Marketing Mix Modeling: cos’è, come funziona e quando serve
Il Marketing Mix Modeling (MMM) è un modello statistico che stima quanto ogni canale di marketing contribuisce alle vendite. Usa i dati aggregati nel tempo: spesa, impressioni, prezzi, stagionalità, promozioni. Non ha bisogno di cookie né di tracciare il singolo utente. Per questo funziona anche dove l’attribuzione digitale non arriva: TV, radio, affissioni, negozi fisici e utenti che non danno il consenso.
Perché oggi si parla di nuovo di MMM
Per anni il marketing digitale si è misurato con i click. Questo modo di misurare oggi ha tre limiti:
- Il consenso ai cookie taglia una parte dei dati. Molti utenti non sono più tracciabili.
- Ogni piattaforma si dà il merito da sola. Meta, Google e TikTok si attribuiscono la stessa vendita, ognuna con la sua finestra di attribuzione.
- I click non dicono cosa è incrementale. Una vendita che sarebbe arrivata comunque viene attribuita all’ultimo annuncio cliccato.
Il MMM parte da un’altra domanda. Non chiede “chi ha toccato il cliente per ultimo?”. Chiede “cosa succede alle vendite quando aumento o diminuisco la spesa su questo canale?”. È anche il motivo per cui Google (con Meridian) e Meta (con Robyn) hanno rilasciato librerie MMM open source.
Come funziona un Marketing Mix Model
Un MMM mette in relazione le vendite (o le conversioni) con tutto quello che le può spiegare.
| Fattore | Esempi |
|---|---|
| Media a pagamento | Spesa e impressioni per canale: Google Search, Meta, TikTok, YouTube, TV |
| Fattori di business | Prezzo, promozioni, disponibilità del prodotto, nuovi lanci |
| Fattori esterni | Stagionalità, festività, meteo, trend di categoria |
| Base | Le vendite che arrivano anche senza marketing, grazie al marchio e alla domanda di fondo |
Due concetti rendono il modello realistico:
- Adstock (effetto ritardato). Un annuncio visto oggi lavora anche nei giorni dopo. Il modello stima quanto dura l’effetto di ogni canale.
- Saturazione (rendimenti decrescenti). Raddoppiare la spesa non raddoppia le vendite. Oltre un certo livello, ogni euro in più rende meno. Il modello stima questa curva per ogni canale.
Il risultato è un ROI per canale e una curva di risposta: per ogni livello di spesa, quante vendite in più ti aspetti.
Cosa ci fai con un MMM
- Capire quanto vale davvero ogni canale, inclusi quelli che non si tracciano bene.
- Spostare il budget dove il rendimento marginale è ancora alto. È la parte più utile: non serve spendere di più, serve spendere meglio.
- Simulare gli scenari prima di spendere. “Se tolgo il 20% a Meta e lo metto su Search, cosa succede?”
- Pianificare il budget dell’anno con una base numerica, non solo sui risultati dell’anno prima.
Caso reale. Un cliente SaaS voleva superare i 400.000 € di spesa mensile, ma le conversioni non crescevano. Il Marketing Mix Model ha mostrato che si stava già investendo oltre il livello efficiente. Abbiamo separato il funnel di registrazione da quello di acquisto e spostato il budget dove il rendimento marginale era ancora positivo. Risultato: più conversioni, con 0 € di budget in più.
MMM, attribuzione e test di incrementalità: le differenze
| Marketing Mix Modeling | Attribuzione multi-touch | Test di incrementalità | |
|---|---|---|---|
| Domanda | Quanto contribuisce ogni canale nel tempo? | Quali punti di contatto ha toccato chi ha comprato? | Questa campagna ha causato vendite in più? |
| Dati | Aggregati (settimanali o giornalieri) | Percorso del singolo utente | Un gruppo esposto contro un gruppo di controllo |
| Canali offline | Sì | No | Solo in parte (geo test) |
| Dipende dai cookie | No | Sì | No |
| Uso tipico | Budget e pianificazione | Ottimizzazione giornaliera | Validare e calibrare il modello |
Non sono alternative: lavorano meglio insieme. I test di incrementalità servono a calibrare il MMM. L’attribuzione serve per le decisioni di tutti i giorni. Approfondisci nella guida ai test di incrementalità.
Quando un MMM ha senso (e quando no)
Ha senso se: – investi su almeno 3-4 canali, online e offline – hai uno storico di dati di spesa e vendite abbastanza lungo e pulito – devi decidere come dividere un budget importante
Non serve ancora se: – usi un solo canale – lo storico è troppo corto o i dati sono sparsi in sistemi che non si parlano
Nel secondo caso il primo lavoro non è il modello: è mettere insieme e pulire i dati. Un MMM costruito su dati disallineati dà risposte precise e sbagliate.
Gli errori più comuni
- Fidarsi delle conversioni dichiarate dalle piattaforme come verità di partenza.
- Dimenticare promozioni e prezzi. Il modello dà al marketing il merito di uno sconto.
- Rifare il modello una volta l’anno. Il mercato cambia più spesso: il modello va aggiornato con i dati nuovi.
- Fermarsi al report. Un MMM serve solo se cambia dove metti il prossimo euro.
Come Sherpaz usa il Marketing Mix Modeling
Sherpaz parte dalla base dati: unisce e pulisce le fonti (advertising, sito, CRM, vendite). Su quella base costruisce un MMM aggiornato con i dati nuovi, non un report una tantum. Il modello lavora dentro l’area Budget e diventa un’indicazione concreta: quale canale sta bruciando budget, dove mettere il prossimo euro, cosa succede se sposti la spesa. La risposta arriva insieme agli alert di ogni giorno, non in una dashboard da interpretare.
Guarda come funziona in Sherpaz · Preferisci che lo facciamo noi? Consulenza MMM di Dataz
Domande frequenti
Il Marketing Mix Modeling funziona senza cookie? Sì. Usa dati aggregati come spesa, impressioni e vendite per periodo. Non ha bisogno di tracciare il singolo utente.
Che differenza c’è tra marketing mix modeling e media mix modeling? Spesso sono usati come sinonimi. “Media mix” si concentra sui canali media. “Marketing mix” include anche prezzo, promozioni e distribuzione.
Quali dati servono per un MMM? Spesa e impressioni per canale, vendite o conversioni, prezzi, promozioni e calendario, tutti sullo stesso periodo e con la stessa granularità.
Meridian o Robyn bastano? Sono librerie open source valide. Servono però persone che preparino i dati, scelgano le ipotesi del modello e lo tengano aggiornato. La parte più difficile non è il codice: sono i dati e le decisioni che ne seguono.