MMM vs MTA en B2B SaaS : le budget 2026 sera hybride

Pourquoi un attribution model classique ne mesure pas ce qu'il prétend mesurer sur un cycle B2B SaaS de neuf mois ? Parce que la mécanique sous le capot est inadaptée au timing. Le multi-touch attribution (MTA) reconstruit le parcours d'un lead via des cookies et identifiants déterministes. Sur un funnel B2B où le first touch (white paper LinkedIn) précède le closing de 270 jours, la moitié des touchpoints sortent du fenêtre de regard (90 jours en moyenne), et le navigateur a souvent purgé les cookies depuis longtemps. Le résultat : un score d'attribution faussement attribué à la dernière interaction (souvent un retargeting Google Ads), avec un signal-prix qui pilote le mauvais budget. Pour planifier 2026, le réflexe pragmatique est de combiner MTA (granularité quotidienne) et MMM Bayésien (vision macro plurimestrielle). Google a open-sourcé Meridian en 2024 et l'a démocratisé en 2025 ; le moment est venu de tester l'architecture hybride.

Le multi-touch attribution part d'un postulat simple : chaque conversion peut être attribuée à une chaîne ordonnée de touchpoints, pondérés selon un modèle (linéaire, time-decay, position-based, U-shape, ou data-driven sur Google Ads). En B2C avec un cycle d'achat de quelques heures, ce modèle fonctionne correctement. En B2B SaaS avec un cycle médian de 90 à 270 jours, trois ruptures cassent la mécanique.

D'abord, la fenêtre de tracking. Safari ITP, Firefox ETP et désormais Chrome avec le déprécié progressif des cookies tiers limitent la fenêtre déterministe à 7 jours côté ITP et 30 jours côté navigateurs encore tolérants. Sur un cycle B2B de neuf mois, le first touch est invariablement perdu. Les outils MTA reconstruisent alors via des identifiants probabilistes (fingerprinting, login email, hash IP) qui sont juridiquement fragiles depuis RGPD et CNIL délibération du 4 juillet 2019.

Ensuite, le multi-device. Un buyer enterprise consulte un white paper sur son laptop pro, voit une pub LinkedIn sur son mobile perso, revoit l'offre en démo Zoom le mois suivant, et signe le bon de commande depuis un troisième device en réunion comité d'achat. Sans login transverse, le MTA ne reconstitue pas la chaîne. Les solutions de identity resolution (Segment, RudderStack, Tealium) atténuent le problème mais n'éliminent pas le bruit.

Enfin, les multi-stakeholders. Sur un deal B2B, le décideur final n'est pas la personne qui a lu le white paper. C'est souvent un VP qui découvre votre solution via une présentation interne faite par un collaborateur. Aucun touchpoint mesurable côté outil n'a été tracé sur ce VP, alors qu'il est la pièce centrale du closing. Le MTA, par construction, ne capte que les touchpoints en ligne, donc invisibilise toute la dynamique offline qui pèse en B2B (events, salons, brand awareness, sales calls).

Le Marketing Mix Modeling existe depuis les années 1960. C'est une régression économétrique qui établit la relation entre des inputs (dépenses média par canal, saisonnalité, événements externes) et un output (ventes, leads qualifiés, pipeline). Le MMM ne dépend pas du tracking individuel ; il travaille sur des agrégats hebdomadaires ou mensuels. La donnée brute reste exploitable même avec une purge cookies totale.

Le retour du MMM s'explique par trois facteurs convergents. La régulation cookies (RGPD, CCPA, ATT iOS) a dégradé la qualité MTA. Les budgets pluri-canaux (TV, podcast, OOH, sponsoring, search, social, retargeting) exigent une vision unifiée que MTA ne donne pas. Et l'arrivée d'outils open source (Meridian de Google, Robyn de Meta, LightweightMMM de Google précédent) a abaissé la barrière technique. Construire un MMM en interne demandait deux data scientists et six mois ; Meridian rend l'exercice accessible à une équipe DataOps de deux personnes en six semaines, à condition d'avoir la donnée propre.

Le MMM Bayésien (Meridian) ajoute une couche méthodologique. Au lieu d'une régression OLS classique, on injecte des priors bayésiens : "ma campagne TV a un effet attendu entre 1,5 et 3 % de hausse sur le pipeline", "mon investissement LinkedIn a un effet en deux pics (immédiat puis post-decay de quatre semaines)". Les priors viennent des connaissances métier, des benchmarks sectoriels, ou des MMM précédents. Le modèle ajuste ces priors aux données observées et produit un posterior calibré. L'avantage : la convergence est plus stable, et le modèle gère mieux les canaux à faible volume (souvent un casse-tête en B2B niche).

Google Meridian, open source depuis 2024 et stable depuis début 2025, est un framework MMM Bayésien construit en Python avec TensorFlow Probability. Le pipeline de référence est documenté sur GitHub (google/meridian) et la documentation officielle pointe vers les Colab Notebooks fournis. Pour un développeur, l'entrée se fait par trois fichiers : un CSV de données hebdomadaires (KPI cible, dépenses par canal, variables de contrôle), un script de configuration des priors, et un notebook d'exécution.

L'architecture typique d'un Meridian B2B SaaS ressemble à :

• Variables d'entrée : dépenses Google Ads search, dépenses LinkedIn Ads, dépenses display retargeting, dépenses content syndication, dépenses events.
• Variables de contrôle : saisonnalité (Black Friday, fin d'année fiscale, NRF, SaaStr), volume de leads MQL, taux de croissance ARR de l'entreprise.
• KPI cible : pipeline généré (somme des opportunités créées, pondérée par stade), ou pipeline qualifié (opportunités à 70 % de probabilité).
• Adstock : modèle géométrique avec demi-vie ajustable par canal (typiquement 2 à 4 semaines pour search, 4 à 8 semaines pour LinkedIn brand).
• Saturation : transformation Hill (S-curve) qui capte la décroissance marginale du rendement avec l'augmentation du budget.

Une fois le modèle calé sur 18 à 24 mois d'historique, Meridian fournit des courbes de réponse par canal, des effets cross-channel, et un scénario planner intégré. Le scénario planner permet de simuler la réaffectation budgétaire : "que se passe-t-il si je transfère 30 % du budget display retargeting vers LinkedIn brand ?" Le modèle prédit l'effet sur le pipeline avec intervalle de confiance.

Pour planifier un budget 2026 B2B SaaS, la recommandation issue des benchmarks 2025 (publications Cassandra, Sellforte, Davies Meyer) consiste à empiler trois couches de mesure, chacune répondant à une question différente.

Couche 1, MMM Meridian, pour le pilotage stratégique. La granularité est hebdomadaire ou mensuelle, l'historique nécessaire est de 18 à 24 mois, la sortie est une allocation budgétaire optimale par canal. Question répondue : "comment dois-je répartir mon budget 2026 entre 10 canaux ?". Fréquence d'exécution : trimestrielle.

Couche 2, MTA enrichi, pour le pilotage tactique court terme. Granularité quotidienne, périmètre limité aux canaux trackables proprement (search, display, social paid). Question répondue : "quels touchpoints contribuent au mieux à la conversion next-30-days ?". Fréquence : continue.

Couche 3, experimentations causales, pour valider les hypothèses du MMM. Méthodes : geo-lift tests (couper un canal sur certaines géographies pour mesurer l'effet incrémental), holdout tests, A/B testing budget. Question répondue : "l'effet incrémental réel d'un canal correspond-il à ce que mon MMM prédit ?". Fréquence : 2 à 4 fois par an sur les canaux à enjeu.

Les trois couches ne se substituent pas. Elles s'enrichissent mutuellement. Le MMM donne la direction stratégique, le MTA optimise l'exécution quotidienne, et les expérimentations valident les effets causaux. La donnée de chaque couche alimente les priors de la couche supérieure : les résultats d'expérimentations affinent les priors Meridian du trimestre suivant, et les tendances MTA détectent les inflexions à intégrer en simulation.

Trop souvent, les équipes marketing présentent à leur CFO une opposition binaire entre MMM et MTA. C'est un faux dilemme. Le CFO veut comprendre l'impact incrémental de chaque euro investi ; aucun des deux outils, isolé, ne répond seul à cette question. Le MTA dit "voilà les touchpoints les plus présents dans le funnel", ce qui n'est pas la même chose qu'incrémentalité. Le MMM dit "voilà l'effet causal moyen par canal sur la période observée", ce qui peut masquer des variations infra-mensuelles.

La présentation au CFO doit articuler les trois couches et préciser ce que chacune mesure. Une slide claire : "MMM = stratégique trimestriel, MTA = tactique quotidien, experiments = validation causale". L'audit budgétaire 2026 que beaucoup d'éditeurs SaaS conduisent en ce moment révèle un sur-investissement chronique dans le retargeting display (effet incrémental réel souvent inférieur à 5 % du pipeline imputé), et un sous-investissement dans la couche brand (LinkedIn organique, podcast sponsorship, content syndication B2B). Le MMM bien calé révèle ces écarts et justifie les arbitrages.

Pour les équipes qui démarrent, ma recommandation côté game design : commencez par un MMM Meridian de niveau 1 (5 à 7 canaux, 18 mois d'historique, granularité hebdomadaire), gardez votre MTA Google Ads en parallèle pour le pilotage tactique, et planifiez deux geo-lift tests sur le second semestre 2026 pour valider deux hypothèses clés. Le coût d'entrée tourne entre 15 000 et 40 000 euros pour la première itération, principalement en temps DataOps. La valeur d'usage se mesure dès le premier trimestre, par la qualité des arbitrages budgétaires.

La mesure marketing B2B SaaS s'inscrit dans un écosystème plus large que je décris dans les articles sur l'attribution marketing et le parcours client, Google Meridian Scenario Planner, et le crawl budget côté SEO technique. Ces trois mécaniques sont complémentaires : MMM pour le budget global, attribution pour le funnel, crawl budget pour la visibilité organique amont. À vous de jouer.

• Google for Developers, Meridian (documentation officielle)
• GitHub, google/meridian (code source)
• Google Business Think, Meridian: future of marketing mix modelling
• WebFX, Google Meridian Marketing Mix Modeling: How It Works
• Cassandra, Complete Guide to Marketing Mix Modeling 2026
• Sellforte, Demand for Marketing Mix Modeling Accelerating
• Improvado, Marketing Mix Modeling Guide 2026
• Marketing Data Science, MMM with Meridian: Bayesian step-by-step