PME : quand la modélisation du mix marketing vaut la peine et quand elle n'en vaut pas
La modélisation du mix marketing revient en force, portée par des outils libres et par les contraintes de vie privée. Elle répond à une vraie question de répartition de budget. Elle exige aussi un historique et une variation de dépense que la plupart des PME québécoises n'ont pas et il faut le dire avant d'engager quoi que ce soit.
- La modélisation du mix marketing travaille sur des données agrégées. Google indique que la méthode n'utilise ni témoin ni information individuelle, ce qui explique son retour.
- Elle exige deux à trois ans d'historique hebdomadaire et surtout de la variation dans vos dépenses. Un budget constant ne produit aucun signal exploitable.
- Un modèle non calibré par une expérience d'incrémentalité produit des courbes élégantes et des conclusions fragiles.
- En dessous d'un certain volume de dépense et de ventes, l'exercice coûte plus qu'il ne fait gagner. Ce n'est pas une question d'ambition, c'est une question de statistique.
- À la place, une PME gagne davantage à raccorder ses ventes réelles à ses demandes et à faire une expérience géographique par an.
Sur cette page
Qu'est-ce que la modélisation du mix marketing
La modélisation du mix marketing est une analyse statistique qui estime la contribution de chaque canal de marketing à un résultat commercial, à partir de données agrégées dans le temps plutôt que de parcours individuels. Elle intègre aussi des facteurs non publicitaires comme les prix, les promotions et la saison. Sa force est d'être indépendante des témoins et du consentement. Sa faiblesse est d'exiger un historique long et une réelle variation des dépenses.
Pourquoi la méthode revient maintenant
On écrit ici pour les dirigeants et les responsables marketing à qui on a proposé un exercice de modélisation du mix marketing, ou qui se demandent si leur entreprise a la taille pour en tirer une décision.
La méthode existe depuis des décennies. Elle avait été mise de côté quand le suivi individuel semblait tout expliquer et elle revient pour deux raisons.
La première est la vie privée. Google indique que cette approche s'appuie sur des données agrégées et n'utilise ni témoin ni information au niveau de l'utilisateur. Dans un contexte où une part des visiteurs refuse d'être suivie, une méthode qui n'a jamais eu besoin de ce suivi retrouve de la valeur.
La seconde est l'accessibilité. Google a publié un cadre libre, Meridian, avec sa méthodologie et son code, ce qui retire l'argument du coût de licence. Attention toutefois : gratuit ne veut pas dire simple. L'outil est libre, la compétence pour l'utiliser ne l'est pas et c'est là que se trouve la dépense réelle.
Ce qu'il faut avoir avant d'y penser
Trois conditions et les trois doivent être remplies. Une seule qui manque suffit à rendre l'exercice décoratif.
Un historique suffisant. Deux à trois ans de données hebdomadaires, comprenant les dépenses par canal, les ventes, les prix et les promotions. Un an ne permet pas de séparer l'effet d'un canal de celui de la saison.
De la variation dans les dépenses. C'est la condition la plus souvent absente et la moins comprise. Si vous avez dépensé le même montant chaque mois pendant trois ans, il n'existe aucun contraste à partir duquel estimer un effet. Un budget stable est un cauchemar statistique.
Des ventes enregistrées proprement. Le modèle explique une série de ventes. Si cette série est incomplète ou incohérente, il expliquera très bien un chiffre faux.
La deuxième condition mérite qu'on s'y arrête, parce qu'elle est contre-intuitive. Une entreprise disciplinée, qui dépense régulièrement et sans à-coups, est plus difficile à modéliser qu'une entreprise irrégulière. Si vous envisagez sérieusement cet exercice, introduire volontairement de la variation dans les prochains trimestres est un investissement dans la mesure future.
Quand ça ne vaut pas la peine
C'est la partie qu'on vous dira rarement, parce qu'elle empêche de vendre le mandat.
Sur un budget média de quelques dizaines de milliers de dollars réparti sur deux canaux, la question de répartition ne justifie pas un modèle. La réponse tient dans une expérience simple : coupez un canal pendant huit semaines et mesurez l'effet sur vos ventes.
Sur un cycle de vente très long avec peu de ventes par an, le nombre d'observations est trop faible. Cinquante ventes par an donnent cinquante points et aucun modèle sérieux ne conclut sur cinquante points avec dix variables.
Sur une entreprise dont le seul canal significatif est la recherche payante sur son propre nom de marque, la question n'est pas de répartir un budget. Elle est de savoir si ce canal est incrémental, ce qui relève d'un test et non d'un modèle.
Un fournisseur qui propose une modélisation du mix marketing à une entreprise dans l'un de ces trois cas vend un livrable impressionnant qui ne changera aucune décision.
Un modèle produit toujours un résultat. Des courbes de saturation, des contributions par canal, une recommandation de répartition. Rien dans le livrable n'indique visuellement que les données ne permettaient pas de conclure. C'est ce qui rend cet exercice dangereux pour une entreprise trop petite : le résultat a l'air aussi solide que celui d'une grande marque.
La calibration, sans laquelle rien ne tient
Un modèle estime des effets à partir de corrélations dans le temps. Rien ne garantit que ces corrélations soient causales.
C'est pourquoi la calibration par une expérience compte autant que le modèle lui-même. Google indique d'ailleurs que son cadre intègre la calibration par des expériences d'incrémentalité comme une de ses innovations centrales. Autrement dit, la bonne pratique consiste à mesurer réellement l'effet d'un canal par un test, puis à imposer ce résultat au modèle comme point d'ancrage.
Un modèle non calibré peut attribuer un effet important à un canal qui n'en a aucun, simplement parce que sa dépense a suivi la même courbe que vos ventes saisonnières. La méthode de test est décrite dans la mesure de ce qu'une campagne ajoute vraiment.
La question à poser à tout fournisseur est donc directe : sur quelles expériences votre modèle est-il calibré ? Si la réponse est aucune, le livrable est une hypothèse bien présentée.
Ce qu'on fait à la place
Pour la majorité des PME québécoises, trois travaux produisent davantage, pour moins cher et dans le bon ordre.
D'abord, raccorder les ventes réelles aux demandes, afin de connaître le coût par vente par source. Beaucoup d'entreprises cherchent un modèle alors qu'elles ne connaissent pas encore ce chiffre de base.
Ensuite, une expérience géographique par an sur le poste de dépense le plus important. Cela donne un effet causal mesuré sur ce qui compte le plus, pour le coût d'une privation temporaire.
Enfin, introduire de la variation volontaire dans les budgets, en notant les périodes. Trois ans de cette discipline créent exactement l'historique qui rendra une modélisation possible plus tard, si votre taille le justifie un jour.
Comment choisir un fournisseur pour ce travail
Trois questions suffisent à séparer une offre sérieuse d'un livrable décoratif.
La première porte sur la calibration : sur quelles expériences le modèle sera-t-il ancré ? Un fournisseur qui répond aucune vend une corrélation bien présentée.
La deuxième porte sur l'incertitude : le livrable montrera-t-il un intervalle autour de chaque contribution estimée ? Un modèle qui ne présente que des points sans marge cache l'information dont la direction a besoin pour décider.
La troisième porte sur la propriété : à qui appartiennent le code, les séries préparées et la documentation à la fin du mandat ? Le cadre étant libre, rien ne justifie que vous repartiez sans le modèle que vous avez payé. C'est un point de contrat, pas une faveur.
Ce qu'il faut trancher avant d'engager un exercice de modélisation
Ces cinq questions déterminent si l'exercice produira une décision ou un rapport. Elles se posent au fournisseur avant la signature.
- Disposez-vous de deux à trois ans de données hebdomadaires de dépense, de ventes, de prix et de promotions ?
- Vos dépenses ont-elles suffisamment varié pour qu'un contraste existe, ou sont-elles stables depuis trois ans ?
- Combien de canaux significatifs pilotez-vous et la question de répartition se pose-t-elle ?
- Sur quelles expériences d'incrémentalité le modèle sera-t-il calibré ?
- Si le modèle recommande un déplacement de budget que vous ne pouvez pas vérifier, l'appliquez-vous et qui prend cette décision ?
Une bonne réponse parle d'historique, de variation et de calibration. Une réponse creuse parle de vision unifiée et de mesure durable. Un fournisseur qui ne vous demande pas si vos dépenses ont varié n'a pas compris ce qui rend un modèle capable de conclure.
Déterminer si votre entreprise a la taille et l'historique pour cet exercice est le genre de question qu'on tranche en audit payant.
Ce qui ne se délègue jamais : la décision budgétaire qui suivra le résultat, les données de vente réelles et l'acceptation d'une variation volontaire des dépenses. Ce qui se délègue : la préparation des séries, la construction du modèle, la calibration par expérience et la lecture des intervalles d'incertitude. Une entreprise qui a trois ans d'historique varié et un test d'incrémentalité en main obtient une répartition de budget défendable. Une entreprise à budget stable depuis trois ans obtient un joli document et la même répartition qu'avant.
L'évolution du marché publicitaire, qui déplace ces arbitrages, est chiffrée dans l'évolution des dépenses publicitaires numériques.
Ce point s'inscrit dans le plan décrit par les repères chiffrés et ce qu'ils cachent.
Décider où placer chaque dollar quand plusieurs canaux se disputent le budget est au cœur de l'objectif Générer de la demande et de la croissance.
Vous cherchez d'abord à mesurer proprement vos campagnes existantes ? Voyez notre travail en publicité payante.
Questions fréquentes sur la modélisation du mix marketing
L'outil est libre, pourquoi ça coûte cher ?
Le cadre publié par Google est effectivement libre, code et méthodologie compris. Ce qui coûte est la préparation des données, la compétence statistique nécessaire pour construire et valider un modèle et la calibration par expérience. Gratuit ne veut pas dire simple et un modèle mal construit produit quand même un résultat d'apparence solide.
Remplace-t-elle l'attribution ?
Elles répondent à deux questions différentes. L'attribution répartit un crédit entre des points de contact observés, à l'échelle d'un parcours. La modélisation estime la contribution de chaque canal à l'échelle d'une série temporelle, sans suivi individuel. La première sert au pilotage courant, la seconde à la répartition annuelle d'un budget.
Pourquoi un budget stable pose-t-il problème ?
Parce qu'un modèle estime un effet à partir de contrastes. Si votre dépense sur un canal n'a jamais bougé, il n'existe aucune situation où l'on puisse observer ce qui se passe avec plus ou avec moins. Le modèle attribuera alors l'effet de ce canal à peu près arbitrairement, avec une incertitude que le livrable ne montrera pas toujours clairement.
À partir de quelle taille est-ce pertinent ?
La question n'est pas le chiffre d'affaires mais le nombre d'observations et de canaux. Une entreprise avec plusieurs canaux significatifs, des ventes hebdomadaires nombreuses et trois ans d'historique varié est candidate. Une entreprise avec deux canaux, cinquante ventes par an et un budget constant ne l'est pas, quelle que soit sa taille.
Peut-on l'utiliser sur des ventes hors ligne ?
Oui et c'est un de ses avantages. La méthode explique une série de ventes, quelle que soit la façon dont elles ont été conclues. C'est ce qui la rend intéressante pour la fabrication et la distribution, à condition que les ventes soient enregistrées proprement et rattachables à une période.
Faut-il refaire l'exercice chaque année ?
Un modèle vieillit avec le marché, les prix et le portefeuille de canaux. Une mise à jour annuelle est raisonnable pour une entreprise qui en tire des décisions, à condition de recalibrer avec une expérience récente. Refaire un modèle sans nouvelle expérience revient à reconduire les mêmes hypothèses avec des données plus fraîches.
- Google, Meridian, solution de modélisation du mix marketing, documentation officielle, consultée en juillet 2026. Source sur le caractère libre du cadre et sur la calibration par expériences d'incrémentalité.
- Google, Description technique du paquet google-meridian, documentation officielle, consultée en juillet 2026. Source sur l'usage de données agrégées, sans témoin ni information au niveau de l'utilisateur.
- Cadre de travail Falia, observations sur l'historique nécessaire et arithmétique du coût de renoncement. Les montants et durées sont des cas de figure explicites, à refaire avec vos propres données.
C'est presque toujours Gabriel qui prend votre premier appel et qui réalise votre audit. Il construit la stratégie à partir de votre objectif de croissance : où placer votre budget, quel marché tester et comment relier chaque lead à une vente réelle dans votre CRM. Il mène surtout les accompagnements Optimiser la rentabilité de vos campagnes numériques, Développer un nouveau marché ainsi que Générer de la demande et de la croissance. Avec Geneviève, il travaille aussi le référencement (SEO), la visibilité IA (GEO) et la conversion (CRO). Les ventes d'une campagne Google Ads ou Meta Ads dépendent de la page qui reçoit le clic. Ses analyses portent surtout sur la stratégie marketing, la publicité payante et la mesure.
À propos de Falia →Trois analyses sur le même sujet
Tout Stratégie marketing →Agence spécialisée ou agence complète : ce que chaque modèle règle
Ce que vaut un audit gratuit et à partir de quand il faut payer
Étude de marché : comment la faire, étape par étape
Consultation diagnostique · Mandat payant
90 minutes sur votre rentabilité, pas sur la théorie
Vous venez de lire la méthode. La vôtre commence par vos chiffres. On regarde vos chiffres avec vous, on nomme l'écart et vous repartez avec une synthèse écrite et l'ordre de travail recommandé, que vous l'exécutiez avec nous ou non.
C'est un mandat payant, mené par l'expert qui exécute. Vous gardez le livrable, sans engagement de suite.
SEO
Publicité payante
Conversion
Visibilité IA
Conception web