MMM ou MTA : quel cadre pour piloter l’omnicanal local ?
L’omnicanal local ne peut plus être piloté avec une seule lecture de l’attribution
Pour un annonceur retail, un réseau de points de vente ou une marque à forte présence locale, la question n’est plus seulement de savoir quel canal a généré la conversion. Elle est de comprendre comment les investissements média, CRM, mobile, géomarketing et magasin interagissent pour produire du trafic incrémental, du chiffre d’affaires et de la marge. Un SMS drive-to-store, une notification push de disponibilité produit, une campagne paid social locale, une exposition display programmatique, une recherche locale sur mobile et une visite en magasin ne forment pas une succession linéaire. Ils composent un système où les effets sont à la fois individuels, territoriaux, temporels et parfois non observables.
C’est précisément là que l’arbitrage entre MMM et MTA devient stratégique. Le MMM, marketing mix modeling, désigne une approche économétrique qui estime la contribution des leviers marketing à partir de séries temporelles agrégées : dépenses média, ventes, trafic magasin, saisonnalité, prix, promotions, météo, concurrence ou distribution. Le MTA, multi-touch attribution, désigne une approche d’attribution au niveau utilisateur ou parcours, qui assigne une conversion à plusieurs points de contact observés : clics, impressions, emails, SMS, pushs, visites web ou interactions app. Les deux cadres cherchent à répondre à une question de performance, mais ils ne mesurent pas la même réalité, ne nécessitent pas les mêmes données et ne produisent pas les mêmes décisions.
La confusion vient souvent d’un héritage digital : pendant des années, les équipes marketing ont été habituées à piloter le CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, et le ROAS, return on ad spend, ratio entre chiffre d’affaires attribué ou incrémental et dépenses marketing, à partir de plateformes capables de remonter des conversions. Cette logique fonctionne relativement bien pour certains parcours e-commerce courts. Elle devient beaucoup plus fragile dans l’omnicanal local. Une personne peut voir une publicité mobile, recevoir un SMS, passer devant un magasin, vérifier un stock sur Google, acheter en point de vente et rattacher son achat à une carte de fidélité trois jours plus tard. Une partie du parcours est mesurable, une autre ne l’est pas, et la conversion physique introduit des délais, des biais et des effets de zone.
Le choix entre MMM et MTA n’est donc pas un débat académique. Il conditionne les arbitrages budgétaires : faut-il renforcer le SMS sur les zones à fort potentiel ? Réallouer du paid social vers la recherche locale ? Réduire les campagnes display qui génèrent beaucoup de visites attribuées mais peu d’incrémentalité ? Maintenir une pression CRM sur les clients fidèles ou investir en conquête géolocalisée ? Dans un contexte où les identifiants publicitaires se restreignent, où les coûts média augmentent et où la mesure des visites magasin reste imparfaite, les annonceurs doivent construire un cadre hybride, capable de combiner vision macro, preuves micro et expérimentation contrôlée.
Ce que le MMM sait bien faire : isoler les effets agrégés, les délais et la saturation
Le principal avantage du MMM est sa capacité à analyser l’impact des leviers marketing à un niveau agrégé, sans dépendre d’un identifiant individuel. Le modèle observe des variations dans le temps : dépenses par canal, pression promotionnelle, ventes par magasin ou zone, trafic, météo, vacances, prix, stock, ouvertures concurrentes, événements locaux. Il cherche ensuite à estimer la contribution marginale de chaque levier. Cette approche est particulièrement pertinente pour l’omnicanal local, car une grande partie de l’effet marketing se manifeste hors ligne et n’est pas toujours rattachable à un clic.
Un MMM mature intègre généralement trois mécanismes clés. Le premier est l’adstock, ou effet de rémanence, qui modélise le fait qu’une campagne continue à produire un effet après son exposition initiale. Une campagne vidéo locale peut influencer les visites pendant plusieurs jours ou semaines, alors qu’un SMS promotionnel aura souvent un effet plus court, parfois concentré sur 24 à 72 heures. Le deuxième mécanisme est la saturation : au-delà d’un certain niveau de dépenses ou de pression, chaque euro supplémentaire produit moins de ventes incrémentales. Le troisième est la non-linéarité : doubler un budget média ne double pas nécessairement le trafic magasin, surtout si la zone de chalandise est déjà saturée ou si la disponibilité produit limite la conversion.
Dans le retail, ces notions sont décisives. Une enseigne peut constater qu’une campagne paid social locale génère un ROAS attribué inférieur au SMS, mais que son effet agrégé sur le trafic magasin est supérieur lorsqu’elle est analysée sur plusieurs semaines et zones. À l’inverse, un canal CRM peut afficher un coût par visite attribuée très bas parce qu’il touche des clients déjà intentionnistes, sans forcément créer beaucoup de demande additionnelle. Le MMM aide à distinguer contribution visible et contribution incrémentale probable.
Prenons un exemple. Un réseau de 220 magasins investit chaque mois 1,2 million d’euros en média et CRM : 350 000 euros en paid social, 250 000 en search local, 180 000 en display programmatique, 120 000 en SMS, 80 000 en push app, le reste en prospectus digitalisé, email et opérations locales. Le reporting d’attribution montre un ROAS très élevé sur le SMS, à 14, et un ROAS plus faible sur le display, à 3,2. Le MMM, construit sur 104 semaines de données par région, indique pourtant que le SMS est proche de la saturation sur les clients actifs, avec une contribution marginale limitée au-delà de deux contacts mensuels, tandis que le display local soutient les ventes en magasin dans les zones où la notoriété est plus faible. La décision ne consiste pas à couper le SMS, mais à réduire la pression sur les segments sur-sollicités et à préserver le display dans les zones où il crée un effet de demande.
Le MMM présente toutefois des limites. Il demande des séries temporelles suffisamment longues, des variations exploitables et une qualité de données élevée. Si toutes les campagnes sont lancées simultanément sur toutes les zones, le modèle aura du mal à séparer les effets. Si les promotions, les ruptures de stock et les investissements média sont fortement corrélés, les résultats deviennent instables. Le MMM est aussi moins adapté aux décisions tactiques en temps réel : il ne dira pas quel utilisateur doit recevoir un push demain matin, ni quel segment exclure d’une campagne SMS. Sa force est la planification, la mesure de contribution macro et l’allocation budgétaire.
Ce que le MTA apporte : comprendre les parcours observables et optimiser l’orchestration
Le MTA répond à une autre logique. Il s’intéresse aux points de contact observés au niveau individuel ou quasi individuel : impression publicitaire, clic, visite web, ouverture email, réception SMS, ouverture push, ajout panier, consultation de stock, achat en ligne ou rattachement magasin via carte fidélité. L’objectif est d’attribuer une part de la conversion à chaque interaction, plutôt que de tout donner au dernier clic. Le last click, modèle attribuant toute la conversion au dernier point de contact, reste simple mais favorise mécaniquement les canaux de bas de funnel, c’est-à-dire les leviers proches de la conversion.
Dans un environnement omnicanal, le MTA peut être utile pour comprendre la séquence des contacts. Par exemple, il peut montrer que les clients exposés à une campagne programmatique via une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires, puis relancés par SMS, convertissent mieux que ceux exposés uniquement au SMS. Il peut identifier qu’un push de disponibilité produit performe surtout lorsqu’il intervient après une recherche locale ou une consultation de fiche magasin. Il peut également révéler des redondances : un client recevant email, push et SMS sur la même offre peut ne pas convertir davantage qu’un client recevant seulement un push contextualisé.
Les modèles MTA peuvent être simples ou avancés. Un modèle linéaire répartit la valeur entre tous les points de contact. Un modèle en U favorise le premier et le dernier contact. Un modèle time decay attribue plus de poids aux interactions récentes. Des approches algorithmiques, comme les chaînes de Markov ou les modèles de Shapley, estiment la contribution marginale de chaque canal dans les chemins observés. Ces méthodes sont plus sophistiquées, mais elles restent dépendantes de la qualité du tracking, de l’identité et de l’observabilité du parcours.
C’est là que le MTA devient fragile pour le local. Une partie majeure des signaux est manquante ou biaisée. Les impressions publicitaires ne sont pas toutes visibles. Le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression disponible, expose des utilisateurs dans des environnements où le matching peut être incomplet. Les restrictions mobiles limitent le suivi cross-device. Les achats magasin ne sont rattachés qu’aux clients identifiés. Les visites physiques peuvent être mesurées par panels ou signaux de localisation, mais avec des marges d’erreur, des délais et des règles de confidentialité. Le MTA voit donc surtout les parcours traçables, qui ne sont pas toujours représentatifs de l’ensemble de la clientèle.
Il faut aussi distinguer attribution et causalité. Si un client reçoit un SMS après avoir consulté un produit, puis achète le lendemain, le MTA attribuera probablement une part de la vente au SMS. Mais le client aurait peut-être acheté sans relance. Le MTA mesure une association dans un parcours observé, pas nécessairement un effet additionnel. Cette nuance est fondamentale pour les professionnels du marketing : un canal peut être très présent dans les parcours convertis sans être fortement incrémental. C’est particulièrement vrai pour les leviers de retargeting, les relances panier et certaines campagnes CRM sur clients actifs.
Pourquoi l’omnicanal local complique la mesure : géographie, stock, temporalité et identité
Le local introduit quatre dimensions que les modèles purement digitaux sous-estiment souvent. La première est la géographie. Une campagne ne produit pas le même effet selon la densité de points de vente, la distance moyenne au magasin, le pouvoir d’achat local, la concurrence, les habitudes de mobilité ou la météo. Un SMS envoyé à un client situé à 800 mètres d’un magasin n’a pas la même probabilité d’action qu’un SMS envoyé à 18 kilomètres. Une campagne paid social géolocalisée peut performer en zone urbaine dense et sous-performer en zone périurbaine si l’accès magasin est plus contraignant.
La deuxième dimension est le stock. Dans l’e-commerce, un produit indisponible se voit immédiatement dans le tunnel. En magasin, l’effet est plus diffus. Une campagne peut générer du trafic mais échouer à convertir si le stock local est faible, si la taille recherchée n’est pas disponible ou si le personnel n’est pas informé de l’opération. Le modèle d’attribution peut alors conclure que le canal est inefficace, alors que le problème vient de l’exécution retail. À l’inverse, un canal peut sembler excellent parce qu’il est activé sur des magasins déjà très performants et bien approvisionnés.
La troisième dimension est la temporalité. Les délais de réaction varient fortement selon le levier. Un SMS promotionnel peut concentrer 50 % à 70 % des clics dans les premières heures et une part importante des visites dans les 48 heures. Une campagne display ou vidéo locale peut produire un effet plus diffus sur la considération. Le search local capte souvent une demande déjà formée. Les notifications push peuvent agir très vite lorsqu’elles répondent à un signal d’intention : panier abandonné, produit de retour en stock, créneau disponible. Un cadre de mesure qui applique la même fenêtre d’attribution à tous les canaux crée des biais.
La quatrième dimension est l’identité. L’omnicanal repose sur un graphe d’identité imparfait : email haché, numéro de téléphone, identifiant app, cookie, carte fidélité, device mobile, transaction caisse. Plus la résolution d’identité est agressive, plus le risque d’erreur augmente. Plus elle est prudente, plus le parcours paraît fragmenté. Les restrictions réglementaires et techniques renforcent cette tension. Le RGPD, règlement général sur la protection des données, impose transparence, minimisation, finalité et respect des droits. Les équipes marketing doivent donc accepter une mesure moins exhaustive, mais plus défendable.
Ces dimensions plaident pour un cadre de pilotage hybride. Le MMM peut capter les effets de zone, de saisonnalité, de pression et de saturation. Le MTA peut éclairer les séquences individuelles observables et optimiser les scénarios CRM ou app. Les tests d’incrémentalité peuvent arbitrer les zones de doute. Aucun cadre ne suffit seul, surtout lorsque la décision doit relier budget national, activation locale et expérience client mobile.
Construire un framework hybride : MMM pour l’allocation, MTA pour l’orchestration, tests pour la causalité
Une gouvernance de mesure robuste peut s’appuyer sur trois niveaux complémentaires. Le premier niveau est le MMM, utilisé pour les arbitrages budgétaires trimestriels ou semestriels : combien investir par canal, quelle pression maintenir, quels leviers saturent, quels marchés locaux sous-réagissent, quelle contribution incrémentale probable attendre. Le deuxième niveau est le MTA ou l’analyse de parcours, utilisée pour optimiser l’orchestration : quelle séquence fonctionne, quel canal intervient trop tard, quelle combinaison génère de la redondance, quels segments doivent être exclus. Le troisième niveau est l’expérimentation, utilisée pour valider la causalité : holdouts, tests géographiques, groupes témoins CRM, tests de pression ou tests de séquence.
Le holdout, groupe témoin volontairement non exposé, est particulièrement utile en CRM mobile. Sur une campagne push ou SMS, réserver 5 % à 10 % de l’audience éligible permet de mesurer l’écart réel de conversion, de visite ou de marge entre exposés et non exposés. Si une campagne SMS affiche 12 000 visites attribuées mais que le groupe témoin montre une différence équivalente à seulement 3 500 visites incrémentales, le reporting doit être réinterprété. Le coût par visite attribuée peut sembler excellent ; le coût par visite incrémentale raconte une autre histoire.
Les tests géographiques sont adaptés aux activations locales. Une enseigne peut sélectionner des zones comparables : mêmes tailles de magasins, historiques de vente proches, saisonnalité similaire, concurrence comparable. Elle active une pression média ou CRM différente dans certaines zones et conserve d’autres zones en contrôle. Cette approche permet de mesurer l’effet agrégé sans dépendre uniquement du tracking individuel. Elle est particulièrement pertinente pour tester une hausse de budget programmatique local, un dispositif drive-to-store, une campagne de conquête mobile ou une combinaison paid social plus SMS.
Un exemple concret illustre le rôle de chaque outil. Une enseigne de sport souhaite piloter une opération de rentrée dans 90 magasins. Le MTA montre que les clients exposés à une campagne display mobile puis à un SMS convertissent 1,8 fois plus que ceux exposés au SMS seul. Le MMM indique que le display local est surtout efficace dans les zones où la part de marché est faible et où la concurrence est forte. Un test géographique confirme que la combinaison display plus SMS génère un uplift de trafic magasin de 6,5 % dans les zones de conquête, mais seulement 1,2 % dans les zones historiques. La décision devient précise : investir dans la combinaison pour les zones de conquête, limiter le SMS aux clients intentionnistes dans les zones déjà fortes, et éviter de généraliser un plan national uniforme.
Ce framework évite deux erreurs fréquentes. La première consiste à utiliser le MMM pour piloter des décisions trop fines, par exemple choisir le message push d’un segment app. La seconde consiste à utiliser le MTA pour justifier des allocations budgétaires globales, alors qu’il ne voit qu’une partie des parcours et surestime souvent les canaux proches de la conversion. Le bon cadre est celui qui associe chaque méthode au bon niveau de décision.
Définir les bons indicateurs : du ROAS attribué à la marge incrémentale locale
La qualité du pilotage dépend autant des indicateurs que des modèles. Le ROAS attribué reste utile pour comparer l’efficacité opérationnelle apparente des campagnes, mais il ne doit pas être confondu avec la rentabilité incrémentale. Pour l’omnicanal local, trois familles d’indicateurs devraient être suivies en parallèle.
La première famille mesure l’exécution : taux de délivrabilité SMS, taux d’ouverture push, taux de clic, coût par mille impressions, couverture géographique, fréquence, taux d’arrivée sur landing page, taux de visite fiche magasin, disponibilité stock. Ces indicateurs permettent d’identifier les problèmes de campagne, mais ils ne prouvent pas la création de valeur.
La deuxième famille mesure la performance attribuée : ventes post-clic, visites attribuées, chiffre d’affaires rattaché à une exposition, coût par visite magasin attribuée, CPA, panier moyen, taux de conversion omnicanal. Ces métriques sont nécessaires pour piloter les opérations, mais elles restent sensibles aux fenêtres d’attribution, aux parcours observables et à la proximité avec la conversion.
La troisième famille mesure la contribution incrémentale : uplift de ventes par rapport à un groupe témoin, marge additionnelle, coût par visite incrémentale, valeur client préservée, cannibalisation entre canaux, opt-out SMS, désactivation push, pression relationnelle. C’est cette famille qui doit guider les arbitrages budgétaires structurants. Une campagne qui génère beaucoup de ventes attribuées mais peu d’uplift doit être optimisée ou réduite. Une campagne qui génère moins de clics mais améliore le trafic incrémental en magasin peut mériter davantage de budget.
Un cas chiffré permet de matérialiser l’écart. Une campagne drive-to-store mobile coûte 80 000 euros : 45 000 euros en média géolocalisé, 20 000 euros en SMS, 15 000 euros en création, data et routage. Le reporting plateforme attribue 640 000 euros de chiffre d’affaires magasin, soit un ROAS attribué de 8. La marge brute moyenne est de 32 %, soit 204 800 euros. Le résultat semble excellent. Mais un test par zones comparables montre que l’uplift réel est de 190 000 euros de chiffre d’affaires, soit 60 800 euros de marge brute. Après coût marketing, la marge incrémentale est négative de 19 200 euros. En revanche, l’analyse par zone montre que 30 magasins ont généré un uplift fort, avec une marge nette positive, tandis que 60 magasins ont absorbé du budget sans effet significatif. La conclusion n’est pas d’abandonner le dispositif, mais de le concentrer sur les zones à élasticité prouvée.
Cette logique impose d’intégrer la marge, pas seulement le chiffre d’affaires. Les campagnes locales peuvent déplacer des ventes existantes, accélérer des achats qui auraient eu lieu plus tard ou favoriser des produits à faible marge. Le pilotage doit donc relier les modèles marketing aux données retail : marge par catégorie, stock, démarque, coût de service, disponibilité magasin, valeur client. Un ROAS élevé sur une promotion agressive peut masquer une destruction de marge. À l’inverse, une campagne de service local à faible volume peut améliorer la rétention et la fréquence d’achat.
Conditions de réussite : données, gouvernance et discipline expérimentale
Mettre en place un cadre MMM ou MTA performant n’est pas d’abord un sujet d’outil. C’est un sujet de gouvernance de données et de discipline de décision. Le premier prérequis est la qualité des données historiques. Pour un MMM, il faut idéalement deux à trois ans de données hebdomadaires, avec dépenses par canal, ventes par zone ou magasin, pression promotionnelle, prix, stock, météo, calendrier, jours fériés, événements locaux et variables concurrentielles si disponibles. Sans historique suffisant, le modèle devient instable et trop dépendant d’hypothèses.
Pour le MTA, le prérequis est la cohérence des identifiants et des événements. Les équipes doivent définir ce qu’est une exposition, une interaction, une visite utile, une conversion, une visite magasin, un achat rattaché. Les événements web, app, CRM, média et caisse doivent être horodatés, dédupliqués et reliés avec prudence. Une mauvaise taxonomie de campagnes peut rendre l’analyse inexploitable. Un simple changement de nommage entre paid social local, social national et retargeting app peut brouiller les résultats.
Le deuxième prérequis est la variation. Un modèle apprend lorsque les investissements, les zones, les pressions et les séquences varient. Si toutes les régions reçoivent le même budget au même moment, si toutes les campagnes SMS sont envoyées à toute la base, si toutes les promotions nationales écrasent les signaux locaux, il devient presque impossible d’identifier les effets. Les équipes doivent accepter de créer des variations contrôlées : zones test, niveaux de pression différents, audiences témoins, séquences alternatives. La mesure robuste demande parfois de renoncer à une exposition maximale immédiate.
Le troisième prérequis est l’alignement organisationnel. Le CRM cherche souvent à maximiser l’engagement des bases connues. Le média cherche à optimiser le coût d’exposition et les conversions attribuées. Le retail cherche du trafic magasin et du chiffre d’affaires local. La finance cherche la marge. Le digital cherche la conversion app ou web. Sans cadre commun, chaque équipe peut optimiser son KPI au détriment de l’ensemble. L’omnicanal local exige un comité de mesure capable de trancher sur des indicateurs partagés : marge incrémentale, trafic qualifié, pression client, contribution par zone et valeur long terme.
Le quatrième prérequis est l’esprit critique. Un MMM peut produire des coefficients séduisants mais instables si les variables sont colinéaires. Un MTA algorithmique peut donner une impression de précision tout en reposant sur des données incomplètes. Un test géographique peut être biaisé si les zones ne sont pas comparables ou si une opération concurrente intervient. La bonne pratique consiste à trianguler : si le MMM, le MTA et un test convergent, la décision est robuste. S’ils divergent, il faut comprendre pourquoi avant de réallouer massivement le budget.
Conclusion : choisir un cadre de pilotage selon la décision, pas selon la promesse de mesure
La question n’est pas de savoir si le MMM est supérieur au MTA, ou l’inverse. La question est de savoir quelle décision doit être prise. Pour allouer des budgets entre canaux, comprendre la saturation, intégrer les effets de saisonnalité et mesurer la contribution agrégée au trafic magasin, le MMM est souvent le cadre le plus robuste. Pour optimiser les séquences CRM, les relances push, les combinaisons de points de contact et la pression au niveau utilisateur observable, le MTA reste utile. Pour prouver l’effet causal d’une activation, les tests d’incrémentalité sont indispensables.
Une feuille de route actionnable peut se structurer en sept étapes. Premièrement, définir les décisions à éclairer : budget annuel, arbitrage par zone, pression CRM, séquence omnicanale, activation magasin. Deuxièmement, cartographier les données disponibles : média, CRM, app, web, caisse, fidélité, stock, géographie, calendrier, météo et promotions. Troisièmement, mettre en place une taxonomie commune des campagnes, canaux et objectifs. Quatrièmement, construire un MMM pour les décisions d’allocation et de saturation, en intégrant les variables locales. Cinquièmement, utiliser le MTA pour analyser les parcours observables et réduire les redondances d’orchestration. Sixièmement, systématiser les holdouts et tests géographiques pour mesurer l’incrémentalité. Septièmement, piloter les arbitrages sur la marge incrémentale locale, pas seulement sur le ROAS attribué.
Le vrai risque pour les annonceurs omnicanaux n’est pas de choisir un modèle imparfait. Tous les modèles le sont. Le risque est de demander à un modèle de répondre à une question pour laquelle il n’a pas été conçu. Un MTA ne peut pas compenser l’absence de mesure hors ligne fiable. Un MMM ne peut pas décider seul du bon message à envoyer à un client app. Un reporting plateforme ne peut pas prouver l’incrémentalité d’un canal qu’il a lui-même intérêt à valoriser. La maturité consiste à accepter cette pluralité et à organiser la décision autour d’un système de preuves.
Dans un environnement où le mobile influence de plus en plus les visites physiques, mais où les signaux individuels deviennent plus fragmentés, le pilotage omnicanal local doit sortir du réflexe de l’attribution unique. Le bon cadre n’est ni entièrement macro, ni entièrement micro. Il combine économie, parcours et expérimentation. C’est à cette condition que les directions marketing pourront distinguer les leviers qui captent la demande de ceux qui la créent réellement, et réallouer leurs budgets vers ce qui génère du trafic magasin incrémental, de la marge et une pression relationnelle soutenable.
