Marketing mix modeling

Il Marketing Mix Modeling (MMM) è una tecnica di analisi statistica che quantifica il contributo di ciascun canale di marketing, e dei fattori non legati al marketing, ai risultati aziendali come i ricavi, utilizzando dati storici aggregati anziché il tracciamento a livello di utente.

Il MMM è stato sviluppato negli anni Sessanta per la pubblicità televisiva e sulla stampa e ha vissuto una rinascita con il diminuire dell'affidabilità del tracciamento digitale: è l'unico approccio di misurazione che funziona completamente senza identificatori a livello di utente o cookie.

L'attribuzione opera a livello del singolo utente, seguendo clienti specifici nel loro percorso attraverso i touchpoint monitorati. Il MMM opera a livello della popolazione, analizzando nel tempo i modelli aggregati di spesa e ricavi per dedurre il contributo dei canali.

L'attribuzione è granulare ma incompleta: non rileva i touchpoint offline, il dark social e quelli non tracciati. Il MMM offre una visione statistica completa, ma non può identificare i percorsi dei singoli clienti. I due approcci sono complementari, non alternativi.

Un modello MMM richiede dati di serie temporali settimanali o mensili relativi a: spesa di marketing per canale, ricavi o conversioni e variabili esterne che influenzano le vendite indipendentemente dal marketing, tra cui stagionalità, attività dei concorrenti, variazioni dei prezzi, indicatori macroeconomici e condizioni meteorologiche.

La qualità dei risultati del MMM è direttamente proporzionale alla qualità e alla completezza degli input. La mancanza di canali o fattori esterni farà sì che il modello attribuisca erroneamente i loro effetti ai canali presenti nel dataset.

Un risultato fondamentale del MMM è un grafico della scomposizione dei ricavi che mostra quale percentuale dei ricavi totali viene attribuita a ciascun canale di marketing, alla domanda di base (ciò che accadrebbe in assenza totale di marketing) e ai fattori esterni.

Questa scomposizione rivela in genere che una quota maggiore dei ricavi proviene dalla domanda di base rispetto a quanto si aspettino la maggior parte dei team di marketing, ridimensionando il confronto sull'impatto complessivo del marketing e sul valore incrementale di ciascun canale.

Adstock indica l'effetto di trascinamento della pubblicità: l'idea che la spesa pubblicitaria di oggi continui a influenzare le vendite nelle settimane successive, mentre la memoria del brand e la notorietà si riducono gradualmente anziché scomparire all'istante.

I rendimenti decrescenti descrivono il modo in cui ogni unità aggiuntiva di spesa in un canale genera meno ricavi incrementali rispetto all'unità precedente. Il MMM quantifica sia il tasso di decadimento dell'adstock sia il punto in cui si manifestano i rendimenti decrescenti per ciascun canale.

Le curve di saturazione rappresentano la relazione tra la spesa per un canale e i ricavi generati, mostrando come i ricavi crescano rapidamente a bassi livelli di spesa per poi appiattirsi quando il canale raggiunge il punto di saturazione.

Queste curve, derivate dai risultati del MMM, sono alla base dell'ottimizzazione del budget: indicano quali canali hanno ancora margine di crescita (spesa bassa, curva ripida) e quali sono saturi (spesa elevata, curva piatta) e dovrebbero ricevere un budget inferiore a favore di altri canali.

Robyn di Meta (pacchetto R) e LightweightMMM di Google (Python) sono i due principali framework MMM open source, che rendono accessibile un'analisi sofisticata del marketing mix senza ricorrere a costosi fornitori proprietari.

Robyn usa algoritmi evolutivi per la calibrazione automatizzata del modello e genera direttamente output dell'ottimizzatore del budget e curve di saturazione. LightweightMMM usa l'inferenza bayesiana, consentendo di quantificare l'incertezza nei risultati del modello: un vantaggio significativo per comunicare gli intervalli di confidenza ai responsabili delle decisioni.

Un ottimizzatore del budget basato sul MMM prende in input le curve di saturazione e determina l'allocazione di un budget totale fisso che massimizza i ricavi previsti: in sostanza, individua il punto sulla curva di ciascun canale che apporta il massimo ricavo incrementale per ogni euro speso.

Le raccomandazioni tipiche del MMM includono la riduzione della spesa nei canali TV o display saturi e la riallocazione verso canali digitali con ulteriore margine di crescita, spesso indicando intervalli relativi all'impatto previsto sui ricavi.

Il MMM richiede almeno due anni di dati settimanali per produrre risultati affidabili: serie temporali più brevi non consentono di distinguere i modelli stagionali dai reali effetti del marketing. Presenta anche un ritardo: i modelli vengono in genere aggiornati su base trimestrale, quindi non possono guidare decisioni sulle campagne in tempo reale.

Il MMM presenta inoltre difficoltà con i canali altamente correlati, ad esempio TV e video online che vengono sempre utilizzati insieme, e non può misurare gli effetti granulari del targeting a livello di pubblico che l'attribuzione a livello di utente è in grado di rilevare.

Un framework di misurazione avanzato combina il MMM per le decisioni strategiche di allocazione del budget (su quali canali investire nel prossimo trimestre) con l'attribuzione per l'ottimizzazione tattica durante la campagna (quali parole chiave, segmenti di pubblico e creatività stanno generando conversioni oggi).

Il MMM calibra i modelli di attribuzione rivelando quali canali ricevono sistematicamente troppo o troppo poco credito dall'attribuzione, creando un ciclo di feedback che migliora nel tempo l'accuratezza di entrambi gli approcci di misurazione.

Una tecnica comune per convalidare i risultati del MMM consiste nell'eseguire un esperimento di holdout geografico: disattivare un canale in un gruppo di mercati test mantenendolo attivo nei mercati di controllo e confrontare la differenza nei ricavi con il contributo previsto dal MMM per quel canale.

Quando il risultato dell'esperimento holdout è vicino alla previsione del MMM, aumenta la fiducia nell'accuratezza del modello. Discrepanze significative indicano che negli input del modello potrebbero mancare variabili chiave o che la specificazione dell'adstock deve essere modificata.

Verifichi la Sua comprensione del Marketing Mix Modeling.

Il MMM quantifica il contributo dei canali ai ricavi a partire da dati aggregati, senza dipendere dal tracciamento a livello di utente, rendendolo l'approccio di misurazione più duraturo in un mondo orientato alla privacy.

Le curve di saturazione e gli ottimizzatori del budget di Robyn o LightweightMMM trasformano i risultati del modello in decisioni operative di riallocazione. Combinare il MMM con l'attribuzione crea uno stack di misurazione completo: MMM per la strategia, attribuzione per la tattica.