loader.load() charge les données dans un format que Meridian peut utiliser pour la modélisation.

Configurer le modèle

Ce bloc définit les hypothèses de modélisation et initialise le modèle Meridian.

• roi_rf_mu et roi_rf_sigma définissent la croyance a priori (moyenne et incertitude) concernant le retour sur investissement (ROI) pour les canaux utilisant des données de reach & frequency.
• Une distribution log-normale est utilisée pour l’a priori, ce qui est courant pour modéliser le ROI puisqu’il est toujours positif et souvent asymétrique.
• ModelSpec contient cette configuration a priori.
• Enfin, Meridian() initialise le modèle en utilisant le jeu de données chargé (data) et vos a priori spécifiés.

Cette étape prépare le modèle à l’entraînement en fonction de vos attentes métier et de la structure des données.

Cette section exécute le processus d’échantillonnage du modèle afin d’estimer l’impact média à l’aide de l’inférence bayésienne.

• sample_prior(500) tire 500 échantillons de la distribution a priori — utile pour vérifier si vos hypothèses a priori sont raisonnables avant l’entraînement.
• sample_posterior(...) exécute l’ajustement du modèle bayésien à proprement parler à l’aide de Markov Chain Monte Carlo (MCMC) :
  • n_chains=4: exécute 4 chaînes d’échantillonnage en parallèle
  • n_adapt=500: étapes d’adaptation pour régler l’échantillonneur
  • n_burnin=500: échantillons de burn-in (ignorés dans les résultats finaux)
  • n_keep=1000: nombre d’échantillons a posteriori à conserver
  • seed=1: garantit la reproductibilité

C’est ici que le modèle apprend les relations entre les dépenses, les impressions et les conversions.

Analyse des résultats

Convergence du modèle

Ce bloc vérifie les diagnostics de convergence de votre modèle afin de s’assurer que l’échantillonnage a correctement fonctionné. ModelDiagnostics(mmm) crée un objet de diagnostic basé sur votre modèle entraîné et plot_rhat_boxplot() visualise les valeurs de R-hat (un indicateur clé de convergence pour l’échantillonnage MCMC).

Comparaison des distributions a priori et a posteriori

Cette étape visualise la différence entre vos hypothèses a priori et les résultats a posteriori après l’entraînement.

• plot_prior_and_posterior_distribution() compare les distributions de chaque paramètre (comme le ROI) avant et après que le modèle a vu vos données.
• Cela vous aide à comprendre dans quelle mesure les données ont influencé les croyances du modèle, et si vos a priori étaient trop forts ou trop vagues.

C’est un excellent moyen de vérifier si le modèle apprend des données de manière significative.

Indicateurs R-carré, MAPE et wMAPE

Cette partie évalue dans quelle mesure le modèle s’ajuste à vos données en générant un tableau de précision prédictive.

• predictive_accuracy_table()affiche des métriques comme l’erreur absolue moyenne (MAE) et le R-carré pour chaque région ou au global.
• Ces métriques vous aident à évaluer la précision avec laquelle le modèle prédit votre KPI (p. ex. les conversions) à partir des entrées média.

Utilisez cette étape pour vérifier si votre modèle est performant et prêt pour l’interprétation ou l’optimisation.

Ajustement du modèle

Ce bloc crée une comparaison visuelle entre les valeurs réelles du KPI et les valeurs prédites par le modèle.

• plot_model_fit() génère un graphique en courbes qui superpose les conversions prédites (ou le chiffre d’affaires) par le modèle aux données réellement observées au fil du temps.
• Cela vous aide à évaluer visuellement dans quelle mesure le modèle suit la performance réelle de votre entreprise.

Si les courbes s’alignent étroitement, cela signifie que votre modèle s’ajuste bien aux données.

Générer le rapport HTML des résultats

Pour générer un rapport HTML de deux pages, essayez l’exemple suivant où filepath est le chemin où vous souhaitez enregistrer le fichier HTML

Voici des exemples de visualisations générées automatiquement par Meridian dans le cadre de son rapport HTML. Ces graphiques fournissent des informations puissantes sur la performance média.

Le premier graphique montre la répartition du KPI entre la baseline et l’ensemble des canaux marketing.

Le graphique ci-dessous compare le ROI de chaque canal média à son efficacité, mesurée comme le résultat incrémental par impression. Chaque bulle représente un canal, et sa taille indique la dépense média totale, ce qui permet de comprendre visuellement quels canaux offrent le meilleur retour à grande échelle.

Pour le graphique ci-dessous, le ROI marginal mesure le retour additionnel généré pour chaque dollar supplémentaire dépensé. Il indique l’efficacité de chaque dépense additionnelle.

Le graphique suivant montre les intervalles de crédibilité des ROI pour les canaux.

Les courbes de réponse suivantes sont construites à partir des schémas historiques de diffusion média et illustrent l’impact incrémental total sur le KPI à mesure que les dépenses média s’accumulent sur la période sélectionnée.

Enfin, le modèle génère le graphique des données de reach et de fréquence, lorsqu’elles sont disponibles ; le graphique suggère le niveau de fréquence optimal qui maximise le ROI pour le canal donné. Dans l’exemple considéré, le modèle nous suggère de maintenir une moyenne hebdomadaire de 1,6 impressions afin de maximiser le ROI pour Channel3.

Optimisation du budget et génération du rapport

Cette étape exécute l’optimisation du budget à partir des résultats de votre modèle.

• BudgetOptimizer(mmm) initialise l’optimiseur à l’aide de votre modèle entraîné.
• optimize(use_kpi=True) calcule comment réallouer votre budget média afin de maximiser votre KPI cible (comme les conversions ou le chiffre d’affaires), tout en tenant compte des rendements décroissants et des performances historiques. Dans l’exemple présent, le KPI correspond aux conversions.

C’est ici que Meridian transforme les insights en recommandations actionnables.

Et enfin, pour afficher le HTML du rapport budgétaire, nous procédons comme suit

Le graphique ci-dessous visualise l’allocation budgétaire recommandée entre les canaux sur la base de l’optimisation du modèle, en visant à maximiser le ROI tout en tenant compte des rendements décroissants.

Dans le graphique suivant, chaque barre représente la variation des dépenses d’un canal après optimisation. Les valeurs positives indiquent une augmentation du budget par rapport à l’allocation initiale, tandis que les valeurs négatives suggèrent une réduction des dépenses.

Dans le graphique ci-dessous, la barre la plus à gauche représente le KPI incrémental avant optimisation, tandis que les autres barres montrent la variation du KPI incrémental pour chaque canal en fonction des niveaux de dépenses optimisés. La barre la plus à droite affiche le KPI incrémental total obtenu après optimisation.

Résumé

Google Meridian représente une approche moderne, flexible et ouverte de la modélisation du mix marketing, idéale pour les organisations axées sur le digital et disposant de ressources analytiques.

Principaux atouts :

• Inférence causale bayésienne pour une estimation robuste
• Modélisation géo-hiérarchique pour une granularité régionale
• Ajustement de la saisonnalité et de la croissance via des intercepts variant dans le temps
• Modélisation de l’adstock et de la saturation pour des courbes de réponse réalistes
• Intégration des données de recherche et de reach/fréquence (p. ex., GQV, YouTube)
• Contrôle entièrement open source via une base de code Python ouverte
• Optimisation budgétaire actionnable intégrée au workflow

Mettre Meridian en place et le faire fonctionner implique de l’installer via PyPI, de préparer et charger les données, de configurer les spécifications de votre modèle, d’exécuter l’échantillonnage MCMC et de visualiser les résultats. Les notebooks Colab de Google et les plateformes de données (Cortex, MMM Data Platform) aident à rationaliser ce processus.

Si vous développez des capacités MMM et utilisez déjà Google Ads, YouTube ou BigQuery, ou si vous souhaitez simplement plus de flexibilité et de contrôle que les solutions prêtes à l’emploi, Meridian vaut vraiment la peine d’être exploré.

FAQ

1. Qu’est-ce que Google Meridian ?

Google Meridian est un framework avancé de Marketing Mix Modeling (MMM) open source, conçu pour aider les marketeurs et les data scientists à mesurer le véritable impact de leurs actions marketing sur différents canaux (TV, search, social, YouTube) et à optimiser l’allocation des budgets futurs.

2. En quoi Meridian diffère-t-il des outils MMM traditionnels ?

Meridian se distingue par l’utilisation de l’inférence causale bayésienne pour des estimations de ROI plus fiables, une modélisation hiérarchique au niveau géographique pour des insights plus granulaires, des intercepts variables dans le temps pour tenir compte de la saisonnalité, ainsi qu’une modélisation intégrée de l’adstock et de la saturation pour une vision réaliste de la performance média. Il intègre également les volumes de requêtes Google (GQV) et des données de reach/fréquence pour une attribution moins biaisée.

3. Google Meridian est-il open source ?

Oui, Google Meridian est entièrement open source. Cela permet aux utilisateurs de personnaliser la structure du modèle, d’ajuster les priors, de modifier les distributions des effets média, d’ajouter des variables de contrôle et d’intégrer des pipelines de données personnalisés comme BigQuery ou S3.

4. Quelles sont les exigences système pour installer Google Meridian ?

Google Meridian nécessite Python 3.11 ou 3.12. Bien que les environnements uniquement CPU soient pris en charge, le support GPU (par ex. NVIDIA T4 ou V100) est recommandé pour de meilleures performances. Étant donné que Meridian est implémenté avec Tensorflow (Tensorflow Probability), l’utilisation d’un GPU peut réduire considérablement le temps d’exécution.

5. Comment Meridian aide-t-il à l’optimisation du budget ?

Après l’entraînement du modèle, Meridian peut recommander comment réallouer votre budget marketing entre différents canaux afin de maximiser les conversions ou le ROI, en tenant compte des effets de saturation et des performances historiques. Meridian n’effectue pas de prédiction ni de prévision. Par conséquent, il n’est pas conçu pour optimiser les allocations de dépenses futures.

6. Quels types de rapports et de visualisations Meridian génère-t-il ?

Meridian génère automatiquement un rapport HTML de deux pages avec diverses visualisations, notamment des ventilations des KPI entre baseline et canaux marketing, des graphiques ROI vs efficacité, des graphiques de ROI marginal, des intervalles de crédibilité pour les ROI, des courbes de réponse et des suggestions de niveau de fréquence optimal basées sur les données de reach et de fréquence. Il fournit également des rapports d’optimisation budgétaire.

7. Meridian peut-il être utilisé pour des régions géographiques spécifiques ?

Oui, Meridian prend en charge la modélisation hiérarchique au niveau géographique, ce qui vous permet d’analyser la performance par État, pays ou point de vente. Cette fonctionnalité améliore la précision des prévisions et fournit des insights plus granulaires, y compris pour les régions disposant de données limitées.

8. Quels diagnostics de convergence sont disponibles dans Meridian ?

Meridian fournit des diagnostics du modèle tels que des boxplots de R-hat pour vérifier la convergence de l’échantillonnage, ainsi que des visualisations pour comparer les distributions a priori et a posteriori. Il génère également des tableaux de précision prédictive avec des métriques comme le R-carré, le MAPE et le wMAPE pour évaluer l’ajustement du modèle.