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. Alors que les parcours consommateurs deviennent de plus en plus fragmentés et que les réglementations sur la confidentialité évoluent, les méthodes de mesure traditionnelles sont souvent insuffisantes.

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 cet article, 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 les performances par État, pays ou points de vente, Meridian prend en charge des modèles hiérarchiques. Les régions partagent une puissance statistique, ce qui améliore la précision des prévisions et permet d’obtenir des insights plus granulaires, y compris pour les régions disposant de peu de données.

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

Au lieu de supposer une base de référence plate, 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 liées au temps, en veillant à ce que les effets des médias 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 au fil du 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 de Google Query Volume (GQV) et des données de portée/fréquence

Vous pouvez enrichir votre modèle avec Google Query Volume (GQV) pour contrôler l’intérêt organique et avec les données de portée/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 personnalisation

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

• Ajuster les a priori 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 (p. ex. BigQuery, S3)

C’est idéal pour les équipes qui veulent 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’analytique, 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 du GPU (comme NVIDIA T4 ou V100) est recommandée pour de meilleures performances, mais les environnements uniquement CPU 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 comprend du code, des échantillons de données et des exemples détaillés.

Chargement du jeu de données

Cette section définit la structure de votre jeu de données en associant vos colonnes de médias, de dépenses et de contrôle aux entrées MMM appropriées.

• channels répertorie les principaux canaux médias que vous analysez (p. ex., Channel0, Channel1, Channel2).
• CoordToColumns indique à Meridian comment interpréter votre jeu de données : quelles colonnes représentent les impressions média, les dépenses média, les variables de contrôle, les données de portée/fréquence et le KPI (comme les conversions).
• Les dictionnaires *_to_channel relient les noms de colonnes de vos données brutes à leurs noms de canaux logiques, 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 à l’aide des 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 (p. ex. lesquelles correspondent aux médias, aux contrôles, etc.).
• Les correspondances media_to_channel et media_spend_to_channel garantissent que chaque métrique média est correctement associée 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 réel du modèle bayésien 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 ajuster 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 fonctionné correctement. 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).

Comparer les 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 pour chaque paramètre (comme 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.

Mesures R², 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 R² pour chaque région ou au global.
• Ces métriques vous aident à évaluer avec quelle précision 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 des KPI et les valeurs prédites par le modèle.

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

Si les courbes s’alignent étroitement, cela signifie que votre modèle ajuste bien les 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 précieuses sur la performance des médias.

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 rendement supplémentaire généré pour chaque dollar additionnel dépensé. Il indique l’efficacité de chaque dépense supplémentaire.

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 couverture 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 en se basant sur les 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, basée sur l’optimisation du modèle, visant à maximiser le ROI tout en tenant compte des rendements décroissants.

Dans le graphique suivant, chaque barre représente la variation des dépenses pour 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 marketing mix, idéale pour les organisations axées sur le numérique 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 open-source complet grâce à 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 la spécification 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 efforts marketing sur différents canaux (TV, recherche, réseaux sociaux, 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 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 des performances média. Il intègre également Google Query Volume (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 de s’intégrer à 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. Quel type 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 par baseline et par 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 couverture et de fréquence. Il fournit également des rapports d’optimisation du budget.

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 les performances entre États, pays ou emplacements de magasins. Cette fonctionnalité améliore la précision des prévisions et fournit des insights plus granulaires, même pour les régions disposant de données limitées.

8. Quels diagnostics de convergence sont disponibles dans Meridian ?

Meridian fournit des diagnostics de 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 afin d’évaluer l’ajustement du modèle.