Qu'est-ce qu'un MMM et pourquoi est-ce important pour les responsables marketing ?

Le MMM (Marketing Mix Modeling ou Modélisation du Mix Média) est une méthodologie data-driven qui permet aux entreprises d'identifier et de mesurer l'impact de leurs campagnes marketing sur plusieurs Canaux de distribution. L'objectif du MMM est d'aider les entreprises à prendre des décisions éclairées concernant leurs stratégies publicitaires et marketing. En analysant les données provenant de divers canaux tels que la télévision, les médias sociaux, l'e-mail marketing, etc., 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 (tels que les vacances, les conditions économiques 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 les ressources aux canaux les plus efficaces. Par exemple, imaginons qu'une entreprise ait mené des campagnes marketing sur différents canaux, tels que les réseaux sociaux, le marketing par e-mail, les publicités télévisées, etc. Cependant, l'équipe Marketing n'est pas certaine de savoir quel Canal de distribution offre le meilleur ROI. C'est là que le MMM s'avère utile. En analysant les données agrégées de tous ces Canaux de distribution, un modèle puissant peut aider l'entreprise à identifier les campagnes les plus génératrices de revenus, ainsi que les Canaux de distribution qui offrent le meilleur retour sur les dépenses publicitaires, lui permettant ainsi d'optimiser efficacement ses stratégies publicitaires. Cela permet à l'entreprise d'optimiser ses efforts marketing et d'allouer son budget dans la bonne direction.

Pendant des années, le MMM a été un outil très puissant, considéré comme révolutionnaire, donnant aux entreprises avisées l'avantage dont elles ont besoin pour rester en tête de la concurrence. En exploitant la puissance de la prise de décision data-driven, 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 plus élevé et d'une augmentation 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 concurrentielle et les tendances macroéconomiques pour fournir une vue d'ensemble de l'impact global des activités marketing. Cependant, ces dernières années, le MMM a été quelque peu éclipsé par le MTA (Multi-Touch Attribution), qui offre une approche plus granulaire de l'attribution en suivant les utilisateurs individuels sur plusieurs points de contact. Avec le MTA, les responsables 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 du MTA un choix populaire pour de nombreux responsables marketing, en particulier ceux du Marketing digital.

Mais avec les nouvelles réglementations sur la confidentialité, telles que le RGPD (Règlement général sur la protection des données) et le CCPA (California Consumer Privacy Act), le suivi basé sur les cookies sur lequel repose le MTA devient de plus en plus difficile. Cela signifie que le MMM, qui utilise des données agrégées plutôt que des données au niveau de l'utilisateur, bénéficie d'un nouvel élan pour s'imposer.

Vous vous demandez donc quel outil choisir pour mesurer l'efficacité marketing. Pour choisir entre les deux, plusieurs facteurs sont à prendre en compte pour la sélection du MMM. Une option à considérer est de choisir le MMM lorsque certaines ou toutes vos données sont pré-agrégées. Un autre facteur est de savoir si vos efforts Marketing impliquent des canaux de distribution en ligne et hors ligne. Ceci est de plus en plus important à l'ère digital actuelle, où les frontières entre le Marketing en ligne et hors ligne sont souvent floues. Enfin, si vous disposez d'informations externes pertinentes pour vos efforts marketing, telles que les résultats de géo-tests, 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 de distribution hors ligne, tels que la télévision, la presse écrite, la radio ou la publicité OOH (publicité extérieure), qu'il n'est pas possible de suivre avec des cookies. Certaines techniques de modélisation plus avancées peuvent même intégrer l'effet de funnel, qui décrit la manière dont les différents canaux fonctionnent ensemble, ainsi que les effets multiplicatifs qui tiennent compte de l'impact synergique de ces canaux. De plus, il peut fournir des insights sur l'impact à plus long terme des activités marketing, ce que le MTA pourrait ne pas prendre en compte. Le MMM est considéré comme plus évolutif et peut être utilisé pour mesurer l'impact des activités marketing sur de vastes zones géographiques, voire des pays entiers.

De plus, le MMM peut aider les entreprises à se conformer aux réglementations sur la protection de la vie privée 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 vie privée des utilisateurs.

Dans ce billet de blog, nous explorerons les fonctionnalités clés du MMM et comment la Databricks Lakehouse Platform peut aider les entreprises à créer une solution MMM moderne, robuste et évolutive.

Faire face aux défis courants

Le MMM est développé par diverses entreprises, des cabinets de conseil aux annonceurs, en passant par les éditeurs de solutions. 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 création d'une solution 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 MMM réside dans les sources de données en amont. L'équipe de science des données et de machine learning doit rassembler des flux de données provenant de différentes sources pour les données 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. De plus, les données doivent être actualisées manuellement chaque mois, ce qui peut être une tâche fastidieuse et chronophage.

Un autre obstacle à l'obtention de résultats MMM précis est l'absence de données. Par exemple, il est courant que l'ingestion des données économiques et les données des médias traditionnels/hors ligne soient manquantes, ce qui peut considérablement nuire 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'IA, la solution MMM, étant une forme de modèle de machine learning, n'est pas exempte des défis et des risques associés au domaine émergent de l'IA. Le suivi de la traçabilité des sources de données jusqu'aux modèles, de l'ingestion jusqu'au tableau de bord d'insight, peut constituer un obstacle majeur pour les approches traditionnelles, rendant difficile le maintien de la transparence et de la responsabilité.

De plus, l'existence de silos entre les équipes peut entraver la création d'une solution MMM évolutive. La création de modèles s'effectue souvent dans des environnements cloisonnés, ce qui crée des barrières entre les équipes, à la fois horizontalement, entre les domaines fonctionnels techniques et commerciaux, et 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 MMM. En outre, un code hérité difficile à gérer peut rendre la solution difficile à maintenir et à mettre à jour, nécessitant d'importants efforts de refactoring. De plus, des processus manuels sont souvent mis en place, et l'analyse est généralement effectuée comme une activité ponctuelle tous les quelques mois, que des individus ou de petites équipes doivent répéter au lieu de faire partie d'un pipeline DSML plus automatisé, reproductible et fiable.

Enfin, la publication des données et le partage des insights sont souvent retardés et nécessitent une intégration séparée. Il peut donc être difficile pour les parties prenantes de prendre rapidement des décisions éclairées, ce qui entraîne de nouveaux retards dans la prise de décision, des opportunités manquées et un manque d'agilité pour réagir dans un environnement économique de plus en plus rapide et dynamique, surtout lorsque les concurrents avancent à la vitesse de la lumière. De nombreuses solutions MMM existantes manquent également de la flexibilité et de la protection de la confidentialité 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'IA, en tenant compte des défis et des risques uniques associés à la technologie DSML.

Créez votre MMM évolutif et flexible avec Databricks Lakehouse

Diagramme de référence

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

L'un des avantages les plus significatifs de Databricks Lakehouse 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 des campagnes médiatiques et les données CRM, et les unifier en une source de vérité unique. Ceci est particulièrement utile dans le monde actuel data-driven, où les entreprises doivent gérer d'importants volumes de données provenant de différentes sources.

Un autre avantage clé du Databricks Lakehouse, qui peut grandement bénéficier au MMM, est la capacité de rationaliser les pipelines de données. Après l'ingestion des données, le processus MMM nécessite la transformation de divers canaux marketing et l'analyse de leur impact sur les KPI, ce qui implique le traitement d'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 monitoring complet de la qualité des données.

De plus, un avantage significatif du Databricks Lakehouse est qu'il fournit un système de suivi du lignage permettant d'établir la lignée de tous vos assets de données, ce qui inclut non seulement les données elles-mêmes, mais aussi le code, les artefacts de modèle et les itérations de jobs. Il offre une transparence et une traçabilité complètes de l'utilisation des données, permettant aux entreprises de prendre en toute confiance des décisions data-driven. Ceci est particulièrement important dans le contexte du MMM, où la précision et la fiabilité des données sont essentielles pour comprendre l'impact des canaux de distribution marketing sur les ventes et pour réallouer le budget marketing.

Passant à la phase de modélisation, l'un des principaux différenciateurs du Lakehouse Databricks réside dans ses puissantes fonctionnalités DSML, qui sont particulièrement évidentes dans ses outils MLOps et son ML Runtime de premier ordre. Une tâche cruciale pour la modélisation MMM est la définition approfondie des a priori et la transformation des variables, qui nécessitent un grand nombre d'itérations. MLflow permet aux responsables marketing de suivre la dérivation et la transformation de leurs variables indépendantes (caractéristiques) et leur utilisation dans les modèles. De plus, le Magasin de fonctionnalités de Databricks encourage les meilleures pratiques en matière d'ingénierie des caractéristiques, 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 des résultats commerciaux. Ces fonctionnalités permettent aux responsables marketing d'exploiter en toute transparence tout le potentiel de leurs données, favorisant ainsi des décisions Marketing plus éclairées et efficaces.

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

Le Runtime ML est un environnement ML entièrement managé, sécurisé et collaboratif qui exploite directement la productivité de l'équipe DS, sans que celle-ci ait besoin de démarrer, créer ou maintenir son propre environnement DS. De plus, il favorise un flux de travail collaboratif en facilitant le partage du travail, ce qui évite les approches incohérentes adoptées par les différentes équipes. Une solution consiste à développer des mécanismes pour renseigner les données manquantes, comme l'approvisionnement depuis une marketplace ou le stockage de données provenant de sources telles que Dun & Bradstreet, S&P, Edgar, les données météorologiques et les études de marché dans un emplacement bien organisé dans le Lakehouse. Cette approche peut éviter aux équipes de réinventer la roue en matière de données et de code, économisant ainsi du temps et des ressources. Cependant, il est essentiel de reconnaître que ce manque de réutilisation et cette tendance à 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 augmenter l'efficacité et minimiser les écarts.

La nature open source du Lakehouse fournit 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 créer des solutions qui répondent 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 insights du modèle, réduisant ainsi le temps nécessaire pour faire passer les nouveaux projets de modélisation de la collecte de données aux insights exploitables pour les dirigeants MMM. En consolidant et en standardisant toutes les activités de données et d'IA, le Lakehouse constitue l'endroit idéal pour créer 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 for Lakehouse peut vous aider à optimiser les campagnes marketing sur plusieurs canaux de distribution avec le MMM. Accéder à l'accélérateur de solution.