Google Meridian MMM : déployer le package open source pas à pas

Consultante Data Scientist au sein de la practice Data x IA Transformation at scale de Converteo, Nouhaïla Bakkali accompagne nos clients dans la modélisation de leur performance et l’optimisation de leurs leviers de croissance. Elle conçoit des écosystèmes de modèles complexes pour transformer des données massives en stratégies business concrètes et exploitables.

À retenir

• Un package open source qui vous garantit la neutralité de l’étude : un package open source comme Meridian n’est pas une boîte noire propriétaire ou influencée par Google. Vous exécutez le code entièrement en local ou sur votre infrastructure cloud privée. Ainsi aucune donnée de performance ou de dépense ne sort de votre environnement.
• Configurer ce modèle bayésien avec des connaissances métiers réelles : n’utilisez pas de priors par défaut uniformes lors de la phase d’apprentissage du modèle. Calibrez les distributions a priori en vous appuyant sur des tests d’incrémentalité récents ou sur vos données pour accélérer la convergence des chaînes MCMC.
• Nouveau chez Meridian : Imbriquez deux modèles pour capturer les effets long terme : n’évaluez pas l’impact des médias de haut de tunnel (awareness) uniquement sur les conversions directes. Imbriquez des sous-modèles dédiés aux indicateurs intermédiaires (comme le volume de recherches de marque ou la notoriété) pour refléter fidèlement l’effet en cascade sur le chiffre d’affaires.

Qu’est-ce que le package Google Meridian et pourquoi succède-t-il à LightweightMMM ?

Google Meridian est un framework de MMM open source développé en Python, conçu pour mesurer l’efficacité incrémentale des investissements marketing grâce à une approche statistique bayésienne. Publié en 2024, il succède officiellement au package LightweightMMM lancé en 2021, qui souffrait de limites structurelles en matière de personnalisation, d’extensibilité et de support technique.

Meridian résout les faiblesses de son prédécesseur en perfectionnant la modélisation hiérarchique à l’échelle géographique : là où LightweightMMM supportait déjà le geo-level mais avec une hiérarchie limitée, Meridian introduit une hiérarchie complète : variables de contrôle hiérarchiques, effets fixes par géographie et par période, et prise en charge d’un nombre bien plus élevé de zones. S’y ajoutent une décomposition fine entre la couverture (reach) et la fréquence pour les leviers vidéo, ainsi qu’une architecture bayésienne plus flexible. Le code source est entièrement public.

L’exécution du code se fait intégralement en local ou dans l’environnement cloud de l’annonceur. Cette étanchéité garantit qu’aucune donnée d’entrée, paramétrisation ou donnée de sortie n’est transmise à Google, préservant ainsi la gouvernance et la neutralité des modélisations.

Quelles sont les innovations clés de l’architecture technique de Meridian ?

L’architecture de Google Meridian repose sur quatre piliers méthodologiques avancés qui étendent les capacités traditionnelles de la régression multivariée :

1. La modélisation géographique (Geo-level modeling) : le package permet de découper les séries temporelles par zones géographiques (états, régions ou zones de chalandise) plutôt que de s’en tenir à une agrégation nationale. Cette granularité accrue démultiplie le nombre de points d’observation et affine la précision de l’estimation des coefficients.
2. La décomposition Reach / Frequency : sur les leviers vidéo et digitaux comme YouTube, le modèle isole l’impact du nombre d’utilisateurs uniques touchés (couverture) de la répétition moyenne du message (fréquence), permettant d’identifier la saturation spécifique liée à la surexposition.
3. Le moteur bayésien natif : Meridian s’appuie sur TensorFlow Probability, exécuté depuis septembre 2026 sur un backend JAX par défaut, nettement plus rapide à l’estimation. Là où une régression classique renvoie une valeur unique par coefficient, l’approche bayésienne renvoie une distribution de valeurs plausibles, reconstruite par simulation : un échantillonneur No-U-Turn Sampler (NUTS), variante des méthodes de Monte-Carlo par chaînes de Markov (MCMC), explore l’espace des paramètres en s’attardant sur les combinaisons qui expliquent le mieux les données. On obtient ainsi non pas un ROI ponctuel par levier, mais un ROI assorti de son intervalle de crédibilité l’information qui dit si l’écart entre deux canaux est réellement établi ou relève du bruit statistique.
4. La prise en compte du contexte métier (Priors) : le modélisateur définit précisément la distribution initiale des variables explicatives en intégrant des connaissances préalables issues du marché ou d’expérimentations terrain.

Comment calibrer le modèle Meridian avec des tests d’incrémentalité via GeoX ?

La calibration d’un modèle MMM bayésien consiste à utiliser les résultats d’expérimentations causales de courte durée pour ajuster les distributions a priori (priors) du modèle économétrique global. Le package Meridian s’interface nativement avec GeoX (Google Open Experiments), la librairie dédiée à la conception et l’analyse de tests d’incrémentalité géolocalisés (geo-testing).

Un test d’incrémentalité mesure l’impact causal d’une campagne en comparant une population exposée sur une zone géographique donnée à une population témoin non exposée. Le résultat obtenu fournit une estimation statistique précise de l’effet incrémental du levier sur la période du test.

Meridian intègre ces résultats d’expérimentation de deux manières distinctes :

• En calibration amont (Cold Start) : la valeur d’incrémentalité mesurée par GeoX est injectée comme moyenne de la distribution a priori (prior) du levier correspondant. Cela permet de guider l’apprentissage du modèle sur des leviers récents ou faiblement représentés dans l’historique.
• En validation aval : les prédictions du modèle sur une période récente sont comparées aux données réelles mesurées par le géotest afin de valider la cohérence des hypothèses sans altérer l’équation d’origine.

À ce stade, on se demande souvent s’il convient de propager les résultats d’un test de trois semaines sur l’ensemble des trois ans d’historique de modélisation. La réponse est négative : l’expérimentation terrain doit servir de point d’ancrage local ou de test de résistance, et non de contrainte rigide sur de longues séries temporelles.

Pourquoi et comment mettre en œuvre un Full-Funnel MMM dans Meridian ?

Les modèles de MMM traditionnels échouent fréquemment à mesurer la contribution des campagnes de notoriété (awareness) ou de marque à long terme, car ces activations n’engendrent pas de conversions immédiates directes mais alimentent le volume des recherches organiques et la notoriété globale. Meridian résout ce biais grâce au Full-Funnel MMM, une approche en deux étapes (two-stage model), que l’on désigne aussi par modèles imbriqués (nested models).

Le principe : une variable intermédiaire, typiquement le volume de requêtes de marque, ou bGQV (Branded Google Query Volume) est à la fois médiatrice du marketing de marque et confondante pour les leviers de bas de tunnel, en particulier le search. Un modèle unique ne peut donc pas l’intégrer sans biaiser les estimations. Meridian la modélise dans un premier modèle, puis l’injecte comme variable explicative dans le modèle principal de chiffre d’affaires.

• Étape 1 : Modélisation de l’indicateur intermédiaire

Le Data Scientist isole une variable d’impact long terme (par exemple le volume de requêtes de marque sur les moteurs de recherche ou un score de notoriété spontanée) et la modélise en fonction des investissements médias de haut de tunnel (TV, presse, vidéos de notoriété).

• Étape 2 : Cascading dans le modèle principal de ventes

L’indicateur intermédiaire modélisé est intégré comme variable explicative dans le modèle principal de vente. Le coefficient attribué à cette variable permet de calculer l’effet indirect des médias de haut de tunnel sur le chiffre d’affaires.

Cette approche décompose le retour sur investissement (ROI) global d’un levier en deux composantes calculables : un ROI direct à court terme et un ROI indirect à long terme, mesuré par la cascade d’impact sur le parcours d’achat.

Comment automatiser la préparation des données et exploiter les interfaces de restitution de Meridian ?

La préparation des données (feature engineering) constitue la phase la plus chronophage d’un projet MMM. Le framework Meridian requiert la structuration de matrices de données standardisées regroupant les métriques média (impressions, clics, dépenses, couverture, fréquence), les variables non-média (prix, promotions, distribution) et les facteurs exogènes (saisonnalité, tendance, indicateurs macro-économiques).

Pour accélérer l’analyse et la restitution auprès des équipes métier, Meridian embarque nativement des modules de visualisation et le Meridian Scenario Planner, qui s’exécutent en local et transforment les sorties d’échantillonnage MCMC en représentations graphiques, certaines interactives :

• Analyse de décomposition de la performance : visualisation de la cascade de contribution identifiant la baseline et l’apport de chaque levier.
• Courbes de saturation marginale : représentation visuelle des rendements décroissants pour repérer les canaux en sur-investissement ou sous-investissement.
• Module d’optimisation budgétaire sous contrainte : simulateur intégré permettant de définir un budget global et d’obtenir la ventilation optimale recommandée par le modèle pour maximiser le chiffre d’affaires.
• À noter : Google développe par ailleurs Meridian Studio, une plateforme entreprise hébergée sur Google Cloud destinée à industrialiser et gouverner des modèles à grande échelle. Elle est distincte du package open source et n’est pas encore généralement disponible : un programme pilote sur invitation est en cours jusqu’à fin 2026.

Quelle est la portée de l’interconnexion entre Google Meridian et Google Analytics ?

L’intégration en cours de développement entre Google Meridian et Google Analytics vise à rapprocher au sein d’un même environnement de décision la mesure par attribution (Multitouch Attribution – MTA) et la mesure économétrique par modélisation.

Cette passerelle technique offre deux cas d’usage principaux pour les Data Scientists et les équipes d’analyses :

1. L’ingestion automatisée des signaux digitaux : l’extraction directe des données de dépenses, d’impressions et de trafic depuis l’infrastructure Google Analytics simplifie l’alimentation des pipelines de données amont de Meridian.
2. La comparaison des méthodologies : l’affichage côte à côte des performances attribuées (MTA) et des contributions incrémentales estimées (MMM) permet d’identifier les écarts systématiques de sur-attribution ou de sous-attribution sur les canaux digitaux.

Bien que présentées au sein d’une même interface, les deux approches reposent sur des fondements méthodologiques distincts. Le MTA mesure des associations déterministes sur des parcours utilisateurs identifiés, tandis que Meridian évalue la causalité macroéconomique globale.

FAQ