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.

Real-world problem

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.

Conceptual model

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.

Step	Guiding question	Expected output
Framing	Which decision needs to change?	A concrete choice, not a curiosity
Measure	Which signal represents the phenomenon?	Metric, source, and granularity
Comparison	Compared to which baseline do I interpret the result?	Benchmark or plausible counterfactual
Action	What do I do if the signal exceeds the threshold?	Decision, responsible party, and next check

Rigorous formalization

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

Element	Operational Definition
Unit	Campagna, coorte, touchpoint o segmento cliente
Signal	Margine incrementale, CAC payback, lift, retention generata
Baseline	Periodo precedente, gruppo holdout, mercato comparabile
Decision	Spostare risorse, cambiare messaggio, fermare tattica, scalare esperimento
Risk	Confondere correlazione con causalità decisionale

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

Example or case study

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.

Evidence	Prudent interpretation	Decision
Positive signal but not isolated	The phenomenon exists, but the cause is uncertain	Look for baseline or holdout
Segment with different response	The average effect hides heterogeneity	Analyze cohorts or subgroups
Increasing operating cost	Va valutato sul margine	Apply economic thresholds

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 / exercise

Basic level

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

Intermediate level

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

Research-grade level

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

Recommended datasets and materials

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.

Typical mistake to avoid

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 or checkpoint

1. What is the concrete decision this lesson should improve?
2. Which baseline makes the result interpretable?
3. Which assumption, if wrong, would change the conclusion?
4. What minimum check would you use before presenting the recommendation?

Operational Summary

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.