Comment prouver à un client que l'argent qu'il investit en média porte ses fruits ? Cessez de mettre en avant des captures d'écran de ROAS. Les preuves auxquelles les clients se fient désormais comportent trois volets : un modèle qui montre ce que chaque canal a apporté au-delà de la base, une expérimentation qui le confirme et des éléments qui expliquent pourquoi les chiffres ont bougé. La modélisation du mix marketing fait son retour parce qu'elle fournit bien le premier volet.
La dernière illustration en date vient du Golfe. Campaign Middle East a rapporté que l'agence de performance TRKKN a utilisé Meridian, le modèle open source de modélisation du mix marketing de Google, pour analyser trois ans de données du distributeur de produits de beauté Faces. Sur 11 canaux, le modèle prévoyait une hausse de 8,5 % du chiffre d'affaires incrémental et une amélioration du ROI de 10,8 points de pourcentage, simplement en réallouant le budget existant.
Pourquoi la modélisation du mix marketing fait-elle son retour ?
Parce que les alternatives ont cessé de convaincre. Les tableaux de bord des plateformes rapportent les conversions qu'elles pensent avoir générées : la plateforme qui vend le média est donc aussi celle qui le mesure. L'attribution au dernier clic accorde tout le mérite au dernier point de contact, ce qui flatte le search et le retargeting et affame les actions qui ont créé la demande au départ.
Le MMM emprunte une autre voie. Il examine les dépenses et les ventes dans le temps, sur tous les canaux, y compris hors ligne, et estime ce que chacun a apporté au-delà de la base. Il n'a pas besoin de suivre les utilisateurs individuellement. Et avec des options open source comme Meridian, l'obstacle n'est plus une licence coûteuse, mais l'ingénierie des données et l'expertise.
Harry Lonergan, directeur du marketing digital de Faces, a déclaré à Campaign Middle East : « Meridian nous a aidés à aller au-delà de ce que nous montre la performance au dernier clic. » C'est la phrase que la plupart des clients aimeraient pouvoir prononcer.
Qu'a réellement montré le cas Faces et TRKKN ?
Le détail mérite d'être lu, car il sert aussi de modèle. TRKKN a piloté l'ingénierie des données, la construction du modèle et son déploiement au sein de l'environnement Google Cloud existant de Faces. Le modèle couvrait les données marketing en ligne et hors ligne ainsi que les données de chiffre d'affaires en Arabie saoudite de 2023 à 2025.
Trois résultats comptaient. D'abord, il a montré quels canaux généraient du chiffre d'affaires incrémental, en identifiant 19 % du chiffre d'affaires comme imputable aux campagnes. Ensuite, il a estimé la courbe de réponse et de saturation de chaque canal, en montrant où une dépense supplémentaire produirait des rendements décroissants. Enfin, il a modélisé des scénarios budgétaires, d'où provient le chiffre de 8,5 %. Performance Max est ressorti comme le canal le plus performant de l'analyse.
Notez ce que l'agence n'a pas demandé : plus d'argent. La recommandation consistait à déplacer l'argent déjà engagé. Et le dispositif est continu : il réévalue le ROI à mesure que de nouvelles données arrivent, au lieu de se limiter à un rapport ponctuel. Comme l'a résumé Vimal Badiani, directeur général de TRKKN : « Il s'agit de donner aux marketeurs les preuves et la confiance nécessaires pour prendre de meilleures décisions. »
De quelles preuves les clients ont-ils besoin pour croire au ROI média ?
Aucune méthode ne suffit à elle seule. Chaque niveau répond à une question différente et présente une faiblesse différente.
| Niveau de preuve | Question à laquelle il répond | Méthode type | Faiblesse |
|---|---|---|---|
| ROAS déclaré par les plateformes | Quelle a été l'efficacité de ce canal, selon ses propres critères ? | Reporting du gestionnaire de publicités | Corrige sa propre copie ; ignore l'incrémentalité |
| Modélisation du mix marketing | Qu'a apporté chaque canal au-delà de la base ? | Modèle statistique des dépenses et des ventes sur plusieurs années | Explique le quoi, pas le pourquoi ; exige des données cohérentes |
| Tests d'incrémentalité | Ce canal est-il à l'origine de la hausse ? | Tests géographiques avec zones témoins, études de lift de conversion | Lents ; généralement un canal à la fois |
| Courbes de saturation | À partir de quand une dépense supplémentaire cesse-t-elle d'être rentable ? | Résultat du MMM | Ne vaut que ce que vaut le modèle sous-jacent |
| Preuves sur l'audience et les concurrents | Pourquoi les résultats ont-ils bougé ? | Social listening, analyse des publicités concurrentes | Anecdotiques si elles ne sont pas rattachées à des données réelles |
La plupart des agences présentent la première ligne et croisent les doigts. Celles qui conservent leurs budgets présentent les cinq.
Pourquoi les budgets média finissent-ils au mauvais endroit ?
Les économistes ont un nom pour cela : la défaillance du marché. Les marchés allouent bien les ressources lorsque acheteurs et vendeurs disposent d'une bonne information. Quand l'information manque, ou qu'elle est détenue par une seule des parties, l'argent afflue au mauvais endroit et y reste.
L'achat média en est un cas d'école. Le client ne voit pas ce que voient les plateformes. L'agence en voit plus que le client, mais elle est souvent rémunérée, au moins en partie, en fonction de ce qu'elle dépense. Les plateformes rendent compte de leurs propres performances. Chacun agit rationnellement à partir d'informations partielles, et il en résulte des budgets entassés dans les canaux qui brillent au dernier clic, tandis que les canaux qui créent la demande restent affamés. Un gain projeté de 8,5 % obtenu simplement en déplaçant un budget que Faces dépensait déjà est, de fait, une mesure de cette mauvaise allocation.
La solution n'est pas d'avoir plus de données, mais une clarté partagée. Dans le monde des affaires, la clarté crée le lien : quand client et agence examinent les mêmes preuves et les lisent de la même façon, la conversation passe de la défense des dépenses au choix de leur prochaine destination.
Comment construire un argumentaire sur le ROI média auquel les clients feront confiance ?
- Convenez du résultat business et de la base de référence. Chiffre d'affaires, nouveaux clients ou marge, et une vision honnête de ce qui se serait passé sans marketing.
- Constituez un historique de données cohérent. Dépenses et résultats par canal, en ligne et hors ligne, ainsi que les prix, les promotions et la saisonnalité. Faces a utilisé trois ans de données sur 11 canaux.
- Faites tourner le modèle. Utilisez un MMM open source comme Meridian ou faites appel à un partenaire spécialisé. Demandez la contribution par canal et les courbes de saturation, pas un chiffre de ROI unique.
- Validez une conclusion par une expérimentation. Un test géographique avec zone témoin sur le canal que le modèle juge surfinancé est le test le plus convaincant que vous puissiez mener.
- Expliquez le pourquoi. Associez chaque conclusion par canal à ce qui a réellement été dit et vu : les créations diffusées, ce que les concurrents ont lancé et l'évolution des conversations de l'audience.
- Présentez une réallocation, pas une demande. Montrez le scénario qui déplace le budget existant et le résultat qu'il projette.
- Faites vivre le modèle. Relancez-le à mesure que de nouvelles données arrivent, pour que le ROI devienne une conversation permanente plutôt qu'une dispute annuelle.
Quelle est la place de la création et du contexte local dans le ROI média ?
Le MMM vous dit quel canal a fonctionné. Il en dit peu sur l'effet du message, et cette lacune compte. Campaign a rendu compte d'une nouvelle étude de Publicis London, System1 et Effie comparant des campagnes mondiales à des campagnes conçues pour les marchés locaux, qui conclut que les campagnes mondiales produisent moins de résultats commerciaux. Si l'adéquation entre un message et son marché pèse à ce point sur les résultats, une explication fondée uniquement sur les canaux n'est qu'une demi-réponse.
C'est la moitié manquante de la plupart des présentations sur le ROI. Quand un modèle indique que le paid social a surperformé au troisième trimestre, la question suivante du client est : pourquoi ? Était-ce la création ? Un concurrent devenu silencieux ? Un changement dans les sujets de conversation de l'audience ? Defy Monitor y répond en rattachant chaque conclusion de l'IA aux publications réelles qui la fondent, avec une stratégie reconstituée à partir de ce que publient réellement les audiences et les concurrents plutôt qu'à partir d'enquêtes. Il vient compléter votre mesure, pas la remplacer, au sein de la plateforme Defy.
