Meridian : faire du marketing mix modeling en interne avec le framework de Google
Meridian est un framework MMM qui permet aux annonceurs de configurer et d'exécuter leurs propres modèles internes.
En bref
- De quoi s’agit-il ?
- Meridian est un framework MMM en Python fondé sur l'inférence causale bayésienne. Il mesure l'effet des canaux marketing sur le chiffre d'affaires à partir de données agrégées, sans cookie ni information au niveau utilisateur.
- À qui s’adresse-t-il ?
- Meridian concerne les équipes annonceuses qui disposent de compétences Python et de données agrégées, idéalement géographiques, et qui veulent un modèle MMM interne plutôt qu'un outil fermé. Il ne convient pas à une équipe sans ressource GPU ni sans appétit pour la statistique bayésienne.
- Puis-je l’utiliser commercialement ?
- Oui. Apache-2.0 est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Les derniers commits datent d’il y a 4 jours.
- En quel langage est-il écrit ?
- Principalement Python, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 14 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Un modèle MMM que l'annonceur héberge lui-même
Le marketing mix modeling, ou MMM, mesure par statistique l'effet des campagnes marketing afin d'éclairer les décisions de budget et l'efficacité média. Le README situe Meridian exactement là : un framework MMM qui permet aux annonceurs de monter et de faire tourner leurs propres modèles en interne. Trois questions servent de fil conducteur : comment les canaux marketing ont poussé le chiffre d'affaires ou un autre indicateur, quel retour sur investissement marketing en résulte, et comment répartir le budget à venir.
Le point distinctif annoncé concerne les données. Le MMM travaille sur des données agrégées, sans cookie ni information au niveau utilisateur, ce que le README présente comme respectueux de la vie privée par construction. Le projet affiche 1 517 étoiles et 117 issues ouvertes, signes d'une communauté active autour d'un outil encore jeune publié par Google sous licence Apache-2.0.
L'inférence causale bayésienne comme socle statistique
Meridian se décrit comme un cadre de modélisation fortement personnalisable, bâti sur l'inférence causale bayésienne. Le modèle accepte des données géographiques à grande échelle, format encouragé quand il est disponible, mais il fonctionne aussi en modélisation nationale. Cette souplesse détermine la qualité des estimations : plus la granularité géographique est fine, mieux le modèle sépare les effets entre zones.
Le framework prévoit aussi des méthodes de calibrage avec les expérimentations et d'autres informations a priori, ainsi qu'une optimisation de la fréquence publicitaire cible à partir de données de portée et de fréquence. Autrement dit, le modèle ne vit pas isolé : les tests incrémentaux menés par l'annonceur servent à recaler ses estimations dans la durée.
Installation via PyPI et exigences matérielles
Meridian exige Python 3.11 à 3.13, et le README recommande au minimum un GPU. L'installation passe par PyPI : pip install --upgrade google-meridian[and-cuda] pour les utilisateurs Linux avec GPU, ce qui suppose une chaîne d'outils CUDA et un GPU compatible, ou pip install --upgrade google-meridian pour macOS et l'usage CPU général. Le README précise qu'aucun support GPU officiel n'existe sur macOS.
Une version non publiée s'installe directement depuis le dépôt avec pip install --upgrade git+https://github.com/google/meridian.git. L'équipe conseille un environnement virtuel neuf pour que les versions de dépendances définies dans pyproject.toml s'appliquent proprement. Côté matériel, le projet a été testé sur GPU T4 avec 16 Go de RAM, un point de repère utile pour dimensionner une machine.
NUTS, un échantillonnage MCMC gourmand en calcul
Le modèle repose sur un échantillonnage MCMC de type No U Turn Sampler (NUTS), une méthode que le README qualifie lui-même de gourmande en calcul. Pour absorber ce coût, la bibliothèque intègre un support GPU natif, via des tenseurs, sur l'ensemble du code. L'équipe recommande de faire tourner les modèles sur GPU pour obtenir des résultats d'optimisation en temps réel et réduire nettement le temps d'entraînement.
Pour un premier contact sans infrastructure, le notebook Getting Started fait tourner le modèle sur des données d'exemple dans Colab. C'est le chemin le plus court pour observer les entrées attendues, la sortie du modèle et les visualisations avant d'engager vos propres données.
Une documentation découpée par étapes de modélisation
La documentation, hébergée sur developers.google.com/meridian, suit le cycle de vie d'un modèle MMM. Les pages Meridian basics présentent les fonctionnalités et les mathématiques du modèle ; le user guide détaille l'usage avec vos propres données ; la pré-modélisation couvre la collecte et l'analyse des données avant tout entraînement ; la post-modélisation traite de l'ajustement, des visualisations, du rafraîchissement du modèle et du débogage.
Deux entrées méritent une lecture spécifique. Le guide de migration LightweightMMM explique les différences avec l'ancien projet pour qui envisage de basculer. Le scenario planner, utilisable sur Colab et Data Studio, traduit les estimations du modèle en plans d'allocation budgétaire interactifs. Une référence API complète l'ensemble.
Un support par lots hebdomadaires, pas une hotline
Le README fixe les règles de support. Les questions de méthodologie renvoient à la documentation technique ; les problèmes d'installation et d'usage passent par les onglets Discussions ou Issues du dépôt GitHub ; les bugs vont dans Issues et les demandes de fonctionnalités dans Discussions. L'équipe répond chaque semaine par lots et demande explicitement de ne pas solliciter les équipes de compte Google.
Cette organisation en lots donne le ton : Meridian est un projet d'ingénierie ouvert avec une feuille de route interne, pas un produit avec engagement de service. Les 288 forks montrent une réelle réappropriation du code par des annonceurs et des agences. Comptez sur le dépôt et sa documentation, pas sur un support contractuel.
Conclusion éditoriale
Meridian concerne les équipes annonceuses qui disposent de compétences Python et de données agrégées, idéalement géographiques, et qui veulent un modèle MMM interne plutôt qu'un outil fermé. Il ne convient pas à une équipe sans ressource GPU ni sans appétit pour la statistique bayésienne. Avant d'aller loin, exécutez le notebook Getting Started sur vos machines, vérifiez Python 3.11 à 3.13 et l'accès CUDA, puis lisez pyproject.toml pour la liste des dépendances.
Notes de la communauté