MMM con Meridian e Robyn: prima del modello vengono i dati

Il ritorno di interesse verso il Marketing Mix Modeling è comprensibile. Cookie meno affidabili, attribuzione più fragile, privacy, canali frammentati e budget sotto pressione spingono molte aziende a cercare una lettura più stabile dell’impatto marketing.

Strumenti open source come Google Meridian e Meta Robyn hanno reso il tema più accessibile. Il codice è visibile, la metodologia è documentata, l’adozione non richiede per forza una piattaforma chiusa. Per un’azienda questo è un vantaggio reale.

Ma accessibile non vuol dire semplice. Il rischio è pensare che basti installare un framework per ottenere una risposta credibile su budget, ROI e canali. Un MMM non ripara dati deboli. Li espone.

Cosa non sa il modello del tuo business

Meridian si presenta come un framework statistico per rispondere a domande di business su budget, performance e allocazione. Robyn descrive l’MMM come un modello econometrico per stimare l’impatto incrementale di attività marketing e non marketing su un KPI.

Sono definizioni utili perché chiariscono una cosa: l’obiettivo non è produrre un grafico elegante. È stimare effetti causali abbastanza credibili da informare decisioni di budget.

Questo obiettivo collega l’MMM alla stessa disciplina dietro attribution e Measurement Protocol. Ogni strumento risponde a una domanda diversa. L’attribution descrive come viene assegnato credito dentro un sistema configurato. Il tracking eventi descrive comportamenti osservati. L’MMM prova a stimare contributi più ampi tra canali e fattori non marketing. Confondere queste domande produce più report e meno chiarezza.

Per arrivarci servono input che abbiano senso: dati media coerenti, KPI affidabile, stagionalità, promozioni, prezzi, distribuzione, eventi esterni, cambiamenti di prodotto, disponibilità stock, campagne fuori piattaforma. Se questi elementi mancano o vengono trattati come rumore, il modello può comunque produrre un output, ma non necessariamente una decisione migliore.

La causalità non si valida con un bel fit

La documentazione Meridian sulla valutazione del modello è chiara su un punto spesso sottovalutato: validare direttamente la qualità dell’inferenza causale è difficile. Esperimenti ben disegnati sarebbero il riferimento migliore, ma non sempre sono pratici o disponibili. Per questo si usano misure indirette, diagnostiche e controlli.

Questo è un passaggio importante per chi deve prendere decisioni operative. Un modello può adattarsi bene ai dati storici e comunque essere poco utile per decidere cosa fare domani. La precisione descrittiva non basta se le variabili rilevanti mancano, se i canali sono collineari o se la granularità non cattura i fenomeni che contano.

Robyn dedica spazio a concetti come calibrazione, refresh del modello e uso di esperimenti. Anche qui il messaggio pratico è lo stesso: l’MMM va governato, non consumato come un report automatico.

Per una PMI il primo passo è più umile

Per molte startup, eCommerce o scaleup, il primo passo non è costruire subito un MMM. È preparare le condizioni perché un modello, un domani, possa avere senso.

Questo significa tenere storico coerente di spesa e revenue, documentare campagne, pulire naming convention, separare promozioni da media, tracciare eventi business con disciplina, conservare cambiamenti importanti di prodotto e prezzo. È lavoro noioso, ma trasforma la misurazione da collezione di dashboard a memoria decisionale.

Solo dopo ha senso chiedersi se Meridian, Robyn o un altro approccio possono aiutare. A quel punto l’MMM diventa una lente, non un oracolo. Può indicare pattern, tensioni e scenari, ma la decisione resta del team.

Il valore vero, per me, non è avere un modello più sofisticato. È creare abbastanza ordine da poter discutere marketing, prodotto e operations con la stessa base di realtà.

Prima di aprire un notebook, chiederei una verifica semplice della data readiness: spend, revenue, cambi prodotto e calendario campagne condividono una timeline affidabile? Effetti offline e promozioni sono documentati? Il team sa spiegare dove l’attribution è debole? Se queste risposte mancano, il primo milestone non è un modello. È decision memory abbastanza buona da meritare un modello.

Questa preparazione non è sprecata anche se il team non lancerà mai un MMM completo. Uno storico campagne più pulito, assunzioni nominate ed eventi business riconciliati migliorano già le decisioni operative settimanali. Il modello è solo un possibile consumatore di quella disciplina.

La soglia pragmatica è questa: se la preparazione non migliorerebbe una normale business review, probabilmente non è ancora abbastanza matura per alimentare un modello causale.

Prima ordine operativo, poi modellazione. È una sequenza meno brillante, ma più affidabile.