Le modèle prend une série temporelle de ventes, généralement hebdomadaire sur deux à trois ans, et cherche à l'expliquer par un ensemble de variables : dépenses par canal, prix pratiqués, promotions, saisonnalité, jours fériés, activité concurrentielle, et tout facteur externe pertinent pour le secteur. La régression attribue à chaque variable une part de la variation observée.
Deux mécanismes distinguent un modèle sérieux d'une régression naïve.
Le report dans le temps. Une campagne télévisée diffusée en semaine 12 produit encore des ventes en semaine 14. Le modèle intègre cette décroissance progressive, souvent appelée adstock, et l'estime canal par canal : elle est longue pour une campagne de notoriété, très courte pour une annonce de recherche.
La saturation. Le dixième millier d'euros investi sur un canal ne rapporte pas autant que le premier. La courbe de rendement s'aplatit, et c'est précisément sa forme qui permet de répondre à la question que tout le monde pose : à partir de quel montant ce canal cesse-t-il d'être rentable ?
La sortie du modèle est une décomposition. Sur cent unités de vente, une part revient à ce qui se serait produit sans aucun marketing, appelée la base, et le reste se répartit entre les canaux. À cette décomposition s'ajoutent des courbes de réponse qui permettent de simuler des réallocations de budget.
Ces trois approches répondent à trois questions différentes, et les opposer n'a pas de sens.
| Critère | Attribution | MMM | Test d'incrémentalité |
|---|---|---|---|
| Unité d'analyse | L'individu | La semaine, le marché | Le groupe exposé et le témoin |
| Question traitée | Quels points de contact ont précédé l'achat | Combien chaque canal contribue aux ventes | Que se passe-t-il si je coupe ce canal |
| Canaux couverts | Numériques mesurables | Tous, y compris hors ligne | Celui qu'on teste |
| Sensible au consentement | Oui, fortement | Non | Non |
| Granularité | Campagne, mot-clé, création | Canal, parfois sous-canal | Canal ou zone géographique |
| Horizon de décision | Quotidien | Trimestriel, annuel | Ponctuel |
La pratique recommandée est la triangulation. Le MMM donne la répartition d'ensemble et les courbes de saturation, le test d'incrémentalité valide causalement un effet sur un canal donné, et l'attribution reste l'outil du pilotage quotidien. Quand les trois convergent, la décision est solide. Quand elles divergent, c'est le désaccord lui-même qui est informatif : il pointe presque toujours un canal dont la contribution réelle diffère de celle que lui prête le dernier clic.
La variable à expliquer. Ventes, chiffre d'affaires, ou conversions selon l'activité, en pas hebdomadaire, sur au moins deux ans. En dessous, le modèle ne dispose pas d'assez d'observations pour distinguer un effet média d'une saisonnalité.
Les dépenses par canal. Nettes de remises, dans la même monnaie, sur exactement la même période. C'est le poste où les données manquent le plus souvent, parce qu'elles sont éparpillées entre plusieurs régies et plusieurs agences.
Les variables de pression média. Impressions, couverture, points de contact, selon les canaux. Les dépenses seules ne suffisent pas quand les coûts d'achat varient fortement dans le temps.
Les facteurs externes. Prix, promotions, ruptures de stock, ouvertures de points de vente, actions concurrentielles connues, météo pour les activités qui y sont sensibles, calendrier des vacances scolaires. L'oubli d'une promotion majeure conduit le modèle à créditer la campagne qui tournait au même moment.
La variation. C'est la condition la plus contraignante et la moins souvent anticipée. Un budget parfaitement stable ne permet aucune estimation, puisqu'il n'existe aucun contraste à exploiter. Les marques qui obtiennent les meilleurs modèles sont celles qui ont accepté de faire varier leurs investissements, parfois de les couper temporairement sur certaines zones.
Le marché a changé de nature en quelques années. Les cabinets spécialisés facturaient des missions longues et coûteuses, ce qui réservait la méthode aux grandes marques. La publication de bibliothèques open source par les grandes plateformes a fait tomber la barrière logicielle.
Robyn, publié par Meta, est une bibliothèque R qui automatise une partie du travail de calibration et de diagnostic. Elle a beaucoup fait pour la diffusion de la méthode. Selon plusieurs observateurs du secteur, Meta en a réduit le développement au cours des derniers mois.
Meridian, publié par Google, repose sur une approche bayésienne qui permet d'injecter des connaissances préalables, notamment les résultats de tests d'incrémentalité. Google en a fait un axe commercial affirmé : une intégration avec son offre d'analyse d'entreprise a été annoncée en mai 2026, aux côtés de modules dédiés aux tests géographiques et à l'exécution de modèles à grande échelle.
Cette gratuité apparente appelle une précaution. Un modèle publié par une plateforme qui vend aussi de l'espace publicitaire n'est pas un arbitre neutre, et le choix des hypothèses par défaut n'est jamais anodin. La parade consiste à calibrer le modèle sur des tests d'incrémentalité conduits indépendamment, et à comparer les résultats de deux approches plutôt que d'en adopter une seule.
L'intérêt du marché est réel : selon une enquête TransUnion relayée par eMarketer, près de 47 % des annonceurs et agences américains prévoyaient d'investir dans le MMM sur l'année à venir.
Corrélation n'est pas causalité. Un modèle constate que les ventes montent quand les dépenses montent. Si les budgets sont augmentés chaque année au moment des fêtes, le modèle attribuera à la publicité ce qui revient à la saison. Seule une variation délibérée, décorrélée du calendrier commercial, permet de trancher.
La tentation de l'optimisation aveugle. Les courbes de réponse invitent à réallouer les budgets vers les canaux les plus performants, jusqu'à ce que la réallocation sorte du domaine où le modèle a des observations. Un modèle calibré sur des dépenses comprises entre cinquante et cent mille euros ne dit rien de fiable sur un investissement de cinq cent mille.
Les effets de marque à long terme. La plupart des modèles couvrent deux à trois ans, ce qui capture mal les effets qui se construisent sur une décennie. La notoriété est systématiquement sous-estimée par les mesures à horizon court, et le MMM ne fait pas exception.
La qualité des entrées. Un tableau de dépenses reconstitué de mémoire produit un modèle sans valeur. La préparation des données représente souvent l'essentiel du temps d'un projet, bien avant la modélisation elle-même.
La fausse précision. Un résultat annoncé à la décimale près sur une contribution de canal donne une impression de rigueur que les intervalles de confiance démentent. Un modèle honnête publie ses incertitudes, et elles sont larges.
