Marketing Mix Modeling (MMM)

Il Marketing Mix Modeling conviene leggerlo come un passaggio decisionale, non come una definizione da memorizzare. La lezione tiene insieme domanda, dato, controllo e azione, in modo che il lavoro tecnico resti legato a una scelta che puoi verificare anche quando l’incertezza è alta.

Problema reale

Il board chiede spesso se gli investimenti in TV, paid search o promozioni abbiano davvero generato vendite in più. La difficoltà è che non puoi tracciare ogni singolo utente, e nel frattempo il mercato si muove per conto suo: cambia la stagione, cambiano i prezzi, i competitor lanciano le loro campagne. L’MMM nasce per rispondere proprio in questa situazione, quando l’attribuzione individuale non basta e serve una lettura aggregata ma rigorosa.

Modello concettuale

L’MMM parte da un’idea diversa: non si guarda il percorso del singolo utente, ma l’impatto degli investimenti a livello aggregato, per esempio una regione o un paese in un certo periodo. La domanda è controfattuale: cosa sarebbe successo alle vendite se non avessimo investito su quel canale? La risposta arriva dal confronto tra lo scenario osservato e quello ipotetico senza quell’investimento.

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

Ogni passaggio conta: formulare la domanda, tradurla in dati osservabili, valutare la qualità di quei dati e infine decidere. Quando ne salti uno, le conclusioni diventano 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, responsabile e prossimo controllo

Formalizzazione rigorosa

L’MMM si descrive come una relazione tra unità di analisi, segnale, baseline e decisione.

Elemento	Definizione operativa
Unità	Campagna, coorte, touchpoint o segmento cliente
Segnale	Margine incrementale, CAC payback, lift, retention generata
Baseline	Periodo precedente, gruppo holdout, mercato comparabile
Decisione	Spostare risorse, cambiare messaggio, fermare tattica, scalare esperimento
Rischio	Confondere correlazione con causalità decisionale

Una misura serve a qualcosa solo se riduce l’incertezza su una decisione precisa.

Esempio o caso studio

Un team growth deve decidere se aumentare il budget su un canale con CPA basso ma vendite marginali deboli. Con l’MMM costruisce una lettura in tre colonne: cosa sa, cosa assume e quale decisione prende.

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

La meccanica del modello

L’MMM è una regressione multivariata che scompone le vendite in componenti distinte:

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

β₀ è la baseline, cioè le vendite che avresti senza spesa marketing. Il termine Σ(β_i · f(SpesaCanale_it)) è il contributo dei canali, dove β_i misura l’efficienza e f() modella adstock e saturazione. Σ(γ_j · Controllo_jt) raccoglie le variabili di controllo come stagionalità, promozioni, competitor e macroeconomia, mentre ε_t è l’errore del modello.

Dinamiche temporali e saturazione

L’effetto del marketing non arriva subito e non cresce in modo lineare. L’adstock cattura la persistenza dell’effetto pubblicitario nel tempo:

Adstock_t = Spesa_t + lambda * Adstock_t-1

Dove λ è il tasso di decadimento, compreso tra 0 e 1. La TV tende ad avere un λ alto, la Search basso.

La saturazione descrive invece i rendimenti decrescenti, modellati con la funzione di Hill:

Contributo(Spesa) = beta * Spesa^alpha / (gamma^alpha + Spesa^alpha)

Qui β è il contributo massimo, α controlla la pendenza e γ è il punto di metà saturazione.

Dal laboratorio alla strategia

Airbnb ha usato l’MMM per accorgersi che il ROI marginale del SEM era quasi nullo nei mercati maturi, e ha spostato budget verso il brand marketing, che aveva effetti di carry-over più alti. Revolut ha costruito un MMM Bayesiano per misurare l’impatto indiretto dei paid influencer e ha registrato un aumento del 12% nelle acquisizioni organiche.

Lab / esercizio

Livello base

Scrivi in cinque righe obiettivo, metrica primaria, baseline, rischio principale e azione prevista per una decisione reale legata all’MMM.

Livello intermedio

Costruisci una tabella con almeno tre segmenti o scenari, indicando per ciascuno il segnale, una possibile spiegazione alternativa e il controllo necessario.

Livello research-grade

Disegna un piano di validazione con ipotesi, dati necessari, criteri di esclusione, soglia decisionale e controllo post-decisione.

Dataset e materiali consigliati

Usa export campagne, costi media, eventi web e app, CRM, transazioni, survey brand e log di consenso. Se non li hai a disposizione, crea un dataset sintetico con almeno una colonna temporale, una di segmento, una metrica di outcome e una di esposizione.

Errore tipico da evitare

Il rischio è trattare l’MMM come una definizione da ricordare invece che come un protocollo decisionale. Presentare metriche senza baseline, grafici senza ipotesi o raccomandazioni che ignorano il costo dell’errore porta dritto a decisioni rischiose.

Chiediti sempre: se questo risultato fosse falso, quale decisione sbaglierei? Se non sai rispondere, non hai ancora applicato davvero la lezione.

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

Il Marketing Mix Modeling trasforma dati complessi in decisioni di budget sotto incertezza. Funziona quando colleghi con chiarezza problema, dati e azione, e quando non confondi la correlazione con la causalità. È uno strumento avanzato, ma è quello che ti serve per allocare il budget e misurare quanto le attività di marketing aggiungono davvero alle vendite.