Marketing Mix Modeling (MMM)

Il board vuole sapere se TV, paid search e promozioni hanno generato vendite incrementali, ma gli utenti non si tracciano uno per uno e il mercato cambia con stagionalità, prezzi e competitor. Marketing Mix Modeling (MMM) entra quando l’attribuzione individuale non basta e serve una lettura aggregata ma rigorosa.

Una scena da cui partire

Leggi la lezione come un esercizio di causalità prudente. Adstock, saturazione, stagionalità e baseline non sono dettagli tecnici: sono ipotesi che cambiano budget allocation e devono essere spiegate prima dei coefficienti.

• Contesto: Quale canale non puoi misurare bene con tracking individuale?
• Metodo: Quale controllo protegge il modello da correlazioni stagionali?
• Applicazione: Come useresti MMM e test di incrementality senza confonderli?

Oltre il Click: La Logica Controfattuale del Marketing Mix Modeling

Il Marketing Mix Modeling (MMM) non è una semplice evoluzione dell’attribuzione, ma un cambio di paradigma. Nasce nel campo dell’econometria e tratta il marketing non come una sequenza di eventi digitali da tracciare, ma come un insieme di investimenti il cui rendimento deve essere misurato a livello aggregato. L’unità di analisi non è il singolo utente o la sessione, ma un’intera area geografica (una nazione, una regione) in un determinato periodo di tempo (tipicamente una settimana). La domanda fondamentale a cui l’MMM risponde è di natura controfattuale: cosa sarebbe successo alle nostre vendite totali se non avessimo investito nel canale X? La differenza tra lo scenario osservato e quello controfattuale rappresenta il contributo incrementale di quel canale.

Questo approccio top-down risolve nativamente i limiti strutturali dei modelli di attribuzione bottom-up (Multi-Touch Attribution, MTA). Primo, l’MTA è per definizione limitato ai canali digitali tracciabili. Non può quantificare l’impatto di una campagna radiofonica, di un evento fisico o del product placement in una serie TV. L’MMM, analizzando la correlazione tra la spesa in questi canali e le vendite aggregate nel tempo, può stimarne il contributo. Secondo, l’MTA soffre della crescente opacità dei “walled gardens”. Piattaforme come Google e Meta forniscono dati di conversione interni, ma non permettono di tracciare in modo trasparente il percorso completo di un utente attraverso ecosistemi concorrenti, rendendo ogni modello di attribuzione cross-canale una stima parziale. L’MMM aggira il problema non curandosi del percorso del singolo utente, ma misurando l’impatto statistico dell’investimento totale su una piattaforma. Terzo, l’MTA ignora quasi completamente gli effetti di brand a lungo termine e i fattori esogeni. L’MMM, invece, è progettato per isolare l’effetto del marketing da altre variabili che influenzano le vendite, come la stagionalità, le azioni dei competitor, le promozioni di prezzo e persino l’andamento macroeconomico.

La Meccanica del Modello: Decomposizione delle Vendite e Variabili Esogene

Alla sua base, un Marketing Mix Model è un modello di regressione multivariata che decompone una metrica di business (come il fatturato, le unità vendute o le nuove sottoscrizioni) in una serie di componenti. L’equazione concettuale è la seguente:

Vendite_t = β₀ (Baseline) + Σ(β_i · f(SpesaCanale_it)) + Σ(γ_j · Controllo_jt) + ε_t

Analizziamo i termini. Vendite_t è la nostra variabile dipendente, misurata alla settimana t. Il termine β₀, o intercetta, rappresenta la baseline: le vendite che l’azienda realizzerebbe anche con un budget di marketing pari a zero, grazie alla forza del brand, alla distribuzione fisica, al traffico organico e alla fedeltà dei clienti. Stimare correttamente la baseline è il primo, cruciale passo.

Il cuore del modello è Σ(β_i · f(SpesaCanale_it)). Questa sommatoria rappresenta il contributo di ogni canale di marketing i. Il coefficiente β_i quantifica l’efficienza di quel canale: un β più alto significa che ogni euro investito in quel canale genera, a parità di altre condizioni, un ritorno maggiore. La funzione f() è fondamentale e modella due fenomeni non lineari che vedremo a breve: il decadimento temporale dell’effetto pubblicitario (adstock) e la saturazione del canale (diminishing returns).

Infine, il termine Σ(γ_j · Controllo_jt) è ciò che conferisce rigore statistico al modello. Queste sono le variabili di controllo o esogene, ovvero tutti quei fattori non legati al marketing che possono influenzare le vendite. Ignorarle porterebbe ad attribuire erroneamente al marketing degli effetti che in realtà hanno altre cause. Esempi tipici includono:

• Stagionalità e festività: Le vendite di un e-commerce di giocattoli esplodono a dicembre. Senza una variabile che catturi il “fattore Natale”, il modello attribuirebbe erroneamente questo picco alle campagne marketing di quel periodo. Si modella con variabili dummy (es. is_christmas_week) o con componenti armoniche (serie di Fourier).
• Promozioni e prezzi: Una settimana di “Black Friday” con sconti del 50% genera un picco di vendite. Questo effetto va isolato inserendo nel modello una variabile che rappresenti l’intensità dello sconto medio.
• Attività dei competitor: Il lancio di un nuovo prodotto da parte del nostro principale concorrente, accompagnato da una massiccia campagna pubblicitaria, può deprimere le nostre vendite. Includere una stima della spesa marketing dei competitor (Share of Voice) permette di controllare per questo effetto.
• Fattori macroeconomici: Per business sensibili al ciclo economico, variabili come il tasso di disoccupazione, l’inflazione o l’indice di fiducia dei consumatori possono spiegare parte della varianza delle vendite.

L’ultimo termine, ε_t, è l’errore del modello, la parte di variabilità delle vendite che non siamo riusciti a spiegare. L’obiettivo è costruire un modello in cui questo errore sia il più piccolo possibile e non presenti pattern sistematici.

Dinamiche Temporali e Saturazione: Adstock e Curve di Risposta

Un modello che lega direttamente la spesa di una settimana alle vendite di quella stessa settimana è ingenuo e irrealistico. L’impatto del marketing non è istantaneo e svanisce gradualmente. Questo fenomeno è noto come effetto di carry-over o persistenza, e viene modellato attraverso una trasformazione della spesa chiamata Adstock. L’idea è che la “memoria” pubblicitaria in un dato momento t è una combinazione della spesa effettuata in t e di una frazione dell’effetto accumulato fino al momento t-1. La formulazione più comune è la trasformazione geometrica:

Adstock_t = Spesa_t + λ · Adstock_{t-1}

Il parametro λ (lambda), compreso tra 0 e 1, è il tasso di decadimento. Un λ di 0.7 significa che il 70% dell’effetto di adstock della settimana precedente persiste in quella attuale. Canali a impatto rapido come la Search a pagamento avranno un λ basso (es. 0.2-0.4), mentre canali di brand-building come la TV avranno un λ molto più alto (es. 0.6-0.9), a indicare che il loro effetto sulla memoria del consumatore dura per molte settimane.

Il secondo fenomeno cruciale è la saturazione del canale, o diminishing returns. Il primo milione di euro investito in un canale genera un ritorno molto più alto del decimo milione. A un certo punto, investire ulteriormente non produce quasi nessun effetto incrementale perché si è raggiunta la quasi totalità del pubblico potenziale o la frequenza è diventata eccessiva. Modellare questa non linearità è essenziale per l’ottimizzazione del budget. Ignorarla porterebbe il modello a suggerire di allocare tutto il budget sul canale con il ROI medio più alto, una strategia palesemente errata.

La relazione tra spesa e ritorno viene descritta da una curva di risposta. Una delle funzioni più utilizzate per modellarla è la funzione di Hill, descritta dalla seguente equazione:

Contributo(Spesa) = β · Spesa^α / (γ^α + Spesa^α)

• β (beta) è l’asintoto, ovvero il contributo massimo che il canale può generare a saturazione completa.
• α (alpha) controlla la pendenza della curva. Un α >1 crea una curva a forma di “S” (tipica di canali che necessitano di una spesa minima per “attivarsi”), mentre un α ≤ 1 crea una curva concava.
• γ (gamma) è il punto di flesso, o punto di metà saturazione. Rappresenta il livello di spesa a cui si ottiene il 50% del contributo massimo β.

Stimare questi parametri per ogni canale permette di calcolare il ROI marginale per ogni livello di spesa e, di conseguenza, di allocare il budget in modo ottimale, spostando risorse dai canali saturi a quelli con un più alto potenziale di crescita.

Dal Laboratorio alla Strategia: Due Casi di Studio a Confronto

La teoria prende vita quando applicata a problemi di business reali. Analizziamo due casi emblematici di aziende tech che hanno fatto dell’MMM uno strumento di navigazione strategica.

Caso di Studio 1: Airbnb e l’ottimizzazione del budget globale

Nei primi anni della sua espansione globale, Airbnb si affidava pesantemente al performance marketing, in particolare sulla ricerca a pagamento (SEM), per acquisire nuovi utenti e prenotazioni. Tuttavia, nel 2019, il management iniziò a sospettare di aver raggiunto un punto di saturazione e che una quota eccessiva del budget venisse spesa per “comprare” utenti che avrebbero prenotato comunque tramite canali organici. Decisero di costruire un MMM globale per misurare il vero impatto incrementale di ogni canale. Il modello, basato su dati settimanali per oltre 3 anni a livello di nazione, includeva non solo i canali di marketing (SEM, Social, Display, TV) ma anche variabili di controllo come il numero di alloggi disponibili in ogni mercato, i prezzi medi, le festività locali e l’attività dei competitor come Booking.com.

I risultati furono sorprendenti. Il modello rivelò che il ROI marginale del SEM era diventato quasi nullo in mercati maturi come Stati Uniti e Francia. Al contrario, le campagne di brand marketing (principalmente TV e online video), che erano state sottofinanziate, mostravano un ROI marginale molto più elevato e un forte effetto di carry-over (stimato con un λ di circa 0.85). Queste campagne non generavano prenotazioni dirette, ma aumentavano significativamente il traffico diretto e organico nelle settimane successive, creando una baseline di domanda più alta. In seguito a questa analisi, nel 2020 Airbnb prese la drastica decisione di tagliare quasi 800 milioni di dollari dal budget di performance marketing, riallocando una parte verso campagne di brand focalizzate sull’ispirazione al viaggio. Il risultato? Nonostante la riduzione della spesa, nel 2021 il traffico tornò al 95% dei livelli pre-pandemici, dimostrando che gran parte della spesa precedente era inefficiente. L’MMM permise di quantificare questa inefficienza e diede al management la fiducia per operare un cambiamento strategico radicale.

Caso di Studio 2: Revolut e la misurazione dell’impatto dei “Paid Influencer”

Revolut, la super-app finanziaria, ha costruito la sua crescita esplosiva su una strategia di marketing non convenzionale, con un forte focus su partnership con influencer e campagne virali. Misurare il ROI di queste attività è notoriamente difficile. Un’attribuzione basata su codici sconto o link tracciabili cattura solo una frazione dell’impatto, ignorando l’effetto di awareness e credibilità. Per risolvere questo problema, il team di data science di Revolut ha implementato un MMM Bayesiano. A differenza dei modelli frequentisti tradizionali, un approccio Bayesiano permette di incorporare delle “prior” (convinzioni a priori) sull’efficacia dei canali e di ottenere non una stima puntuale dei coefficienti, ma una distribuzione di probabilità.

Il modello di Revolut ha analizzato le acquisizioni di nuovi clienti (KYC completati) su base settimanale per ogni paese europeo. La variabile chiave era la spesa aggregata in “Paid Influencer”, segmentata per categorie (es. tech, travel, finance). I risultati hanno mostrato che, mentre il ROI diretto e tracciabile era modesto, l’investimento in influencer nel settore tech aveva un impatto indiretto significativo. Il modello ha rilevato una correlazione positiva, con un ritardo di 2-3 settimane, tra i picchi di spesa in questo canale e un aumento delle ricerche organiche del brand “Revolut” (misurato tramite Google Trends, un’altra variabile inserita nel modello). Questo ha portato a un aumento stimato del 12% nelle acquisizioni organiche. L’MMM ha permesso di giustificare strategicamente un canale altrimenti difficile da difendere con le sole metriche di performance, dimostrando il suo valore nel costruire la credibilità del brand e nel generare domanda organica a medio termine.

Laboratorio di Modellazione: Costruire un MMM Semplificato in Python

Per consolidare i concetti, proviamo a costruire un modello base. Non avremo la complessità di un modello di produzione, ma potremo simulare i dati e applicare le trasformazioni chiave.

Esercizio 1: Simulazione di un Dataset Realistico

Per prima cosa, creiamo un set di dati che simuli uno scenario di business. Useremo pandas e numpy per generare una serie storica di 156 settimane (3 anni).

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.formula.api as smf

# Genera 3 anni di dati settimanali
n_weeks = 156
dates = pd.date_range(start='2021-01-01', periods=n_weeks, freq='W')

# 1. Baseline e Trend
baseline = 10000
trend_factor = np.linspace(1, 1.5, n_weeks) # Crescita del 50% in 3 anni
sales_baseline = baseline * trend_factor

# 2. Stagionalità (es. picco estivo e natalizio)
seasonality_factor = 1 + 0.3 * np.sin(2 * np.pi * np.arange(n_weeks) / 52) + \
                     0.2 * np.cos(4 * np.pi * np.arange(n_weeks) / 52)

# 3. Spesa Marketing
np.random.seed(42)
spend_tv = np.random.randint(5000, 15000, n_weeks) * (1 + 0.5 * np.sin(2 * np.pi * np.arange(n_weeks) / 52))
spend_digital = np.random.randint(8000, 20000, n_weeks)

# 4. Contributo Marketing (con saturazione logaritmica)
contrib_tv = 1500 * np.log(1 + spend_tv / 1000)
contrib_digital = 2500 * np.log(1 + spend_digital / 2000)

# 5. Rumore
noise = np.random.normal(0, 500, n_weeks)

# 6. Sales finali
sales = (sales_baseline + contrib_tv + contrib_digital) * seasonality_factor + noise

# Creazione DataFrame
df = pd.DataFrame({
    'date': dates,
    'sales': sales.astype(int),
    'spend_tv': spend_tv.astype(int),
    'spend_digital': spend_digital.astype(int)
})

# Aggiungiamo variabili per la stagionalità
df['week_of_year'] = df['date'].dt.isocalendar().week

print(df.head())
df.plot(x='date', y='sales', figsize=(12, 6), title='Vendite Settimanali Simulate')
plt.show()

Esercizio 2: Implementazione della Trasformazione Adstock

Ora, definiamo una funzione per applicare la trasformazione Adstock ai nostri canali di spesa. Useremo un λ di 0.8 per la TV e 0.4 per il digitale, a rappresentare la diversa persistenza dell’effetto.

def apply_adstock(x, decay_rate):
    """
    Applica la trasformazione Adstock geometrica a una serie di spesa.
    """
    adstocked_x = np.zeros_like(x, dtype=float)
    adstocked_x[0] = x[0]
    for i in range(1, len(x)):
        adstocked_x[i] = x[i] + decay_rate * adstocked_x[i-1]
    return adstocked_x

# Applichiamo Adstock ai canali
df['adstock_tv'] = apply_adstock(df['spend_tv'].values, decay_rate=0.8)
df['adstock_digital'] = apply_adstock(df['spend_digital'].values, decay_rate=0.4)

# Visualizziamo l'effetto
df[['spend_tv', 'adstock_tv']].head(20).plot(figsize=(12, 6), title='Spesa TV vs Adstock TV')
plt.show()

Osservate come la curva di adstock_tv sia più “liscia” e ritardata rispetto alla spesa originale, catturando l’effetto di memoria.

Esercizio 3: Costruzione e Interpretazione del Modello di Regressione

Infine, usiamo statsmodels per fittare un modello di regressione lineare. Per semplicità, modelleremo la saturazione con una trasformazione logaritmica e la stagionalità usando una componente armonica (seno e coseno della settimana dell’anno).

# Aggiungiamo trasformazioni non lineari e stagionalità
df['log_adstock_tv'] = np.log(df['adstock_tv'] + 1)
df['log_adstock_digital'] = np.log(df['adstock_digital'] + 1)
df['time'] = np.arange(len(df)) # Variabile per il trend

# Componenti armoniche per la stagionalità
df['sin52'] = np.sin(2 * np.pi * df['week_of_year'] / 52)
df['cos52'] = np.cos(2 * np.pi * df['week_of_year'] / 52)

# Definiamo e fittiamo il modello
# La formula modella le vendite in funzione di trend, stagionalità e spesa marketing trasformata
formula = 'sales ~ time + sin52 + cos52 + log_adstock_tv + log_adstock_digital'
model = smf.ols(formula, data=df).fit()

# Stampiamo il sommario dei risultati
print(model.summary())

L’output del model.summary() è la nostra stele di Rosetta. La colonna coef ci dà i coefficienti β e γ. Ad esempio, il coef di log_adstock_tv ci dice di quanto aumentano le vendite per un aumento unitario del logaritmo della spesa TV adstocked, tenendo costanti tutte le altre variabili. L’R-squared ci indica la percentuale di varianza delle vendite spiegata dal nostro modello. Un valore alto (es. >0.85) suggerisce un buon fit. I P>|t| ci dicono se i coefficienti sono statisticamente significativi (valori <0.05 sono desiderabili). Da qui, si può procedere a calcolare il ROI e a simulare scenari di budget.

Summary/Riepilogo

Il Marketing Mix Modeling è un approccio econometrico top-down che consente di misurare l’impatto incrementale delle attività di marketing sulle metriche di business aggregate. A differenza dei modelli di attribuzione a livello utente, l’MMM è in grado di quantificare l’efficacia dei canali offline, di tenere conto degli effetti di brand a lungo termine e di isolare il contributo del marketing da fattori esterni come stagionalità e concorrenza. La sua costruzione richiede la modellazione di dinamiche complesse come la persistenza dell’effetto pubblicitario (Adstock) e la saturazione dei canali (curve di risposta). Sebbene richieda serie storiche lunghe (almeno 2-3 anni di dati settimanali) e una solida competenza statistica, l’MMM fornisce insight strategici per l’allocazione del budget a livello annuale o trimestrale. Non sostituisce l’attribuzione multi-touch, ma la complementa: l’MMM definisce il budget strategico tra i macro-canali (

Laboratorio ed esercizi

Metti in pratica quanto appreso con esercizi a difficoltà crescente. Lavora su un dataset reale — se non hai accesso al tuo data warehouse aziendale, usa dataset pubblici come Google Analytics Sample su BigQuery o il dataset E-Commerce di Kaggle.

Esercizio 1 — Implementazione base. Riproduci la query o il modello descritto nella lezione, adattandolo al tuo dataset. Verifica che i risultati siano coerenti con le metriche attese: se il totale non quadra con una query di controllo, c’è un problema di grain.

Esercizio 2 — Estensione. Aggiungi una dimensione di analisi non coperta nella lezione: segmenta per paese, per device, per fascia oraria o per coorte. Dove emergono pattern inattesi? Cosa implicano per le decisioni operative?

Esercizio 3 — Automazione. Trasforma la query in una vista o in un modello dbt con test di integrità (unique, not_null) e documenta le colonne. Se il tuo stack lo permette, configura un alert che notifichi quando la metrica esce da 2 deviazioni standard dalla media mobile.

Problema reale

Nel lavoro su marketing analytics, Marketing Mix Modeling (MMM) serve a risolvere un problema concreto: trasformare budget, canali, creativita e audience in decisioni misurabili senza confondere volume, attribuzione e incrementalita. La domanda non è se il concetto sia interessante in astratto, ma quale decisione migliora quando lo applichi con dati affidabili e con una soglia di errore esplicita.

Questa lezione va studiata come uno strumento operativo: entro la fine devi saper Comprendere il problema analitico e il contesto decisionale; Applicare esempi, metriche e controlli a casi reali. Se non riesci a collegare il concetto a una scelta reale, la conoscenza resta decorativa e non diventa competenza.

Modello concettuale

flowchart LR
    A["Domanda di business"]
    B["Ipotesi misurabile"]
    C["Dato affidabile"]
    D["Analisi incrementale"]
    E["Decisione di budget"]
    A --> B
    B --> C
    C --> D
    D --> E

Il modello mentale e sequenziale: prima si formula la domanda, poi si traduce in unità osservabili, quindi si valuta la qualità del dato e solo alla fine si decide. Saltare un passaggio produce analisi eleganti ma fragili.

Passaggio	Domanda guida	Output atteso
Framing	Quale decisione deve cambiare?	Una scelta concreta, non una curiosità
Misura	Quale segnale rappresenta il fenomeno?	Metrica, fonte e granularità
Confronto	Rispetto a quale baseline interpreto il risultato?	Benchmark o controfattuale plausibile
Azione	Che cosa faccio se il segnale supera la soglia?	Decisione, owner e prossimo controllo

Formalizzazione rigorosa

Formalizza Marketing Mix Modeling (MMM) come una relazione tra quattro elementi: unità di analisi, segnale, baseline e decisione. Nel contesto di questa lezione l’unità principale e campagna, coorte, touchpoint o segmento cliente. Il segnale da osservare deve essere collegato a margine incrementale, CAC payback, conversion rate corretto, lift o retention generata, mentre la baseline deve essere scelta tra periodo precedente, gruppo holdout, mercato comparabile o benchmark storico.

Una formulazione robusta segue questa logica:

Elemento	Definizione operativa per questa lezione
Unità	campagna, coorte, touchpoint o segmento cliente
Segnale	margine incrementale, CAC payback, conversion rate corretto, lift o retention generata
Baseline	periodo precedente, gruppo holdout, mercato comparabile o benchmark storico
Decisione	spostare risorse, cambiare messaggio, fermare una tattica o scalare un esperimento
Rischio	Confondere correlazione, qualità del dato e causalità decisionale

La regola pratica e semplice: una misura e utile solo se riduce l’incertezza su una decisione specifica. Se non cambia una scelta, e documentazione; se cambia una scelta senza controlli, e rischio.

Esempio o caso studio

Un team growth deve decidere se aumentare il budget su un canale che mostra CPA basso ma vendite marginali deboli. La lezione aiuta a separare il segnale utile dal rumore operativo, collegando metrica, modello mentale e decisione economica.

Applicando Marketing Mix Modeling (MMM), il team costruisce una lettura in tre colonne: cosa sappiamo, cosa assumiamo e quale decisione prendiamo. Questo formato impedisce di presentare un numero come se fosse una conclusione autosufficiente.

Evidenza	Interpretazione prudente	Decisione conseguente
Segnale positivo ma non isolato	Il fenomeno esiste, ma la causa e ancora incerta	Cercare baseline o holdout
Segmento con risposta diversa	L’effetto medio nasconde eterogeneita	Analizzare coorti o sottogruppi
Costo operativo crescente	Il risultato va valutato sul margine	Applicare soglie economiche

Lab / esercizio

Livello base

Prendi una decisione reale collegata a Marketing Mix Modeling (MMM) e scrivi in cinque righe: obiettivo, metrica primaria, baseline, rischio principale e azione prevista. Non usare più di una metrica primaria.

Livello intermedio

Costruisci una tabella con almeno tre segmenti o scenari. Per ciascuno indica segnale, possibile spiegazione alternativa e controllo necessario prima di decidere.

Livello research-grade

Disegna un piano di validazione: ipotesi, dati necessari, criterio di esclusione, soglia decisionale e controllo post-decisione. Specifica anche che cosa ti farebbe cambiare idea.

Dataset e materiali consigliati

Usa export campagne, costi media, eventi web o app, CRM, transazioni, survey brand e log di consenso. Se non hai dati reali, crea un dataset sintetico con 200-500 righe e almeno una colonna temporale, una colonna segmento, una metrica di outcome e una variabile di esposizione.

Errore tipico da evitare

L’errore più frequente e trattare Marketing Mix Modeling (MMM) come una definizione da ricordare invece che come un protocollo decisionale. In pratica succede quando si presenta una metrica senza baseline, un grafico senza ipotesi, o una raccomandazione senza costo dell’errore.

Un controllo utile è chiedersi: “se questo risultato fosse falso o instabile, quale decisione sbaglierei?”. Se la risposta non è chiara, la lezione non è ancora stata applicata davvero.

Quiz o checkpoint

1. Qual è la decisione concreta che questa lezione dovrebbe migliorare?
2. Quale baseline rende interpretabile il risultato?
3. Quale assunzione, se sbagliata, cambierebbe la conclusione?
4. Quale controllo minimo useresti prima di presentare la raccomandazione?

Riepilogo operativo

Marketing Mix Modeling (MMM) e una competenza utile quando collega concetto, dato e decisione. Studiala partendo da un problema reale, formalizza il segnale, cerca una baseline credibile, costruisci un esempio e chiudi con un controllo pratico. Categoria: Tecnico. Difficoltà: advanced. Tempo stimato: 22 min.