In sintesi: il Marketing Mix Modeling (MMM) era storicamente riservato alle grandi aziende (costo €100k-1M+). Il rilascio open source di Google Meridian (2024) e Meta Robyn (2020) ha reso l'MMM accessibile alle PMI con revenue €500k+, multi-canale e con almeno 12 mesi di storico dati settimanali. Output: ROI per canale, saturation curve, adstock decay, scenario planning. Costo in autonomia: 60-100 ore di lavoro per il setup. Con un'agenzia: €15-40k. Diventato decisivo nell'era post-cookie 2024-2026.
Quando l'MMM ha senso per una PMI
Tre criteri minimi per un ROI positivo:
- Revenue > €500k/anno. Sotto questa soglia, l'investimento nel setup non viene ripagato dalla riallocazione del budget.
- Multi-canale: almeno 4-5 canali attivi (TV, digital display, social, search, email, retail). Chi è su un solo canale non trae beneficio dall'MMM.
- 12+ mesi di storico settimanale. L'MMM richiede una serie temporale sufficiente per isolare gli effetti.
Profilo tipico: PMI italiana con €5-50M di revenue e 30-200k€/mese di spesa marketing distribuita su 5-8 canali. Profilo non adatto: SaaS B2B con < €500k di revenue, brand presente solo su TikTok, aziende con ciclo di vendita lungo (> 6 mesi).
Setup dei dati richiesto
Granularità: settimanale, idealmente 24-36 mesi di storico (minimo 12).
Variabile dipendente: revenue settimanale (o conversioni, o lead, a seconda del KPI di business primario).
Variabili indipendenti — canali marketing:
- Spesa per canale (€): TV, digital display, social ads (Meta, TikTok), search ads (Google, Bing), volume email, influencer, OOH.
- Impression/reach per canale (se disponibili, meglio della sola spesa).
Variabili di controllo (fattori esterni):
- Stagionalità: dummy mensile o trasformazione sin/cos.
- Promozioni: dummy per i periodi in promo.
- Variazioni di prezzo: indice di prezzo medio settimanale.
- Attività dei competitor: spesa stimata dei competitor (se disponibile).
- Eventi: lancio prodotti, eventi macro (covid, festività).
- Meteo: per le categorie sensibili al clima.
Dataset di output: una tabella settimanale con ~25-50 colonne e 60-150 righe. Dimensione gestibile in Pandas.
Google Meridian: installazione ed esempio in Python
Meridian è l'MMM bayesiano open source di Google, rilasciato nel 2024. Repository: github.com/google/meridian.
pip install google-meridian
# In Python
from meridian import constants
from meridian.data import load
from meridian.model import model
from meridian.model import prior_distribution
# Load dati (CSV con format documentato)
data = load.CsvDataLoader(
csv_path='dati_marketing.csv',
kpi_type='revenue',
media_to_channel=channel_mapping,
revenue_column='revenue',
media_columns=media_cols,
control_columns=control_cols,
).load()
# Setup priors bayesiani
priors = prior_distribution.PriorDistribution(
roi_m=tfd.LogNormal(loc=0.2, scale=0.7) # priors per ROI canali
)
# Build model
mmm = model.Meridian(
input_data=data,
model_spec=model.ModelSpec(prior=priors)
)
# Sample posterior (MCMC)
mmm.sample_posterior(n_chains=4, n_adapt=500, n_burnin=500, n_keep=1000)
# Output: ROI per canale, saturation curves, adstock
roi_summary = mmm.get_roi_estimates()
saturation = mmm.get_saturation_curves()Tempo di calcolo: 30-60 minuti su un laptop standard per un dataset di 100 righe × 30 colonne. Per dataset più grandi conviene un cluster cloud (GCP/AWS).
Bayesian priors: come impostarli per una PMI
I priors sono distribuzioni di probabilità a priori per i parametri chiave del modello (ROI di canale, adstock decay, saturazione). Impostarli bene aumenta la robustezza del modello, soprattutto con i dataset limitati tipici delle PMI.
Prior sul ROI di canale. Default Meridian: LogNormal(0.2, 0.7) — ROI medio atteso 1,2x con ampia incertezza. Per una PMI con storico ROAS noto, si calibra il prior centrandolo su quel valore. Esempio: prior ROI dei search ads = LogNormal(2.0, 0.4) se lo storico ROAS è 7-8x. Prior più basso per le campagne TV di brand: LogNormal(0.0, 0.5) (ROI 1x di base con varianza alta).
Prior sull'adstock decay. Misura quanto perdura nel tempo l'effetto di una spesa. Range tipici per canale:
- Search ads: decay rate 0,1-0,3 (effetto immediato, decadimento rapido).
- Display/social: 0,2-0,5.
- TV/branded video: 0,5-0,8 (effetto persistente).
- Print/OOH: 0,3-0,6.
Prior sulla saturazione. Il punto in cui la spesa aggiuntiva non genera più ROI proporzionale. Si parametrizza con una Hill function. Il default è sufficiente per i dataset standard.
Output: ROI, saturazione, adstock
Output tipici di Meridian per una PMI mid-market:
Gli insight tipici che emergono dal pattern:
- Email e Search hanno ROI alto ma sopra il 60-75% di saturazione: aumentare la spesa dà rendimenti decrescenti.
- Meta Ads è ad alta saturazione (88%): canale "tappato", ulteriore spesa poco efficiente.
- Display ha ROI < 1: distrugge valore, da eliminare o rivedere nel targeting.
- TV ha bassa saturazione (35%): potenziale di crescita per il brand building.
Decisioni: riallocazione budget e scenario planning
Tipico piano d'azione post-MMM:
- Eliminare i canali con ROI < 1. Il Display nell'esempio sopra: si redistribuisce il budget.
- Mantenere i canali con ROI > 1 già in saturazione (Meta) senza però aumentare la spesa.
- Scalare i canali ad alto ROI sotto la saturazione (TV brand): aumentare la spesa del 30-50% e ri-testare.
- Scenario planning: Meridian permette di simulare "se sposto €10k dal Display alla TV, qual è il revenue lift atteso?". Output: una distribuzione probabilistica dei risultati.
Frequenza di ri-esecuzione: trimestrale. Ricalibrazione dopo cambiamenti significativi (lancio prodotto, espansione geografica, evento competitor).
Errori comuni
(1) Storico troppo corto. Sotto 12 mesi di dati settimanali, l'MMM è instabile. Sotto 6 mesi, completamente inaffidabile. Meglio aspettare che lo storico si accumuli.
(2) Ignorare la stagionalità. Se il business ha una stagionalità marcata, non includere il fattore stagionale porta l'MMM ad attribuire ai canali variazioni che in realtà sono cicliche.
(3) Multicollinearità tra canali. Se due canali vengono spesso attivati insieme (es. TV e Meta sempre in promo), l'MMM fatica a separarli. Soluzione: introdurre una variazione esplicita nella spesa durante il setup.
(4) Over-fitting sul passato. L'MMM spiega bene il passato, ma il futuro può essere diverso. Va validato con un holdout (gli ultimi 3 mesi tenuti fuori dal training) prima di prendere decisioni.
(5) Ignorare fattori esterni critici. Prezzo, distribuzione, competitor: se non inclusi, l'MMM attribuisce i loro effetti ai canali marketing, distorcendo le stime di ROI.
Confronto Meridian vs Robyn vs Lightweight MMM
Per una PMI italiana standard, nel 2026 Meridian è il default per qualità dell'output e supporto Google attivo. Robyn è l'alternativa se il team lavora in R.
Costi: autonomia vs agenzia
Punto di equilibrio per una PMI mid-market: specialista freelance con tool open source (€10-20k iniziali), poi manutenzione interna sul modello già costruito.
FAQ
L'MMM sostituisce Google Analytics e i modelli di attribution?
No, è complementare. GA + modello di attribution = analisi dei touchpoint digitali (granulare, intra-canale). MMM = mix di marketing complessivo (offline incluso). Servono entrambi. Assetto ottimale: GA per l'ottimizzazione tattica, MMM per l'allocazione strategica del budget.
La deprecazione dei cookie impatta sull'MMM?
Solo marginalmente. L'MMM lavora su spesa e revenue aggregate, non sul tracciamento a livello di singolo utente. È il framework più resistente all'era post-cookie: per questo è in crescita nel 2024-2026 anche tra le PMI.
Posso fare MMM solo sul digital o devo includere l'offline?
Idealmente entrambi. Un MMM solo digital è valido se l'azienda è 100% online (e-commerce puro). Per le PMI con TV/print/OOH/retail, includerli aumenta la qualità del modello.
La validità statistica regge con il dataset piccolo di una PMI?
Il framework bayesiano gestisce bene i campioni piccoli grazie ai priors. Gli intervalli di confidenza saranno ampi (incertezza alta), ma l'output resta utile a livello direzionale. Sotto le 50 osservazioni settimanali (1 anno) è sconsigliato.
Ogni quanto ri-eseguire il modello?
Trimestrale come standard. Ri-esecuzione anticipata dopo eventi significativi (lancio prodotto, cambio di strategia, espansione). Ricalibrazione completa annuale con nuovi priors.
L'MMM funziona per il SaaS B2B?
È più difficile con i cicli lunghi (3-12 mesi). Il setup richiede di tracciare il ritardo tra lead e chiusura del deal. Funziona meglio per SaaS B2C o B2B-SMB con ciclo < 3 mesi. Per il B2B enterprise, meglio l'attribution basata sugli account e il multi-touch attribution.
Fonti e riferimenti
- Google Meridian — repository open source
- Google — Meridian: documentazione e metodologia
- Meta Robyn — repository open source (R)
- Hanssens, D., Parsons, L., Schultz, R. — "Market Response Models" (Springer)
- Pauwels, K. — "Modeling Marketing Dynamics by Time Series Econometrics" (MSI)
- Forrester — "MMM Adoption Trends" (2023-2024)
- WARC — Marketing Mix Modeling case studies
