Limites du Marketing Mix Modeling : pourquoi tant de MMM ont déçu en grande consommation

‍Ce que vous apprendrez dans cet article :‍

Le Marketing Mix Modeling (MMM) est pratiqué depuis des années dans la plupart des grands groupes CPG, mais beaucoup d'organisations estiment qu'il n'a jamais tenu ses promesses. Les limites techniques du MMM existent, mais elles expliquent rarement ces déceptions à elles seules. Cet article détaille les cinq irritants organisationnels qui reviennent le plus souvent (cadrage, gouvernance de la donnée, fragmentation, résistance interne, fréquence), le symptôme qui doit alerter et ce qu'il faut changer pour faire du MMM un programme plutôt qu'un livrable.

Le Marketing Mix Modeling n'est pas un exercice nouveau en CPG. La plupart des grands groupes du secteur en pratiquent depuis cinq, dix, parfois quinze ans. Et pourtant, dans beaucoup d'organisations, le même constat revient : le MMM n'a jamais vraiment tenu ses promesses.

C'est un paradoxe qui mérite d'être pris au sérieux, parce que la réponse spontanée, « il faut un modèle plus sophistiqué », est presque toujours la mauvaise piste.

Limites techniques ou limites organisationnelles : d'où viennent les déceptions ?

Les limites statistiques du Marketing Mix Modeling sont connues : endogénéité, variables omises, colinéarité entre leviers, dépendance à l'historique de données. Elles sont réelles, mais identifiables et maîtrisables avec une méthodologie rigoureuse, comme nous le détaillons dans notre guide complet du marketing mix modeling.

Quand on regarde de près plusieurs programmes MMM CPG qui ont déçu, le problème n'est presque jamais la robustesse statistique du modèle. C'est la façon dont le dispositif a été cadré, alimenté, gouverné et exploité autour de ce modèle.

Cinq irritants reviennent avec une régularité frappante, et les deux premiers se jouent avant même que le modèle existe.

Quels sont les cinq irritants qui font échouer un MMM ?

Irritant n°1 : un cadrage initial insuffisant

Beaucoup de programmes MMM démarrent par la donnée et la méthode, sans avoir suffisamment clarifié, en amont, les questions business précises auxquelles le dispositif doit répondre. Faut-il arbitrer entre marques ? Entre marchés ? Entre canaux ? Mesurer l'impact de la marque autant que l'activation ? Sans ce cadrage, chaque partie prenante interprète le MMM à l'aune de ses propres attentes implicites, et découvre, une fois les résultats livrés, qu'ils ne répondent pas à la question qu'elle se posait réellement.

Ce défaut de cadrage est rarement visible au moment où il se produit. Il ne devient un problème qu'au moment de l'exploitation des résultats, quand on réalise que le dispositif mesure bien quelque chose, mais pas nécessairement ce dont l'organisation avait besoin pour décider.

Irritant n°2 : la qualité et la gouvernance de la donnée

Un modèle ne peut pas compenser une donnée mal gouvernée. Au-delà de la simple disponibilité des données, c'est souvent leur gouvernance qui pose problème : des définitions différentes d'un marché à l'autre pour un même indicateur, des données média et ventes qui ne remontent pas selon le même calendrier, une donnée qui existe mais dont personne n'est clairement responsable côté client.

Le problème peut être encore plus fondamental qu'une simple divergence de valeurs : c'est parfois la classification même des médias qui diffère d'un pays à l'autre. Par exemple, Netflix peut être rattaché au digital dans un marché et classé dans un ensemble TV élargi dans un autre. Deux pays peuvent alors produire un « ROI TV » ou un « ROI digital » qui ne recouvrent en réalité pas le même périmètre de supports, sans que personne ne s'en aperçoive avant de tenter de les comparer. Les nouveaux leviers accentuent ce risque : retail media, réseaux sociaux ou données transmises par les distributeurs arrivent souvent avec leurs propres formats et nomenclatures, et sont intégrés au modèle sans règle commune.

Le modèle hérite de ces incohérences sans pouvoir les corriger, et les résultats en portent la marque, souvent sans que l'origine du problème soit identifiée comme telle. Ce type d'irritant se distingue d'un simple manque de maturité data : la donnée est là, mais mal cadrée, mal partagée, mal maintenue dans la durée. C'est, en un sens, plus insidieux qu'une absence pure et simple, parce que le problème reste invisible plus longtemps.

Irritant n°3 : la fragmentation historique

Dans plusieurs groupes industriels internationaux, chaque marché, parfois chaque marque, a construit son propre MMM, avec son propre fournisseur, ses propres définitions de KPI, son propre calendrier. Les résultats existent marché par marché, mais aucune vision consolidée ne permet de comparer la performance média entre pays, ni de faire circuler les apprentissages d'une marque à l'autre.

Ce n'est pas qu'un problème d'organisation interne. Un risque adjacent se retrouve régulièrement : lorsqu'une même marque ou un même groupe s'appuie sur plusieurs prestataires MMM à la fois, sans obligation explicite de partage des données et des méthodes entre eux, la fragmentation ne se résorbe pas, elle se déplace. Réduire le nombre de fournisseurs ne suffit pas : c'est la transparence entre les dispositifs qui fait, ou non, la comparabilité.

Cette fragmentation s'accompagne presque toujours d'une hétérogénéité de maturité : au sein d'un même groupe, certains pays ou certaines combinaisons marque-marché pratiquent un MMM avancé depuis des années, quand d'autres n'ont ni historique média structuré, ni culture de la mesure. Comparer, harmoniser ou consolider des résultats produits à des niveaux de maturité aussi différents devient alors un exercice presque impossible en l'état.

Irritant n°4 : la résistance organisationnelle héritée

Le quatrième irritant est moins technique que culturel. Quand la méthodologie diffère d'une région à l'autre au sein d'un même groupe, cette hétérogénéité nourrit, avec le temps, une véritable défiance interne à l'égard du MMM : des équipes qui ont connu des études jugées trop complexes ou déconnectées de leurs décisions développent une résistance qui survit largement au changement de prestataire ou de méthode.

Cette défiance se traduit concrètement par un manque d'adhésion : les équipes ne croient pas aux résultats, et donc ne s'en servent pas, indépendamment même de la qualité réelle du modèle sous-jacent. Elle est souvent aggravée par une gouvernance interne absente : sans pilotage dédié ni point de responsabilité clair, personne n'est en position de porter les résultats au-delà du rapport initial.

Les équipes Data Science internes, quand elles existent, peuvent jouer un rôle de tiers de confiance auprès des équipes métiers, à condition d'être associées via un partage transparent des KPI de robustesse, des hypothèses et des limites d'interprétation, qui leur permet de challenger puis valider le modèle en connaissance de cause. Sans cette chaîne de validation, la robustesse reste une boîte noire : le moindre résultat contre-intuitif rouvre le débat méthodologique depuis le début, ce qui freine d'autant l'adoption.

C'est un point souvent sous-estimé : un MMM qui déçoit une fois laisse une trace organisationnelle durable. La confiance à reconstruire est presque toujours plus difficile que la modélisation elle-même.

Irritant n°5 : une fréquence trop rare

Le cinquième irritant est le plus simple à décrire, et pourtant l'un des plus déterminants. Dans bien des organisations à gouvernance locale forte, le MMM a longtemps fonctionné sur un rythme annuel, avec un périmètre de mesure volontairement limité. Résultat : l'étude arrive une fois par an, souvent plusieurs mois après les décisions média qu'elle est censée éclairer. Le MMM devient un rapport de fin d'année à archiver, plutôt qu'un outil que l'on consulte pour arbitrer en cours de route.

Le problème ne se limite d'ailleurs pas à la fréquence globale du dispositif : c'est le décalage entre le moment où les résultats sont livrés et le moment où la décision média ou promo doit réellement être prise qui pèse le plus lourd. Une recommandation par ailleurs pertinente, mais livrée après que le budget a déjà été arbitré ou que la campagne a déjà été lancée, ne change plus rien à la décision : elle documente un choix passé au lieu d'éclairer un choix à venir.

Quel symptôme doit alerter ?

Ces cinq irritants convergent vers un seul symptôme, qui traverse la quasi-totalité des dossiers observés : des apprentissages qui ne se transforment jamais en plan d'action média. Le MMM produit des insights, parfois solides, mais ces insights restent dans le rapport. Ils ne redescendent pas dans les arbitrages de campagne, de budget ou de mix.

Ce symptôme est rarement dû à la seule mauvaise volonté des équipes. Il tient souvent à une cause plus structurelle : l'absence d'un mécanisme formel qui oblige à revenir vérifier, quelques mois plus tard, si une recommandation a réellement été suivie, et avec quel effet. Sans ce retour de boucle, chaque cycle de MMM repart de zéro, sans jamais capitaliser sur ce qui a, ou n'a pas, été mis en œuvre la fois précédente.

Ce symptôme s'aggrave quand le MMM doit, en plus, nourrir d'autres fonctions que le marketing. Certaines organisations attendent explicitement de leur dispositif de mesure qu'il alimente à la fois la démonstration du ROI marketing, la planification de production et la construction budgétaire côté Finance. Un MMM fragmenté et peu actionnable, dans ce contexte, ne déçoit pas qu'une équipe : il prive plusieurs fonctions à la fois d'un langage de performance commun, et c'est précisément là que le coût de la déception se multiplie.

Pourquoi changer de modèle ou de prestataire ne suffit pas

Aucun de ces irritants ne se résout en changeant de technique de modélisation. Le cadrage insuffisant ne se résout pas par un modèle plus fin ; la donnée mal gouvernée ne se résout pas par un algorithme plus robuste ; la fragmentation ne se résout pas par un modèle plus précis ; la résistance organisationnelle ne se résout pas par un modèle plus rapide ; la fréquence trop rare ne se résout pas par un modèle plus sophistiqué.

C'est d'ailleurs ce qui rend le diagnostic si difficile à poser correctement : il est souvent presque impossible de distinguer, a posteriori, un échec du modèle d'un échec de conduite du changement. Une organisation qui a vécu un MMM décevant conclut trop vite qu'il fallait une meilleure méthode ou un nouveau prestataire, alors que le vrai problème se situait dans l'adoption, la gouvernance ou le cadrage. Ce mauvais diagnostic a un coût réel : il pousse à changer ce qui n'était pas cassé, cycle après cycle, sans jamais traiter la cause véritable. Lorsque c'est la confiance dans un résultat qui est en jeu, le confronter à d'autres méthodes, comme des tests d'incrémentalité, est souvent plus utile que de repartir de zéro.

Le vrai sujet n'est donc pas « comment faire un meilleur MMM », mais « comment faire du MMM un programme, et non un livrable ». Un programme se cadre, se gouverne, se met à jour, se compare, se traduit en décisions, et se vérifie dans ses effets. Un livrable, lui, s'archive.

Si la technique n'est pas la principale cause d'échec, qu'est-ce qui fait alors réellement la différence entre un programme MMM qui prend racine dans une organisation et un programme qui reste sur l'étagère ?