Google Meridian Scenario Planner : le MMM sans code

Le marketing mix modeling a longtemps été réservé aux grandes entreprises avec une équipe data science maison. Lancer un MMM, ça demandait de savoir coder en R ou Python, maîtriser la régression bayésienne, et transformer des outputs techniques en recommandations budget compréhensibles par la direction marketing. Résultat : selon Harvard Business Review, près de 40 % des organisations qui utilisent un MMM n'arrivent pas à en tirer des décisions concrètes. Google a lancé le Scenario Planner pour Meridian le 19 février 2026 pour combler exactement ce fossé.

Ce qu'est Meridian (et pourquoi ça compte)#

Meridian est le framework MMM open source de Google, disponible depuis 2024. Il repose sur une modélisation bayésienne qui intègre nativement les données Google Ads pour calibrer le modèle, ce qui le distingue des approches MMM purement tierces. Il est conçu pour quantifier la contribution réelle de chaque canal media sur les ventes, indépendamment de la saturation du signal last-click qui déforme l'attribution classique.

Concrètement : si vous dépensez 100 000 euros entre Google Ads, Meta, TV et influenceurs, Meridian vous dit combien chaque canal a réellement contribué aux conversions, en tenant compte des effets cumulés, du carryover et des interactions cross-canal. Ce n'est pas une attribution multi-touch, c'est une mesure incrémentale de l'efficacité media.

Des marques comme Asos, Urban Outfitters et Shopify ont déjà adopté Meridian dans leur stack mesure. La barrière était la mise en œuvre technique. Le Scenario Planner change ça.

Ce que fait concrètement le Scenario Planner#

Le Scenario Planner est une interface no-code construite sur les outputs Meridian. Une fois votre modèle MMM exécuté (ce qui nécessite encore un minimum de setup data), l''outil vous permet de :

Tester des scénarios budget en temps réel : augmentez ou diminuez l'allocation sur un canal et voyez l'impact prévu sur le ROI global en quelques secondes
Comparer des plans media : confrontez un plan "défensif" (budget stable, réallocation) à un plan "agressif" (hausse investissement) et quantifiez le delta attendu
Générer des estimations ROI par canal : chaque canal reçoit une courbe de réponse qui modélise le rendement marginal, visible sans écrire une seule ligne de code
Collaborer cross-équipe : la direction marketing peut travailler directement dans l'outil sans passer par un data scientist pour interpréter les sorties

La proposition de valeur est claire : transformer le MMM d'un outil de reporting rétrospectif en un outil de planification prospectif, accessible à toute l'équipe media.

L'apport réel par rapport à l'attribution classique#

Le MMM et l'attribution multi-touch ne mesurent pas la même chose. L''attribution classique (last-click, data-driven) travaille au niveau de la session et du parcours individuel. Elle capte les canaux visibles dans les cookies et les clics. Elle sous-estime systématiquement les canaux qui jouent en amont de la décision : TV, podcast, display brand, influenceurs.

Le MMM fonctionne sur des données agrégées et des séries temporelles. Il corrèle l'évolution des dépenses media avec l'évolution des ventes sur 2 à 3 ans, en contrôlant les variables externes (saisonnalité, météo, concurrence). Il capte des effets que l'attribution ne voit pas, notamment le carryover : l'effet d'une campagne TV peut se sentir jusqu'à 6 semaines après la diffusion.

En 2026, la combinaison MMM + attribution est devenue la norme pour les annonceurs qui dépensent plus de 500 000 euros annuels en media. Le MMM calibre la vue macro (quelle enveloppe par canal ?) et l'attribution affine la vue micro (quelle creative, quel segment, quel moment ?). C'est exactement le type de stack mesure documenté dans notre article sur l'attribution marketing et la compréhension du parcours client.

Les limites à connaître avant de vous lancer#

Le Scenario Planner ne supprime pas la complexité du MMM, il la cache derrière une interface. Quelques points à avoir en tête :

La qualité du modèle dépend de vos données d'entrée. Si vos données de dépenses historiques sont incomplètes, fragmentées ou mal taguées, le modèle produit des courbes de réponse erronées. Garbage in, garbage out reste valide même avec une belle interface.

Le Scenario Planner travaille sur un modèle déjà entraîné. L'étape MMM elle-même (préparation des données, entraînement du modèle, validation) nécessite toujours une compétence technique. Le no-code concerne l'exploitation des résultats, pas la production du modèle.

Les intervalles de confiance sont larges sur les petits budgets. Meridian est bayésien : il donne des distributions de probabilité, pas des chiffres fixes. Sur des canaux avec peu de données historiques ou des budgets faibles, les fourchettes de ROI estimé peuvent être très larges et donc peu actionnables.

Le biais Google. Meridian utilise les données Google Ads pour calibrer le prior bayésien. C'est une aide à la convergence du modèle, mais ça soulève une question légitime sur la neutralité des estimations pour les canaux non-Google.

Comment l'intégrer dans votre pratique mesure#

Si vous êtes déjà utilisateur de Google Analytics 4 et Google Ads avec un historique de 2 ans minimum, voici la séquence logique :

Audit de vos données media : centralisez les dépenses hebdomadaires par canal (offline inclus si vous en avez) sur 24 mois minimum. Plus la fenêtre est longue, plus le modèle est robuste.
Setup Meridian : la documentation Google pour développeurs couvre l'installation. Il vous faudra un data scientist ou une agence MMM pour cette étape.
Connectez vos données de conversion : GA4 en source principale, complété par les données CRM pour les ventes offline si applicable.
Exploitez le Scenario Planner pour les arbitrages budget trimestriels et les réponses rapides aux questions "que se passe-t-il si je coupe 20 % sur Meta ?"

Pour les équipes qui ne peuvent pas encore investir dans un setup MMM complet, commencez par des tests d'incrémentalité canal par canal. C'est moins complet qu'un MMM mais ça donne une base factuelle sur l'efficacité marginale de vos canaux. L'outil s'inscrit dans une logique plus large de mesure post-cookie documentée dans notre guide sur le server-side tracking et la first-party data.

En parallèle, le Privacy-first analytics reste un complément indispensable pour les marketeurs qui veulent mesurer sans dépendre des cookies tiers.

Ce que ça change pour les équipes marketing en 2026#

Le lancement du Scenario Planner valide une tendance de fond : la mesure marketing se démocratise. Les outils qui étaient réservés aux directions data des grands annonceurs descendent vers les équipes marketing opérationnelles. Google fait ici le même mouvement que ce qu'il a fait avec Analytics 4 : ouvrir des capacités de modélisation avancées sans nécessiter de compétences statistiques.

Ce n'est pas anodin : MMM est actuellement la méthodologie de mesure qui voit la plus forte progression d'investissement, devant l'incrementality testing et l'attribution multi-touch, selon les données Emarketer 2026. La fenêtre post-cookies pousse les marketeurs vers des approches agrégées qui ne dépendent pas du tracking individuel.

Si vous gérez un budget media de 200 000 euros ou plus annuellement et que vous n'avez pas encore de vue MMM sur votre mix, c'est le moment de démarrer. Le Scenario Planner ne fait pas le travail à votre place, mais il rend la valeur de ce travail enfin accessible à toute votre équipe.