Media Mix Modeling (MMM): definizione e funzionamento

Il Media Mix Modeling (MMM) è una tecnica statistica che stima quanto ciascun canale di marketing contribuisce alle vendite o alle conversioni in modo aggregato, utilizzando dati storici di spesa e risultati anziché il tracciamento a livello individuale. Invece di seguire il clic di una singola persona fino all'acquisto, MMM esamina i totali settimanali o mensili, quanto hai speso su native, ricerca a pagamento e TV rispetto a quante unità vendute, e poi adatta un modello che spiega il pattern.

Perché esiste#

Ogni metodo di attribuzione ha un punto cieco. I modelli basati sui clic attribuiscono eccessivo credito al canale più vicino alla vendita, e il tracciamento a livello di persona necessita di un identificatore persistente attraverso i touchpoint, cosa che la deprecazione dei cookie e le restrizioni al tracciamento delle app hanno reso più difficile da mantenere. MMM evita entrambi i problemi perché non ha mai bisogno di identificare un singolo utente o tracciarlo attraverso un dispositivo. Funziona interamente su dati aggregati a livello di canale, il che lo rende resiliente in termini di privacy e utilizzabile anche per canali offline come TV, radio o out-of-home che non producono affatto una traccia cliccabile.

Cosa entra nel modello#

Un MMM tipico mette in regressione le vendite rispetto alla spesa pubblicitaria settimanale per canale, più variabili di controllo: stagionalità, variazioni di prezzo, attività dei concorrenti e promozioni. L'output è un insieme di coefficienti che mostrano il contributo stimato di ciascun canale e la sua curva di rendimenti decrescenti, il punto in cui un dollaro aggiuntivo di spesa inizia a produrre meno vendite incrementali rispetto al dollaro precedente. Quel pattern di rendimenti decrescenti spesso rispecchia ciò che emerge anche a livello creativo, dove una frequenza sostenuta guida l'affaticamento creativo molto prima che un modello a livello di canale lo rilevi. Le vendite di base, quelle che si realizzerebbero con marketing zero, vengono separate dalle vendite guidate dal marketing, in modo che il modello non attribuisca accidentalmente credito agli annunci per una domanda che esisteva comunque.

MMM rispetto a un holdout dal vivo#

Un esperimento di incrementalità dal vivo fornisce un numero preciso di incremento, verificato sperimentalmente, per un canale in una finestra di test, al costo di mettere in pausa o ridurre la spesa reale. MMM funziona continuamente in background utilizzando dati già disponibili, coprendo tutti i canali contemporaneamente, ma la sua precisione dipende dall'avere una variazione di spesa storica sufficiente per separare l'effetto di un canale da un altro. Molti team di analisi utilizzano i risultati di holdout per calibrare e convalidare i propri coefficienti MMM, poiché un modello che contraddice un risultato sperimentale pulito probabilmente manca di una variabile.

Dove si inseriscono native e social in un MMM#

I network nativi e le piattaforme social sono solitamente modellati come voci separate perché le loro curve di risposta differiscono: un network come Taboola tende ad avere una curva più lunga e a lenta costruzione rispetto a una campagna search strettamente targettizzata, e l'inventario acquistato tramite una piattaforma lato domanda mostra spesso un'altra forma ancora. Prima di poter costruire un modello difendibile, è necessario disporre di un tracciamento delle conversioni a livello di canale e dati di spesa suddivisi correttamente, di solito la parte più difficile dell'esercizio nella pratica. Osservare quanto la spesa e il volume creativo dei concorrenti si muovono su un determinato network, utilizzando uno strumento come la piattaforma di ad intelligence di OpenAdLibrary, è un utile controllo di verifica per vedere se il contributo modellato di un canale è in linea con ciò che sta effettivamente accadendo nel mercato, e se il ROAS riportato è plausibile.

Limitazioni#

MMM necessita di una quantità significativa di dati storici, di solito un anno o più di osservazioni settimanali, per adattare un modello stabile. Reagisce anche lentamente: il coefficiente di un canale non si aggiorna in tempo reale come fa un dashboard di piattaforma, quindi MMM funziona meglio come strumento strategico di pianificazione trimestrale che come strumento di ottimizzazione quotidiana. La spesa correlata, ovvero aumentare il budget su due canali contemporaneamente ogni volta, rende anche statisticamente difficile separare i loro effetti individuali, un problema noto come collinearità, e nessuna abilità di media buying può risolvere un modello a cui mancano i dati necessari.