Sur notre radar : Alembic veut expliquer comment vos campagnes font vendre, au-delà du MMM

Pas le temps de creuser toutes les nouvelles solutions du marché ? Avec “Sur notre radar”, Open Garden décrypte les acteurs à connaître : ce qu’ils proposent, où ils en sont et ce qu’ils doivent encore prouver.

Votre campagne TV a fait vendre. Très bien. Mais a-t-elle poussé les consommateurs en magasin, déclenché des recherches sur Google ou donné un coup de pouce à votre site e-commerce ? Et, au passage, quelle part de la hausse des ventes doit-on à la promotion lancée la même semaine ?

C’est le genre de questions auxquelles Alembic veut répondre. La plateforme rapproche les données marketing des résultats commerciaux, en intégrant ce qui peut aussi les faire bouger : prix, promotions, disponibilité des produits ou conditions de marché.

Pour comprendre la proposition, gardons notre campagne TV. Un MMM classique cherche notamment à estimer les ventes supplémentaires qu’elle a générées. Alembic promet de détailler aussi ce qui s’est passé entre la diffusion du spot et l’achat : davantage de recherches de marque sur Google, puis des visites sur le site et, enfin, des ventes.

Le tout à partir de données agrégées, sans suivre chaque consommateur à la trace. Dans sa présentation méthodologique, Alembic explique repérer des variations dans ces données et chercher à reconstruire les chaînes de cause à effet qui les relient.

Avec l’ambition de permettre aux équipes marketing de comprendre comment leurs investissements produisent des résultats, puis de simuler ce qui se passerait si elles changeaient leurs arbitrages.

Alembic a annoncé en novembre 2025 un financement de 145 millions de dollars, pour une valorisation de 645 millions, selon le Wall Street Journal. Cette série B a été menée par Prysm Capital et Accenture. NVIDIA, Delta Air Lines et North Sails figurent parmi les clients cités par l’entreprise.

Aux commandes, Tomás Puig, dont le CV déborde assez largement de la mesure marketing : passé par la NASA dès 15 ans, puis par le cinéma et la publicité, il a ensuite été directeur marketing et accompagné les rachats de WP Engine et d’Emarsys, ainsi que l’introduction en Bourse de Cambium Networks. Un parcours qui l’a placé du côté des équipes auxquelles Alembic vend aujourd’hui sa solution. Son conseil d’administration compte notamment Laura Maness, CEO de Havas New York, selon CB Insights.

Le soutien d’Accenture mérite qu’on s’y arrête. Au-delà du financement, le groupe a noué un partenariat stratégique pour déployer Alembic auprès de ses clients et indiquait, lors de l’annonce, le tester sur ses propres campagnes. NVIDIA est, de son côté, présenté comme son premier client entreprise et son partenaire exclusif de supercalcul.

Pour vendre ce type de plateforme aux grands comptes, avoir Accenture à ses côtés peut aider. Il faut convaincre le marketing, mais aussi obtenir les données du commerce, des opérations et de la finance. Autant d’interlocuteurs qu’un cabinet déjà installé chez l’annonceur peut contribuer à réunir.

Derrière la promesse de “causal AI”, un modèle économique assez classique : une licence annuelle, facturée sur devis selon les marchés, les sources de données connectées et les cas d’usage couverts. Alembic ne publie pas de tarif standard.

L’entreprise a donc tout intérêt à élargir progressivement son périmètre chez un client. Entrer par la mesure marketing, s’étendre à d’autres pays, puis aider à arbitrer les prix, les promotions ou certaines décisions opérationnelles. De quoi aller chercher des contrats plus importants que ceux d’un outil cantonné aux budgets médias.

Côté déploiement, il faut connecter les sources, configurer les modèles et confronter leurs résultats à des décisions dont les équipes connaissent déjà les effets. Alembic annonce une mise en œuvre en quelques semaines dans la plupart des cas. Sa présentation publique ne permet pas de savoir si tout cet accompagnement est compris dans la licence. Un point à éclaircir au moment de comparer les devis.

Parce qu’Alembic s’attaque notamment à des investissements que les directions marketing ont souvent du mal à défendre chiffres à l’appui : sponsoring, événements, communication de marque ou exposition organique.

Sur ces sujets, les équipes ne manquent pas toujours de données. Elles savent combien de personnes ont vu un dispositif, interagi avec un contenu ou assisté à un événement. C’est au moment d’expliquer combien de ventes supplémentaires cela a générées que la discussion avec le CFO se complique.

Alembic présente ainsi le cas d’une compagnie aérienne du Fortune 500 qui souhaitait mesurer ce que lui rapportait son principal sponsoring sportif. L’entreprise affirme avoir connecté les données marketing et commerciales en temps réel pour estimer les ventes associées et permettre des réallocations pendant la campagne.

On aimerait pouvoir aller plus loin dans le cas client. Le résumé public ne donne ni les montants déplacés, ni le gain obtenu, ni le protocole utilisé pour vérifier les résultats. Difficile, donc, de juger ce que la solution a réellement changé dans les décisions de l’annonceur.

La plateforme propose également de simuler l’effet d’une modification de prix, de promotion ou de budget sur les revenus et les marges. Une fonction utile pour comparer plusieurs options avant de dépenser, mais qu’Alembic n’est pas seul à proposer. Il faudra regarder quelles décisions elle permet de traiter et avec quelle fiabilité.

Une parenthèse avant la suite de l’article. Le 25 novembre au matin, Open Garden organise Marketing Effectiveness Innovators, une matinée sur invitation qui réunit annonceurs, agences et régies autour d’une question : comment mesurer ce que rapportent vraiment les investissements médias. Deux heures de prises de parole et d’échanges entre décideurs, suivies d’un moment de networking.

C’est probablement la question que se posera un annonceur déjà équipé : pourquoi ajouter Alembic si son MMM lui dit déjà ce que rapporte la télévision ?

Avec Meridian, le framework de MMM open source de Google, les équipes définissent les leviers à mesurer et les facteurs à prendre en compte. Elles fournissent les données correspondantes : investissements, ventes, promotions, saisonnalité… Le modèle estime la contribution des leviers et ce qu’un investissement supplémentaire pourrait rapporter.

Reprenons notre exemple. Un MMM peut estimer l’effet total de la TV sur les ventes, y compris lorsque cet effet passe par des recherches Google. Il n’a pas besoin de détailler chaque étape pour attribuer cette contribution à la télévision.

Alembic promet de rendre ces étapes plus visibles et d’automatiser davantage leur découverte : dans quelle mesure la TV a-t-elle stimulé les recherches de marque ? Comment cette demande s’est-elle ensuite traduite en visites et en ventes ?

Pour un directeur marketing, l’intérêt est très concret. Si une partie des bonnes performances du search vient d’une demande créée par la TV, couper cette dernière pour remettre tout le budget sur Google peut dégrader les résultats qu’on cherchait justement à améliorer. Pouvoir quantifier cette relation aiderait à défendre l’arbitrage en comité de direction.

Il faut toutefois éviter de tracer une frontière trop nette. Certains MMM avancés représentent eux aussi des effets intermédiaires ; Meridian propose notamment une approche full-funnel. Alembic n’a donc pas l’exclusivité de cette lecture.

Et oublions l’opposition un peu commode entre un MMM qui ferait de la corrélation et Alembic qui ferait de la causalité. Les deux cherchent à estimer ce qui se serait passé sans l’investissement. Si vos ventes et vos dépenses publicitaires augmentent à Noël, il faut réussir à distinguer l’effet de la campagne de celui de la saison. Ajouter les recherches Google et les visites du site à l’analyse ne règle pas automatiquement le problème.

La comparaison doit donc porter sur ce qu’Alembic permet d’expliquer en plus, le travail nécessaire pour y parvenir et la solidité des résultats. Avec une différence de produit à garder en tête : Meridian est un framework à configurer et à exploiter, en interne ou avec un prestataire. Alembic vend une plateforme propriétaire qui promet de prendre en charge davantage de ce travail.

Le premier sera de convaincre les équipes que les relations identifiées tiennent la route. Des recherches de marque qui augmentent après une campagne TV, c’est encourageant. Mais si une promotion ou une actualité a eu lieu au même moment, comment le modèle départage-t-il leurs effets ?

Ce n’est pas une discussion réservée aux data scientists. Un responsable média à qui l’on demande de déplacer du budget voudra comprendre sur quoi repose la recommandation. S’il doit simplement faire confiance à une boîte noire, l’adoption risque de coincer.

La documentation de l’un des indicateurs d’incertitude d’Alembic apporte d’ailleurs une précision : les intervalles affichés reflètent l’ajustement du modèle aux données, sans couvrir toute l’incertitude sur les effets causaux. En clair, le modèle peut bien reproduire l’évolution des ventes sans avoir parfaitement identifié ce qui l’a provoquée. Cette réserve porte sur l’indicateur décrit, pas sur l’ensemble de la plateforme.

Deuxième chantier : les données. Pour distinguer l’effet d’une campagne de celui d’une baisse de prix ou d’un retour en stock, encore faut-il disposer de ces informations, au bon niveau de détail. Si la promotion n’est pas correctement renseignée, la puissance de calcul ne fera pas apparaître la donnée manquante.

Enfin, il faudra montrer ce que les équipes font de cette analyse supplémentaire. Préserver un investissement TV, revoir le soutien média d’un sponsoring, corriger une allocation trop favorable au search : voilà des décisions qui peuvent justifier l’achat. Si le résultat se limite à une représentation plus détaillée du parcours, le renouvellement de la licence sera plus difficile à défendre.

LiftLab est un concurrent à regarder de près. Il associe MMM, simulation budgétaire, signaux quotidiens et tests d’incrémentalité. Ces derniers consistent notamment à faire varier les investissements dans certaines zones géographiques, à comparer les résultats avec des zones témoins, puis à utiliser les enseignements pour ajuster le modèle.

LiftLab met ainsi l’expérimentation en avant pour vérifier ses estimations. Alembic insiste davantage sur la découverte de relations causales par ses modèles propriétaires. La place des expérimentations dans leur validation est moins clairement détaillée dans les sources consultées.

Measured associe également MMM, tests d’incrémentalité et optimisation des plans médias. Fospha, davantage positionné sur le commerce, combine attribution, modélisation, prévisions et tests pour guider les investissements.

Faut-il donc s’équiper d’Alembic quand on a déjà un MMM ? Pas de raison évidente si celui-ci répond aux questions budgétaires de l’équipe. Le bon point de départ pour un pilote serait une question que le dispositif actuel traite mal : ce que rapporte un sponsoring, par exemple, ou la manière dont la TV nourrit le search.

Avec un exercice assez concret à demander au fournisseur : montrer quelle décision l’annonceur aurait prise avec Alembic, en quoi elle diffère de celle préconisée par son MMM et comment vérifier qu’elle aurait produit de meilleurs résultats. C’est sur cette base qu’il pourra juger si une licence supplémentaire se justifie.