Quando più canali contribuiscono alle vendite, sommare i loro report non basta a capire dove investire. Il Marketing Mix Modeling nasce proprio per rispondere a questa domanda, a patto che i dati permettano un confronto attendibile.
Pensiamo a un’azienda che distribuisce il budget tra campagne digitali, iniziative sul territorio e promozioni. Ogni canale, guardato da solo, sembra funzionare. Il problema emerge quando si mettono i numeri uno accanto all’altro: la somma delle vendite attribuite a ciascun canale supera quelle realmente registrate.
Non è un errore di calcolo. Ogni piattaforma misura il proprio contributo con le proprie regole, e spesso rivendica la stessa vendita. Scegliere il report più favorevole non risolve nulla: se questa analisi è sbagliata, le decisioni di budget che ne derivano rischiano di esserlo a loro volta, e con loro i risultati dei mesi successivi.
Tra le alternative di misurazione, negli ultimi anni si è tornati a parlare molto di Marketing Mix Modeling (MMM). Un segnale è l’evoluzione di Meridian, il framework open source di Google dedicato a questi modelli: nel 2026 lo sviluppo prosegue con Meridian Studio, una piattaforma basata su Google Cloud pensata per aiutare i team di misurazione a creare, gestire e personalizzare modelli MMM attraverso un’interfaccia scalabile e automatizzata.
Strumenti più accessibili, però, non significano che il MMM sia adatto a tutte le aziende. Vediamo come funziona e quando ha senso.
Il modello cerca di spiegare l’andamento complessivo
A differenza dei sistemi di attribuzione, che seguono il percorso del singolo utente tra clic e visite, un MMM lavora su serie storiche aggregate: per esempio le vendite settimanali e gli investimenti per canale. Su questa base stima quanto ciascuna attività abbia contribuito ai risultati.
Oltre alla pubblicità, il modello include le variabili che possono spiegare le oscillazioni della domanda: stagionalità, prezzi, promozioni, festività, andamento del mercato, a volte perfino il meteo. Non ricostruisce il comportamento di ogni cliente, e proprio per questo non dipende da cookie o dal tracciamento individuale, sempre più limitati da normative e browser.
Facciamo un esempio. Una marca di prodotti per la casa vede crescere a novembre, tutte insieme, la spesa pubblicitaria, gli sconti e le vendite. Attribuire l’intera crescita alle campagne sarebbe prematuro: la promozione e il periodo dell’anno possono aver pesato quanto o più della pubblicità. Eppure per l’imprenditore la domanda è concreta: se una fonte rende più di un’altra, conviene ridistribuire il budget?
Il modello prova a separare questi effetti sulla base dei dati disponibili e delle ipotesi adottate. Tiene conto di due fenomeni che i report delle piattaforme tendono a ignorare:
- l’effetto nel tempo: una campagna può continuare a generare vendite anche settimane dopo la sua conclusione, perché costruisce notorietà e ricordo del marchio;
- la saturazione: raddoppiare l’investimento su un canale non raddoppia le vendite. Oltre una certa soglia, ogni euro aggiuntivo rende meno del precedente.
Il risultato resta una stima, accompagnata da un margine di incertezza che va letto con attenzione. Non è un rendiconto esatto che assegna a ogni euro le vendite prodotte, ma un modo più solido di ragionare su dove l’investimento lavora meglio.
Senza storico e variazioni, anche un buon modello fatica
Prima di commissionare un MMM bisogna capire se l’azienda disponga di dati sufficienti e coerenti. Scaricare la spesa pubblicitaria delle ultime settimane non basta.
La documentazione di Meridian indica come riferimento almeno due anni di dati settimanali per i modelli geografici (che distinguono aree o regioni) e tre anni per quelli nazionali. Sono orientamenti, non soglie che garantiscono automaticamente la qualità dell’analisi: contano la disponibilità delle informazioni, ma soprattutto la loro variabilità.
Il modello, infatti, impara dalle differenze. Se due canali sono sempre stati aumentati e ridotti insieme, diventa quasi impossibile distinguere il contributo dell’uno da quello dell’altro. Lo stesso accade quando mancano informazioni sulle promozioni, o quando a metà periodo cambia il modo di registrare le vendite senza che ne resti traccia.
In questi casi il modello produce comunque dei numeri, ma con un’incertezza così ampia da renderli poco utili per decidere. Un modo per rafforzare le stime è affiancare al MMM dei test di incrementalità, per esempio sospendendo o aumentando una campagna in alcune aree e confrontandole con altre: i risultati di questi esperimenti possono essere usati per calibrare il modello.
Chi propone il progetto dovrebbe quindi spiegare con chiarezza quali dati utilizzerà, quali fattori esterni considera e quali effetti rischiano di rimanere confusi. Un consulente che promette risposte certe senza aver prima guardato i dati sta semplificando troppo.
La prima decisione è capire se il progetto è proporzionato
Non tutte le aziende hanno bisogno di un MMM, e non tutte nello stesso momento.
Un’impresa con pochi canali, uno storico breve e problemi di tracciamento ancora aperti otterrà probabilmente più valore sistemando prima la raccolta dei dati e avviando una prova circoscritta, come un test su un singolo canale o su un’area geografica.
Un’azienda con investimenti distribuiti su più fronti, serie storiche strutturate e decisioni di allocazione rilevanti può invece valutare un’analisi più articolata. In entrambi i casi il punto di partenza non è il modello, ma la decisione che deve sostenere: quanto spostare tra i canali, quale intervallo di spesa esplorare, quali risultati mettere a confronto.
Cosa chiedere prima di affidare un progetto di MMM
Se state valutando un consulente o un’agenzia, alcune domande aiutano a capire se il progetto è impostato bene:
- quale decisione di budget il modello dovrà aiutare a prendere;
- quali dati servono, per quale periodo e chi si occuperà di raccoglierli e verificarli;
- come verranno considerati promozioni, stagionalità e fattori esterni;
- come verrà comunicata l’incertezza delle stime;
- se e come il modello sarà validato con test o confronti sul campo;
- ogni quanto verrà aggiornato, e cosa succede se nel frattempo cambiano canali o strategie.
Risposte vaghe su questi punti sono un segnale da non sottovalutare.
In sintesi
Il MMM diventa utile quando rende più fondata una decisione e, allo stesso tempo, ne mostra i limiti. L’obiettivo non è sostituire i report delle piattaforme con un numero più sofisticato, ma capire quali evidenze servono per investire meglio e con quanta sicurezza si può farlo.
Un caso dal nostro lavoro: quando il mese su mese racconta la storia sbagliata
Per diversi anni abbiamo seguito un ecommerce web-to-print nel settore del packaging. Un mercato con una caratteristica precisa: tra il primo contatto del cliente e l’ordine effettivo passa molto tempo. Chi acquista packaging personalizzato confronta fornitori, richiede preventivi, fa valutazioni interne, spesso aspetta il momento giusto per il lancio di un prodotto. Non compra al primo clic.
L’azienda investiva circa 12k euro al mese in campagne e chiedeva, comprensibilmente, un report mensile per capire se l’investimento rendesse. Guardando i numeri mese per mese, però, la risposta sembrava deludente: gli ordini attribuiti direttamente alle campagne si fermavano intorno ai 4-5k euro. Letto così, il bilancio appariva in perdita.
Il problema non era la performance delle campagne, ma la finestra di osservazione. Con un ciclo di acquisto lungo, il cliente che scopriva l’azienda tramite un annuncio tornava settimane o mesi dopo cercando direttamente il nome del sito, digitando l’indirizzo o cliccando su una newsletter. In un report mensile, quella vendita finiva attribuita a un altro canale, mentre il merito dell’acquisizione restava invisibile.
Per dimostrarlo abbiamo condotto un’analisi di attribuzione durata circa due anni, ricostruendo il percorso dei clienti dal primo contatto all’ordine. Il risultato è stato chiaro: tutti i clienti erano stati acquisiti, all’origine, dalle campagne. Il resto dei canali interveniva dopo, raccogliendo una domanda che la pubblicità aveva generato.
Abbiamo quindi sostenuto la scelta di mantenere l’investimento, e i risultati anno su anno lo hanno confermato:
| Periodo | Variazione del fatturato |
|---|---|
| Anno 1 | +916,12% |
| Anno 2 | +186,10% |
| Anno 3 | −7,45% |
| Anno 4 | +36,21% |
Il dato del 3° anno è forse il più istruttivo. In quell’anno la proprietà decise di ridurre le campagne Google Ads, e il fatturato calò. Grazie all’analisi di attribuzione siamo riusciti a farle reintrodurre e la crescita è ripartita.
La lezione vale ben oltre questo progetto. Una metrica non è sbagliata in sé, ma può essere letta sull’orizzonte sbagliato. Quando il tempo di conversione è lungo, giudicare le campagne sul singolo mese significa rischiare di tagliare proprio l’attività che alimenta le vendite future. È lo stesso principio su cui si basa il Marketing Mix Modeling: gli effetti della pubblicità si distribuiscono nel tempo, e solo uno sguardo su periodi abbastanza lunghi permette di vederli.
Per approfondire
Confrontati con HUD per definire una misurazione proporzionata ai tuoi canali, ai dati disponibili e alle decisioni di investimento.
Quadro informativo verificato al 24 settembre 2026.
