Mercoledì 20 maggio, durante il Google Marketing Live, Google ha presentato due novità che, viste insieme, valgono più di tutto il resto del keynote: Meridian integrato dentro Google Analytics 360 e le Qualified Future Conversions, una metrica che usa Gemini per prevedere conversioni fino a sei mesi nel futuro.
Sembra l’ennesima release di prodotto. Non lo è. È il cambio di paradigma più importante nella misurazione del marketing da quando è stato lanciato GA4. Per la prima volta un Marketing Mix Model — tool che fino a ieri vivevano solo data scientist e vendor da 200k all’anno — diventa un tool di business intelligence interrogabile in linguaggio naturale, integrato nativamente dentro Google Analytics 360.
C’è una parte buona, e c’è una parte che mi preoccupa. Provo a raccontarvele entrambe.
La parte buona
Meridian dentro GA360 non è un fork: il codice resta open-source su GitHub. Quello che Google ci ha messo sopra è la parte che ha sempre tenuto fuori dal gioco la maggior parte delle aziende: ingestione dei dati first-party (BigQuery, HubSpot, Shopify, Salesforce) attraverso il Data Manager — l’API unificata che dal 2025 alimenta Google Ads, Analytics e DV360 — pull cross-channel di spesa e impression da Meta, TikTok, Pinterest e Snap, e un’interfaccia agentica che ti permette di chiedere “se sposto 100k da Performance Max a TikTok, cosa cambia?” senza scrivere una riga di Python. Il demo sul palco mostrava un piano annuale che, ottimizzato dal modello, faceva +50% di ROAS sul baseline.
Le Qualified Future Conversions sono un animale diverso. Non sono modeled conversion che riempiono buchi di tracking. Sono una stima probabilistica generata da Gemini su un evento non ancora accaduto, ancorata a comportamenti intermedi osservabili: ricerche brandizzate, like o subscribe su YouTube, add-to-cart, avvio di lead form.
Il dato interno che le giustifica dovrebbe far rizzare le antenne a chiunque gestisca budget upper-funnel: solo il 70% delle conversioni Google Ads cade dentro la finestra standard 30-day click / 3-day engaged-view. Per Performance Max si scende al 50%. Per Demand Gen al 40%. Tradotto: per metà delle campagne di brand building, le finestre di attribuzione di oggi stanno tagliando via metà del valore reale. È il primo serio tentativo di metterci una pezza dentro la stessa piattaforma che vende il media.
Da qui in poi, però, le cose si complicano.
La parte che mi preoccupa
Il piano dichiarato — scritto nei comunicati e ripreso da PPC Land — è che i segnali QFC verranno usati come input per Meridian. Cioè: Gemini, addestrato sul comportamento osservato dentro Google Ads, sputerà fuori una previsione che diventerà uno degli ingredienti del Marketing Mix Model che dovrebbe dirci se i nostri soldi su Google Ads stanno rendendo. Lo stesso Google che ci dice quanto bene sta funzionando Google.
Jordan Taylor-Bartels, CEO di Prophet, intervistato da Mi3, l’ha sintetizzata meglio di come potrei fare io: “It wouldn’t be very Googley if Meridian recommends all spend goes to Meta.”
Non è l’unico problema. Ne vedo altri due.
Il primo è la stazionarietà. Lo dice la documentazione ufficiale: Meridian non modella l’efficacia dei canali come time-varying. Cioè assume che il rendimento di ogni canale resti costante nella finestra che stai osservando. Chiunque abbia gestito campagne sa che non è così — creative fatigue, saturazione dell’audience, stagionalità, lanci dei competitor, sono la regola. Michael Kaminsky di Recast, autore della critica tecnica più dettagliata su Meridian, indica questa come la lacuna principale.
Su questo vale la pena guardare cosa fanno realtà con approccio metodologicamente diverso. AD cube — spinoff del Politecnico di Milano nato dal dipartimento DEIB — restituisce l’andamento di ciascun canale settimana per settimana, come serie storica. Differenza concettuale, non solo operativa: Meridian ti dà un coefficiente per canale valido per l’intera finestra modellata; AD cube ti mostra come quel coefficiente si muove nel tempo — quando un canale entra in saturazione, quando la creatività perde colpi, quando una campagna stagionale funziona e quando smette. Per chi rinfresca le creatività ogni due o tre settimane (chiunque venda online seriamente nel 2026), cambia la natura della decisione: non stai più validando la strategia di un trimestre, stai correggendo il portafoglio in corsa.
Il terzo problema è il più sottile. È il conflitto di interesse strutturale, raccontato meglio di tutti da Aryma Labs e Keen Decision Systems: Google e Meta sono insieme i paladini dell’open-source MMM e i vendor dello spazio pubblicitario che quel MMM dovrebbe valutare. Aryma ha aggiunto un dettaglio statistico importante: i Bayesian MMM mostrano la media della distribuzione posteriore invece dell’Highest Density Interval, e per la natura lognormale questa scelta gonfia sistematicamente i ROI dei canali. Non è un bug, è una conseguenza matematica del modo in cui il modello è impacchettato.
Nessuno di questi tre rischi rende Meridian inutilizzabile. Ma messi insieme, rendono la validazione indipendente una cosa che fino al 20 maggio era opzionale e da oggi è obbligatoria.
Cosa farei se fossi un CMO
Partiamo da un dato di realtà che la narrazione sull’agentic UI tende a nascondere: un MMM non si usa da solo, neanche se è dentro GA360 con un’interfaccia in linguaggio naturale. Un Marketing Mix Model è un modello statistico complesso, e perché restituisca valore vero — non solo dashboard belle — ti serve qualcuno che lo sappia leggere, calibrare, interrogare. Un consulente esterno, un’agenzia specializzata, o un data scientist in casa. Le agentic UI riducono la frizione della query, non quella dell’interpretazione.
A quel consulente chiederei due cose insieme, non in alternativa. Una: portare avanti Meridian-in-GA360 come baseline, se l’azienda ha già la licenza. Due: girare in parallelo un MMM indipendente come strumento di verifica. È la stessa logica del doppio audit di bilancio: il secondo serve a esporre il bias del primo quando c’è.
Il test specifico è semplice: prendi la stima di channel contribution dei due modelli e confrontala. Se i canali Google appaiono il 10-30% più incrementali in Meridian rispetto al modello indipendente, hai trovato la direzione del bias.
E se non hai GA360? È la situazione della stragrande maggioranza delle aziende italiane. Tre opzioni realistiche.
La prima: un MMM open-source girato da un partner o consulente. “Open-source MMM” non significa “Meridian”: c’è Robyn di Meta (R, ridge regression, community ampia), PyMC Marketing (Python, fully Bayesian, più flessibile di Meridian), Orbit di Uber per serie con stagionalità marcata. È nella scelta dello strumento che il consulente fa la differenza rispetto a chi “fa girare Meridian”.
La seconda: una piattaforma MMM self-serve indipendente — AD cube, Cassandra, Mutinex Self-Serve, Recast, Measured, Sellforte — con il consulente che la pilota.
La terza, per chi ha budget pubblicitari sotto i 500k all’anno: rinunciare all’MMM strutturato e costruire un setup minimo basato su esperimenti di incrementalità geografica e attribution model.
In tutti e tre i casi, il pezzo non delegabile resta la persona che interpreta i risultati.
Sulle QFC, attivale subito in un account pilota. Il tracking parte dal giorno dell’attivazione, e quando deciderai di usarle come segnale per le bidding strategy ti servirà uno storico di almeno sei mesi da validare contro l’LTV osservato. Meglio iniziarli oggi che fra sei mesi.
Calibra sempre con esperimenti. Meridian GeoX è la risposta nativa quando arriverà; fino ad allora si scelgono i vendor — Haus, Measured, Sellforte, Lifesight (unified MMM + geo experimentation), INCRMNTAL (always-on via causal inference, senza geo holdout), LiftLab (disegno di esperimenti controllati), e Cassandra che integra incrementality testing nella sua piattaforma — oppure si costruisce un framework geo in casa su librerie open-source mature: GeoLift di Meta (Synthetic Control Methods end-to-end in R) e CausalImpact di Google (Bayesian structural time series, R e Python). Un MMM non calibrato contro un esperimento controllato non è uno strumento di budgeting difendibile in un comitato esecutivo — è un’opinione.
Cosa farei se fossi un CFO
Prima di firmare qualunque riallocazione di budget basata su QFC, chiederei al fornitore documentazione metodologica sulla pipeline QFC→Meridian. Come gestisce la circolarità? Come isola il segnale di Gemini dai dati di input che già contengono comportamento Google Ads? Se nessuno risponde, non firmo.
Il TCO, qui, si fa serio. GA360 a ~50k l’anno è il biglietto di ingresso. Aggiungi il consulente o l’agenzia (60-150k l’anno se interno, 30-80k se contractor part-time: la voce più sottovalutata di tutte), validazione indipendente (5-15k), esperimenti di incrementalità (10-30k per ciclo, due o tre cicli l’anno), eventualmente un MMM vendor indipendente per la triangolazione (50-150k per la fascia enterprise). Il numero finale rende “MMM gratis dentro GA360” un’etichetta da marketing, non una verità da bilancio.
Disciplina aggiuntiva: validare le previsioni QFC contro l’LTV osservato. Ogni cohort di QFC attivate oggi va seguita per sei mesi. Quante delle conversioni previste si sono materializzate, e con quale margine? È lo stesso backtesting che il vostro team finance fa già sui modelli di forecasting. Applicatelo qui senza fare sconti.
In pratica si fa così. Step uno: ogni mese registri il numero di QFC che Google attribuisce a ciascuna campagna nell’interfaccia di Google Ads — quello è il tuo predetto, il numero da battere. Step due: nel data warehouse (BigQuery se sei già nell’ecosistema Google, Snowflake o altro se non lo sei) ricostruisci la stessa cohort che Google sta valutando — gli utenti GA4 che nel mese hanno performato una delle Leading User Actions (branded search via Search Console, engagement profondo su YouTube, add-to-cart, avvio lead form). Tutte attivabili in GA4 con eventi custom o lette dalle API delle rispettive piattaforme. Step tre: a 30, 60, 90 e 180 giorni, conta quanti utenti di quella cohort hanno effettivamente convertito, con quale valore d’ordine e con quale margine. Step quattro: confronti l’osservato con il predetto. Se Google ti aveva dato la cohort di maggio per 24.000 conversioni future e a sei mesi ne hai contate 14.000, hai un’over-prediction del 70% — il tipo di errore che, davanti a un comitato di forecasting finanziario, fa ridiscutere il modello. Soglia operativa: errore medio sotto il 20% per tre cicli consecutivi per accettare QFC come segnale per le bidding strategy; sopra il 30%, è ancora rumore — utile per direction, non per allocation.
Soglia decisionale: sotto i 2-3 milioni di spend pubblicitario annuo, o 25M eventi al mese, GA360 non è giustificabile economicamente. Meglio orientarsi su tool open-source via partner o su piattaforme indipendenti che includono il supporto del data scientist nel pacchetto: AD cube e Cassandra — due nomi italiani ed europei che stanno crescendo bene — integrano MMM, incrementality testing e attribuzione in self-service con un loro data scientist a supporto. Per scale più grandi: Mutinex Self-Serve, Recast, Measured, Paramark, Sellforte.
Dove sta andando la misurazione
Meridian-in-GA360 è inevitabile. Diventerà la baseline cross-channel della misurazione enterprise nei prossimi due anni, e chi non la valuta seriamente passerà tre anni a giustificare perché non l’ha fatto.
Ma una baseline non è un oracolo. La differenza tra chi userà bene questa tecnologia e chi finirà per sbatterci la testa contro non sarà la qualità del modello — Meridian è un buon modello, lo dico senza ironia — ma la disciplina con cui lo si valida. Il setup difendibile davanti a un comitato esecutivo è fatto di quattro pezzi che lavorano insieme: il modello di Google come baseline, un modello indipendente in parallelo per due o tre cicli di refresh, esperimenti geografici per calibrare i prior, un framework di confronto che esponga le divergenze. Soprattutto, una persona che sa leggerli.
La domanda da portarsi in sala riunioni non è più qual è il mio ROAS. È chi sta misurando il mio ROAS, e quanto ha da guadagnare dal numero che mi sta restituendo?
Quella domanda, fino a ieri, era teorica. Da oggi è la prima cosa che ogni CFO dovrebbe scrivere nella prossima vendor review.
Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come impostare un framework di validazione MMM nella tua organizzazione, scrivimi a filippo@analyticstraining.it.
Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come impostare un framework di validazione MMM nella tua organizzazione, scrivimi a filippo@analyticstraining.it.
Fonti citate
Google Analytics 360 helps you turn data into decisions — Google Blog
Google Marketing Live 2026: turn your data into decisions — Google Blog
Qualified future conversions — Google Business
Meridian lands inside Analytics 360 as Google links ad spend to future sales — PPC Land
Google brings Meridian marketing mix modeling into Analytics 360 — Search Engine Land
MMM unmuddled: Mutinex lands industry-wide backing for open-sourced model comparison framework — Mi3
Mutinex Pips Google By Launching Self-Serve Commercial Mix Model — B&T
Hits and Misses of Meridian – A Thorough Deep Dive — Aryma Labs
Bayesian MMM inflates ROIs — Aryma Labs
Google Ads Launches New Tools For Mapping Incrementality — AdExchanger
Open MMM Validation Framework — Mutinex
Meridian documentation — Google for Developers
AD cube — Marketing Mix Model — ML cube, spinoff del Politecnico di Milano
Data Manager API helps advertisers improve measurement — Google Blog
