Meridian e Robyn hanno azzerato il costo di ingresso nel marketing mix modeling. Ma il software è la parte facile: la documentazione ufficiale di Google elenca con precisione tutto ciò che il pacchetto non risolve, e quasi nessuno la legge.
Il 29 gennaio 2025 Google ha reso Meridian disponibile a chiunque. Meta teneva Robyn su GitHub dal 2021. Da quel momento il marketing mix modeling ha smesso di essere una consulenza a sei cifre ed è diventato una libreria da installare. È una buona notizia, ma ha prodotto un equivoco: che il problema fosse il modello.
Non lo era. Il modello è la parte che oggi si scarica gratis. Tutto ciò che rende un MMM affidabile — i dati, i prior, la validazione — è rimasto esattamente dove stava, e costa quanto costava prima.
Cosa sono, in concreto
Meridian è un framework bayesiano. Lavora su dati aggregati di spesa e vendita, non richiede identificatori individuali né cookie, e stima adstock e curve di saturazione restituendo distribuzioni di probabilità anziché stime puntuali. È il successore di Lightweight MMM. La documentazione di Google indica come requisito minimo almeno due anni di dati storici.
Robyn segue una strada diversa: regressione Ridge, ottimizzazione degli iperparametri con algoritmo evolutivo multi-obiettivo, decomposizione della serie storica per trend e stagionalità. È pensato per dataset granulari con molte variabili indipendenti, quindi per inserzionisti digitali e direct response con fonti dati ricche.
Due precisazioni che stanno nei materiali ufficiali e raramente nelle presentazioni. Meta definisce Robyn “sperimentale”, non un prodotto supportato. E la versione Python del pacchetto è una beta tradotta dalla versione R 3.11.1 tramite modelli linguistici, con avvertenza esplicita sulla possibile presenza di bug. Chi sta valutando Robyn per un progetto in produzione dovrebbe leggerlo prima di scegliere il linguaggio.
La soglia d’ingresso vera
Due anni di dati settimanali non significa due anni di file esportati. Significa una serie storica coerente in cui spesa, impression, prezzo, promozioni, distribuzione e stagionalità siano tracciati con la stessa granularità e senza discontinuità di definizione.
È qui che la maggior parte dei progetti si ferma, e non per ragioni statistiche. Se a metà periodo è cambiato il sistema di tracciamento, o è stato ridefinito un canale, o le promozioni non sono state registrate a livello settimanale, il modello girerà comunque e produrrà numeri con intervalli di credibilità dall’aspetto rassicurante. Sono numeri che descrivono un dataset rotto.
L’errore ricorrente ha un nome preciso: elasticità promozionale attribuita al media. Una campagna che gira in concomitanza con un taglio di prezzo produce un lift che il modello, se il prezzo non è tra i regressori, assegna interamente al media. Le stime che circolano nel settore collocano questa quota tra il 30 e il 40% dell’impatto media percepito nelle categorie a forte pressione promozionale; sono cifre di fonte commerciale e vanno prese come ordine di grandezza, non come costante.
Dove sta davvero il lavoro: i prior
Il passaggio bayesiano richiede di dichiarare cosa ci si aspetta prima di guardare i dati. È il punto in cui entra la competenza e, se le cose vanno male, il pregiudizio.
Vale la pena leggere cosa scrive Google nella propria documentazione tecnica, perché è più prudente di quasi tutta la letteratura commerciale sul tema. Tradurre i risultati di un esperimento in prior non è una formula: gli esperimenti hanno limiti, ed esperimenti diversi danno risultati diversi. Il controfattuale di un MMM è la spesa zero, mentre un esperimento può misurare il ROI rispetto a una spesa ridotta: due grandezze diverse. La popolazione dell’esperimento può non coincidere con quella del modello. Un test svolto fuori dalla finestra temporale del modello può non essere applicabile. Un test breve non cattura gli effetti di lungo periodo. Un test che ha mosso più canali insieme non dice nulla di preciso su nessuno dei due.
La conseguenza operativa è netta: un esperimento mal disegnato non viene neutralizzato dalla matematica bayesiana, viene legittimato. Il modello diventa sicuro di sé e sbagliato, e la sicurezza è documentata con intervalli di credibilità che nessuno in riunione metterà in discussione.
Perché tutto questo non è pignoleria
Perché la letteratura sperimentale mostra che le stime osservazionali sull’efficacia pubblicitaria possono sbagliare di ordini di grandezza, non di qualche punto.
Gordon e colleghi hanno confrontato stime osservazionali e risultati sperimentali su quindici campagne condotte su Facebook: in metà dei casi la stima osservazionale dell’incremento di acquisti risultava sbagliata di un fattore tre o più, con un caso limite in cui a un lift reale del 2,4% corrispondeva una stima superiore al 1.300%. Blake, Nosko e Tadelis, lavorando su eBay, hanno misurato per la search non-brand un ROI stimato per via regressiva oltre il 4.100% e un risultato sperimentale negativo, intorno al -63%.
Non sono studi contro il modeling. Sono la ragione per cui un MMM va calibrato con esperimenti e non usato al loro posto. MMM e incrementality test rispondono a domande diverse: il primo dà una lettura strategica dell’intero mix, il secondo è l’unico dei due che produce evidenza causale su un canale.
Chi vi regala lo strumento
Va detto senza dietrologie, perché è un fatto strutturale e non un’accusa: i due framework MMM più diffusi sono distribuiti gratuitamente dalle due aziende che vendono la quota maggiore del media che quei modelli devono valutare.
L’apertura del codice è la mitigazione, ed è reale: entrambi i pacchetti sono ispezionabili, e Meridian è esplicitamente progettato per accettare esperimenti come input di calibrazione indipendentemente dal canale. Il rischio non è nel codice. È a monte, nelle scelte che il codice non fa al posto vostro: come si definiscono i canali, quali variabili di controllo si includono, quali prior si impostano e con quali esperimenti si validano. Se questi quattro passaggi vengono presi da chi vende il media, il modello resta open source e il risultato no.
Prima di aprire il terminale
Cinque verifiche, in ordine. Serie storica di almeno due anni con definizioni di canale immutate, o l’elenco documentato dei punti in cui sono cambiate. Prezzo, promozioni e distribuzione presenti come variabili di controllo con la stessa granularità del media. Almeno un esperimento geo-holdout sul canale principale, disegnato prima e non recuperato a posteriori. Un responsabile interno dei prior, con la loro motivazione messa per iscritto. Una cadenza di refresh decisa in partenza, trimestrale o semestrale, perché un modello aggiornato una volta l’anno descrive un mercato che non esiste più.
Se manca il primo punto, il progetto non è un MMM: è un esercizio di regressione con un buon grafico finale. Se manca il terzo, il modello resterà correlazionale per sempre, per quanto bayesiano sia.
Fonti principali: Google, annuncio di disponibilità generale di Meridian, 29 gennaio 2025; Google for Developers, documentazione Meridian, sezione sulla calibrazione dei prior del ROI e sull’uso di esperimenti passati (requisiti, differenze di estimando e di popolazione, limiti temporali); Google Business, scheda su Meridian (requisito di almeno due anni di dati, metodo bayesiano su dati aggregati); Meta Marketing Science, repository ufficiale di Robyn (definizione del pacchetto come sperimentale, tecniche impiegate, avvertenza sulla versione Python tradotta da LLM); B. R. Gordon et al., confronto tra stime osservazionali e sperimentali su campagne pubblicitarie (quindici esperimenti su Facebook); T. Blake, C. Nosko, S. Tadelis, esperimento su larga scala sull’efficacia della search a pagamento (eBay); Rilevazioni di settore 2024-2026 sull’adozione dell’MMM e sulla fiducia negli attuali sistemi di misurazione (EMARKETER-Snap; IAB, State of Data 2026).