Marketing Mix Modeling: quando ha senso e quando è eccesso di complessità

Il Marketing Mix Modeling è tornato di moda. Dopo anni in cui era considerato uno strumento da grandi aziende con budget da decine di milioni, iOS 14 e la crisi del tracciamento hanno riportato il MMM all'attenzione anche dei brand più piccoli. Ma per la maggior parte degli ecommerce DTC italiani con fatturato tra 1 e 15 milioni, il MMM è ancora una soluzione a un problema che non hanno ancora risolto con strumenti più semplici.

L'attribuzione marketing ecommerce ha molte facce: il pannello di piattaforma, gli strumenti di attribuzione multi-touch come Triple Whale, i test di incrementalità, e infine il Marketing Mix Modeling. Ognuno risponde a domande diverse. Capire quale domanda stai cercando di rispondere è il punto di partenza.

Cos'è il Marketing Mix Modeling e in cosa differisce dall'attribuzione multi-touch?

L'attribuzione multi-touch traccia il percorso di ogni singolo utente tra i touchpoint: vede l'annuncio Meta, legge l'email, clicca su Google Shopping, acquista. Ricostruisce il cammino individuale e assegna credito a ogni step.

Il Marketing Mix Modeling non traccia nessun utente individuale. Lavora con dati aggregati: prende la serie storica delle vendite settimana per settimana, affianca la spesa su ogni canale, i dati stagionali, la promozioni, i fattori esterni (meteo, inflazione, eventi). Attraverso regressione statistica, spesso bayesiana, stima quale quota delle vendite è spiegata da ogni variabile.

La differenza pratica è profonda. L'attribuzione multi-touch richiede dati individuali tracciabili, è vulnerabile alle limitazioni di iOS, e non cattura l'effetto dei canali offline. Il MMM non ha bisogno di tracciare nessun utente: lavora solo con aggregati, è immune alle restrizioni di privacy, e può includere TV, radio, eventi fisici, PR.

Il MMM risponde a domande strategiche: "Se taglio il 20% della spesa Meta e la sposto su YouTube, cosa succede al fatturato complessivo?" L'attribuzione multi-touch risponde a domande tattiche: "Quale creative performava meglio la settimana scorsa?"

A partire da quale budget ha senso investire nel MMM?

La risposta dipende da cosa intendi per MMM. Se parliamo di un modello custom costruito da un team di data science, la soglia di senso economico è generalmente sopra i 5-10 milioni di spesa media annua. Sotto quella soglia, il costo del progetto (tra 30.000 e 100.000 euro per un modello personalizzato, con aggiornamenti periodici) non è giustificato dall'entità delle decisioni di budget che influenzerà.

Se parliamo di MMM open-source come Robyn di Meta o Meridian di Google, la barriera economica è molto più bassa, ma la barriera tecnica rimane alta: serve qualcuno in grado di configurare, validare e interpretare i modelli.

La soglia di fatturato ecommerce da cui il MMM comincia ad avere senso come investimento ragionato è intorno ai 5-7 milioni annui, con un mix di canali diversificato (almeno 4-5 canali attivi con spesa significativa) e una serie storica di almeno 24 mesi di dati puliti. Con meno dati, i modelli tendono a essere instabili e le indicazioni poco affidabili.

Quanto dura un progetto MMM e cosa richiede internamente?

Un progetto MMM da zero, con un fornitore esterno specializzato, richiede tipicamente 8-16 settimane dalla raccolta dati alla prima versione del modello. Non è un'analisi one-shot: un MMM diventa utile quando viene aggiornato regolarmente (ogni trimestre o ogni 6 mesi) per incorporare i nuovi dati e ricalibrarsi.

I requisiti interni sono spesso sottovalutati. Servono: un responsabile che coordini la raccolta dati da tutti i canali (inclusi quelli offline), la capacità di condividere dati interni con il fornitore (fatturato lordo, margini, stagionalità degli ordini), e soprattutto qualcuno in grado di tradurre le indicazioni del modello in decisioni operative di budget. Il MMM produce curve di risposta, elasticità dei canali, raccomandazioni di allocazione. Senza qualcuno che sappia leggerle, il documento finale finisce in un cassetto.

Il MMM open-source (Robyn, Meridian) è affidabile per una PMI?

Robyn, il framework MMM open-source di Meta, e Meridian, quello di Google, sono strumenti seri e tecnicamente solidi. Entrambi usano approcci bayesiani e sono documentati pubblicamente. Il problema non è la qualità tecnica degli strumenti: è il gap tra "eseguire il codice" e "produrre un modello affidabile".

Un modello MMM richiede scelte metodologiche rilevanti: quale finestra temporale usare, come gestire la stagionalità, come modellare l'adstock (la persistenza nel tempo dell'effetto di un canale), quali variabili di controllo includere. Ogni scelta influenza i risultati. Uno strumento open-source non fa queste scelte per te, ti chiede di farle, e se non hai la competenza per valutarle, il modello ti darà risposte precise a domande formulate male.

Per una PMI con meno di 10 milioni di fatturato, la strada più pragmatica è spesso quella di fare un buon MMM "leggero" con un consulente esperto piuttosto che investire 6 mesi nell'implementazione open-source interna. Oppure, più semplicemente, concentrarsi prima su test di incrementalità periodici che producono indicazioni actionable con molto meno sforzo.

Quali decisioni si prendono meglio con il MMM rispetto agli strumenti tradizionali?

Il MMM eccelle in tre tipi di decisioni che l'attribuzione multi-touch non può supportare correttamente.

La prima è l'allocazione strategica del budget tra macro-categorie: quanto destinare a paid social vs search vs brand vs offline. Queste decisioni riguardano il mix complessivo, non le performance tattiche del singolo canale, e richiedono una visione aggregata che solo il MMM fornisce in modo statisticamente robusto.

La seconda è la valutazione dei canali non tracciabili. Se investite in podcast, eventi, influencer non affiliati, PR, o qualsiasi forma di marketing che non genera click tracciabili, l'attribuzione multi-touch li ignora completamente. Il MMM li può includere come variabili esplicative e stimarne il contributo alle vendite aggregate.

La terza è la pianificazione stagionale. Il MMM, avendo dati storici pluriennali, può stimare con buona precisione come cambiano le elasticità dei canali in diversi periodi dell'anno. Capire che Meta ha un rendimento marginale decrescente molto più rapido a novembre-dicembre rispetto a febbraio-marzo può cambiare radicalmente come si pianifica il budget annuale.

Per tutte le decisioni tattiche, settimanali, legate ai singoli creative, ai pubblici, alle offerte, l'attribuzione multi-touch rimane lo strumento più adeguato. Il MMM e l'attribuzione non si sostituiscono: si complementano. Come si complementano anche MER e ROAS di piattaforma, un tema che approfondisce questo articolo: MER, ROAS e LTV/CAC: quale metrica usare per ogni decisione.

La posizione di VisioDP sul MMM

Il MMM è uno strumento potente che risponde a domande importanti. Ma è spesso venduto come soluzione all'incertezza dell'attribuzione, quando in realtà è uno strumento diverso, con prerequisiti diversi e finalità diverse.

Prima di investire in un progetto MMM, verifica di aver già esaurito il potenziale degli strumenti più semplici: hai implementato CAPI correttamente? Usi il MER come metrica di controllo? Hai fatto almeno un test di incrementalità? Se la risposta a queste domande è no, il MMM è un eccesso di complessità costoso su basi ancora fragili.

Il Metodo Visio™ costruisce prima le fondamenta del sistema di misurazione, quelle che abilitano decisioni migliori senza richiedere data science avanzata, e poi valuta quando e se strumenti più sofisticati come il MMM hanno senso per lo specifico contesto del brand. Puoi capire l'approccio su visiodp.com/metodo-visio.

Se stai valutando se il MMM ha senso per il tuo ecommerce e vuoi un'opinione concreta, prenota una call: visiodp.com/contattaci.