Marketing Mix Modeling: un percorso verso la consapevolezza
Data
13 Maggio 2025
Il Marketing Mix Modeling (MMM) è una metodologia che nasce per quantificare il contributo di ogni canale di marketing sugli obiettivi di business, come vendite, traffico in negozio e acquisizione clienti.
Se in passato il MMM era utilizzato principalmente per analizzare la pubblicità televisiva e la stampa, oggi è diventato uno strumento indispensabile per le aziende che operano in un ecosistema multi-canale e in un contesto normativo sempre più privacy-first.
Negli ultimi anni, il ritorno al MMM è stato spinto da tre fattori principali:
La fine dei cookie di terze parti, e le restrizioni alla raccolta dei dati sugli utenti.
La crescente complessità dei media mix, con l’integrazione di tanti diversi canali digitali, influencer marketing e retail media.
L’avanzamento dell’AI e del Machine Learning, che hanno reso i modelli MMM più precisi e granulari.
Perché è importante parlarne? Perché ogni azienda che fa digital marketing oggi dovrebbe adottare questa metodologia, al fine di ottimizzare i propri investimenti e migliorare la propria capacità di rendicontazione.
Di cosa parleremo in questo articolo:
La Storia del Marketing Mix Modeling
Il Marketing Mix Modeling nasce negli anni ‘60 del ‘900 come strumento per valutare l’efficacia delle campagne pubblicitarie attraverso l’analisi delle vendite e di altri dati aziendali. Tra gli anni ‘80 e ‘90, diventa uno standard nel mondo della grande distribuzione (FMCG).
Negli anni 2000, con l’avvento del digitale, l’MMM perde centralità a favore dell’attribuzione multi-touch (MTA), che prometteva una misurazione più granulare del percorso dell’utente. Tuttavia, con le nuove normative sulla privacy e la crescente frammentazione del media mix, il MMM ha ripreso rilevanza negli ultimi anni, adattandosi ai nuovi contesti grazie all’uso del machine learning e dell’analisi causale.
ll Processo CRISP-DM applicato al MMM
Per strutturare un progetto di Marketing Mix Modeling in modo efficace, si può adottare il framework CRISP-DM (Cross-Industry Standard Process for Data Mining), un metodo consolidato nel settore dell’analisi dati. Questo è un framework molto importante perché senza metodo si rischia di commettere degli errori grossolani o ancora peggio si abbandona il percorso perché ci si perde nel labirinto della complessità.
Le 6 fasi del processo CRISP-DM:
- Comprensione del Business
- Definizione degli obiettivi: cosa vogliamo misurare? Vendite, brand awareness, lead generation?
- Identificazione delle variabili di marketing da analizzare.
- Comprensione dei Dati
- Raccolta delle fonti dati: CRM, dati di vendita, investimenti pubblicitari, trend di mercato.
- Analisi esplorativa per individuare pattern e correlazioni.
- Preparazione dei Dati
- Pulizia e normalizzazione dei dati.
- Creazione delle variabili per il modello (es. adstock, stagionalità, promozioni).
- Modeling
- Scelta della tecnica statistica: regressione multipla, modelli bayesiani, machine learning.
- Addestramento del modello su dati storici.
- Valutazione
- Confronto dei risultati del modello con dati reali.
- Validazione attraverso test incrementali (es. geo-experiment).
- Deployment e Ottimizzazione
- Applicazione del modello alle decisioni di marketing.
- Aggiornamenti periodici per migliorare la precisione.
MMM e Multi-Touch Attribution sono complementari, non alternativi
Uno degli errori più comuni è pensare che il Marketing Mix Modeling (MMM) possa sostituire il Multi-Touch Attribution (MTA). In realtà, i due approcci servono scopi diversi e dovrebbero essere usati insieme.
| MMM | Multi-Touch Attribution (MTA) |
| Analizza dati aggregati | Analizza dati a livello utente |
| Ottimo per decisioni strategiche a lungo termine | Ottimo per ottimizzazioni tattiche a breve termine |
| Misura l’impatto di tutti i canali, anche offline | Misura solo canali tracciabili digitalmente |
| Non è influenzato dalla perdita di cookie e dati utente | Sempre più limitato dalla mancanza di dati utente |
Qual è quindi il miglior approccio? Trarre il meglio da ognuno: utilizzare il MMM per le decisioni strategiche e l’MTA per le ottimizzazioni giornaliere.
Gli Elementi Fondamentali del MMM
Per ottenere risultati affidabili, il MMM utilizza concetti chiave come:
- Adstock: misura l’effetto ritardato della pubblicità
- Saturazione: identifica il punto oltre il quale ulteriori investimenti non generano più valore
L’adstock può essere modellato con diverse funzioni matematiche, tra cui:
- Decadimento Esponenziale – Modello classico, assume che ogni giorno l’effetto della pubblicità diminuisca di una certa percentuale fissa. Formula:
Adstockt=Spesat+λ×Adstockt−1Adstock_t = Spesa_t + \lambda \times Adstock_{t-1}Adstockt=Spesat+λ×Adstockt−1
Dove λ\lambdaλ è il fattore di decadimento (tra 0 e 1).
- Decadimento Weibull (Robyn e altri modelli avanzati) – Modello più flessibile, permette di modellare sia una dispersione lenta che un effetto ritardato più forte. Il decadimento segue una funzione di distribuzione Weibull, che si adatta meglio a fenomeni pubblicitari di lunga durata.
- Modelli di carryover personalizzati – Utilizzano tecniche di machine learning per stimare in modo dinamico l’adstock per ogni canale.
Uno degli errori più comuni nelle strategie di marketing è credere che aumentando il budget si ottengano risultati sempre proporzionali. In realtà, esiste un punto oltre il quale l’efficacia della pubblicità diminuisce: questo fenomeno è noto come effetto di saturazione. Come calcolarlo? Grazie ai modelli di Saturazione:
- Saturazione Esponenziale – Segue una curva che mostra un rendimento decrescente all’aumentare della spesa. Formula:
- Curva di Hill (S-shape) (modello utilizzato da Robyn e Meridian) – Modello più realistico, simula un comportamento a soglia: l’impatto della pubblicità cresce inizialmente, poi si stabilizza. Formula:
Un aspetto importante da tenere in considerazione è che la saturazione non è semplicemente una metrica legata al target o alla copertura, né tantomeno una metrica immota nel tempo. Anzi, se si lavora su creatività e strategia si può ridurre e rendere gli investimenti più efficienti.
Modelli Avanzati: Robyn e Meridian
Negli ultimi anni, il Machine Learning ha migliorato di molto la precisione dell’MMM. Ad oggi ad esempio i due principali modelli “open source” avanzati sono:
- Robyn (Meta) – Impiega la regressione Ridge, una tecnica di regressione lineare che aiuta a gestire la multicollinearità tra le variabili indipendenti e a prevenire l’overfitting, migliorando così le prestazioni predittive dei modelli di Marketing Mix Modeling (MMM) .
Automazione: minimizza l’intervento umano grazie alla selezione automatica delle variabili. Gestione avanzata dell’adstock e della saturazione: utilizza le curve di Hill e Weibull per una migliore modellazione.
Validazione tramite test incrementali: consente di verificare la validità dei modelli con dati sperimentali. - Meridian (Google) – Utilizza inferenza causale per analizzare il vero impatto dei canali di marketing. Il framework open-source per il Marketing Mix Modeling (MMM) sviluppato da Google, utilizza un approccio basato sull’inferenza causale bayesiana. Questo metodo probabilistico combina conoscenze pregresse con dati osservati per stimare l’impatto delle attività di marketing e quantificare l’incertezza associata alle previsioni.
A cosa servono praticamente queste analisi?
Spesso ci viene chiesto a cosa servano, nel concreto, queste analisi. Le risposte sono molteplici:
1. Misurare l’efficienza dei canali pubblicitari
Proviamo a valutare un esempio pratico. Il grafico qui sotto mostra un confronto tra spend share (quota di spesa) ed effect share (quota di effetto) per diversi canali pubblicitari. Questo tipo di visualizzazione è fondamentale nell’ambito del Marketing Mix Modeling (MMM), in quanto consente di valutare l’efficacia di ogni piattaforma pubblicitaria rispetto al suo contributo alle metriche di business.
2. Valutare l’incrementalità dei canali pubblicitari rispetto ai fattori esogeni
Altro caso pratico, questo grafico mostra invece la contribuzione percentuale di diversi fattori – sia pubblicitari che esogeni – rispetto al risultato complessivo (ad esempio, vendite o conversioni). Questo tipo di visualizzazione è fondamentale nell’ambito del Marketing Mix Modeling (MMM), in quanto consente di quantificare quanto ogni canale pubblicitario e altri fattori esterni incidano sulle performance di business.
Attraverso questa analisi, possiamo valutare l’efficienza di ogni canale pubblicitario, separando l’effetto reale delle campagne dagli impatti dovuti a trend stagionali, baseline organica e festività.
3. Calcolare Adstock e Saturazione per ogni canale
Vediamo ora come questo grafico mostri l’effetto ritardato della pubblicità nel tempo (adstock effect). Questo tipo di visualizzazione è fondamentale nell’ambito del Marketing Mix Modeling (MMM), in quanto consente di valutare quanto a lungo un’azione pubblicitaria continua a influenzare il comportamento degli utenti.
- Nell’esempio del grafico la curva evidenzia che l’impatto massimo si verifica intorno al quinto giorno, suggerendo che la pubblicità ha un effetto cumulativo che cresce nel tempo prima di raggiungere il picco.
- Il concetto di Half-Life rappresentato nel grafico indica il punto in cui la risposta pubblicitaria si riduce al 50% dell’effetto massimo, permettendo di stimare quanto tempo è necessario affinché l’effetto dell’advertising si esaurisca.
- Questo tipo di analisi è utile per ottimizzare la frequenza delle campagne, evitando investimenti eccessivi in periodi in cui l’effetto della pubblicità è ancora attivo.
Il grafico rappresenta la relazione tra spesa pubblicitaria giornaliera e ricavi generati. Questo tipo di visualizzazione è essenziale per il Marketing Mix Modeling (MMM), in quanto consente di valutare l’efficacia marginale dell’investimento pubblicitario e identificare il punto ottimale di allocazione del budget.
- La curva mostra che all’aumentare della spesa pubblicitaria, il revenue cresce, ma con un rendimento marginale decrescente.
- Il punto di Median Spend segna la soglia media di investimento, fornendo un riferimento su cui testare variazioni di budget.
- Questo grafico è utile per analizzare il punto di saturazione pubblicitaria, ovvero il livello di spesa oltre il quale ulteriori investimenti non portano a un incremento proporzionale delle vendite.
- Aiuta a pianificare scenari di budget allocation, ottimizzando la distribuzione delle risorse sui canali con il miglior impatto incrementale.
4. Scenari futuri efficientando il budget media
Lo screenshot della tabella qui sopra ci mostra un confronto tra la spesa pubblicitaria iniziale e la spesa ottimizzata per diversi canali pubblicitari, evidenziando le variazioni di ROAS (Return on Ad Spend) e di budget giornaliero. Questo tipo di visualizzazione è fondamentale nell’ambito del Marketing Mix Modeling (MMM), in quanto consente di valutare l’efficienza di ogni piattaforma pubblicitaria e identificare opportunità di riallocazione del budget per massimizzare il rendimento degli investimenti.
L’analisi mostra chiaramente quali canali potrebbero beneficiare di un aumento della spesa (come Search, che mostrano una crescita significativa del ROAS con un aumento del budget) e quali invece risultano in over spending (come PMAX e altri canali), che potrebbero essere ridotti per migliorare l’efficienza complessiva.
Questa analisi aiuta i marketer a ottimizzare la distribuzione del budget media, evitando sprechi e massimizzando la performance complessiva della strategia pubblicitaria.
Ad esempio da questa previsione un aumento di 14.000€ porterebbe ad un aumento di quasi 90.000€
Pillole di Marketing Mix Modeling: quali sono le regole da ricordare
L’MMM è un percorso
Il Marketing Mix Modeling non è un’analisi statica, ma un processo evolutivo. Richiede un’implementazione graduale, basata su dati storici, test incrementali e continue ottimizzazioni. Non basta costruire un modello e lasciarlo invariato: è necessario aggiornarlo periodicamente per riflettere le mutevoli dinamiche del mercato e del comportamento dei consumatori. L’obiettivo non è solo misurare l’impatto della pubblicità, ma creare una cultura data-driven all’interno dell’azienda.
Conosci te stesso
Prima di adottare il MMM, è fondamentale comprendere il proprio modello di business e i KPI chiave. Non tutti i canali pubblicitari hanno lo stesso ruolo: alcuni generano conversioni dirette, altri lavorano sulla brand awareness e sulla consideration. Il MMM aiuta a rispondere a domande come: Dove sta andando il mio investimento? Quali canali stanno realmente influenzando il mio business? Quanto impattano gli sconti sulle vendite? Ma per ottenere risposte precise, bisogna partire da un framework chiaro di obiettivi e metriche.
MMM e KPI devono parlare la stessa lingua
Uno degli errori più comuni nel MMM è utilizzare metriche che non sono allineate agli obiettivi di business. Per esempio, ottimizzare un modello basato solo su vendite potrebbe portare a sottovalutare canali con un forte impatto sulla brand equity. È essenziale costruire un modello che tenga conto di tutte le fasi del funnel, dalle impression alle conversioni, in modo da avere una visione completa dell’impatto pubblicitario.
La saturazione media è il tuo nemico, l’efficienza il tuo obiettivo
Ogni canale pubblicitario ha un punto di saturazione, oltre il quale ulteriori investimenti non portano benefici proporzionali. Il MMM aiuta a identificare il livello ottimale di investimento per ciascun canale, evitando sprechi di budget. Identificare il punto di saturazione consente di redistribuire gli investimenti in modo più efficiente, massimizzando il ritorno. (ricordiamoci però che creatività e strategia possono aiutare).
Non si tratta solo di canali, ma di contesto
L’efficacia della pubblicità non dipende solo dal canale scelto, ma anche da fattori esterni come stagionalità, eventi di mercato, trend macroeconomici. Il MMM tiene conto di queste variabili (se imputate), aiutando a distinguere gli effetti reali delle campagne pubblicitarie da quelli influenzati da dinamiche di settore. Questo permette di avere previsioni più accurate e di adattare la strategia in base a scenari futuri.
Sperimentate
Il MMM non è solo un esercizio di analisi passiva, ma un approccio sperimentale. Le simulazioni di budget, i test A/B e gli esperimenti incrementali sono fondamentali per validare le ipotesi del modello. Un buon approccio al MMM prevede una cultura del testing continuo: quali cambiamenti nel mix media portano al miglioramento del ROAS? Quali canali possono essere ridimensionati senza impattare le performance? Solo testando è possibile ottenere risposte concrete.
In SAY non ci limitiamo a misurare il passato, ma costruiamo il futuro
L’MMM non serve solo a capire cosa ha funzionato in passato, ma soprattutto a pianificare il futuro. Grazie alle simulazioni di scenario sviluppate dal team Performance di SAY, è possibile prevedere l’impatto di diverse strategie media e ottimizzare gli investimenti in anticipo. L’obiettivo finale non è solo massimizzare l’efficienza del budget attuale, ma creare un approccio data-driven e predittivo per le decisioni di marketing.
Vuoi implementare il MMM nella tua azienda?
Contattaci per una consulenza personalizzata!
