Le terme overfitting (sur-apprentissage) est issu du machine learning, où il décrit un modèle trop complexe qui a « mémorisé » les données d'entraînement — y compris leur bruit et leurs anomalies — plutôt que d'en extraire les patterns généralisables. Transposé au marketing, il désigne une optimisation excessive basée sur un historique de données trop petit, trop court ou trop spécifique, qui conduit à des décisions erronées lorsque les conditions changent.
En marketing, l'overfitting se manifeste de plusieurs façons : une campagne publicitaire hyper-optimisée sur une période de forte saisonnalité qui performe mal le reste de l'année, un modèle de scoring de leads calé sur des données d'une période atypique, un A/B test conclu trop tôt avec une audience trop petite et dont les résultats ne se reproduisent pas, ou encore des règles d'enchères algorithmiques trop agressives qui exploitent des patterns éphémères. L'algorithme ou la stratégie s'adapte trop précisément aux données disponibles et perd en robustesse.
Pour prévenir l'overfitting dans les décisions marketing : travailler avec des fenêtres temporelles suffisamment longues, diversifier les sources de données de validation, maintenir des groupes de contrôle, et éviter de sur-optimiser des campagnes en phase d'apprentissage. En analytics et en predictive marketing, c'est une vigilance permanente : les modèles doivent être régulièrement réévalués sur des données récentes pour s'assurer qu'ils ne reflètent pas simplement le passé.