Modern Marketing Mix Model - Next Advertising Era

Scopriamo cosa sono e come potrebbero sostituire i Multi Touch Attribution (MTA) model forse arrivati ad un binario morto attraverso le nuove normative sulla privacy e la sparizione dei 3rdparty cooki

Il sunset dei 3rdparty cookie limiterà la capacità di tracciare le interazioni post impressions degli utenti e le restrizioni a difesa della privacy limiteranno la capacità di tracciare con precisione le diverse interazioni dell’utente con le proprietà digitali dell’azienda.
Come abbiamo visto nelle puntate precedenti Attribution API di Google permetterà in parte di recuperare queste informazioni, ma la capacità di analisi è già limitata dall’impossibilità di tracciare le impression da social network come Meta e TikTok. La realtà: il sunset dei 3rdparty cookie ha solo dato l’ultima spallata ad un settore che doveva ripensarsi da anni

L’industria ha continuato a cercare soluzioni trovando nei vecchi Marketing Mix Model una possibile soluzione, ma cosa sono?

Che cos’è un Marketing Mix Model?

Un MMM, o Marketing Mix Modeling, è un metodo analitico utilizzato per misurare l'efficacia delle diverse attività di marketing. Utilizza dati storici per comprendere come varie componenti del mix di marketing — come la pubblicità, le promozioni, i prezzi e la distribuzione — influenzano le vendite o altri obiettivi. In sostanza, un MMM valuta il contributo di ogni canale e tattica di marketing al ROI complessivo, consentendo ai marketer di ottimizzare la spesa e la strategia per future campagne.
I dati utilizzati in un MMM possono variare ampiamente ma generalmente includono:

1. Dati di Spesa: Costi di marketing suddivisi per canale (es. TV, radio, social media).

2. Dati di Performance: Vendite o altri KPI rilevanti, come leads generati o traffico web.

3. Dati relativi al media: Impressions, reach, frequenza, GRP (Gross Rating Points) per campagne pubblicitarie.

4. Dati Economici: Indicatori macroeconomici come PIL, tassi di interesse, dati sul consumo.

5. Dati dei competitors: Attività di marketing o promozioni dei concorrenti.

6. Dati Esterni: Eventi, festività, condizioni meteorologiche che potrebbero influenzare il comportamento del consumatore.

7. Dati Digitali: Click-through rate, conversion rate, dati di navigazione sul sito web.

Questi dati sono analizzati per comprendere l'efficacia dei diversi componenti del marketing mix e per valutare le decisioni strategiche future.

Che cosa caratterizza un Marketing Mix Model Moderno?

I moderni Marketing Mix Model (MMM), come Robyn di Meta e LightweightMMM di Google, rappresentano un progresso nel campo delle analisi di marketing perché sfruttano l'intelligenza artificiale e l'apprendimento automatico per ottimizzare la spesa pubblicitaria e la strategia sottostante. Robyn è un pacchetto open-source che utilizza varie tecniche di multi-objective evolutionary algorithm per l'ottimizzazione degli iperparametri, la decomposizione delle serie temporali, la regressione Ridge e gli ottimizzatori basati su gradienti per l'allocazione del budget. È particolarmente adatto per inserzionisti digitali e di risposta diretta con set di dati granulari e molte variabili indipendenti.

LightweightMMM di Google, invece, è una libreria leggera di MMM Bayesiano che aiuta le aziende nel comprendere e ottimizzare la spesa di marketing attraverso i canali media. L'approccio Bayesiano integra informazioni pregresse nella modellazione, consentendo l'utilizzo dell’esperienza di settore o di modelli precedenti. Offre anche opzioni di modellazione gerarchica e è progettato per accomodare la complessità della saturazione dei media e gli effetti ritardati, catturando l'impatto posticipato dei canali media sulle vendite.

Confrontati con i MMM tradizionali, che si concentrano sulla misurazione dell'impatto della pubblicità e delle promozioni, i modelli moderni come Robyn e LightweightMMM traggono vantaggio dall'automazione e dalle avanzate capacità di elaborazione dei dati. Possono gestire set di dati più complessi e fornire intuizioni più sfumate sull'efficacia dei canali di marketing digitale. L'uso dell'IA riduce il bias umano e può democratizzare la conoscenza della modellazione, potenziando aziende di varie dimensioni.

Tuttavia, la maggiore complessità e sofisticazione di modelli come Robyn e LightweightMMM può essere uno svantaggio. Potrebbero richiedere più competenza per essere interpretati correttamente e potenzialmente portare a un'eccessiva dipendenza da insight generati dalla macchina, i quali potrebbero non tenere sempre conto delle sfumature imprevedibili del comportamento del consumatore o dei cambiamenti di mercato.

D'altra parte, i MMM tradizionali, sebbene possano non avere lo stesso livello di granularità o automazione, offrono framework collaudati e familiari a molte organizzazioni. Le loro previsioni sono spesso più facili da comprendere e danno maggiore fiducia agli stakeholder, fattore da non sottovalutare per spingere diversi reparti ad adottare gli output generati.

In sintesi, i modelli moderni di marketing mix offrono strumenti potenti per ottimizzare la spesa di marketing, in particolare nello spazio pubblicitario digitale e di risposta diretta. Tuttavia, assicurarsi che gli insight siano azionabili e costruire fiducia in questi modelli è fondamentale per integrarli con successo nella strategia e nelle operazioni di marketing. I MMM tradizionali, sebbene meno sofisticati, forniscono un livello di affidabilità e comprensibilità che continua ad essere prezioso per molte organizzazioni.

Quali sono le principali differenze tra approccio tradizionale e approccio moderno?

Nei MMM tradizionali, i risultati mostrano tipicamente l'impatto incrementale complessivo degli investimenti di marketing e prevedono esiti basati su dati storici. Ad esempio, un MMM tradizionale potrebbe indicare che per ogni 100.000 dollari spesi in pubblicità televisiva, c'è un aumento medio di 1 milione di dollari nelle vendite.

I MMM moderni come Robyn o LightweightMMM possono fornire risultati più dettagliati grazie ai loro algoritmi avanzati e tecniche di machine learning. Potrebbero rivelare, ad esempio, che l'incrementalità della pubblicità televisiva varia settimanalmente, in base al tipo di creatività utilizzata o alla presenza di campagne online simultanee, e potrebbero anche offrire strategie di ottimizzazione per l'allocazione del budget tra i canali in modo più tempestivo.

La differenza chiave risiede nel livello di dettaglio e nella capacità di adattarsi rapidamente al cambiamento: i MMM moderni offrono intuizioni più dinamiche e complesse rispetto alle tendenze generali evidenziate dai modelli tradizionali, grazie alla possibilità di aggiornarli in periodi molto brevi anche settimanalmente.

Multi Touch Attribution e Marketing Mix Model quali sono le differenze

Le differenze principali tra i modelli di Marketing Mix Modeling (MMM) moderni e l'attribuzione multi-touch (MTA) riguardano l'obiettivo e il tipo di dati utilizzati:

1. Obiettivi: MTA si concentra sull'impatto di singoli touchpoint sulle conversioni e vendite, attribuendo il merito a molteplici touchpoint nel percorso dell'utente. MMM si focalizza sull'impatto complessivo del mix di marketing di un'azienda sulle sue vendite e altri risultati

2. Tipi di Dati: MTA utilizza dati granulari a livello di dispositivo per tracciare le interazioni degli utenti con diversi touchpoint. MMM usa dati aggregati a livello di campagna o canale, rendendo meno visibile l'impatto di touchpoint individuali sulle conversioni e vendite.

3. Vantaggi di MMM: È orientato alla privacy, utilizza dati aggregati, e può fornire previsioni sull'impatto delle strategie di marketing e aiutare nell'ottimizzazione, identificando i canali di marketing più efficaci da potenziare.

4. Vantaggi di MTA: Offre una granularità maggiore e può essere combinato con la misurazione dell'incrementalità per trarre inferenze causali, aiutando a comprendere meglio l'efficacia dei singoli touchpoint e ottimizzando così le campagne di marketing.

In questa tabella riassumo le caratteristiche delle due metodologie prendendo spunto dalla tabella creata in questo articolo di Airbridge

Robyn e LigthWegth sono al loro albori, ma diventano sempre più promettenti. Sul mercato esistono vari vendor di Marketing Mix Model che hanno metodologie ancora più avanzate ed offrono soluzioni SAAS. L’elenco non è esaustivo sono i produttori di cui seguo gli aggiornamenti. La descrizione è stata generate da ChatGPT partendo dalla homepage dei loro siti.

Forvio è uno strumento SaaS (Software as a Service) per il Marketing Mix Modeling (MMM) supportato da intelligenza artificiale. Consente di ridurre i pregiudizi umani, fornendo decisioni azionabili basate su dati e scienza. Aiuta a rivelare l'impatto reale del marketing, scoprire i punti di saturazione dei media per ottimizzare la spesa, e apprendere dalle attività passate per migliorare continuamente. È ottimizzato per squadre di tutte le dimensioni, da freelance a grandi aziende, e fornisce insight approfonditi per una gestione efficiente del budget e una strategia di marketing efficace.

Adtriba è una piattaforma di marketing data-driven che offre strumenti per la misurazione e l'ottimizzazione delle attività di marketing. Attraverso la raccolta automatizzata dei dati e la valutazione basata sull'intelligenza artificiale, Adtriba fornisce feedback azionabili per l'allocazione del budget e l'allineamento strategico. La piattaforma elimina l'analisi parziale e fornisce una comprensione completa delle attività di marketing, sia online che offline, consentendo di prendere decisioni più informate e ottimizzare il ROI. Adtriba Core si concentra sulla multi-touch attribution e sulla misurazione unificata del marketing, mentre Adtriba Sphere si specializza nel Marketing Mix Modeling.

Rockerbox è una piattaforma di misurazione e analisi del marketing basata sui dati, che permette di combinare diversi approcci di misurazione per adattarsi al meglio alle esigenze specifiche. Offre soluzioni come il marketing mix modeling per la pianificazione del budget, la multi-touch attribution per l'attribuzione delle vendite ai vari touchpoint di marketing e strumenti per l'ottimizzazione quotidiana delle campagne. Rockerbox aiuta a unificare i dati di marketing, bilanciare gli standard di privacy, prevedere le performance future sulla base dei risultati passati, ridurre la spesa di marketing inefficiente e colmare le lacune nei modelli di attribuzione, fornendo una vista completa del percorso del cliente.

Cassandra è un software di Marketing Mix Modeling basato su apprendimento automatico che analizza i dati di marketing per rilevare sprechi di budget e fornire piani media che massimizzano il ROI. Il processo di ottimizzazione del ROI avviene in tre fasi: identificazione delle campagne non efficienti, simulazione e previsione del miglior piano media e reallocazione del budget per massimizzare l'impatto.

Recast è un software di Marketing Mix Modeling che utilizza l'analisi bayesiana e pipeline di dati automatizzate per ottimizzare le performance di marketing. Misura l'impatto in tempo reale senza bias di tracciamento, fornendo stime affidabili su ROI e saturazione dei canali. Offre risultati settimanali e strumenti per l'allocazione ottimizzata del budget basati su obiettivi specifici, aiutando i marketer a investire con precisione e senza sprechi.

---

Le puntate precedenti della Next Advertising Era:

• Google Privacy Sandbox: Google Topic API

• Google Privacy Sandbox: Protected Audience API

• Google Privacy Sandbox: Attribution Reporting API

• Apple SKAdNetwork & Private Click Measurement

• Alternative ID

• IAB Seller Defined Audience

• Curation Platform

• Data Clean Room

  ---

Letture consigliate:

Be Data Literate di Jordan Morrow che sta guidando le mie ultime scelte professionali

Present Beyond Measure: Design, Visualize, and Deliver Data Stories That Inspire Action di Lea Pica appena uscito e sta migliorando il mio racconto dei dati

IAB Tech Lab Identity Solution il draft della guida dello IAB per capire gli alternative ID

Marketing in the messy middle documento di Google per orientarci nel Messy Middle la visione di Mountain View di come riassumere il processo decisionale dell’utente.

Data Clean Rooms: Guidance and Recommended Practices Version 1.0: proposta dello IAB US per creare uno standard relativo alle Data Clean Room, in quanto oggi non c’è interoperabilità tra vendor.