Quatre régions, cinq canaux, et la grille montre ce que rapporte chaque euro dans chaque case.
Parcourez les lignes : la plupart des chiffres se répètent. La radio rapporte 4,4 partout. Le search 4,1 partout. Le prospectus 6,4 partout. Seule la TV change : 8,1 dans le Sud, 4,7 dans le Centre, avec le Nord et les îles entre les deux.
Ce n’est pas de la paresse du modèle. C’est la mise en commun partielle qui fait exactement ce pour quoi elle existe.
Voici le problème qu’elle résout. Ajustez chaque région séparément et vous obtenez quatre estimations indépendantes, chacune construite sur un quart des données, chacune avec un intervalle large, et chacune libre d’errer là où son propre bruit l’emmène. Ensuite quelqu’un construit un plan régional sur une différence qui n’a jamais existé. Ajustez-les toutes ensemble à la place, et vous obtenez un seul chiffre national qui masque toutes les vraies différences locales.
La mise en commun partielle se place entre les deux. L’estimation de chaque région est tirée vers la moyenne nationale, et la force de ce rappel dépend de la quantité de preuves qu’apporte la région et de l’ampleur réelle du désaccord entre régions. Quand un canal se comporte vraiment différemment selon la région, les estimations se séparent. Quand l’écart apparent reste dans ce que le bruit produirait, elles se resserrent sur le chiffre national.
Cette grille est donc une carte des endroits où il existe une preuve locale. La TV en a une. Les quatre autres canaux n’en ont pas, sur ce fichier, avec cette longueur d’historique.
Ce que cela signifie pour un plan est direct. Vous achetez la TV par région, parce que la différence est réelle et vaut 3,4 points de rendement entre la meilleure et la moins bonne. Vous achetez le reste au national, parce que les différences régionales sur lesquelles vous planifieriez ne se distinguent pas du bruit.
C’est un plan beaucoup plus court et beaucoup plus sûr que celui qu’auraient produit quatre régressions séparées.
L’exigence pratique tient en une colonne. Le même fichier hebdomadaire que pour un modèle national, avec une colonne de région, de ville, de groupe de magasins ou de segment en plus, et assez de périodes par segment pour que chacun ait quelque chose à dire. Quatre régions sur 104 semaines, cela fait 416 lignes, ce qui est confortable.
Ce qu’il vous rend, c’est une décision que la plupart des équipes prennent à l’instinct chaque année : à quel point le plan doit-il être local. L’instinct répond en général par l’organigramme, parce qu’il existe une équipe régionale, ou par la demande la plus bruyante. La variance des données y répond autrement, et à moindre coût.
Et quand la grille revient entièrement uniforme, c’est aussi un résultat. Cela veut dire que le plan national est le bon, et que vous pouvez cesser de consacrer du temps de management à des exceptions régionales que le marché ne justifie pas.
Le graphique est le résultat réel du module MMM géo / segment dans TEA, obtenu sur un fichier d’exemple que chacun peut télécharger.
tea, le produit
Votre fichier, cette question
Quinze analyses sur un CSV de données hebdomadaires, avec les intervalles et les diagnostics sous les yeux, et une phrase claire quand les données ne peuvent pas répondre. Gratuit pendant la bêta, sur invitation.
Demander une place dans la bêta→tea, le produit
Quinze analyses économétriques sur votre propre CSV : MMM géo / segment, courbes de saturation, élasticités, allocation budgétaire. Les intervalles et les diagnostics sous les yeux, et une phrase claire quand le fichier ne peut pas répondre.
Gratuit pendant la bêta, sur invitation.
Demander une place dans la bêta →Cet article vous a plu ? Lancez l’analyse sur vos propres données.
TEA lance MMM géo / segment et quatorze autres analyses sur n’importe quel CSV hebdomadaire, en quelques minutes. Gratuit pendant la bêta, sur invitation.