Décisions budgétaires plus intelligentes avec NNN de Google : ce que les dirigeants marketing devraient savoir

Google dévoile sa dernière innovation en matière de mesure média : un outil conçu sur-mesure pour les marketeurs qui refusent de se contenter d'approximations et veulent comprendre ce qui fonctionne vraiment.

À l'heure où la croissance des budgets marketing ralentit et où démontrer le retour sur investissement devient une obsession, se limiter aux montants dépensés et aux canaux utilisés relève de l'insuffisant. Les vraies interrogations portent désormais sur :

👉 Quels sont les canaux qui rapportent réellement ?

👉Quels contenus créatifs génèrent le plus de résultats ?

👉 Comment ces différents leviers interagissent-ils sur la durée ?

Le Marketing Mix Modeling (MMM) a longtemps été l'une des façons les plus fiables de répondre à cela. Il aide les marketeurs à comprendre comment différents canaux média contribuent aux résultats business — sans dépendre du tracking au niveau utilisateur. Maintenant, avec le lancement de NNN (Next-Gen Neural Network), Google introduit une nouvelle approche du MMM qui pourrait remodeler la façon dont les marques pensent l'attribution et l'allocation budgétaire.

Le Problème avec le MMM Traditionnel

Les modèles MMM traditionnels — qu'ils soient linéaires ou bayésiens — ont leurs forces. Ils sont interprétables, fonctionnent bien avec les données historiques, et offrent des orientations directionnelles sur ce qui génère du ROI. Mais ils présentent aussi des limites.

Concrètement, ils voient chaque canal de façon isolée avec un impact direct et immédiat. Ils ratent ainsi l'effet domino du marketing : quand une pub TV pousse les consommateurs à chercher votre marque sur Google, ce qui améliore ensuite vos performances sur les annonces payantes. Ces interactions subtiles mais cruciales leur échappent.

Les modèles traditionnels ont aussi tendance à traiter toutes les impressions dans un canal de la même façon. Que vous diffusiez une publicité vidéo à fort impact ou une bannière display oubliable, le modèle pourrait juste voir "X milliers d'impressions" et les traiter de façon égale.

Voici NNN : Une approche plus riche

NNN est la solution proposée par Google à ces lacunes. Il intègre des réseaux de neurones basés sur des transformers, similaires à ceux utilisés dans les modèles IA modernes, et les applique au cas d'usage MMM. L'idée est d'aller au-delà des relations statistiques de base et d'entraîner plutôt un modèle qui peut apprendre les façons complexes et non-linéaires dont les médias fonctionnent à travers le temps et les canaux. De plus, en incluant le composant de base des Large Language Models (LLM) récents, il est capable d'encoder et d'analyser même des données non numériques.

Au lieu de se limiter à des données basiques comme "budget TV hebdomadaire", NNN analyse des informations bien plus détaillées : le contenu créatif utilisé, l'évolution des recherches naturelles, ou encore les effets croisés entre canaux. Résultat : le modèle ne se contente plus de comptabiliser vos investissements — il décrypte votre message, identifie vos points de contact et mesure l'engagement généré.

Une autre caractéristique clé est la capacité de NNN à capturer les effets retardés et indirects. Là où les modèles traditionnels peuvent donner la plupart du crédit aux canaux qui apparaissent directement avant une vente, NNN peut retracer comment l'activité de marque antérieure peut avoir influencé les résultats éventuels — une capacité cruciale pour les marketeurs full-funnel.

Quand NNN est-il utile ?

Cette approche de modélisation ne convient pas à tous les profils d'entreprises. D'après les informations disponibles, NNN s'adresse prioritairement aux grands annonceurs qui disposent de :

• Des budgets média substantiels (typiquement 1M CHF+ annuellement)

• Un mix complexe de canaux (ex: TV, vidéo, recherche, social)

• Des créations et messages diversifiés

• Un accès fiable aux données historiques de performance et de recherche

Si votre approche se concentre sur des actions marketing directes avec des objectifs à court terme et quelques canaux, le MMM traditionnel répond parfaitement à vos besoins. Mais dès que vous orchestrez des campagnes complexes qui mélangent notoriété et conversion sur plusieurs marchés et leviers, le NNN devient précieux pour démêler ce qui génère réellement vos résultats.

MMM traditionnel vs NNN — En un coup d'œil

Ce que cela signifie pour la planification budgétaire

Pour les directeurs marketing, la question principale est simple : comment cela va-t-il m'aider à mieux planifier ?

NNN promet des analyses plus fines et plus fidèles à la réalité — particulièrement quand les canaux interagissent entre eux et que les médias produisent des effets durables. Concrètement : des recommandations budgétaires plus précises, une identification claire des créations performantes, et la capacité à valoriser les canaux d'investissement long terme même sans conversion immédiate.

Plutôt que de demander "qu'est-ce qui nous a donné le dernier clic", NNN aide à répondre "qu'est-ce qui a réellement poussé les gens vers l'achat dans le temps". Et dans un monde où l'attribution marketing est de plus en plus fragmentée, c'est une perspective puissante.

Le hic ? Il n'est pas plug-and-play

NNN, comme la plupart des modèles neuraux, est complexe. Il n'est pas disponible dans les outils d'analytique prêts à l'emploi, et l'implémentation nécessiterait des ressources en data scientist, une préparation réfléchie des données, et pas mal d'infrastructure. On peut s'attendre à ce que Google fournisse une infrastructure similaire à Meridian une fois que le modèle sera ouvert au public.

Il ne s'agit pas forcément d'un frein — plutôt d'une précision importante : NNN tire sa valeur de sa capacité d'adaptation et de sa richesse analytique, non de sa simplicité d'usage. Pour les grandes marques disposant de l'infrastructure adéquate, le retour sur investissement peut largement justifier l'effort.

Conclusion

NNN constitue une avancée majeure pour l'évaluation des performances marketing. Son rôle n'est pas de remplacer les méthodes MMM existantes, mais d'ouvrir de nouveaux horizons analytiques pour les professionnels qui recherchent une compréhension approfondie des leviers d'efficacité.

Alors que les stratégies média deviennent plus complexes et que les réglementations sur la vie privée évoluent, des outils comme NNN joueront probablement un rôle plus important dans l'orientation des décisions. Pour l'instant, c'est une opportunité de commencer à repenser comment nous définissons la performance — et de planifier plus intelligemment avec les données que nous avons déjà.

‍

Vous souhaitez définir la stratégie de modélisation la plus adaptée à votre marque ? Contactez notre équipe d'experts pour une des conseils personnalisés