Qu'est-ce que le MMM et pourquoi est-ce important pour les marketeurs ?

Le MMM (Marketing or Media Mix Modeling) est une méthodologie axée sur les données qui permet aux entreprises d'identifier et de mesurer l'impact de leurs campagnes marketing sur plusieurs canaux. L'objectif du MMM est d'aider les entreprises à prendre des décisions éclairées concernant leurs stratégies publicitaires et marketing. En analysant les données de divers canaux tels que la télévision, les réseaux sociaux, l'e-mailing et bien plus encore, le MMM peut déterminer quels canaux contribuent le plus aux ventes et aux autres résultats commerciaux. En incluant des événements et des indicateurs externes, les décideurs peuvent mieux comprendre l'impact des facteurs extérieurs (comme les jours fériés, la conjoncture économique ou la météo) et éviter de surévaluer accidentellement l'impact des seules dépenses publicitaires.

Grâce au MMM, les entreprises peuvent identifier les canaux marketing qui génèrent le plus d'engagement, de ventes ou de revenus. Ces informations peuvent être utilisées pour optimiser les budgets marketing et allouer des ressources aux canaux les plus efficaces. Par exemple, supposons qu'une entreprise mène des campagnes marketing sur différents canaux, tels que les réseaux sociaux, l'e-mailing, les publicités télévisées, etc. Cependant, l'équipe marketing ne sait pas exactement quel canal génère le ROI le plus élevé. C'est là que le MMM s'avère très utile. En analysant les données agrégées de tous ces canaux, un modèle puissant peut aider l'entreprise à identifier les campagnes qui génèrent le plus de revenus, ainsi que les canaux qui offrent le retour sur investissement publicitaire le plus efficace, lui permettant ainsi d'optimiser ses stratégies publicitaires de manière performante. Cela permet à l'entreprise d'optimiser ses efforts marketing et d'orienter son budget dans la bonne direction.

Depuis des années, le MMM est un outil très puissant et considéré comme un véritable atout, offrant aux entreprises avisées l'avantage nécessaire pour garder une longueur d'avance sur la concurrence. En exploitant la puissance de la prise de décision basée sur les données, le MMM permet aux entreprises de réaliser des investissements intelligents dans leurs stratégies marketing, garantissant que chaque dollar est dépensé au bon endroit, au bon moment et de la bonne manière. Cela se traduit par des résultats probants, allant d'un engagement client accru et d'une hausse des ventes à un retour sur investissement élevé.

L'évolution du MMM

Le MMM existe depuis des décennies et a toujours été un outil puissant pour mesurer l'efficacité des campagnes marketing. Le modèle peut prendre en compte divers facteurs tels que la saisonnalité, l'activité de la concurrence et les tendances macroéconomiques afin de fournir une vue holistique de l'impact global des activités marketing. Cependant, ces dernières années, le MMM a été quelque peu éclipsé par l'MTA (Multi-Touch Attribution), qui offre une approche d'attribution plus granulaire en suivant les utilisateurs individuels à travers plusieurs points de contact. Grâce à l'MTA, les spécialistes du marketing peuvent voir quels points de contact spécifiques génèrent des conversions pour les utilisateurs individuels et allouer le budget en conséquence. Ce niveau de granularité a fait de l'MTA un choix populaire pour de nombreux spécialistes du marketing, en particulier dans le marketing digital.

Mais avec les nouvelles réglementations sur la confidentialité, telles que le GDPR (General Data Protection Regulation) et le CCPA (California Consumer Privacy Act), le suivi basé sur les cookies dont dépend l'MTA devient plus difficile. Cela signifie que le MMM, qui utilise des données agrégées plutôt que des données au niveau de l'utilisateur, connaît aujourd'hui un nouvel élan.

Alors, vous vous demandez peut-être quel outil choisir pour mesurer l'efficacité de votre marketing. Pour faire votre choix entre les deux, plusieurs facteurs sont à prendre en compte en faveur du MMM. L'une des options à envisager est de choisir le MMM lorsque tout ou partie de vos données est pré-agrégée. Un autre facteur est de savoir si vos efforts marketing impliquent à la fois des canaux en ligne et hors ligne. C'est de plus en plus important à l'ère du numérique, où les frontières entre marketing en ligne et hors ligne sont souvent floues. Enfin, si vous disposez d'informations externes pertinentes pour vos efforts marketing, telles que des résultats de tests géographiques, le MMM peut vous aider à intégrer ces données dans votre modèle.

Avantages du MMM
Tout d'abord, l'analyse basée sur le MMM peut intégrer l'impact des canaux hors ligne, tels que la télévision, la presse écrite, la radio ou la publicité OOH (Out-Of-Home), qu'il est impossible de suivre avec des cookies. Certaines techniques de modélisation plus avancées ont même la capacité d'intégrer l'effet d'entonnoir, qui décrit la manière dont les différents canaux fonctionnent ensemble, ainsi que des effets multiplicatifs tenant compte de l'impact synergique de ces canaux. De plus, il peut fournir des informations sur l'impact à plus long terme des activités marketing, ce que l'MTA peut manquer. Le MMM est considéré comme plus évolutif et peut être utilisé pour mesurer l'impact des activités marketing sur de vastes zones géographiques ou même des pays entiers.

De plus, le MMM peut aider les entreprises à se conformer aux réglementations sur la confidentialité en utilisant des données agrégées plutôt que des données d'utilisateurs individuels. Cela signifie que les entreprises peuvent toujours mesurer l'efficacité de leurs activités marketing sans compromettre la confidentialité des utilisateurs.

Dans cet article de blog, nous explorerons les principales fonctionnalités du MMM et verrons comment la plateforme Databricks Lakehouse peut aider les entreprises à concevoir une solution de MMM moderne, robuste et évolutive.

Surmonter les défis courants

Le MMM est développé par une grande variété d'acteurs, des cabinets de conseil aux annonceurs, en passant par les éditeurs de logiciels. Alors que les entreprises continuent de chercher des moyens d'optimiser leurs dépenses marketing, le MMM est devenu une méthode de plus en plus populaire pour mesurer le ROI. Cependant, la mise en œuvre d'une solution de MMM évolutive et robuste peut s'avérer difficile. Dans cette section, nous abordons certains des défis courants auxquels les entreprises sont confrontées lors de la création d'une solution évolutive. Dans cette section, nous abordons certains des défis courants.

L'un des défis les plus importants dans la création d'une solution de MMM réside dans les sources de données en amont. L'équipe de science des données et de machine learning doit assembler des flux de données provenant de différentes sources pour les données du MMM, y compris des données tierces comme les données économétriques, qui manquent de méthodes de collecte standardisées. De plus, les sources de données sont souvent dispersées dans divers endroits tels que des bases de données héritées, Hive, des fichiers plats SFTP et d'autres sources, ce qui rend difficile l'obtention des données nécessaires. En outre, les données doivent être actualisées manuellement chaque mois, ce qui peut s'avérer fastidieux et chronophage.

L'absence de données constitue un autre obstacle à l'obtention de résultats de MMM précis. Par exemple, il est fréquent que l'ingestion de données économiques et de données sur les médias traditionnels/hors ligne soit manquante, ce qui peut nuire considérablement à la précision des résultats. Ce défi peut être particulièrement prononcé pour les entreprises présentes dans plusieurs pays, où les réglementations peuvent imposer des restrictions sur la collecte et le partage des données. À l'ère moderne de l'AI, la solution de MMM, qui est une forme de modèle de machine learning, n'est pas exempte des défis et des risques associés au domaine émergent de l'AI. Le suivi de la lignée des sources de données jusqu'aux modèles, de l'ingestion jusqu'au tableau de bord d'analyse, peut représenter un obstacle majeur pour les approches traditionnelles, ce qui rend difficile le maintien de la transparence et de la responsabilité.

De plus, l'existence de silos d'équipes peut entraver la création d'une solution de MMM évolutive. La construction des modèles se fait souvent dans des environnements cloisonnés, ce qui crée des barrières entre les équipes, tant horizontalement (entre les domaines techniques et fonctionnels) que verticalement (à travers les niveaux organisationnels, les marques, les catégories et les unités commerciales). L'absence de méthodes de contrôle de version pour les modèles, le code et les données peut entraîner des incohérences et des inexactitudes au sein de la solution de MMM. De plus, un code hérité lourd peut rendre la solution difficile à maintenir et à mettre à jour, ce qui nécessite d'importants efforts de refactorisation. En outre, les processus manuels sont fréquents et l'analyse est généralement effectuée de manière ponctuelle tous les quelques mois, ce que des personnes ou de petites équipes doivent répéter au lieu de l'intégrer dans un pipeline DSML plus automatisé, reproductible et fiable.

Enfin, la publication des données et le partage des analyses sont souvent retardés et nécessitent une intégration distincte. Cela peut compliquer la prise de décisions rapides et éclairées par les parties prenantes, entraînant de nouveaux retards, des opportunités manquées et un manque d'agilité pour réagir dans un environnement économique de plus en plus rapide et dynamique, en particulier lorsque les concurrents avancent à la vitesse de la lumière. De nombreuses solutions de MMM existantes manquent également de la flexibilité et de la protection de la vie privée nécessaires pour collaborer efficacement avec les clients et les partenaires.

Par conséquent, les entreprises doivent adopter une approche globale et méticuleuse pour mettre en œuvre le MMM à l'ère de l'AI, en tenant compte des défis et des risques uniques associés à la technologie DSML.

Construisez votre solution de MMM évolutive et flexible avec le Databricks Lakehouse

Schéma de référence

Le Databricks Lakehouse est conçu pour fournir une plateforme unifiée permettant aux entreprises de concevoir des solutions de MMM modernisées, à la fois évolutives et flexibles.

L'un des avantages les plus importants du Lakehouse Databricks est sa capacité à unifier diverses sources de données en amont. Cela signifie que la plateforme peut rassembler différentes sources de données essentielles pour le MMM, telles que les données économétriques hors ligne, les données de campagnes médias et les données CRM, et les unifier en une source unique de vérité. C'est particulièrement utile dans le monde actuel axé sur les données, où les entreprises doivent gérer d'importants volumes de données provenant de différentes sources.

Un autre avantage clé du Lakehouse Databricks qui peut grandement bénéficier au MMM est la capacité à simplifier les pipelines de données. Après l'ingestion des données, le processus MMM nécessite la transformation de différents canaux marketing et l'analyse de leur impact sur les KPI, ce qui implique de gérer un large éventail de données provenant de diverses sources. Le Lakehouse peut automatiser l'ingestion, le traitement et la transformation des données, réduisant ainsi le temps et les efforts nécessaires pour gérer manuellement les pipelines de données. Cela garantit que les données sont livrées de manière incrémentielle, avec un suivi complet de la qualité des données.

De plus, le Lakehouse fournit un système de suivi du lignage qui permet d'établir le lignage de tous vos actifs de données (pas seulement les données elles-mêmes, mais aussi le code, les artefacts de modèle et les itérations de tâches), ce qui constitue un avantage significatif du Lakehouse Databricks. Il offre une transparence et une traçabilité complètes de l'utilisation des données, permettant aux entreprises de prendre des décisions basées sur les données en toute confiance. C'est particulièrement important dans le contexte du MMM, où la précision et la fiabilité des données sont cruciales pour comprendre l'impact des canaux marketing sur les ventes et réallouer le budget marketing.

Pour ce qui est de la phase de modélisation, l'un des principaux différenciateurs du Lakehouse Databricks réside dans ses puissantes capacités de DSML, qui sont particulièrement évidentes dans son ML Runtime de premier ordre et ses outils MLOps. Une tâche cruciale pour la modélisation MMM est le paramétrage préalable approfondi et la transformation des variables, qui nécessitent un grand nombre d'itérations. MLflow permet aux marketeurs de suivre la dérivation et la transformation de leurs variables indépendantes (features) et leur utilisation dans les modèles. De plus, le Feature Store Databricks encourage les meilleures pratiques en matière d'ingénierie des caractéristiques, en fournissant à l'équipe DSML les outils et l'infrastructure nécessaires pour créer, découvrir et réutiliser des caractéristiques. Cela simplifie le processus de modélisation et améliore la précision des prédictions pour les résultats commerciaux. Ces capacités permettent aux marketeurs d'exploiter pleinement et de manière transparente le potentiel de leurs données, favorisant ainsi des décisions marketing plus éclairées et efficaces.

À ce stade, il devrait être évident que Databricks apporte des gains d'efficacité considérables à l'équipe MMM ! Avec Databricks, même les data scientists travaillant sur un seul nœud peuvent distribuer le réglage et l'entraînement, exécuter simultanément plusieurs scénarios et configurations sur l'ensemble du cluster, et créer en parallèle des modèles indépendants pour différentes marques, catégories et zones géographiques, comme le montre la démonstration ci-dessous :

Le ML Runtime est un environnement ML entièrement géré, sécurisé et collaboratif qui renforce directement la productivité de l'équipe DS sans qu'elle ait besoin d'initialiser, de créer ou de maintenir son propre environnement DS. De plus, il favorise un flux de travail collaboratif en facilitant le partage simple des travaux, ce qui évite les approches incohérentes adoptées par différentes équipes. Une solution consiste à développer des mécanismes pour compléter les données manquantes, par exemple en s'approvisionnant sur une marketplace ou en stockant des données provenant de sources telles que Dun & Bradstreet, S&P, Edgar, des données météorologiques et des études de marché dans un emplacement bien organisé du Lakehouse. Cette approche peut éviter aux équipes de réinventer la roue en matière de données et de code, ce qui permet d'économiser du temps et des ressources. Cependant, il est essentiel de reconnaître que ce manque de réutilisation et le fait de réinventer la roue s'appliquent également au code et au reste du pipeline, ce qui rend nécessaire de déplacer le MMM vers des silos d'équipe pour accroître l'efficacité et minimiser les écarts.

La nature open source du Lakehouse offre l'environnement idéal pour exécuter toutes les bibliothèques open source populaires pour le MMM, telles que PyMC en Python et Robyn en R. Cette fonctionnalité permet aux utilisateurs de concevoir des solutions adaptées à leurs besoins spécifiques et d'éviter la dépendance vis-à-vis d'un fournisseur.

Enfin et surtout, DBSQL avec l'intégration BI et la marketplace Databricks permettent à l'équipe MMM de publier facilement les enseignements des modèles, réduisant ainsi le temps nécessaire pour faire passer les nouveaux projets de modélisation de la collecte de données à des insights exploitables pour les dirigeants. En consolidant et en standardisant l'ensemble des activités de données et d'IA, le Lakehouse s'impose comme le meilleur endroit pour concevoir non seulement une solution MMM, mais aussi toute autre solution de données et d'IA sur laquelle l'équipe travaillera aujourd'hui et demain.

Découvrez comment Databricks pour le Lakehouse peut vous aider à optimiser vos campagnes marketing sur plusieurs canaux grâce au MMM. Accéder à l'accélérateur de solution.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original