Rejoignez la nouvelle communauté
Discord pour discuter en temps réel, obtenir l'aide de vos pairs et communiquer directement avec l'équipe Meridian.
À propos de la MMM en tant méthodologie d'inférence causale
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Tenez compte des généralisations suivantes concernant la modélisation du mix marketing (MMM, Marketing Mix Modeling) en tant que méthodologie d'inférence causale :
MMM est un outil d'inférence causale qui permet d'estimer l'impact du niveau et de la répartition de votre budget publicitaire sur les KPI. Les insights issus de la MMM, tels que le ROI et les courbes de réponse, donnent une interprétation causale claire, et la méthodologie de modélisation doit être adaptée à ce type d'analyse.
Le framework d'inférence causale offre des avantages importants, qui constituent aussi des composants essentiels de toute analyse MMM valide et interprétable :
Le ROI et les autres estimands causaux sont clairement définis à l'aide de la notation des résultats potentiels, qui est à la fois intuitive et mathématiquement rigoureuse.
Les hypothèses nécessaires peuvent être déterminées et rendues transparentes. Tous les modèles nécessitent des hypothèses pour fournir des estimations valides des estimands causaux.
Chacun sait que les tests aléatoires sont considérés comme le moyen idéal d'estimer les effets de causalité. Cependant, la MMM est un exemple d'inférence causale à partir de données d'observation.
La MMM présente des avantages importants par rapport aux tests :
Dans le cas de la publicité, de nombreuses conceptions expérimentales nécessitent des données individuelles au niveau de l'utilisateur qui ne respectent pas les normes de confidentialité actuelles. La MMM utilise des données d'observation à un niveau agrégé qui respecte la confidentialité.
Les tests sont souvent difficiles à réaliser pour des raisons de coût et de praticité.
En revanche, les données d'observation sont facilement accessibles.
Les tests sont généralement conçus pour estimer une quantité spécifique. Dans la publicité, par exemple, un test géographique peut être conçu pour estimer le ROAS d'un canal spécifique, comme la TV. Un modèle d'inférence causale, tel que la MMM, peut fournir de nombreux insights comme le ROI pour chaque canal média, des courbes de réponse complètes et la répartition du budget, sans avoir besoin d'une conception de test complexe et rigoureuse qui pourrait s'avérer peu pratique.
Hypothèses testables et non testables
La MMM étant basée sur des données d'observation, elle nécessite des hypothèses statistiques qui ne sont pas nécessaires pour la plupart des tests. Ces hypothèses peuvent être classées comme non testables et testables.
Pourquoi ces hypothèses sont-elles importantes d'un point de vue pratique ? Plusieurs modèles peuvent être bien adaptés et offrir de bonnes performances prédictives, mais fournir des résultats différents en termes de ROI et d'optimisation, ce qui complique le choix du meilleur modèle.
Hypothèses non testables
Une condition appelée "échangeabilité conditionnelle" constitue la principale hypothèse non testable requise pour qu'un modèle de régression MMM fournisse des résultats d'inférence causale précis. Cette condition n'est pas testable, car il n'existe aucun moyen statistique de déterminer sa validité uniquement à partir de données d'observation.
En général, l'échangeabilité conditionnelle signifie que l'ensemble de variables de contrôle :
inclut toutes les variables pouvant prêter à confusion, qui affectent causalement l'exécution média et le KPI ; et
exclut toutes les variables médiatrices, qui sont situées dans le chemin causal entre le média et le KPI.
Un diagramme causal peut être utilisé pour justifier l'hypothèse d'échangeabilité conditionnelle. Il doit s'appuyer sur les connaissances d'experts du domaine, car il n'existe aucun test statistique permettant de déterminer la structure appropriée du diagramme à partir de données d'observation uniquement.
En réalité, l'hypothèse d'échangeabilité n'est jamais parfaitement respectée. Le principe classique s'applique : "tous les modèles sont faux, mais certains sont utiles".
Hypothèses testables
Les hypothèses testables incluent tout ce qui concerne la structure mathématique du modèle. Prenez en compte ces éléments :
Comment les effets média sont-ils représentés dans le modèle, y compris les effets différés et la diminution des rendements ?
Comment les variables de contrôle sont-elles modélisées ? Des transformations non linéaires sont-elles requises ?
Comment la tendance et la saisonnalité sont-elles modélisées ?
Les hypothèses testables peuvent être évaluées dans une certaine mesure par des métriques de qualité d'ajustement, y compris des métriques de prédiction (coefficient de détermination hors échantillon, par exemple).
Toutefois :
Les métriques de qualité d'ajustement ne donnent pas une image complète de la qualité d'un modèle pour l'inférence causale. Il est probable que le meilleur modèle dans ce domaine soit différent du meilleur modèle pour la prédiction.
Plus vous comparez de modèles candidats, plus le risque de surapprentissage est élevé. Par exemple, le meilleur modèle n'est pas celui qui semble présenter le meilleur ajustement hors échantillon.
Il n'existe aucun seuil pour le coefficient de détermination ou d'autres métriques qui déterminent si un modèle est bon ou mauvais. Un modèle ayant un coefficient de détermination hors échantillon de 99 % peut malgré tout être peu performant pour l'inférence causale.
Conclusions
Il n'existe pas de solution idéale pour la MMM, qui découle des principes fondamentaux de l'inférence causale à partir de données d'observation. Nous recommandons à tous les professionnels de la MMM d'avoir une réflexion critique dans un framework d'inférence causale, qu'ils utilisent Meridian ou une autre solution. La mission de Meridian est de vous fournir les informations les plus claires possible sur votre MMM, son fonctionnement et la manière d'interpréter vos résultats.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/08/04 (UTC).
[null,null,["Dernière mise à jour le 2025/08/04 (UTC)."],[[["\u003cp\u003eMarketing Mix Modeling (MMM) is a causal inference methodology used to estimate the impact of advertising spending on key performance indicators (KPIs) like ROI.\u003c/p\u003e\n"],["\u003cp\u003eMMM leverages observational data, making it advantageous for privacy, cost-effectiveness, and generating diverse insights compared to randomized experiments.\u003c/p\u003e\n"],["\u003cp\u003eThe accuracy of MMM relies on assumptions, categorized as testable (model structure) and untestable (conditional exchangeability, requiring domain expertise), impacting model selection.\u003c/p\u003e\n"],["\u003cp\u003eWhile achieving a perfect MMM solution is unrealistic, adopting a causal inference framework is crucial for understanding model functionality and result interpretation.\u003c/p\u003e\n"],["\u003cp\u003eMeridian aims to provide transparency by emphasizing the importance of understanding MMM principles and assumptions for informed decision-making.\u003c/p\u003e\n"]]],[],null,["# About MMM as a causal inference methodology\n\nConsider the following generalizations about marketing mix modeling (MMM) as a\ncausal inference methodology:\n\n- MMM is a causal inference tool for estimating the impact your advertising\n budget level and allocation have on KPI. MMM-derived insights such as ROI\n and response curves have a clear causal interpretation, and the modeling\n methodology must be appropriate for this type of analysis.\n\n- The causal inference framework has important benefits, which are also\n critical components of any valid and interpretable MMM analysis:\n\n - ROI and other causal estimands are clearly defined using potential\n outcomes notation, which is both intuitive and mathematically rigorous.\n\n - Necessary assumptions can be determined and made transparent. All models\n require assumptions to provide valid estimates of the causal estimands.\n\n- It is common knowledge that randomized experiments are considered the ideal\n way to estimate causal effects. MMM, however, is an example of causal\n inference from observational data.\n\n- MMM has important advantages over experiments:\n\n - In the case of advertising, many experimental designs require individual\n user-level data that does not meet modern privacy standards. MMM uses\n observational data at an aggregate level that is privacy safe.\n\n - Experiments are often difficult to run due to cost and practicality.\n Observational data, on the other hand, is readily obtainable.\n\n - Experiments are typically designed to estimate one specific quantity. In\n advertising, for example, a geo experiment might be designed to estimate the\n ROAS of a specific channel such as TV. A causal inference model, such as\n MMM, can provide many insights such as ROI for every media channel, full\n response curves, and budget allocation without needing a complex and\n rigorous experimental design that might be impractical.\n\nTestable and untestable assumptions\n-----------------------------------\n\nBecause MMM is based on observational data, it requires statistical assumptions\nthat are not necessary for most experiments. These assumptions can be\ncategorized as\n[untestable](/meridian/docs/basics/about-mmm-causal-inference-methodology#untestable_assumptions)\nand\n[testable](/meridian/docs/basics/about-mmm-causal-inference-methodology#testable_assumptions).\n\nWhy do these assumptions matter from a practical standpoint? Multiple models can\nhave good fit and predictive power yet provide different ROI and optimization\nresults, therefore making it difficult to choose the best model.\n\n### Untestable assumptions\n\n- A condition known as conditional exchangeability is the main untestable\n assumption required for an MMM regression model to provide accurate causal\n inference results. This condition is untestable because there is no\n statistical way to determine its validity purely from observational data.\n\n- Generally, *conditional exchangeability* means that the control variable set\n both:\n\n - Includes all confounding variables, which are variables that causally\n affect both media execution and KPI, and\n\n - Excludes any mediator variables, which are variables that lie in the\n causal pathway between media and KPI\n\n- A causal graph can be used to justify the conditional exchangeability\n assumption. The causal graph must be constructed based on expert domain\n knowledge, as there is no statistical test to determine the correct graph\n structure purely from observational data.\n\n- In reality, the exchangeability assumption is never perfectly met. The\n classic principle applies that \"all models are wrong but some are useful\".\n\n### Testable assumptions\n\n- Testable assumptions include anything related to the mathematical structure\n of the model. Consider:\n\n - How are media effects represented in the model, including lagged effects\n and diminishing returns?\n\n - How are control variables modeled? Are nonlinear transformations\n required?\n\n - How are trend and seasonality modeled?\n\n- Testable assumptions can be evaluated to a certain extent by goodness of fit\n metrics, including prediction metrics such as out-of-sample R-squared.\n However:\n\n - Goodness of fit metrics don't give a complete picture of how good a\n model is for causal inference, and it is likely that the best model for\n causal inference is different from the best model for prediction.\n\n - The more candidate models you are comparing, the higher the risk of\n overfitting. For example, the best model is not the one that appears to\n have the best out-of-sample fit.\n\n - There is no threshold for R-squared or other metrics that makes a model\n good or bad. A model with 99% out-of-sample R-squared can still be a\n poor model for causal inference.\n\nConclusions\n-----------\n\nThere is no absolute best solution to MMM, which follows from the fundamental\nprinciples of causal inference from observational data. We recommend that all\nMMM practitioners think critically about MMM within a causal inference\nframework, regardless of whether you use Meridian\nor any other solution. The mission of Meridian is to provide you with\nthe utmost clarity about what your MMM is, how it works, and how you should\ninterpret your results."]]
