MMM local : modéliser l’effet média sur les visites
Les visites magasin ne se modélisent pas comme des conversions e-commerce : le local impose une lecture causale, spatiale et temporelle
Le pilotage média local entre dans une phase de maturité. Les annonceurs ne veulent plus seulement savoir combien de visites ont été observées après exposition à une campagne mobile, social, display ou search local. Ils veulent comprendre quelle part de ces visites est réellement causée par l’investissement média, dans quels magasins, sur quelles zones de chalandise, avec quel délai et avec quelle valeur économique. C’est précisément l’ambition d’un MMM local, marketing mix modeling local, c’est-à-dire une modélisation statistique qui estime la contribution des leviers marketing aux visites ou aux ventes en tenant compte des facteurs externes propres à chaque territoire.
Le sujet est devenu critique pour les réseaux retail, les enseignes de restauration, les services avec rendez-vous, l’automobile, le bricolage ou l’équipement de la maison. Le Drive-to-Store, stratégie visant à générer du trafic qualifié vers un point de vente physique, produit de nombreux signaux : impressions géolocalisées, clics, demandes d’itinéraire, appels, coupons, visites estimées, passages caisse, nouveaux clients CRM. Mais ces signaux ne suffisent pas à prouver l’effet média. Une hausse de trafic peut venir d’une campagne, d’une promotion nationale, d’un week-end ensoleillé, d’une rupture chez un concurrent, d’un événement local, d’un stock mieux disponible ou d’un changement d’horaires.
L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, reste utile pour piloter l’exécution. Elle indique quels canaux, audiences ou créations sont associés à des visites. Mais elle surestime souvent la contribution média lorsqu’elle ne contrôle pas les comportements organiques. Un client exposé à une publicité mobile puis observé en magasin dans les sept jours n’est pas nécessairement un client influencé. Il pouvait être déjà fidèle, proche du magasin, intentionniste ou soumis à une pression CRM parallèle. Le MMM local cherche donc à répondre à une question plus robuste : toutes choses égales par ailleurs, que se serait-il passé sans cette pression média dans cette zone et à ce moment ?
La difficulté est que le point de vente n’est pas un environnement expérimental propre. Les magasins ont des historiques différents, des zones de chalandise asymétriques, des niveaux de concurrence variables, des stocks hétérogènes et des sensibilités saisonnières distinctes. Un euro média investi autour d’un magasin de centre-ville n’a pas la même élasticité qu’un euro investi autour d’un magasin périurbain. Le MMM local apporte une méthode pour objectiver ces écarts, à condition de ne pas le traiter comme un tableau de bord automatique. C’est un cadre d’analyse, avec des hypothèses, des limites statistiques et des arbitrages business.
Pourquoi un MMM local complète, sans remplacer, l’attribution Drive-to-Store
L’attribution Drive-to-Store fonctionne généralement au niveau individu ou device : un utilisateur est exposé, puis une visite est détectée dans un périmètre de point de vente. Cette approche est précise pour suivre des parcours courts, comparer des créatifs, mesurer des fréquences ou analyser des segments CRM. Elle est cependant dépendante de la disponibilité des identifiants, du consentement, de la qualité de la localisation, des fenêtres d’attribution et des règles de déduplication entre canaux.
Le MMM adopte une logique différente. Il travaille souvent à un niveau agrégé : magasin, zone, région, semaine, jour ou tranche horaire. Il met en relation une variable cible, par exemple le nombre de visites magasin, avec des variables explicatives : dépenses média par canal, impressions, GRP local, promotions, prix, météo, vacances scolaires, jours fériés, concurrence, stock, trafic historique, actions CRM, search brandé, pression sociale, notifications push ou SMS. Son objectif n’est pas de relier une personne à une impression, mais d’estimer la contribution marginale de chaque levier à l’évolution observée.
Cette différence est stratégique. Une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter des impressions publicitaires de manière automatisée, peut optimiser une campagne programmatique vers les visites attribuées. Le RTB, real-time bidding, mécanisme d’enchères en temps réel pour acheter une impression disponible, peut concentrer les budgets sur les profils les plus susceptibles de se déplacer. Le reporting semblera s’améliorer. Mais si l’algorithme cible surtout des clients déjà proches ou déjà intentionnistes, l’incrémentalité réelle peut rester faible. Le MMM local permet de vérifier si l’augmentation de pression média sur une zone s’accompagne réellement d’une hausse de visites supérieure à ce que l’on aurait attendu compte tenu du contexte.
Il ne faut pas opposer les deux approches. L’attribution répond à des questions opérationnelles : quel créatif génère le plus d’interactions, quelle audience clique, quelle fréquence produit le meilleur coût par visite attribuée, quel magasin bénéficie des demandes d’itinéraire. Le MMM répond à des questions d’arbitrage : quel canal contribue réellement au trafic additionnel, où le budget marginal est-il le plus efficace, quelle pression est saturée, quelle part de la performance vient de la météo ou des promotions, quel ROAS incrémental peut être défendu devant une direction financière. Le ROAS, return on ad spend, désigne le ratio entre chiffre d’affaires attribué ou incrémental et dépenses publicitaires. En local, il devrait idéalement être calculé en marge incrémentale plutôt qu’en ventes brutes attribuées.
Un dispositif mature combine donc trois couches. Première couche : l’attribution pour piloter le quotidien. Deuxième couche : les tests géographiques ou groupes de contrôle pour mesurer l’uplift causal sur des périmètres ciblés. Troisième couche : le MMM local pour intégrer l’ensemble des facteurs et produire une vision continue des contributions. Chacune a ses biais ; leur combinaison réduit le risque de décision fondée sur un seul signal.
Construire le dataset : la qualité du modèle dépend d’abord de la granularité et de la cohérence des données locales
Un MMM local commence rarement par l’algorithme. Il commence par la définition de l’unité d’analyse. Faut-il modéliser au niveau magasin-semaine, magasin-jour, zone-jour, région-semaine ? Le choix dépend du volume de visites, de la fréquence des campagnes, de la stabilité des données et de la capacité à collecter des variables externes fiables. Une modélisation magasin-jour peut sembler idéale, mais elle devient instable si certains points de vente génèrent peu de trafic quotidien ou si les dépenses média ne sont disponibles qu’au niveau régional.
La variable cible doit être précisément définie. Il peut s’agir de visites estimées via données de mobilité, de tickets de caisse, de transactions CRM identifiées, de demandes d’itinéraire, d’appels, de rendez-vous honorés ou de ventes magasin. Chaque cible raconte une performance différente. Les visites mesurées par mobile captent une partie de la population équipée et consentante. Les tickets de caisse sont plus proches du business, mais ne distinguent pas toujours acquisition, réactivation et fidélité. Les ventes CRM permettent une analyse client, mais sous-représentent les acheteurs anonymes. Le choix doit être aligné avec l’objectif de la campagne.
Les variables média doivent être harmonisées. Pour chaque canal, il faut idéalement collecter dépenses, impressions, clics, couverture, fréquence, formats, créations, audiences, géographies de diffusion et dates exactes. Le search local, le social géolocalisé, le display programmatique, l’audio digital, le DOOH local, les campagnes SMS, les notifications push et les emails géociblés n’ont pas les mêmes métriques natives. Les convertir en variables comparables demande une gouvernance. Un euro dépensé n’a pas le même niveau de pression selon le CPM, la couverture ou l’intensité concurrentielle de l’enchère.
Les variables non média sont souvent celles qui font la différence entre un modèle naïf et un modèle exploitable. La météo peut expliquer une part importante des visites dans le bricolage, le jardinage, la restauration, la mode ou les loisirs. Les promotions et prix doivent être intégrés, car un pic de trafic en période de remise ne peut pas être attribué uniquement au média. Les stocks locaux sont critiques : une campagne sur un produit indisponible produit des visites déceptives ou des ventes perdues. La concurrence doit être qualifiée : ouvertures, fermetures, opérations commerciales, pression publicitaire locale lorsque la donnée existe. Les calendriers locaux, vacances, jours fériés, événements sportifs, marchés, travaux ou grèves peuvent également modifier la fréquentation.
Une bonne pratique consiste à construire un référentiel magasin enrichi : surface, typologie urbaine, ancienneté, zone de chalandise, accessibilité, parking, distance aux concurrents, potentiel de population, historique de trafic, panier moyen, marge, saisonnalité, part de clients fidélisés. Ce référentiel permet au modèle de ne pas comparer aveuglément des magasins qui n’ont pas les mêmes conditions structurelles. Sans cette couche, le MMM risque d’attribuer au média des écarts qui relèvent simplement du territoire.
Modéliser correctement : adstock, saturation et effets retardés sont indispensables pour éviter les conclusions linéaires
Le média n’agit pas toujours immédiatement, ni de façon linéaire. Un MMM local doit donc intégrer trois mécanismes classiques : l’adstock, la saturation et les effets de délai. L’adstock modélise la persistance d’un effet média dans le temps. Une exposition social ou display peut influencer une visite le jour même, mais aussi deux ou trois jours plus tard. Une campagne radio locale ou DOOH peut construire de la mémorisation sur une semaine. Sans adstock, le modèle risque de sous-estimer les canaux dont l’effet est diffus et de survaloriser les canaux proches de la conversion.
La saturation mesure la baisse de rendement marginal lorsque la pression augmente. Les premiers milliers d’impressions sur une zone peuvent générer un uplift significatif ; les suivants touchent des personnes moins réceptives ou répètent le message auprès des mêmes audiences. Cette courbe est centrale pour l’arbitrage budgétaire. Si le modèle estime qu’un canal atteint sa saturation à 70 000 impressions hebdomadaires autour d’un magasin donné, augmenter le budget de 30 % peut améliorer les visites attribuées mais faiblement les visites incrémentales. À l’inverse, une zone sous-activée peut présenter un rendement marginal supérieur malgré un CPA apparent plus élevé. Le CPA, cost per acquisition, correspond au coût nécessaire pour générer une conversion attribuée ou incrémentale selon la méthode retenue.
Les effets retardés dépendent du funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation. Pour la restauration rapide ou l’alimentaire, l’impact peut être majoritairement observé dans les 24 à 72 heures. Pour l’équipement de la maison, l’automobile, l’optique ou les services avec rendez-vous, la décision peut prendre plusieurs semaines. Une fenêtre trop courte sous-estime le rôle des canaux de considération ; une fenêtre trop longue capte du bruit organique. Le modèle doit donc tester plusieurs transformations temporelles et sélectionner celles qui sont cohérentes avec le cycle d’achat.
Sur le plan statistique, les équipes peuvent utiliser des régressions réguliarisées, des modèles bayésiens hiérarchiques, des modèles à effets fixes magasin, des approches panel ou des modèles semi-paramétriques. Le choix n’est pas neutre. Les effets fixes magasin permettent de contrôler des caractéristiques stables propres à chaque point de vente. Les modèles hiérarchiques peuvent partager de l’information entre magasins tout en conservant des sensibilités locales. La régularisation limite le surapprentissage lorsque de nombreuses variables sont corrélées. Dans tous les cas, l’objectif n’est pas de produire le modèle le plus sophistiqué, mais celui qui reste interprétable, stable et actionnable.
La multicolinéarité constitue un risque majeur. En marketing, les canaux sont souvent activés ensemble : social, display, SMS, promotion, search et push peuvent culminer la même semaine. Le modèle peut alors avoir du mal à séparer leurs contributions. Les tests contrôlés deviennent précieux pour ancrer certaines estimations. Un MMM local sans variation suffisante de pression média par zone ou par période ne peut pas identifier proprement les effets. Si tous les magasins reçoivent le même budget, au même moment, avec la même promotion, le modèle manquera de contraste. La stratégie de mesure doit donc être pensée avant l’activation, pas uniquement après.
Cas concret : estimer l’effet incrémental d’une campagne mobile sur 120 magasins
Prenons une enseigne de décoration disposant de 120 magasins. Elle investit 240 000 euros sur quatre semaines en social local, display mobile programmatique et SMS ciblé vers des clients situés dans un isochrone de 20 minutes. Le reporting d’attribution indique 96 000 visites post-exposition, soit un coût apparent de 2,50 euros par visite. Les ventes rattachées aux clients exposés atteignent 1,45 million d’euros, ce qui donne un ROAS attribué de 6. À première vue, la campagne semble performante.
Le MMM local est construit au niveau magasin-semaine sur 78 semaines d’historique. La variable cible est le nombre de tickets caisse, complétée par les visites estimées pour vérifier la cohérence. Les variables intégrées incluent dépenses média par canal et par magasin, promotions, météo, vacances, stock des catégories mises en avant, trafic historique, pression CRM, densité concurrentielle, typologie urbaine et tendance nationale. Les dépenses média sont transformées avec adstock et courbes de saturation. Les magasins disposent d’effets fixes pour contrôler leurs différences structurelles.
Le résultat modifie la lecture. Le modèle estime que la campagne a généré 18 400 visites incrémentales, et non 96 000 visites causales. Le coût par visite incrémentale est donc de 13,04 euros. Sur ces visites, le taux d’achat moyen observé est de 31 %, soit environ 5 704 tickets additionnels. Le panier moyen incrémental est estimé à 72 euros, mais avec une marge brute de 41 %. Le chiffre d’affaires incrémental atteint environ 410 700 euros, et la marge incrémentale 168 400 euros. Face à 240 000 euros investis, le ROAS chiffre d’affaires incrémental est de 1,71, mais le ROAS marge est inférieur à 1.
La conclusion n’est pas que la campagne est mauvaise. L’analyse par zone révèle des écarts forts. Les magasins périurbains avec stock élevé et concurrence modérée affichent un coût par visite incrémentale de 8,90 euros et un ROAS marge proche de 1,4. Les magasins urbains denses affichent beaucoup de visites attribuées, mais un uplift faible : les clients étaient déjà proches, déjà exposés à la promotion et souvent fidélisés. Le SMS produit une forte réactivation chez les dormants à 12-24 mois, tandis que le display mobile contribue davantage à la conquête dans des zones sous-pénétrées. Le social local montre une saturation après 3,8 impressions moyennes hebdomadaires par personne exposable.
Cette lecture permet un arbitrage précis. Pour la prochaine vague, l’enseigne réduit la pression dans les cœurs de chalandise déjà acquis, exclut les magasins à stock faible, augmente le budget sur 35 magasins à potentiel incrémental, différencie les créations selon distance et intention, et conserve un groupe de contrôle géographique sur 15 magasins comparables. Le budget ne baisse pas nécessairement ; il est déplacé vers les poches où l’élasticité locale est la plus forte.
Interpréter les résultats : contribution, élasticité, intervalle de confiance et arbitrage marginal
Un MMM local ne doit pas être lu comme une vérité ponctuelle. Il produit des estimations, souvent avec des intervalles de confiance ou des distributions de probabilité. Dire qu’un canal a généré 12 000 visites incrémentales peut être moins utile que dire que l’estimation plausible se situe entre 8 000 et 16 500 visites. Cette incertitude doit entrer dans la décision. Un canal avec une contribution moyenne élevée mais très incertaine ne se pilote pas comme un canal stable et prévisible.
La contribution mesure ce que le canal a apporté sur la période observée. L’élasticité mesure la sensibilité de la variable cible à une variation de pression ou de dépense. Le rendement marginal mesure ce qu’un euro supplémentaire pourrait générer. Ces trois notions sont souvent confondues. Un canal peut avoir une forte contribution historique parce qu’il a reçu beaucoup de budget, mais un rendement marginal faible parce qu’il est saturé. Un autre peut avoir une contribution modeste mais une élasticité forte dans certaines zones, ce qui justifie un test d’augmentation.
La lecture locale doit aussi éviter la moyenne nationale. Un ROAS incrémental moyen de 2 peut cacher des magasins à 0,6 et d’autres à 4,5. Pour un réseau, le bon niveau de décision est souvent un cluster : urbain dense, périurbain motorisé, rural, centre commercial, zone touristique, magasin mature, nouveau magasin, zone défensive face à un concurrent. Les clusters permettent de transformer un modèle complexe en règles d’allocation : où augmenter, où maintenir, où réduire, où tester.
Le modèle doit également distinguer trafic et valeur. Générer des visites n’est pas toujours rentable. Certaines visites correspondent à des achats de faible marge, à des clients déjà fidélisés ou à des effets d’aubaine promotionnels. Un MMM avancé peut modéliser plusieurs cibles : visites, tickets, chiffre d’affaires, marge, nouveaux clients, réachat à 60 jours. Lorsque les données le permettent, la marge incrémentale est l’indicateur le plus robuste pour arbitrer. Elle évite de survaloriser les campagnes qui remplissent le magasin sans créer de profit additionnel.
Conditions de réussite : gouvernance data, expérimentation et discipline d’activation
La première condition de réussite est la stabilité des données. Les définitions de visites, ventes, dépenses, magasins actifs, zones et promotions doivent être documentées. Un changement de fournisseur de mesure de mobilité, une refonte du programme fidélité ou une modification de tracking peut créer une rupture de série que le modèle interprétera à tort comme un effet marketing. Les équipes doivent maintenir un dictionnaire de données et historiser les changements opérationnels.
La deuxième condition est l’expérimentation. Un MMM local s’améliore lorsque le plan média crée des variations exploitables : zones exposées et non exposées, niveaux de pression différenciés, séquences temporelles, holdouts CRM, tests de créations ou de canaux. Le holdout désigne un groupe volontairement non exposé afin de mesurer l’écart de comportement avec le groupe exposé. Sans ces contrastes, le modèle déduit plus qu’il ne mesure. L’expérimentation ne doit pas être vue comme une perte de chiffre d’affaires court terme, mais comme un investissement dans la qualité des décisions futures.
La troisième condition est l’intégration opérationnelle. Si le modèle recommande d’augmenter la pression autour d’un magasin, il faut vérifier le stock, les horaires, la capacité d’accueil, la formation des équipes, la cohérence de l’offre et les contraintes locales. Le média ne peut pas compenser un produit absent ou une expérience magasin dégradée. Un MMM local performant doit donc être partagé entre marketing, data, CRM, e-commerce, direction réseau et merchandising.
La quatrième condition est la cadence. Un MMM annuel peut nourrir la stratégie budgétaire, mais il est trop lent pour piloter une activation locale dynamique. À l’inverse, un recalcul quotidien peut donner une illusion de précision si les signaux sont bruités. Pour beaucoup d’enseignes, une actualisation mensuelle ou trimestrielle, complétée par des tests géographiques ad hoc, constitue un bon compromis. Le modèle sert à fixer les règles d’allocation ; l’attribution et les signaux terrain servent à ajuster l’exécution.
Conclusion : faire du MMM local un outil d’allocation, pas un exercice de justification post-campagne
Le MMM local apporte une réponse structurante à une limite historique du Drive-to-Store : la confusion entre visites observées et visites causées. En intégrant le contexte média, commercial, géographique et opérationnel, il permet d’estimer l’effet incrémental des investissements sur la fréquentation magasin. Sa valeur ne réside pas dans une courbe élégante ou un score de contribution isolé, mais dans sa capacité à orienter les arbitrages : combien investir, où, sur quel canal, avec quelle pression et avec quelle attente de marge.
Une feuille de route actionnable peut se résumer en huit étapes. Premièrement, définir la variable cible : visites, tickets, ventes, marge ou nouveaux clients. Deuxièmement, choisir une granularité réaliste, par exemple magasin-semaine ou zone-jour selon le volume disponible. Troisièmement, consolider les données média, CRM, promotions, météo, stock, concurrence et historique magasin. Quatrièmement, intégrer adstock, saturation et délais de conversion pour éviter les modèles linéaires simplistes. Cinquièmement, créer des variations expérimentales afin d’alimenter l’identification causale. Sixièmement, lire les résultats en contribution, élasticité et rendement marginal, avec leurs incertitudes. Septièmement, arbitrer sur la marge incrémentale plutôt que sur les visites attribuées. Huitièmement, réinjecter les enseignements dans le plan média, les scénarios CRM et la préparation terrain.
Les limites doivent rester explicites. Un MMM local dépend de la qualité des données, de la granularité, de la stabilité des historiques et des hypothèses statistiques. Il peut être perturbé par des événements exceptionnels, des variables manquantes, des canaux trop corrélés ou des changements de mesure. Il ne remplace ni l’intuition terrain, ni les tests contrôlés, ni l’analyse client. Mais il impose une discipline salutaire : ne plus financer les zones qui reportent bien, financer celles où le média change réellement le comportement.
Pour les annonceurs retail et omnicanaux, l’enjeu est donc moins de produire un modèle que d’installer une gouvernance de décision. Le MMM local devient utile lorsqu’il modifie concrètement l’allocation budgétaire, la pression par magasin, les plans de test et les objectifs de ROAS incrémental. C’est à cette condition qu’il transforme la mesure média locale en avantage concurrentiel : moins de sur-attribution, plus d’arbitrage marginal, et une lecture économique plus juste de la capacité du média à créer du trafic magasin additionnel.
