Input e variabili
Spesa, stagionalità e base
Input e variabili è una lezione Digital Marketing Academy gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Digital Marketing Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Digital Marketing Academy include 4 lezioni in totale.
Anatomia degli input dell'MMM
Un MMM è valido solo quanto i suoi input. Questi si dividono in tre categorie: variabili media (le leve sotto il suo controllo), variabili di controllo (i fattori che non controlla) e variabile dipendente (ciò che si prevede).
Definire correttamente questi elementi, con la granularità e la frequenza adeguate, costituisce gran parte del lavoro necessario per ottenere un modello credibile.
dependent : sales or revenue (weekly)
media : spend or impressions per channel
controls : price, promo, seasonality, macro
transforms: adstock, saturationLa variabile dipendente
Scelga un risultato pulito: unità vendute, ricavi o nuovi clienti. Sia coerente nel determinare se si tratta di valori lordi o netti e se i resi sono esclusi.
Costruisca il modello alla granularità su cui può intervenire, in genere a livello nazionale o regionale e con cadenza settimanale. I dati giornalieri aggiungono rumore; quelli mensili nascondono le dinamiche.
Variabili media: spesa o impression
È possibile fornire i dati media come spesa o come esposizione (impression, GRP, clic). Le impression separano l'erogazione dal costo, aspetto importante quando i CPM oscillano.
Un approccio comune consiste nel modellare le impression per la curva di risposta e poi riconvertire il risultato in spesa per calcolare il ROI. Mantenga sempre coerenti le unità all'interno di un canale.
TV -> GRPs
Search -> clicks or spend
Social -> impressions
OOH -> spend (no impression feed)Adstock (carryover)
Gli effetti pubblicitari persistono dopo la fine del periodo di diffusione. L'adstock modella questo decadimento, così le vendite di questa settimana riflettono i media delle settimane precedenti.
Il tasso di decadimento lambda controlla la memoria: 0.0 significa assenza di carryover, mentre 0.8 indica una coda lunga. La TV presenta solitamente un adstock più elevato della Search.
adstock_t = media_t + lambda * adstock_(t-1)
lambda=0.3 (search): fast decay
lambda=0.7 (TV): slow decay, long memorySaturazione (rendimenti decrescenti)
Raddoppiare la spesa raramente raddoppia le vendite. Le trasformazioni di saturazione catturano i rendimenti decrescenti, così il modello non estrapola linearmente all'infinito.
Le trasformazioni Hill o logaritmiche incurvano la curva di risposta, assegnando a ogni canale un limite massimo realistico e un intervallo operativo efficiente.
Hill: response = x^a / (x^a + k^a)
low spend -> steep gains
high spend -> flattening curve (saturated)Variabili di controllo
I controlli assorbono i fattori esterni ai media, evitando che vengano attribuiti erroneamente agli annunci. I principali sono: prezzo, promozioni, distribuzione/disponibilità, attività della concorrenza e indici macroeconomici.
L'omissione di un controllo importante distorce i coefficienti dei media, spesso gonfiando il canale che per caso era attivo durante una promozione.
price : average selling price
promo : 0/1 flag or % discount depth
distribution : stores or % ACV
competitor : share of voice / spend
macro : consumer confidence, CPIStagionalità e trend
Molti prodotti presentano forti pattern stagionali. Li si può catturare con variabili dummy per mese o settimana, termini di Fourier o un indice stagionale, oltre a un termine di trend per la crescita o il calo sottostante.
Senza questi elementi, gli aumenti stagionali delle vendite confluiscono nelle variabili media che per caso erano attive durante l'alta stagione.
fourier: sin(2*pi*t/52), cos(2*pi*t/52)
trend: t (linear) or spline
holiday: black_friday_flag, holiday_flagSeparazione tra base e incremento
L'MMM separa una base (ciò che si venderebbe con zero nuovi investimenti nei media: valore del brand, distribuzione e prezzo) dai contributi incrementali generati dai media.
Un modello sano mostra spesso una base ampia e stabile. Se i media "spiegano" quasi tutto, probabilmente i controlli sono troppo deboli.
total_sales = base + sum(media_contributions)
base : 70%
incremental : 30% (split across channels)Rischi della multicollinearità
Quando i canali vengono attivati nello stesso periodo, il modello non riesce a distinguere i loro effetti e i coefficienti diventano instabili, arrivando talvolta a cambiare segno.
La diagnosi si effettua con matrici di correlazione e VIF. Per ridurre il problema, si può variare la spesa nel tempo, aggiungere variazioni geografiche o usare prior bayesiani per stabilizzare le stime.
corr(TV, Social) = 0.91 -> high collinearity
VIF > 10 -> unstable estimate
fix: stagger flights, add geo splits, priorsChecklist di qualità delle variabili
Allinei tutte le serie allo stesso calendario e fuso orario. Colmi le lacune in modo intenzionale, non usando zeri invisibili che confondono "assenza di spesa" e "assenza di dati".
Depuri dall'inflazione le serie monetarie se la finestra temporale è lunga e documenti ogni trasformazione, così da rendere i risultati riproducibili.
Combinare gli input
La matrice di progettazione finale combina i controlli grezzi con i media trasformati. Ogni colonna media è stata sottoposta ad adstock e poi a saturazione prima di entrare nella regressione.
L'ordine di questa pipeline è importante: prima il carryover (quando si manifesta l'effetto), poi la saturazione (quanto effetto si manifesta).
raw_TV -> adstock(lambda=0.7) -> saturation(Hill)
-> column TV_eff in model
sales = base + b1*TV_eff + b2*Search_eff
+ b3*price + b4*promo + seasonVerifica rapida
Individui la trasformazione corretta per il fenomeno corretto.
Riepilogo
Gli input dell'MMM sono la variabile dipendente, le variabili media (trasformate prima con adstock e poi con saturazione) e le variabili di controllo (prezzo, promozioni, distribuzione, stagionalità e fattori macroeconomici).
Controlli solidi proteggono dall'attribuzione eccessiva ai media, mentre serie pulite, scalate in modo coerente e ben documentate sono il fondamento di un modello affidabile.
Impara Digital Marketing Academy con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 63
- Lezioni
- 239
Domande Frequenti
La lezione «Input e variabili» è gratuita?
Sì — il testo completo di «Input e variabili» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Digital Marketing Academy, passa a CoddyKit PRO. Il corso Digital Marketing Academy include 4 lezioni in totale.
Cosa imparerò in «Input e variabili»?
Spesa, stagionalità e base Eserciti Digital Marketing Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Digital Marketing Academy?
Non è richiesta alcuna esperienza precedente. Digital Marketing Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «Input e variabili»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Digital Marketing Academy?
Sì. Ogni lezione Digital Marketing Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.