Una premessa necessaria, coerente con il taglio di questa rubrica: quello che segue è un caso composito e anonimizzato, costruito su un profilo di retailer omnicanale tipico — non un cliente reale identificabile, né un caso fornito da chi ha un interesse a raccontarlo in una certa luce. Lo scopo è mostrare cosa succede davvero, con tempi e limiti reali, in un progetto di Marketing Mix Modeling portato avanti per sei mesi, incluse le parti meno lineari del percorso.
Il contesto
Il retailer del caso opera su canale fisico (circa 80 punti vendita) ed e-commerce, con una spesa media annua distribuita su dieci canali di comunicazione: TV, radio, stampa locale, paid search, paid social, display programmatic, affiliate, email, direct mail e promozioni in-store. La decisione di adottare un Marketing Mix Model nasce da un problema concreto: i modelli di attribuzione digitale in uso attribuivano alla ricerca a pagamento una quota di merito che, confrontata con test di incrementalità sporadici già condotti in passato, sembrava sovrastimata — ma mancava un quadro complessivo che includesse anche i canali offline, esclusi per natura da qualunque modello di attribuzione basato su tracciamento utente.
Il Marketing Mix Model risponde a un problema diverso rispetto all’attribuzione digitale: invece di seguire il singolo utente attraverso i touchpoint, usa serie storiche aggregate — vendite settimanali, spesa per canale, variabili di controllo come stagionalità, prezzo, distribuzione e contesto macroeconomico — per stimare, con tecniche di regressione, quanto ciascun canale ha contribuito alle vendite in un dato periodo. Non richiede cookie né identificatori individuali, il che lo rende uno degli strumenti di misurazione meno esposti ai problemi di tracciamento discussi altrove su questa testata.
I primi due mesi: preparazione dei dati, non modellazione
Il tempo speso nei primi due mesi del progetto non è andato nella costruzione del modello statistico, ma nella preparazione dei dati — la fase meno visibile e più spesso sottostimata in questo tipo di progetti. Il retailer disponeva di due anni e mezzo di storico settimanale, la soglia minima generalmente considerata necessaria per un MMM affidabile, ma i dati di spesa per canale erano organizzati in sistemi diversi con logiche di categorizzazione non coerenti tra loro, e hanno richiesto un lavoro di riconciliazione manuale non banale prima di poter essere usati.
Un secondo problema emerso in questa fase è stata la collinearità tra canali: TV e paid social erano storicamente attivati quasi sempre insieme, nelle stesse settimane di campagna, il che rende statisticamente difficile per il modello separare il contributo dell’uno da quello dell’altro. Il team ha dovuto rivedere il calendario di pianificazione futura per introdurre più variazione indipendente tra i canali — settimane in cui un canale è attivo e l’altro no — proprio per dare al modello, nei mesi successivi, dati sufficienti a distinguerli.
Dal terzo al quinto mese: calibrazione e prime stime
Il modello è stato costruito con un approccio bayesiano, che permette di incorporare conoscenza pregressa sotto forma di intervalli plausibili per il contributo di ciascun canale, invece di stimare i coefficienti da zero solo sui dati disponibili — una scelta che aiuta a stabilizzare le stime quando lo storico è limitato o i canali sono collineari, al costo di una minore trasparenza per chi deve poi spiegare il risultato a chi non ha familiarità con il metodo.
Le prime stime, disponibili al terzo mese, confermavano il sospetto iniziale: la ricerca a pagamento, che nei report di attribuzione digitale riceveva credito per circa il 22% delle vendite online attribuite, risultava nel modello aggregato responsabile di una quota più vicina al 13-15% delle vendite incrementali complessive — una differenza coerente con l’ipotesi che parte del traffico search intercettasse domanda già esistente, generata da altri canali, invece di crearla.
La TV, al contrario, mostrava un contributo incrementale superiore a quanto le percezioni interne dell’azienda le attribuissero, ma con un effetto a lento rilascio: il modello stimava un impatto sulle vendite disperso su diverse settimane successive alla messa in onda, non concentrato nella settimana stessa — un pattern che nessun modello di attribuzione digitale, orientato al breve periodo, avrebbe potuto catturare.
Il sesto mese: cosa il modello non riusciva a dire
Non tutti i risultati attesi sono arrivati. Il modello non è riuscito a stimare in modo affidabile il contributo delle promozioni in-store, per un motivo strutturale: le promozioni erano quasi sempre sincronizzate con la stagionalità di prodotto (fine stagione, festività), e il modello non aveva sufficiente variazione indipendente per separare l’effetto della promozione da quello della stagionalità stessa. Questo è stato dichiarato esplicitamente come limite del modello nella sua forma attuale, non risolto artificialmente forzando un coefficiente arbitrario.
Anche la granularità del risultato ha un limite intrinseco: il modello stima il contributo del canale “paid social” nel suo complesso, non la singola campagna o il singolo creativo all’interno di quel canale. Le decisioni su quale creatività funzioni meglio restano compito di test A/B a livello di piattaforma, non del Marketing Mix Model, che lavora a un livello di aggregazione più alto.
Cosa è cambiato nell’allocazione del budget
Sulla base delle stime disponibili a sei mesi, il retailer ha spostato circa l’8% del budget precedentemente allocato a paid search verso una combinazione di TV e display programmatic, mantenendo però la ricerca a pagamento come canale prioritario per la cattura di domanda già esistente — una decisione presa esplicitamente sulla base della distinzione tra domanda generata e domanda intercettata emersa dal modello, non come taglio generalizzato del canale.
Il team ha inoltre pianificato una rilevazione trimestrale di aggiornamento del modello, necessaria perché le stime di un MMM tendono a perdere accuratezza quando cambiano in modo sostanziale il mix di canali attivi o le condizioni di mercato rispetto al periodo su cui il modello è stato calibrato — un limite che vale per qualunque Marketing Mix Model, non solo per questo caso specifico, e che va comunicato con chiarezza a chi si aspetta un numero stabile una volta per tutte.