Vale su un caso solo — le conversioni d’acquisto di Google Ads, con la conversione già creata nell’account — e vale per i tag Google. Il resto della misurazione costa quanto costava ieri.

La metà che resta a mano

Analizzando diversi container nella mia vita lavorativa questa è la configurazione che trovo più spesso: quaranta e passa tag, quelli di Google che qualcuno in azienda sa ancora spiegare, e accanto Meta, TikTok, il pixel di un partner di affiliazione, il tag della piattaforma di consenso e due o tre script aggiunti anni prima di cui non resta documentazione. Nessuno li tocca per paura di rompere qualcosa, e ogni richiesta nuova ci si appoggia sopra. Quel container decide se i numeri di conversione utilizzati per prendere decisioni sono giusti.

I vantaggi portati dall’ultimo aggiornamento di GTM possiamo tradurli così: la parte Google della misurazione costa sempre meno tempo da mantenere, l’altra costa quanto prima. La forbice si allarga da sola. Ne ho scritto a luglio a proposito del gateway first-party, quando il tema erano i dati in transito: lo stesso schema torna un livello più su, sulla configurazione.

Adesso agli strumenti si può parlare

L’intelligenza artificiale è entrata anche nel mondo dei container. A novembre 2024 Anthropic ha pubblicato MCP, uno standard che permette a un assistente AI di collegarsi a una piattaforma e interrogarla direttamente. Funziona così: la piattaforma pubblica un connettore che dichiara l’elenco delle operazioni disponibili — leggere le destinazioni attive, creare un tag, scaricare un report — e l’assistente può chiamare solo quelle. A dicembre 2025 lo standard è passato sotto la Linux Foundation, con Google, Microsoft, OpenAI e AWS attorno al tavolo, e il 28 luglio ha avuto la revisione più ampia dal lancio: regge il traffico di produzione e tiene in cache l’elenco delle operazioni, così il costo di ogni interrogazione scende. Non è più un prototipo: è un progetto che ora ha fondamenta solide

Per chi usa un assistente AI con MCP collegato a qualsiasi tool, la differenza è questa: al posto di un’analisi di almeno due settimane, una domanda e un report da leggere.

Google ha introdotto server MCP open source per Google Ads e per Analytics, ma solo in lettura: le operazioni che dichiara rispondono a domande, nessuna operazione modifica l'account. È una scelta di prudenza, visto che le stesse API sottostanti scrivono senza problemi. Su Google Tag Manager nessuno supporto, il vuoto lo riempiono terze parti: Stape ne offre uno che crea e cancella tag, trigger, variabili e permessi utente.

Perché l’AI si ferma proprio sulla metà che ti serve

In Tag Manager abbiamo tre tipi di tag: i tag nativi, i Custom HTML dove il codice si incolla a mano (nessun campo, nessun controllo, niente che dica se è giusto, un assistente lo scrive volentieri, il sistema lo accetta e l’errore si scopre settimane dopo, dai numeri che non tornano) e infine i template della galleria condivisa, la via pulita per i fornitori non-Google, che almeno hanno campi da compilare. Ed è proprio lì che un assistente sbaglia, lo documenta chi quei connettori li vende: il tag viene creato, la piattaforma lo accetta, e non si attiva mai.

Ma il punto che mi interessa di più sta altrove, e riguarda la documentazione: il documento che descrive cosa c’è dentro il container e a chi manda i dati, quello che serve in tre momenti precisi — quando cambi agenzia, quando arriva una verifica sul consenso, quando qualcuno guarda l’azienda per comprarla — e che in quei tre momenti non esiste mai. Un assistente collegato al container lo mette insieme in pochi minuti, e finalmente quel documento ce l’hai — solo che sui tag nativi legge campi con un nome e un significato, mentre sul codice incollato può soltanto ricopiartelo. Per i community template ricava la provenienza, non il comportamento: che template è, che versione, se qualcuno l’ha modificato.

Ed è la metà sbagliata a restare al buio. I tag nativi sono quelli che qualcuno saprebbe comunque ricostruire; lo script custom è quello che nessuno ricorda. Esce una documentazione buona a metà, e la metà mancante è precisamente quella per cui l’avevi chiesta.

Il vantaggio che il tag management enterprise non sapeva di avere

I tag manager di fascia enterprise — Tealium e Commanders Act tra gli altri — hanno un’architettura diversa, per una ragione che con l’AI non c’entrava niente. Con decine di siti e agenzie che entrano ed escono, lasciare che ogni integrazione fosse un blocco di codice era ingovernabile. Così ogni destinazione è diventata una voce di catalogo: si configura compilando campi, ha il proprio stato di consegna, e quando manca si costruisce con un editor guidato invece che con uno script.

Serviva a tenere in ordine le persone. Adesso serve alle macchine: un oggetto con dei campi si può elencare, confrontare e verificare senza doverlo interpretare. Commanders Act è il caso concreto perché il connettore l’ha già costruito — uno solo, che dichiara 36 operazioni su sorgenti, destinazioni, container, segmenti, allarmi di qualità del dato, log e consumi, tutte in lettura.

Il risultato, con le integrazioni native e configurate secondo gli stessi standard interni, è una documentazione omogenea: stessa struttura e stesso livello di dettaglio per ogni destinazione, leggibile da chi non c’era. Per chi decide è una questione di continuità: la conoscenza sta nella piattaforma invece che nella testa di chi l’ha configurata, o nel codice che quella persona ha lasciato indietro.

Cosa farei lunedì

Comincia dalla documentazione, in sola lettura. Fai collegare l’assistente al container e produrre l’inventario di cosa c’è e dove manda i dati: è mezza giornata di lavoro, non un progetto. Ottieni il documento che non hai, e quello che l’assistente non riesce a descrivere diventa la lista delle priorità — quella è la metà che ti costa, ed è la parte da mettere a budget.

Limita il permesso, non il prompt. Account dedicato, sola lettura finché serve un inventario, diritti di modifica e mai di pubblicazione quando deve intervenire, un container alla volta. Attenzione al ritorno indietro: nel nuovo flusso di ottimizzazione di Google i collegamenti agli account si creano da soli, i permessi non seguono le versioni del container, e un rollback non li riporta indietro.

Al prossimo rinnovo, chiedi al fornitore chi ha costruito il connettore. Quello scritto da chi fa la piattaforma conosce i propri oggetti, decide quali operazioni entrano nell’elenco — se sono tutte di lettura, la scrittura non c’è — e applica le regole di autorizzazione del prodotto. Uno di terze parti, montato sull’API di qualcun altro, deduce il significato dei campi e gira con i permessi che gli hai dato tu. Su un impianto di misurazione preferisco l’automazione che arriva da dentro la piattaforma, ed è una domanda che vale la pena mettere in un capitolato.

Una cosa non delegarla: la verifica. Il riepilogo dell’assistente nasce dallo stesso ragionamento che ha prodotto il lavoro, e ne ho scritto parlando dei guardrail dell’IA. Due fonti indipendenti che concordano sono un controllo; una fonte interrogata due volte è un’eco.

La domanda da fare a chi ti vende automazione sul tag management non è cosa sa fare. È su quale metà del container la sa fare.

Filippo Trocca scrive di misurazione avanzata, attribuzione e infrastruttura di tracciamento su dataMesh. Se stai valutando cosa c’è davvero dentro il tuo stack di misurazione — prima di un cambio agenzia, di un rinnovo o di una verifica sul consenso — scrivimi a filippo@analyticstraining.it.

Fonti

• Updates to Google tag and Google Tag Manager — Tag Manager Help, 20 agosto 2026

• Manage tagging behavior using the container ID — Tag Manager Help

• Optimize your Google Tag Manager container — Analytics Help

• Visual tagging in Tag Assistant — Tag Manager Help

• Custom Templates API — Google for Developers

• MCP joins the Agentic AI Foundation — Model Context Protocol Blog, 9 dicembre 2025

• The 2026-07-28 Specification — Model Context Protocol Blog, 28 luglio 2026

• googleads/google-ads-mcp — repository ufficiale Google Ads

• googleanalytics/google-analytics-mcp — repository ufficiale Google Analytics

• AI in Google Tag Manager: give it access, not control — Stape, 11 agosto 2026

• Destinations overview — Commanders Act Doc

La saturazione è uno dei tre concetti che un Marketing Mix Model applica a ogni canale per isolarne l’effetto reale, insieme ad adstock e baseline. L’adstock riguarda il momento in cui la spesa produce effetto; la saturazione, quanto rende ogni euro aggiuntivo. Confonderli porta a interpretare lo stesso calo di performance in modi opposti. Qui il tema è la saturazione, e con essa un’asimmetria che quasi nessuna dashboard mostra: il canale con l’average ROAS più alto è spesso l’ultimo posto in cui conviene aggiungere budget.

La curva di risposta, e perché non è un interruttore

Il rendimento di ogni canale segue la stessa forma: parte ripido, si piega, si appiattisce. Tre fasi.

I primi euro intercettano il pubblico più caldo, quello già pronto a comprare: rendimento alto, marginal ROAS alto. Nella fascia centrale ogni euro rende più o meno come il precedente. Poi arriva la parte piatta — la saturazione vera — dove spingere costa sempre di più per un ritorno sempre minore: hai già raggiunto chi ti voleva, e ora paghi per arrivare a chi ti ignora. Qui il marginal ROAS crolla, e può scendere sotto 1.

Non c’è un momento in cui il canale “diventa saturo”: la pendenza cambia lungo tutta la curva, euro dopo euro. La domanda utile non è “sono saturo?” ma “in che punto della curva sto spendendo adesso?”. Due aziende sullo stesso canale possono trovarsi in punti opposti — una ancora in fase ripida, l’altra già appiattita — a seconda di quanto ci hanno già versato dentro.

Medio contro marginale: il numero giusto per la domanda giusta

Due definizioni da tenere separate.

L’average ROAS è il ritorno totale diviso la spesa totale: dice com’è andata la spesa già fatta. È un consuntivo, utile per rendicontare, inutile per decidere.

Il marginal ROAS — l’mROAS — è il ritorno del prossimo euro. È l’unico numero giusto quando devi allocare, perché quello che stai decidendo è l’euro successivo, non quello già speso.

Il caso più documentato: un canale con average ROAS 4x può avere marginal ROAS 0,6x. In media ogni euro speso finora ne ha resi quattro; il prossimo ne riporta indietro sei decimi. Sembra il canale campione. È il punto in cui stai bruciando margine. Smarter Ecommerce la chiama senza giri “average ROAS trap”: la tua campagna migliore potrebbe essere il tuo investimento peggiore.

La mossa giusta è spesso l’opposto di quanto suggerisce l’average ROAS: spostare budget dal canale saturo verso un canale con average ROAS più basso ma marginal ROAS più alto. Sui numeri è l’unica mossa che aumenta il ritorno totale.

La regola che vale per ogni budget

Un solo principio, abbastanza semplice da tenere a mente senza un modello: il budget è ottimale quando il marginal ROAS è uguale su tutti i canali.

Finché un canale rende di più al margine di un altro, sposti un euro lì e guadagni, fino a quando si pareggiano: oltre quel punto, qualunque spostamento peggiora il risultato. È esattamente ciò che fa un budget allocator costruito sopra un MMM: cerca il punto in cui le pendenze delle curve di tutti i canali coincidono — la saturazione è la premessa di quel calcolo, perché senza curve non c’è niente da pareggiare.

Non esiste “il canale buono” e “il canale cattivo” in assoluto: esiste solo il punto della curva in cui ciascuno sta spendendo. Un canale mediocre ma sottoinvestito può essere il posto migliore per il prossimo euro, perché è ancora nella fase ripida. Un canale eccellente ma strapagato può essere il peggiore, perché è già nella fase piatta.

Le forme della curva, quel tanto che basta

Quando un MMM stima la saturazione, sceglie una forma matematica per la curva — una scelta che cambia le conclusioni.

La più usata è la curva di Hill, a forma di S: ha un punto di mezza saturazione (la spesa a cui ottieni il 50% dell’effetto massimo del canale) e una pendenza. La forma a S prevede anche una fase di “accensione” iniziale, dove i primissimi euro rendono poco prima che il canale ingrani. La Michaelis-Menten, nata in biochimica, è diffusa ma meno leggibile della Hill. La logaritmica è la più semplice: rendimenti decrescenti da subito, nessuna fase a S.

Robyn, Meridian e PyMC-Marketing offrono tutte queste funzioni, perché non esiste una forma giusta universale. Il punto di mezza saturazione è il numero che decide fin dove conviene spingere ogni canale, e dice più di qualsiasi average ROAS.

Saturazione o adstock? La diagnosi che la maggior parte sbaglia

Le performance di un canale calano mentre lo scali. Due spiegazioni opposte.

Hai spinto troppo in alto sulla curva: sei nella fase piatta, il CPA sale, il marginal ROAS è sotto 1. È saturazione — la cura è smettere di aggiungere e spostare altrove.

Oppure hai tagliato la spesa, e quello che vedi è l’effetto residuo che svanisce: il media spinto settimane fa stava ancora lavorando, hai chiuso il rubinetto, la coda si spegne. È adstock — la cura è l’opposto: probabilmente avevi tagliato troppo, o troppo in fretta.

Stesso sintomo, mosse contrarie. Chi guarda solo l’average ROAS non riesce nemmeno a porsi la domanda, perché quel numero appiattisce entrambi gli effetti in un’unica cifra che scende. Adstock e saturazione sono le due trasformazioni che ogni MMM moderno applica nell’ordine spesa → adstock → saturazione, quello che sta dentro la “black box” del modello. Tenerle distinte è gran parte del mestiere.

Perché ti riguarda anche se non costruirai mai un MMM

Sono decisioni che prendi ogni settimana guardando un pannello, e i modi di sbagliarle sono pochi e ricorrenti.

Scali il canale sbagliato: premi sul vincitore perché ha l’average ROAS più alto, proprio mentre il suo marginal ROAS è già sotto 1. Spendi di più per ottenere di meno, e il consuntivo ti dà ragione mentre il margine reale cala.

Leggi male i segnali: CPA che sale mentre scali e marginal ROAS sotto 1 sono i sintomi della saturazione, ma senza guardarli interpreti un canale ormai saturo come “uno che funziona”.

Ti fidi del target ROAS come se fosse una costante: un target fisso ignora che il rendimento cambia lungo la curva. SegmentStream lo argomenta bene: ottimizzare su una soglia media porta a fermarsi troppo presto sui canali sottoinvestiti e a strafare su quelli saturi. Il numero giusto a cui agganciare le decisioni è il marginal ROAS, non un target qualsiasi.

E confondi saturazione e adstock, curando un calo con la mossa sbagliata.

La mia posizione si riduce a cambiare la domanda. Smetti di chiedere “qual è il canale con il ROAS più alto” e inizia a chiedere “dove rende di più il prossimo euro”. È la differenza tra guardare lo specchietto retrovisore e guardare la strada — l’ho già usata per l’AI che ottimizza sul passato, e qui torna esatta: l’average ROAS è lo specchietto, ti dice da dove vieni; il marginal ROAS è la strada, ti dice dove vai. La prossima volta che qualcuno ti indica il canale a ROAS più alto come quello su cui raddoppiare, chiedi una cosa sola: e il marginal ROAS, dov’è?

Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi capire dove rende di più il prossimo euro del tuo budget — e smettere di scalare il canale che “in media” sembra il migliore — scrivimi a filippo@analyticstraining.it.

Fonti citate

• Saturation Curves in MMM (Hill, mezza saturazione) — Indaru

• MMM saturation curves explained — Prescient AI

• Advertising Diminishing Returns & Saturation — Analytics Artist

• Diminishing Return Curves → Budget Decisions — Measured

• Marginal ROAS (mROAS) Explained — Davies Meyer

• Optimizing for ROAS vs Marginal ROAS — Mutt Data

• Diminishing Returns: come un canale a 4x ROAS nasconde uno 0,6x marginale — mbuzz

• The “Average ROAS Trap” (marginal vs average) — Smarter Ecommerce

• Budget Allocation Optimization: where to shift the next dollar — MCP Analytics

• Why to Avoid Target ROAS Bidding — SegmentStream

• Saturation functions (Hill / Michaelis-Menten / log) in Bayesian MMM — PyMC Labs

È qui che entrano in gioco i budget allocator. Meridian, Robyn, PyMC-Marketing e una schiera di vendor SaaS hanno costruito sopra l’MMM ottimizzatori sempre più sofisticati: dato il modello, propongono lo split ottimale della spesa e simulano scenari futuri. Premi un pulsante e ti dicono di spostare il 15% da un canale all’altro per guadagnare tot ricavi incrementali. La tentazione di eseguire e basta cresce ogni mese, perché tutto spinge a rendere quel gesto automatico.

Prima si costruisce l’MMM bene, un modello indipendente e non un template lasciato ai default: ne ho scritto aprendo la black box del modello. Poi lo si valida con l’incrementalità: qui il capitolo per misurarne l’impatto. Ora affrontiamo il passo dopo: usare l’MMM per allocare il budget, verificando ogni mossa prima di eseguirla. Un allocator è un ottimo generatore di ipotesi e un pessimo decisore: tenere distinte le due fasi è l’elemento più importante.

Cosa sanno fare gli allocator oggi

Nel 2026 lo stato dell’arte è maturo. Conviene sapere cosa offre ciascuno strumento prima di discutere come usarlo.

Il budget optimizer di Meridian, l’MMM open-source di Google, esplora lo spazio di allocazione entro vincoli di spostamento che decidi tu, e trova lo split per canale che massimizza il KPI. Tre modalità, tre domande diverse: il fixed budget distribuisce una cifra fissa per il ROI complessivo più alto; il flexible budget a target ROI massimizza i ricavi incrementali senza scendere sotto una soglia minima; il flexible budget a target marginal ROI fissa quanto spendere su ogni canale restando sopra un rendimento marginale minimo. Le response curve mostrano il punto di saturazione di ogni canale, con la spesa attuale e quella ottimale segnate sulla curva. Il Meridian Scenario Planner, in open beta, aggiunge assunzioni esplicite sul futuro.

Robyn, l’MMM open-source di Meta, fa qualcosa di analogo con robyn_allocator(). Il max response prende un budget fisso e restituisce lo split che massimizza la risposta totale. Il target efficiency ribalta la domanda, pensato per chi cresce: quanto spendere per centrare un ROAS o un CPA target, fin dove arrivare prima del break-even. Sotto il cofano: ottimizzazione non lineare vincolata, Augmented Lagrangian più SLSQP.

PyMC-Marketing, l’MMM bayesiano indipendente, merita un discorso a parte. Il suo BudgetOptimizer massimizza la risposta attesa con vincoli per canale — fin qui niente di nuovo — ma applica la funzione di utilità all’intero posterior, non alla sola stima puntuale. Può quindi preferire un’allocazione robusta a una che insegue solo il valore medio, tenendo conto di quanto il modello è incerto. È l’esempio più chiaro di perché l’incertezza conta quando si alloca — ci torno tra poco.

Intorno agli open-source ruotano i vendor, e il loro vocabolario dice molto. Recast offre scenario planning e curve di risposta con intervalli di incertezza, refresh settimanale. LiftLab ragiona in ottica P&L — il claim è “Maximize Your Marketing P&L” — e con PlatformSense incorpora i segnali quotidiani delle piattaforme senza ri-stimare l’intero modello. Sellforte parla di Agentic MMM: agenti che pianificano, simulano scenari e raccomandano spesa fino al singolo ad set. Mutinex si presenta come “growth co-pilot”, con un geo-holdout in parallelo a validare. Il messaggio, ovunque, è lo stesso: dal misurare all’agire in automatico. AdCube, MMM italiano, alloca budget su canali e settimane — un piano settimanale per l'anno successivo, non solo uno split. Il messaggio, ovunque: dal misurare all'agire in automatico.

La tentazione: premere “applica”

Eseguire la raccomandazione è facile. Il difficile è non farlo a scatola chiusa, per tre motivi che non dipendono da quanto è buono lo strumento.

Primo: è una stima puntuale travestita da certezza. L’ottimizzatore massimizza un valore atteso, ma intorno c’è un intervallo di incertezza. Riallocare tutto sul numero “migliore” vuol dire trattare la previsione più probabile come fosse certa. Non a caso l’unico allocator che ottimizza sull’intero posterior, PyMC, è anche quello che rende visibile quanto quella varianza pesi: due allocazioni con la stessa media attesa possono nascondere rischi opposti.

Secondo: eredita le scelte di chi ha costruito il modello. L’allocazione è figlia dei prior e delle assunzioni del modello che la genera. Se il modello favorisce un canale, l’ottimizzatore ne amplifica la preferenza. Un MMM girato sui setup di default resta un template finché qualcuno non lo adatta: prior calibrati sulla tua realtà, variabili di controllo giuste, curve vincolate con quello che già sai.

Terzo: la spinta agentica accelera l’errore. Scenario Planner, Agentic MMM, advisor che suggeriscono e applicano: il settore accorcia la distanza tra l’analisi e la mossa. Comodo, ma un errore di modello si traduce in un errore di spesa più in fretta e con meno attriti. Più diventa facile premere “applica”, più diventa pericoloso farlo senza una rete.

Leggere le curve, non solo lo split

Il primo antidoto è smettere di fissare il numero finale — “37% qui, 28% là” — e leggere le curve che lo generano. Lo split è la conclusione. Le response curve sono il ragionamento, e un ragionamento si può interrogare.

Ogni canale ha una curva di saturazione, a S o di Hill: all’inizio ogni euro rende molto, poi i rendimenti calano fino quasi ad azzerarsi. Il rendimento marginale — il marginal ROI, non l’euro medio ma quanto rende il prossimo — è la pendenza della curva nel punto in cui ti trovi. Oltre la saturazione è basso o nullo: lì si taglia. Dove è alto e la curva è ancora ripida, lì si aggiunge. Lo split ottimale è il punto in cui i rendimenti marginali di tutti i canali si pareggiano. Leggere le curve dice perché l’allocator propone quello che propone — e se sta ragionando o solo estrapolando in una zona dove hai pochi dati.

Allocazione progressiva: muovere per gradi

Capito dove tagliare e dove aggiungere, resta il come. Per gradi, mai ribaltando il tavolo.

Gli strumenti sono fatti apposta per questo: i vincoli di spostamento di Meridian, i vincoli media-level di Robyn, i bound per canale di PyMC tengono la riallocazione entro una banda — il 10-20% per ciclo — invece di azzerare un canale e raddoppiarne un altro. Due ragioni per andare piano. Statistica: le curve sono stimate bene nell’intervallo di spesa che hai già sperimentato, diventano congetture man mano che te ne allontani. Operativa: se sposti il 50% del budget in un colpo e i risultati peggiorano, non saprai mai se la colpa è dell’allocazione, della stagionalità, di un cambio creativo o del mercato.

La prova del nove: il geo/lift test

È il cuore del metodo, e separa chi usa l’MMM come oracolo da chi lo usa come strumento. La raccomandazione dell’allocator è un’ipotesi falsificabile, e le ipotesi si testano.

Lo strumento per testarla esiste — ne avevo scritto nel playbook del primo lift test — ed è il geo test. L’allocator dice “spostando il 15% di budget su questo canale guadagno tot ricavi incrementali”. Invece di crederci, lo si trasforma in un esperimento: spostamento in un gruppo di aree geografiche, invariato nel gruppo di controllo, e si misura sulle vendite reali se la lift prevista si materializza. È la prova del nove: chiude il cerchio con un dato che il modello non aveva, una misura causale sul mercato vero.

C’è un’asimmetria che gioca a favore. Se la lift prevista si avvera, hai una conferma solida e procedi. Se non si avvera, hai scoperto un errore del modello spendendo una frazione del budget invece di tutto. Il rischio resta circoscritto allo spostamento scelto per il test, una frazione di quello che l’ottimizzatore avrebbe voluto in un colpo solo.

Chiudere il loop: il sistema che impara

L’esperimento non finisce in sé. Il suo risultato torna dentro il modello e lo migliora: una serie di mosse isolate diventa così un sistema che impara.

Il meccanismo è la calibrazione dei prior. Meridian, Robyn e PyMC accettano i risultati di un esperimento come prior bayesiani: l’evidenza causale del geo test sostituisce o vincola l’assunzione iniziale del modello su quel canale. Recast e Mutinex ne fanno il centro del prodotto. Il ciclo gira: l’MMM propone un’allocazione, l’allocazione genera un’ipotesi, l’ipotesi diventa un esperimento, l’esperimento produce un dato causale, il dato ricalibra l’MMM. Al giro dopo il modello è più affidabile, le curve più ancorate alla realtà. Ogni esperimento lavora per tutte le decisioni che verranno, non solo per quella che l’ha fatto partire.

Il beneficio del dubbio come metodo

C’è una differenza tra scetticismo e beneficio del dubbio, e tutto l’approccio sta lì. Lo scetticismo ignora l’allocator perché tanto “è solo un modello”. Il beneficio del dubbio ne segue i consigli, ma per gradi e verificandoli — tratta la raccomandazione per quello che è: l’ipotesi migliore che abbiamo, formulata dallo strumento che conosce meglio il tuo media mix.

Tra le mille riallocazioni possibili, il modello individua quella più promettente e ti risparmia di tirare a indovinare. Poi tocca all’esperimento dire se aveva ragione. Il modello propone, l’esperimento verifica. Il valore vero di un budget allocator sta nel dirti cosa testare per primo, più che cosa fare.

Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come trasformare il tuo MMM da report a motore di decisioni — usando il budget allocator senza eseguirlo a scatola chiusa — scrivimi a filippo@analyticstraining.it.

Fonti citate

• Meridian — Budget optimization scenarios — Google

• Meridian — Scenario planning & future budget optimization — Google

• Meridian — Incremental Outcome, ROI, mROI & Response Curves — Google

• Meridian Scenario Planner (Open Beta) — Google

• Robyn — robyn_allocator — CRAN

• Hitting ROAS target using Robyn’s budget allocator — Gufeng Zhou (Meta)

• PyMC-Marketing — BudgetOptimizer (API) — PyMC-Marketing

• PyMC-Marketing — Budget Allocation example — PyMC-Marketing

• PyMC-Marketing — Multi-Objective optimization — PyMC-Marketing

• Top MMM Platforms 2026 — LiftLab

• 30 MMM tools (Agentic MMM) — Sellforte

• Recast — scenario planning — Recast

Il numero non sorprende più. È cambiata l’entità del problema: da eccezione tecnica a costo di gestione ordinaria.

Il segnale che si perde ogni giorno

Due cause si sommano. Gli ad blocker filtrano tra il 30 e il 43% del traffico globale, con l’Europa sopra la media — intorno al 40%, quasi il 49% in Germania. Safari limita a sette giorni, a volte 24 ore se il dominio è classificato come tracker, la vita dei cookie impostati via JavaScript, anche in prima parte. Il risultato non sparisce da solo: ogni conversione persa distorce l’attribuzione, sottostima il ROI e allena peggio gli algoritmi di bidding di Google e Meta, che ottimizzano su un segnale più povero di quello reale.

Il correttivo tecnico è noto da anni: tracciamento server-side, script serviti dal proprio dominio invece che da quello del vendor. Della proprietà dei dati di prima parte ho già scritto nell’Identity protocol. La novità del 2026 è che questo correttivo è uscito dal reparto IT ed è diventato un prodotto di categoria.

Da hack a prodotto

Google Tag Gateway for advertisers ha raggiunto la disponibilità generale su Google Cloud Platform il 1° giugno 2026, completando l’integrazione su quattro provider — Cloudflare, Akamai, Fastly e GCP — dopo una beta partita a gennaio. Fastly Ad Tag Gateway è arrivato l’8 aprile, rivendicando un aumento del 14% nel segnale osservato rispetto ai tag serviti fuori gateway. Secondo Brainlabs, alcuni advertiser hanno registrato un aumento del 10-15% nelle conversioni misurate dopo l’attivazione.

Quando quattro tra i maggiori CDN al mondo integrano la stessa architettura nello stesso semestre, il gateway smette di essere una configurazione opzionale: diventa lo standard di fatto. La stessa logica con cui Google ha inglobato Meridian dentro GA360: uno strumento specialistico finisce nello stack di base.

Il buco che Google non copre

Google Tag Gateway fa esattamente quello che dice: serve gtag.js e gtm.js dal tuo dominio, per Google Analytics e Google Ads. Copre Google.

Il resto dello stack media di un e-commerce tipico — Meta, TikTok, Snapchat, Bing, i partner di affiliazione come Awin — continua a caricare script dai domini originali, esposti agli stessi ad blocker e alle stesse restrizioni di Safari che il gateway di Google aggira solo per il traffico di Google. Attivare GTG e considerare risolto il problema è l’errore più comune che vedo: risolve un quinto del problema e lascia intatto il resto.

L’infrastruttura che copre lo stack intero

Esiste un layer diverso: gateway vendor-agnostic, che instradano l’intero stack di misurazione da un solo path sul dominio, non solo le chiamate di Google. Commanders Act Gateway è uno di questi. Un’unica configurazione fa da passthrough per Google Tag Gateway. Serve anche gli script di Meta, TikTok, Snapchat, Bing e Awin da un path first-party, con nomi file offuscati generati automaticamente. E instrada il tracciamento server-side verso le destinazioni partner, oltre a ospitare in prima parte i container di tag management e CMP.

Mandare dati più ricchi alle piattaforme pubblicitarie migliora il match score e riduce il CPA — lo stesso meccanismo delle Enhanced Conversions, di cui ho scritto in Misurazione potenziata con i first party data. Il dettaglio che separa un gateway solido da un pass-through cosmetico è la governance dei cookie in transito. Non tutto quello che arriva sul tuo dominio deve per forza uscire verso ogni partner. Commanders Act Gateway permette di filtrare i cookie all’edge, prima che la richiesta lasci la tua infrastruttura. Puoi anche applicare una whitelist per destinazione: a Google passano solo i cookie _ga e _gcl_*, non l’intero header. È la differenza tra spostare il problema e risolverlo in modo conforme.

Dove starei attento

I numeri di uplift — 14%, 10-15% — arrivano da chi vende il gateway, misurati sui propri dati: la stessa logica per cui un lift test di piattaforma non è mai un giudice imparziale su sé stesso. Vanno trattati come indicazione di direzione, non come garanzia contrattuale.

Un gateway non si attiva con un plugin. Riscrive il routing del traffico su un path del tuo dominio. Richiede coordinamento con chi gestisce CDN ed edge — Cloudflare, Akamai, Fastly. E impone di decidere, dominio per dominio e partner per partner, quali cookie transitano e quali no. Chi lo presenta come un aggiornamento di sicurezza da attivare e dimenticare semplifica un progetto tecnico reale.

Il criterio per scegliere non cambia rispetto a qualsiasi altra infrastruttura di misurazione: la domanda giusta è se il gateway copre l’intero stack che usi, o solo il fornitore che lo vende. Chi te lo vende ha tutto l’interesse a farlo sembrare la soluzione completa.

Filippo Trocca scrive di misurazione avanzata, attribuzione e infrastruttura di tracciamento first-party su dataMesh. Se vuoi confrontarti su come valutare un gateway per il tuo stack media, scrivimi a filippo@analyticstraining.it.

Fonti

• Google tag gateway for advertisers — Google for Developers

• Google tag gateway for advertisers hits general availability on Google Cloud — PPC Land

• Fastly brings Google tag gateway to its CDN, promising 14% signal uplift — PPC Land

• Google Tag Gateway Explained: Why It’s Essential for 2026 — Brainlabs

• Ad Blocker Usage and Demographic Statistics in 2026 — Backlinko

• Safari ITP update: cookie lifespan — Snowplow

• Tracking Optimisation: Commanders Act Gateway — Commanders Act Community

• Commanders Act Gateway — documentazione tecnica — Commanders Act Doc

Non voglio farne una requisitoria Google-contro-Meta. Mi interessa una cosa più utile: ogni MMM va testato, chiunque lo firmi. Testare significa calibrarlo e verificarlo con lift test di vario genere e mettere alla prova allocazioni di budget alternative. Il verdetto arriva da lì, da qualcosa che vive fuori dal modello.

Prima di tutto, grazie

Prima di Robyn (open-source dal 2020) e Meridian (2024), l’MMM era rinchiuso in pochi laboratori: econometristi specializzati, vendor da centinaia di migliaia di euro l’anno, scatole nere. Questi due progetti hanno democratizzato la conoscenza e aperto il mercato su cui oggi prosperano anche i vendor indipendenti.

Iscriviti ora

Cosa sono, in due righe

Meridian (Google): bayesiano, gerarchico a livello geografico, uncertainty-aware. Esigente su dati e competenze, pensato per l’ecosistema Google: Query Volume come variabile di controllo, reach e frequency di YouTube, export in Looker Studio.

Robyn (Meta): ridge regression con tuning evolutivo degli iperparametri, decomposizione delle serie storiche via Prophet. Più automatizzato e accessibile: una catena end-to-end in meno di un giorno, su serie storiche, senza dimensione geografica.

Due filosofie diverse. Stesso conflitto d’interessi alla radice.

Open-source non vuol dire neutrale

Il codice di entrambi è su GitHub, lo può leggere chiunque: l’accusa di scatola nera non regge. Il bias sta nelle scelte che il modello porta con sé.

Primo: i default e i prior. Le assunzioni di partenza orientano i risultati, e quelle di fabbrica le ha scelte il fornitore, non tu.
Secondo: le variabili di controllo. Meridian incorpora segnali dell’ecosistema Google, Robyn ha default Meta-centrici: ogni modello “vede” meglio il canale di casa.
Terzo: la calibrazione. I primi due punti si possono correggere, ma solo se qualcuno sa di doverlo fare e sa come farlo. È questo terzo punto a decidere tutto, ed è lì che quasi tutti si fermano.

Un MMM non è plug-and-play

I modelli open-source hanno fatto credere che dare in input i valori a un framework equivalga a sviluppare un modello MMM. Non è così: una volta lanciato, il modello restituisce i default e i prior di fabbrica, che non sono quelli del tuo specifico business. Se questi strumenti sono così configurabili, è perché sono pensati per essere calibrati da un esperto.

In Meridian puoi, e devi, impostare ROI prior personalizzati per canale e calibrarli sui risultati degli esperimenti, oltre ad inserire trend, stagionalità e carryover. La documentazione lo dice apertamente: non esiste una formula per tradurre un esperimento in un prior, si combinano dati, conoscenza di dominio e giudizio soggettivo. I prior esistono proprio perché i dati MMM sono pochi e rumorosi: con poca informazione il loro peso sul risultato è alto. Se nessuno li calibra, quello che ottieni è l’assunzione di fabbrica con l’aspetto di una misura.

Con Robyn la sostanza non cambia: i lift test entrano via calibration_input e con 10 canali ti ritrovi 32 iperparametri da delimitare. Soprattutto, Robyn non restituisce un modello: ne restituisce decine, tutti statisticamente plausibili, e quale usare per allocare il budget lo decide una persona competente.

La ricetta è la stessa per tutti: modello, specialista, calibrazione con esperimenti indipendenti. Il rischio vero è il set-and-forget: prendere il numero così com’è e scambiare la fiducia statistica per verità. La democratizzazione ha abbassato la barriera d’accesso allo strumento, non quella alla competenza per usarlo bene.

Quando l’arbitro ospita la partita

Finché Meridian era codice da gestire in prima persona, il conflitto restava un’avvertenza. Adesso è architettura: Meridian dentro Google Analytics 360 è la versione ospitata da Google, con ingestione first-party, pull cross-channel e interfaccia agentica (ne ho scritto qui). E le Qualified Future Conversions, conversioni previste da Gemini addestrato sul comportamento dentro Google Ads, sono candidate a diventare input del modello. Un segnale che esiste solo per Google Ads e ne valorizza l’investimento, dato in pasto al modello che dovrebbe giudicarlo: doping legalizzato.

Se l’MMM di Google è calibrato su una previsione di Google, neanche lo specialista basta: l’indipendenza del giudizio si è spostata dentro il modello. Lo sottolinea anche la critica tecnica di Aryma Labs: un buon modello, con un conflitto che nessuna eleganza statistica cancella.

La via indipendente

Il terzo polo è PyMC-Marketing, toolbox bayesiano dei PyMC Labs: open-source ma vendor-neutral. Non vende media, quindi il bias del canale di casa non c’è per costruzione. Richiede competenze, ma non tifa per nessuna piattaforma.

Tra i vendor il discrimine è uno: chi calibra con esperimenti causali indipendenti e chi resta a correlazione pura. Mutinex, Measured e Keen affiancano all’MMM esperimenti di geo-holdout: pausa della spesa in alcuni mercati, misura del lift, lift usato come prior. Se il modello dice ROAS 5 e l’esperimento dice 2, riconciliano.

E i default contano. Recast racconta di un brand CPG con carryover del video a 12 settimane che, con l’adstock di default a 7 giorni, si vedeva sottostimato il contributo TV del 40%. Qualcuno deve sapere che la TV ha un decay basso, e impostarla di conseguenza.

Cosa pretendere da un MMM credibile

Quattro cose, sempre insieme. Indipendenza del validatore: calibrazione e verifica con esperimenti di incrementalità che nessuna piattaforma controlla (per partire: il Playbook del Primo Lift Test). Triangolazione: MMM, esperimenti e attribution insieme, mai una fonte sola (è il metodo del capitolo 4 di MMM Strategico). Trasparenza del metodo: prior dichiarati, variabili di controllo esplicite, intervalli di incertezza. Budget per la verità: misurare costa, ma è l’investimento che rende credibile il resto (ne ho scritto qui).

Smettete di credere al modello e iniziate a testarlo

Il modo standard per verificare la qualità di un MMM, qualunque ne sia il motore, l’ha messo sul tavolo proprio Mutinex con mmm-eval: framework di validazione open-source e model-agnostic, stessi test su Meridian, PyMC, Robyn o una scatola nera proprietaria. Il dato di partenza del whitepaper: su 20 RFP recenti, il 70% non chiedeva alcun test di governance o stabilità. La proposta: rendere i test obbligatori in fase di RFP. Quattro prove con soglie esplicite:

• Accuratezza predittiva (holdout): MAPE oltre il 15-20% o R² sotto 0,7 segnalano problemi strutturali.

• Cross-validation: deviazione standard del MAPE sotto il 5-7% tra le finestre temporali.

• Stabilità del ROI: oltre il 15-20% di oscillazione tra un refresh e l’altro, c’è da indagare.

• Robustezza: si sporcano leggermente i dati di spesa (un 5% di scarto casuale, a simulare gli errori di tracciamento reali) e si controlla quanto si muove il risultato. Un modello solido cambia meno del 10-15%; aggiungendo un canale finto, che per costruzione non può aver prodotto vendite, il modello deve attribuirgli effetto zero.

Questi test servono a evitare errori da milioni di euro, e il whitepaper ne porta uno concreto. Un brand CPG sposta 5 milioni dal digitale alla TV perché l’MMM gli dà un ROI TV altissimo, e la campagna manca gli obiettivi. Quel ROI non era affidabile, e i test l’avrebbero mostrato prima di muovere il budget: oscillava tra 3,5x e 0,8x da un refresh all’altro, e bastava sporcare i dati del 5% per farlo crollare a 1,2x. Un numero instabile preso per certezza. È lo stesso meccanismo del caso Recast citato prima, all’inverso: là il default sottostimava la TV, qui un modello fragile la sopravvalutava. In entrambi mancava chi validasse.

L’MMM giusto non è quello di Google né quello di Meta. È quello che scegli tu, messo alla prova con esperimenti che nessuna piattaforma controlla. Meridian e Robyn ti hanno regalato lo strumento e aperto il mercato per costruire quel giudice. Sta a te non confondere il pacco con il giudizio.

Condividi dataMesh

Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come impostare un framework di validazione MMM indipendente nella tua organizzazione, scrivimi a filippo@analyticstraining.it.

Fonti

• Meridian on GitHub — Google

• Meta Robyn on GitHub — Meta

• Meridian — ROI priors and calibration — Google

• Meridian — Set custom ROI priors using past experiments — Google

• Robyn — Key features e calibrazione — Meta

• PyMC-Marketing — PyMC Labs

• Google Analytics 360 + Meridian — Google Blog

• Qualified Future Conversions — Google Business

• Mutinex

• mmm-eval — Open MMM validation framework — Mutinex

• Advancing MMM Transparency — whitepaper — Mutinex

• Measured

• Keen Decision Systems

• Recast — Adstock rates

• Hits and Misses of Meridian — Aryma Labs

Ora il report esiste, al suo interno troviamo: impression, pagine, paesi, dispositivi e date, fino al dettaglio orario. Manca una colonna: i clic. Niente CTR, niente query, niente posizione.

I primi feedback: la colonna che non c’è

La community SEO ha reagito in poche ore, con un tono solo: meglio di niente, ma il dato che serviva non c’è. Barry Schwartz ha chiesto a Google se i clic arriveranno; risposta: “introdurremo metriche aggiuntive nel tempo”. La sua chiosa: “Google non ci dirà quanti utenti cliccano dalle risposte AI verso i nostri siti, nessuna sorpresa”. Search Engine Journal taglia corto già nel titolo: “Still No Click Data For SEOs”. La frustrazione è fondata: il report dice quanto sei visibile, non quanti clic ti stanno costando le risposte AI. Con cali di CTR fino al 58% quando compare un AI Overview, è quel numero a decidere se la visibilità vale qualcosa. Google lo possiede, ma non vuole mostrarlo.

Seconda critica: il rollout. Il report parte da un sottoinsieme di siti nel Regno Unito; l’AI Performance report di Bing Webmaster Tools è globale da febbraio. Anche Bing conta citazioni e non clic, ma il confronto nei commenti è impietoso: chi insegue ha reso leggibile la transizione ovunque, chi domina la concede a rate.

Perché il Regno Unito? Lo stesso 3 giugno la Competition and Markets Authority ha imposto a Google il primo conduct requirement vincolante sotto il Digital Markets, Competition and Consumers Act: opt-out dalle funzioni AI per i publisher senza penalizzazioni sul ranking e, entro dicembre 2026, clic e CTR disaggregati. A febbraio Google definiva questi controlli “un enorme progetto di ingegneria”; quattro mesi e un ordine vincolante dopo, eccoli. I clic arriveranno perché un regolatore li ha messi per iscritto. Non perché Google abbia cambiato idea.

E per chi i report li riceve in riunione: senza clic, le impression dalle risposte AI sono un KPI che può solo crescere. Aspettati dashboard in miglioramento mentre il traffico organico cala — convivono benissimo. Quando comparirà la riga “visibilità AI” in crescita, la domanda è una: misurata in cosa, e dove sono i clic.

La prima pagella era arrivata due settimane prima

Il quadro si era aperto al Google Marketing Live del 21 maggio con AI Performance Insights: una vista dentro Merchant Center che misura quanto spesso i tuoi prodotti vengono scoperti in AI Mode, nell’app Gemini e negli AI Overviews, e confronta la tua share of voice con quella dei competitor. È lo strumento di “AI share of voice” che fino a ieri compravi da vendor terzi — gratis e in casa Google. Tre viste:

1. I journey stages: dove sei visibile lungo il percorso d’acquisto (scoperta, valutazione, acquisto).

2. I product terms: i dettagli che contano per chi cerca prodotti come i tuoi (”montaggio facile” per le tende, “lunga durata della batteria” per le lampade portatili), sono le query conversazionali della categoria.

3. Gli structured attributes: le specifiche cercate dai clienti (dimensioni, peso, materiali, colori), con un completeness score che segnala le schede incomplete.

Più le raccomandazioni su cosa sistemare, tipicamente quali attributi completare.

Due avvertenze. Il rollout parte da USA, Canada, Australia, India e Nuova Zelanda: per l’Italia è una finestra di preparazione. E va distinto dai Conversational Attributes, i nuovi campi del feed con rollout globale: quelli sono cosa compili, questo è come ti vedono. Nel post sul feed come vetrina lo scrivevo: i dati prodotto pensati per le parole chiave non bastano più a farsi trovare dall’IA, AI Performance Insights misura quanto ti sta già costando.

Sui numeri da palco — AI Mode a 1 miliardo di utenti mensili, AI Overviews a 2,5 miliardi — guardia alta: a fine maggio un censimento di Originality.ai trovava una ventina di implementazioni pubbliche dello Universal Commerce Protocol su oltre tre milioni di domini, nessuna dei brand del keynote. Quanto possiamo fidarci dei numeri annunciati da Google?

Le due pagelle, lette insieme

Google misura la tua visibilità AI sui due lati del suo ecosistema e in entrambi sceglie le colonne. Sull’organico dà le impression e trattiene i clic. Sullo shopping regala la metrica più ricca, la share of voice, perché lì l’incentivo è suo: più vedi, più investi in campagne e feed. Lo stesso schema di Meridian: Google che ci dice quanto bene funziona Google.

AI Performance Insights non è ancora disponibile, e al lancio il punto da guardare è il metodo: una share of voice vale quanto la formula e il denominatore che la generano. Cosa conta come “rilevante”? Su quale universo è calcolata la quota? Se il metodo resterà opaco, sarà un voto scritto dall’insegnante che ha interesse a promuoverti.

Limite comune: vedono solo Google. Niente ChatGPT Shopping, niente Perplexity, niente Copilot, niente Rufus (l’assistente AI di Amazon). Misurare solo dentro Google è una parte spacciata per il tutto, e la misura cross-platform Google non può dartela: non vede fuori da casa propria.

Il traffico, intanto, resta senza nome

Dal 13 maggio GA4 ha il canale nativo “AI Assistant” nei Default Channel Group: riconosce il referrer di ChatGPT, Gemini, Claude, Copilot e Perplexity senza configurazione. Ma dentro le app mobile il referrer spesso si perde, e la sessione atterra come traffico diretto. Soprattutto, AI Mode e AI Overviews non passano attribuzione: proprio le superfici delle due pagelle qui restano invisibili. La riga “AI Assistant” è il minimo garantito del traffico da AI, mai il totale.

Cosa farei adesso

Niente di questo rende i due tool inutili: vanno verificati prima di finire in una slide. Per l’Italia, dove non sono ancora disponibili, è una finestra per prepararci.
Le quattro mosse che vi consiglio.

Controllerei subito le proprietà Search Console che servono il mercato UK: se rientrano nel campione, il report è già acceso. Lì leggi la visibilità; per stimare i clic persi dovrai incrociare quelle impression con i clic totali della proprietà.

Mapperei gli account Merchant Center sui mercati del rollout: la dashboard si accenderà lì prima, e la leggi mentre i competitor non la guardano.

Compilerei i Conversational Attributes partendo dai prodotti che fanno più fatturato, con descrizioni in linguaggio naturale scritte da un LLM, non incollate da una regola marca-modello-colore. È l’intervento che il tool stesso ti suggerirà: tanto vale partire ora.

Soprattutto, costruirei una baseline esterna prima che le dashboard di Google si accendano: quanto vieni citato sui motori AI che Google non vede. Otterly, Peec e Profound mandano set di prompt sui modelli e contano le citazioni. Conta solo la frequenza — quante volte su cento compari, su un paniere ampio di query reali — mai il singolo tentativo.
È il rank tracking trapiantato sugli LLM, con i suoi limiti: il paniere lo scegli tu, la metrica la definisce lo strumento. Il suo valore non è la precisione: è l’indipendenza da Google. Quando le dashboard si accenderanno, avrai qualcosa di tuo con cui confrontarle.

La domanda è quella di sempre: chi misura la mia visibilità, e quanto guadagna dal voto che mi dà?

Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come impostare una baseline indipendente di visibilità AI, scrivimi a filippo@analyticstraining.it.

Fonti citate

• Introducing Search Generative AI performance reports in Search Console — Google Search Central Blog

• New controls for website owners — blog.google

• Google Search Console AI performance reports and controls to block your content — Search Engine Land

• Google reacts to UK order with a Search Console AI opt-out toggle — PPC Land

• Google finally gives Search Console its own generative AI visibility reports — PPC Land

• CMA secures fairer deal for publishers — gov.uk

• Google lets sites opt out of AI search results — The Decoder

• AI Overviews Reduce Clicks by 58% (update) — Ahrefs

• Google AI Mode traffic data comes to Search Console — Search Engine Land

• Introducing AI Performance in Bing Webmaster Tools (Public Preview) — Bing Blogs

• AI Performance Insights — annuncio ufficiale Google

• Google launches AI Performance Insights and Conversational Attributes — Search Engine Land

• Shopping updates from Google Marketing Live — blog.google

• Merchant Center Help — Insights for AI-powered shopping

• Google Analytics Adds AI Assistant as Default Channel Group — Search Engine Journal

• UCP / Agentic Commerce Adoption: Live Dashboard & Study — Originality.ai

• GEO Rank Tracker: how to monitor your brand’s AI search visibility — Search Engine Land

Quel mondo sta finendo. Con gli aggiornamenti al Merchant Center arrivati nel 2026, il feed ha smesso di essere un archivio di metadati ed è diventato la base da cui l’intelligenza artificiale tira fuori le sue risposte. Quando chiedi a Gemini o ad AI Mode “qual è il portatile giusto per montare video sotto i 1500 euro?”, il modello non ti mostra più dieci link blu, dà una risposta, e la costruisce con le informazioni inserite nel feed. Se nel feed non c’è, in quella risposta tu non esisti.

Qui c’è un cambio che pesa più di qualsiasi dettaglio tecnico. Per chi viene dalla misurazione, “dato” ha sempre significato numeri e dimensioni: sessioni, conversioni, ricavi. Adesso il significato si allarga: è un dato l’attributo di prodotto, è un dato una coppia domanda-risposta. Lo sono il PDF della garanzia, l’immagine ad alta risoluzione, il video, il modello 3D in formato .glb. Sono questi i dati su cui l’IA decide chi mostrare e chi consigliare. Il feed di Shopping è il primo posto dove questo principio smette di essere teoria e diventa una casella da compilare o lasciare vuota: da quella casella dipende la visibilità. Se continui a pensare ai dati come righe di un report, stai guardando metà di questo nuovo mondo.

Tre cose da mettere a fuoco: cosa è cambiato, dov’è l’occasione, e dove starei attento. Una alla volta.

Cosa è cambiato

Da maggio 2026 Google ha lanciato in tutto il mondo un blocco di attributi conversazionali, che si affiancano ai campi di sempre senza sostituirli. Il più importante è question_and_answer: fino a 30 coppie domanda-risposta per prodotto, che finiscono dritte nel motore RAG. L’utente chiede “Supporta il Bluetooth 6.0?”, e l’IA risponde con la tua risposta invece di tirare a indovinare. Poi ci sono document_link (fino a 5 PDF — manuali, garanzie — che l’IA legge per estrarre dettagli che in una descrizione non ci starebbero mai), related_product per dirle cosa serve insieme al prodotto, variant_option per le varianti che vanno oltre taglia e colore, e popularity_rank, un numero da 0 a 100 che la orienta quando trova più prodotti che andrebbero bene.

C’è poi un campo che esiste da anni ma che quasi nessuno ha mai compilato come si deve: product_detail. Ha una struttura rigida — sezione, attributo, valore — ed è esattamente quello che l’IA legge quando costruisce una tabella di confronto dentro la chat. Lascialo vuoto e il tuo prodotto da quel confronto sparisce. Non finisce più in basso: non c’è proprio.

L’occasione

Una logica c’è, e regge. Il problema più serio dell’IA nello shopping sono le allucinazioni, e un modello che si inventa una specifica o un prezzo è una grana legale, non un dettaglio estetico. Darle fatti certi, scritti da te — è questo che fanno question_and_answer e document_link — abbassa di colpo il margine di errore. Il feed diventa la fonte verificata, e il Business Agent che Google sta lanciando può rispondere ai clienti con la voce del tuo marchio, non con il tono neutro di un LLM qualsiasi.

Se vendi prodotti complessi — elettronica, attrezzatura, articoli tecnici — qui c’è un’occasione vera. Tutte le domande di nicchia che oggi ti arrivano via ticket o restano sepolte nelle recensioni puoi trasformarle in risposte che l’IA dà al posto tuo, al momento giusto, mentre il cliente sta ancora decidendo.

Il titolo torna a vendere

Questo è il pezzo che quasi tutti si perdono, perché è travestito da burocrazia.

Per dichiarare un contenuto scritto dall’IA, Google ti chiede due attributi dedicati: structured_title e structured_description. Funzionano uguali: dentro ci metti il testo nel sotto-attributo content (stesso limite del titolo classico, 150 caratteri, stesse regole) e segnali la provenienza con digital_source_type impostato su trained_algorithmic_media. Per le immagini lo stesso lavoro lo fanno i metadati IPTC DigitalSourceType (TrainedAlgorithmicMedia, CompositeSynthetic, AlgorithmicMedia), che non vanno mai cancellati dai file usciti da strumenti come Product Studio.

A leggerla così sembra un adempimento per tenere buoni i legislatori. E in parte lo è. Ma chi si ferma qui non ha capito la mossa. Google sa benissimo che il feed di mezzo mondo è generato in automatico: una regola che mette insieme brand, modello, colore e taglia e produce “Nike Air Max 90 – Rosso – 42” per diecimila prodotti. Funzionale, freddo, identico a quello di tutti gli altri. Aprendo un canale apposta per i contenuti scritti dall’IA, Google sta chiedendo un’altra cosa: adesso voglio qualcosa che venda.

Lo dice il suo stesso esempio ufficiale. Stesso prodotto, due titoli:

• automatico: “Original Google shoes, mens, size 8, blue and orange”

• scritto dall’IA: “Stride & Conquer: Original Google Men’s Blue & Orange Power Shoes (Size 8)”

Il secondo ha un gancio, il primo è un’etichetta da magazzino. structured_title è la porta che fa rientrare nel feed il copy persuasivo che dieci anni di “titoli a regola” avevano escluso. Ed è qui che nasce la confusione che vedo ovunque. Non è “scritto a mano” contro “scritto da un software”, perché il feed lo genera sempre un software. È generativo (un modello che scrive) contro deterministico (una regola che combina i campi). Solo il primo va etichettato. Il secondo resta un title normale.

Due avvertenze, perché qui gli errori si pagano.

La prima è tecnica, e fa sprecare il lavoro a molti. Se vuoi che il titolo persuasivo venga usato davvero, devi mandare solo structured_title. Se gli lasci accanto anche il title classico, Google usa quello classico, e il tuo titolo — etichetta IA compresa — non lo vede nessuno.

La seconda pesa di più. Un titolo che si legge meglio non è automaticamente un titolo che si posiziona meglio. Il titolo resta il segnale con cui il motore aggancia il prodotto alle ricerche: una stringa piena di keyword come “memory foam king size medium firm” prende più query, un titolo elegante ne prende meno. Solo che il motore sta cambiando sotto i piedi mentre fai questo ragionamento. Quel calcolo valeva quando posizionarsi voleva dire incrociare parole chiave. Dentro AI Mode, Gemini, il Business Agent, l’IA non cerca la corrispondenza esatta: legge e riassume. Lì un titolo che spiega davvero il prodotto può battere la stringa-keyword. Il titolo perfetto del 2024 e quello del 2026 potrebbero non essere lo stesso, e per un bel po’ ti toccherà ottimizzare per due motori che convivono.

Dove starei attento

Primo: la parola “facoltativo”. Google ripete che questi attributi sono opzionali e che senza non perdi l’approvazione del prodotto. Vero, e fuorviante. Facoltativo vuol dire che il prodotto resta a catalogo, in un catalogo che però l’IA smette di citare. Lo scrive la documentazione stessa: ometterli “garantisce quasi certamente un calo della visibilità nelle risposte generate dall’intelligenza artificiale”. È facoltativo come è facoltativo avere un sito che si carica. Tecnicamente sì, nella realtà no.

Secondo: chi fa il lavoro? Tutta questa impalcatura scarica sul venditore il compito di rendere accurata l’IA di Google. Sei tu a spacchettare le schede tecniche, a scrivere 30 domande e risposte per ogni prodotto, a produrre i PDF. Google ti vende il beneficio — meno allucinazioni, più visibilità — ma il conto, su un catalogo da migliaia di referenze, lo paghi tu. E lo paghi nel modo peggiore: più il catalogo è ricco e tecnico, più la fatica si concentra proprio sui prodotti che avrebbero più da guadagnarci.

Cosa farei se gestissi un e-commerce

Non aspetterei la “fase di applicazione rigorosa”. Quando arriva, chi ha popolato il feed prima è già davanti.

Partirei dai prodotti che contano. Prendi il 20% di referenze che fa l’80% del fatturato e su quelle compila product_detail, question_and_answer e variant_option come se la visibilità dipendesse da lì, perché dipende da lì. Le 30 domande non te le devi inventare: sono già scritte nei ticket dell’assistenza e nelle richieste che ti arrivano ogni settimana.

Sui contenuti scritti dall’IA smetterei di trattarli come un adempimento normativo e li userei per quello che sono: spazio per fare copy. Guarderei chi in azienda genera testo con un LLM, lo farei passare da structured_title e structured_description con l’etichetta giusta — solo lo strutturato, senza il campo classico accanto — e proverei a scrivere titoli più persuasivi della solita stringa, misurando se vendono di più. Tenendo a mente la regola che salva l’account: se un umano scrive e l’IA ritocca, non si etichetta; se il testo lo produce la macchina, anche col tuo prompt, si etichetta.

E non perderei di vista il quadro grande: la vecchia Content API chiude il 18 agosto 2026 in favore della Merchant API, e l’Universal Commerce Protocol porta il checkout dentro l’IA. Gli attributi sono quello che dici all’IA; quell’infrastruttura è quanto in fretta glielo dici e dove si chiude la vendita. Messi insieme — feed ricco e acquisto automatico — non sono il solito aggiornamento di Google Shopping. Sono altro.

Il bersaglio è Amazon

Mettiamo in fila i due pezzi. Da una parte un feed così ricco che l’IA scopre, confronta e consiglia un prodotto senza che l’utente apra nemmeno un sito. Dall’altra l’Universal Commerce Protocol e l’Universal Cart, che chiudono l’acquisto dentro la conversazione, con Google Pay già pronto, senza uscire dalla chat. Trovi, confronti e compri senza cambiare schermata.

Quel “senza cambiare schermata”, fino a ieri, aveva un nome solo: Amazon. Il fossato di Amazon non l’ha mai costruito il prezzo, l’ha costruito l’assenza di attrito: cerchi, leggi recensioni e domande, compri con un tocco. È per questo che una grossa fetta delle ricerche di prodotto parte da lì, saltando Google. Ricostruendo quell’esperienza sul web aperto, con dentro il feed dei venditori, Google prova a riprendersi il terreno che Amazon gli aveva tolto.

E c’è una differenza che a chi vende interessa più di ogni altra cosa. Su Amazon sei un venditore terzo: il cliente è suo, i dati sono suoi, la relazione è sua, e per stare nel marketplace paghi. Nel modello di Google il venditore resta il seller of record: i dati di vendita, il cliente, la fedeltà e la logistica restano tuoi. La promessa è seducente: la comodità di Amazon senza diventare uno dei tanti dentro Amazon.

Per questo non leggo gli attributi del feed come l’ennesimo adempimento tecnico. Sono munizioni in una guerra tra piattaforme. Il feed ricco è quello che fa scegliere te invece del concorrente; l’attributo native_commerce è quello che accende il tasto “Acquista” dentro la risposta. Senza, ti citano ma non ti comprano: sei in vetrina, ma la cassa è da un’altra parte. Lo stesso lavoro che ti rende visibile è quello che ti rende vendibile, nell’arena dove Google ha deciso di sfidare Amazon.

In sintesi

Il feed non è più un accessorio del marketing. Nell’epoca della ricerca conversazionale è diventato il primo ingresso alla tua vetrina, spesso l’unico, e con il checkout dentro l’IA anche la cassa. Chi lo tratta ancora come un file tecnico da aggiornare una volta al mese si ritroverà fuori dalle conversazioni in cui i clienti scelgono cosa comprare, senza nemmeno accorgersene.

La domanda da portare in riunione non è più “il feed è approvato?”. È “il mio feed è abbastanza ricco perché un’IA scelga me e non il concorrente che ha compilato gli attributi che io ho saltato perché tanto erano facoltativi?”.

Filippo Trocca scrive di misurazione avanzata, attribuzione e analytics su dataMesh. Se vuoi confrontarti su come misurare le performance del tuo business, scrivimi a filippo@analyticstraining.it.

Sembra l’ennesima release di prodotto. Non lo è. È il cambio di paradigma più importante nella misurazione del marketing da quando è stato lanciato GA4. Per la prima volta un Marketing Mix Model — tool che fino a ieri vivevano solo data scientist e vendor da 200k all’anno — diventa un tool di business intelligence interrogabile in linguaggio naturale, integrato nativamente dentro Google Analytics 360.

C’è una parte buona, e c’è una parte che mi preoccupa. Provo a raccontarvele entrambe.

La parte buona

Meridian dentro GA360 non è un fork: il codice resta open-source su GitHub. Quello che Google ci ha messo sopra è la parte che ha sempre tenuto fuori dal gioco la maggior parte delle aziende: ingestione dei dati first-party (BigQuery, HubSpot, Shopify, Salesforce) attraverso il Data Manager — l’API unificata che dal 2025 alimenta Google Ads, Analytics e DV360 — pull cross-channel di spesa e impression da Meta, TikTok, Pinterest e Snap, e un’interfaccia agentica che ti permette di chiedere “se sposto 100k da Performance Max a TikTok, cosa cambia?” senza scrivere una riga di Python. Il demo sul palco mostrava un piano annuale che, ottimizzato dal modello, faceva +50% di ROAS sul baseline.

Le Qualified Future Conversions sono un animale diverso. Non sono modeled conversion che riempiono buchi di tracking. Sono una stima probabilistica generata da Gemini su un evento non ancora accaduto, ancorata a comportamenti intermedi osservabili: ricerche brandizzate, like o subscribe su YouTube, add-to-cart, avvio di lead form.

Il dato interno che le giustifica dovrebbe far rizzare le antenne a chiunque gestisca budget upper-funnel: solo il 70% delle conversioni Google Ads cade dentro la finestra standard 30-day click / 3-day engaged-view. Per Performance Max si scende al 50%. Per Demand Gen al 40%. Tradotto: per metà delle campagne di brand building, le finestre di attribuzione di oggi stanno tagliando via metà del valore reale. È il primo serio tentativo di metterci una pezza dentro la stessa piattaforma che vende il media.

Da qui in poi, però, le cose si complicano.

La parte che mi preoccupa

Il piano dichiarato — scritto nei comunicati e ripreso da PPC Land — è che i segnali QFC verranno usati come input per Meridian. Cioè: Gemini, addestrato sul comportamento osservato dentro Google Ads, sputerà fuori una previsione che diventerà uno degli ingredienti del Marketing Mix Model che dovrebbe dirci se i nostri soldi su Google Ads stanno rendendo. Lo stesso Google che ci dice quanto bene sta funzionando Google.

Jordan Taylor-Bartels, CEO di Prophet, intervistato da Mi3, l’ha sintetizzata meglio di come potrei fare io: “It wouldn’t be very Googley if Meridian recommends all spend goes to Meta.”

Non è l’unico problema. Ne vedo altri due.

Il primo è la stazionarietà. Lo dice la documentazione ufficiale: Meridian non modella l’efficacia dei canali come time-varying. Cioè assume che il rendimento di ogni canale resti costante nella finestra che stai osservando. Chiunque abbia gestito campagne sa che non è così — creative fatigue, saturazione dell’audience, stagionalità, lanci dei competitor, sono la regola. Michael Kaminsky di Recast, autore della critica tecnica più dettagliata su Meridian, indica questa come la lacuna principale.

Su questo vale la pena guardare cosa fanno realtà con approccio metodologicamente diverso. AD cube — spinoff del Politecnico di Milano nato dal dipartimento DEIB — restituisce l’andamento di ciascun canale settimana per settimana, come serie storica. Differenza concettuale, non solo operativa: Meridian ti dà un coefficiente per canale valido per l’intera finestra modellata; AD cube ti mostra come quel coefficiente si muove nel tempo — quando un canale entra in saturazione, quando la creatività perde colpi, quando una campagna stagionale funziona e quando smette. Per chi rinfresca le creatività ogni due o tre settimane (chiunque venda online seriamente nel 2026), cambia la natura della decisione: non stai più validando la strategia di un trimestre, stai correggendo il portafoglio in corsa.

Il terzo problema è il più sottile. È il conflitto di interesse strutturale, raccontato meglio di tutti da Aryma Labs e Keen Decision Systems: Google e Meta sono insieme i paladini dell’open-source MMM e i vendor dello spazio pubblicitario che quel MMM dovrebbe valutare. Aryma ha aggiunto un dettaglio statistico importante: i Bayesian MMM mostrano la media della distribuzione posteriore invece dell’Highest Density Interval, e per la natura lognormale questa scelta gonfia sistematicamente i ROI dei canali. Non è un bug, è una conseguenza matematica del modo in cui il modello è impacchettato.

Nessuno di questi tre rischi rende Meridian inutilizzabile. Ma messi insieme, rendono la validazione indipendente una cosa che fino al 20 maggio era opzionale e da oggi è obbligatoria.

Cosa farei se fossi un CMO

Partiamo da un dato di realtà che la narrazione sull’agentic UI tende a nascondere: un MMM non si usa da solo, neanche se è dentro GA360 con un’interfaccia in linguaggio naturale. Un Marketing Mix Model è un modello statistico complesso, e perché restituisca valore vero — non solo dashboard belle — ti serve qualcuno che lo sappia leggere, calibrare, interrogare. Un consulente esterno, un’agenzia specializzata, o un data scientist in casa. Le agentic UI riducono la frizione della query, non quella dell’interpretazione.

A quel consulente chiederei due cose insieme, non in alternativa. Una: portare avanti Meridian-in-GA360 come baseline, se l’azienda ha già la licenza. Due: girare in parallelo un MMM indipendente come strumento di verifica. È la stessa logica del doppio audit di bilancio: il secondo serve a esporre il bias del primo quando c’è.

Il test specifico è semplice: prendi la stima di channel contribution dei due modelli e confrontala. Se i canali Google appaiono il 10-30% più incrementali in Meridian rispetto al modello indipendente, hai trovato la direzione del bias.

E se non hai GA360? È la situazione della stragrande maggioranza delle aziende italiane. Tre opzioni realistiche.

La prima: un MMM open-source girato da un partner o consulente. “Open-source MMM” non significa “Meridian”: c’è Robyn di Meta (R, ridge regression, community ampia), PyMC Marketing (Python, fully Bayesian, più flessibile di Meridian), Orbit di Uber per serie con stagionalità marcata. È nella scelta dello strumento che il consulente fa la differenza rispetto a chi “fa girare Meridian”.

La seconda: una piattaforma MMM self-serve indipendente — AD cube, Cassandra, Mutinex Self-Serve, Recast, Measured, Sellforte — con il consulente che la pilota.

La terza, per chi ha budget pubblicitari sotto i 500k all’anno: rinunciare all’MMM strutturato e costruire un setup minimo basato su esperimenti di incrementalità geografica e attribution model.

In tutti e tre i casi, il pezzo non delegabile resta la persona che interpreta i risultati.

Sulle QFC, attivale subito in un account pilota. Il tracking parte dal giorno dell’attivazione, e quando deciderai di usarle come segnale per le bidding strategy ti servirà uno storico di almeno sei mesi da validare contro l’LTV osservato. Meglio iniziarli oggi che fra sei mesi.

Calibra sempre con esperimenti. Meridian GeoX è la risposta nativa quando arriverà; fino ad allora si scelgono i vendor — Haus, Measured, Sellforte, Lifesight (unified MMM + geo experimentation), INCRMNTAL (always-on via causal inference, senza geo holdout), LiftLab (disegno di esperimenti controllati), e Cassandra che integra incrementality testing nella sua piattaforma — oppure si costruisce un framework geo in casa su librerie open-source mature: GeoLift di Meta (Synthetic Control Methods end-to-end in R) e CausalImpact di Google (Bayesian structural time series, R e Python). Un MMM non calibrato contro un esperimento controllato non è uno strumento di budgeting difendibile in un comitato esecutivo — è un’opinione.

Cosa farei se fossi un CFO

Prima di firmare qualunque riallocazione di budget basata su QFC, chiederei al fornitore documentazione metodologica sulla pipeline QFC→Meridian. Come gestisce la circolarità? Come isola il segnale di Gemini dai dati di input che già contengono comportamento Google Ads? Se nessuno risponde, non firmo.

Il TCO, qui, si fa serio. GA360 a ~50k l’anno è il biglietto di ingresso. Aggiungi il consulente o l’agenzia (60-150k l’anno se interno, 30-80k se contractor part-time: la voce più sottovalutata di tutte), validazione indipendente (5-15k), esperimenti di incrementalità (10-30k per ciclo, due o tre cicli l’anno), eventualmente un MMM vendor indipendente per la triangolazione (50-150k per la fascia enterprise). Il numero finale rende “MMM gratis dentro GA360” un’etichetta da marketing, non una verità da bilancio.

Disciplina aggiuntiva: validare le previsioni QFC contro l’LTV osservato. Ogni cohort di QFC attivate oggi va seguita per sei mesi. Quante delle conversioni previste si sono materializzate, e con quale margine? È lo stesso backtesting che il vostro team finance fa già sui modelli di forecasting. Applicatelo qui senza fare sconti.

In pratica si fa così. Step uno: ogni mese registri il numero di QFC che Google attribuisce a ciascuna campagna nell’interfaccia di Google Ads — quello è il tuo predetto, il numero da battere. Step due: nel data warehouse (BigQuery se sei già nell’ecosistema Google, Snowflake o altro se non lo sei) ricostruisci la stessa cohort che Google sta valutando — gli utenti GA4 che nel mese hanno performato una delle Leading User Actions (branded search via Search Console, engagement profondo su YouTube, add-to-cart, avvio lead form). Tutte attivabili in GA4 con eventi custom o lette dalle API delle rispettive piattaforme. Step tre: a 30, 60, 90 e 180 giorni, conta quanti utenti di quella cohort hanno effettivamente convertito, con quale valore d’ordine e con quale margine. Step quattro: confronti l’osservato con il predetto. Se Google ti aveva dato la cohort di maggio per 24.000 conversioni future e a sei mesi ne hai contate 14.000, hai un’over-prediction del 70% — il tipo di errore che, davanti a un comitato di forecasting finanziario, fa ridiscutere il modello. Soglia operativa: errore medio sotto il 20% per tre cicli consecutivi per accettare QFC come segnale per le bidding strategy; sopra il 30%, è ancora rumore — utile per direction, non per allocation.

Soglia decisionale: sotto i 2-3 milioni di spend pubblicitario annuo, o 25M eventi al mese, GA360 non è giustificabile economicamente. Meglio orientarsi su tool open-source via partner o su piattaforme indipendenti che includono il supporto del data scientist nel pacchetto: AD cube e Cassandra — due nomi italiani ed europei che stanno crescendo bene — integrano MMM, incrementality testing e attribuzione in self-service con un loro data scientist a supporto. Per scale più grandi: Mutinex Self-Serve, Recast, Measured, Paramark, Sellforte.

Dove sta andando la misurazione

Meridian-in-GA360 è inevitabile. Diventerà la baseline cross-channel della misurazione enterprise nei prossimi due anni, e chi non la valuta seriamente passerà tre anni a giustificare perché non l’ha fatto.

Ma una baseline non è un oracolo. La differenza tra chi userà bene questa tecnologia e chi finirà per sbatterci la testa contro non sarà la qualità del modello — Meridian è un buon modello, lo dico senza ironia — ma la disciplina con cui lo si valida. Il setup difendibile davanti a un comitato esecutivo è fatto di quattro pezzi che lavorano insieme: il modello di Google come baseline, un modello indipendente in parallelo per due o tre cicli di refresh, esperimenti geografici per calibrare i prior, un framework di confronto che esponga le divergenze. Soprattutto, una persona che sa leggerli.

La domanda da portarsi in sala riunioni non è più qual è il mio ROAS. È chi sta misurando il mio ROAS, e quanto ha da guadagnare dal numero che mi sta restituendo?

Quella domanda, fino a ieri, era teorica. Da oggi è la prima cosa che ogni CFO dovrebbe scrivere nella prossima vendor review.

Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come impostare un framework di validazione MMM nella tua organizzazione, scrivimi a filippo@analyticstraining.it.

Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come impostare un framework di validazione MMM nella tua organizzazione, scrivimi a filippo@analyticstraining.it.

Fonti citate

• Google Analytics 360 helps you turn data into decisions — Google Blog

• Google Marketing Live 2026: turn your data into decisions — Google Blog

• Qualified future conversions — Google Business

• Meridian lands inside Analytics 360 as Google links ad spend to future sales — PPC Land

• Google brings Meridian marketing mix modeling into Analytics 360 — Search Engine Land

• MMM unmuddled: Mutinex lands industry-wide backing for open-sourced model comparison framework — Mi3

• Mutinex Pips Google By Launching Self-Serve Commercial Mix Model — B&T

• Hits and Misses of Meridian – A Thorough Deep Dive — Aryma Labs

• Bayesian MMM inflates ROIs — Aryma Labs

• Google Ads Launches New Tools For Mapping Incrementality — AdExchanger

• Open MMM Validation Framework — Mutinex

• Meridian documentation — Google for Developers

• Meridian on GitHub

• AD cube — Marketing Mix Model — ML cube, spinoff del Politecnico di Milano

• Cassandra — Marketing Mix Modeling Software

• Data Manager API helps advertisers improve measurement — Google Blog

• Robyn — Open Source MMM by Meta

• PyMC Marketing — Open Source Marketing Analytics

• Orbit on GitHub — Uber

La diagnosi della scorsa settimana è stata chiara: La vostra AI si sta addestrando su dati “morti”. State pianificando campagne su fantasmi, questo gonfia artificialmente il CAC e Rende il LTV una metrica di pura fantasia.

Oggi programmiamo la soluzione: non si tratta di fare “pulizia dati”, ma di installare il sistema operativo per rendere i ricavi efficienti: il protocollo di Identity Resolution.

L’Equazione Economica: Un Cliente, Dodici Costi.

Il vostro cliente non è statico. Nel 2026, un utente high-value interagisce con voi ovunque: Laptop, App, Instagram, Negozio Fisico e molto altro.

Nel vostro database grezzo, quella singola persona non esiste, esistono invece 12 frammenti scollegati:

• Fantasma 1: Un cookie anonimo del browser (Utente X).

• Fantasma 2: Una email da “guest checkout” (Utente Y).

• Fantasma 3: Un ID del programma fedeltà del 2021 (Utente Z).

• Fantasmi 4-12: ID Mobile, Email aziendali, IP della Connected TV, Cookie scaduti e Click ID di Facebook.

Il Buco di Bilancio: Pagate per acquisire l’utente X. Pagate ancora per il retargeting sull’utente Y. Pagate una terza volta per inviare email all’utente Z.

Pagate tre volte per acquisire la stessa persona.

L’Identity Resolution ricuce questi 12 fantasmi in un unico Golden Record, ferma lo spreco; crea il segnale pulito di cui la vostra AI ha bisogno per prevedere il futuro.

La Strategia: Eliminare la “Black Box”

Fino a ieri, il problema si risolveva acquistando una CDP (Customer Data Platform) monolitica, una “Black Box”. Inviavate i dati a un fornitore esterno, loro li elaboravano, li rivendevano a voi

Questo modello è obsoleto.

• Rischio: Inviate PII (Dati Personali) fuori dal perimetro aziendale.

• Costo: Pagate un “doppio affitto” (Storage nel vostro cloud + Storage nel cloud del vendor).

• Cecità: Non avete visibilità sul perché due profili siano uniti.

Il Nuovo Standard: Warehouse-Native (Zero-Copy) Non spostate i dati verso lo strumento, ma lo strumento si connette ai vostri dati. I moderni motori di identità girano direttamente sulla vostra infrastruttura (Snowflake/Databricks/BigQuery/AWS ecc).

• Sicurezza: I dati non lasciano mai la vostra governance.

• Velocità: Risoluzione in tempo reale.

• Costo: Zero-copy. Pagate per la logica, non per lo storage ridondante.

La Decisione: scegliere il Vostro Profilo di Rischio

Non chiedete “Qual è il tool migliore?”. Chiedetevi: “Qual è il trade-off strategico che accettiamo?”. Esistono 4 architetture valide per il 2026, Sceglietene una.

L’Esecuzione: Direttive Operative

Una volta definita la strategia, questo è il mandato operativo per il vostro Data Team:

• Speed: Contrattualizzare una Composable CDP (es. Hightouch, Bytek Prediction Platform). Connetterla ai vostri dati. Dare al Marketing le chiavi per sincronizzare le audience direttamente su Meta/TikTok/Google Ads

• Automated: Contrattualizzare un Vendor di AI Identity (es. Amperity). Ingerire tutte le tabelle legacy grezze. Lasciare che il loro modello costruisca il grafo. Non tentare sviluppo interno.

• Control: Costruire un Private Graph usando AWS Entity Resolution. Le PII non devono lasciare il nostro VPC. Il Marketing richiede le audience tramite ticket.

• Google: Centralizzare tutto in BigQuery. Utilizzare la risoluzione ID nativa di Google. Inviare i segmenti direttamente a Ads Data Hub.

La Checklist Tecnica (Audit)

Consegnatela al vostro Head of Data. Richiedete una risposta “Pass/Fail” entro fine giornata.

Test 1: Il Muro del Login (The “Logged-In” Wall)

• La Domanda: “Siamo in grado di identificare i visitatori del sito prima che effettuino il login?”

• La Risposta Sbagliata: “No, tracciamo i cookie ma sappiamo chi sono solo dopo il login.”

• Il Costo: State ignorando il 95% del vostro funnel. State facendo bid su sconosciuti.

Test 2: Audit dei Costi Ridondanti (Double Rent)

• La Domanda: “Stiamo pagando un vendor esterno per archiviare dati che sono già presenti nel nostro Warehouse?”

• La Risposta Sbagliata: “Sì, il marketing cloud necessita di una propria copia dei dati per funzionare.”

• Il Costo: State pagando due volte per lo storage e aumentando la superficie di attacco. Migrazione immediata a Warehouse-Native.

Test 3: Rapporto Utenti/Profili

• La Domanda: “Qual è il rapporto tra ‘User ID’ unici e ‘Profili di Fatturazione’ nel database?”

• La Risposta Sbagliata: “Circa 5 a 1.” (o superiore)

• Il Costo: State trattando un cliente fedele come fossero cinque estranei. Il vostro modello di LTV è un’allucinazione.

Riepilogo

L’Identity Resolution non è una pratica IT, è la differenza tra un’AI che prevede il fatturato e un’AI che ha allucinazione.

Sistemate il livello dati, ricucite i profili fantasma: arrestate l’emorragia.

Settimana Prossima: Valideremo tutto questo con l’unica persona a cui importano davvero i soldi: il CFO. Analizzeremo il Report McKinsey: conferma che il 90% dei budget marketing sta navigando alla cieca.

Notizie Per me interessanti

Dinners are the new trade shows. Here’s how to run them well by

How to do AI analysis you can actually trust by

Tutto sembra sotto controllo, eppure c’è un problema che nessuno percepisce: state guardando un referto autoptico. Celebrate transazioni chiuse settimane fa, costruite strategie su indicatori che per loro natura raccontano solo il passato. Che vendiate software enterprise o borse di lusso, gestire un’azienda affidandosi esclusivamente a CRM e report finanziari equivale a guidare a centocinquanta all’ora fissando lo specchietto retrovisore: sapete da dove venite, ma la strada davanti - dove il mercato sta andando, chi sta per lasciarvi - rimane invisibile.

Il paradosso è che tutti corrono ad implementare l’AI, ma la maggior parte delle aziende la sta alimentando con dati già morti. Costruiscono modelli sofisticati su transazioni storiche e poi si stupiscono quando le “insight predittive” assomigliano alle tabelle pivot dell’anno scorso con una veste grafica più moderna. Il problema non è l’AI che avete scelto, ma quello che le date in pasto.

Il Buco Nero dell’Offline

C’è una verità scomoda: il novanta percento del valore di un cliente non sta nella transazione finale, ma nel percorso comportamentale che la precede. Il CRM registra che Giulia ha comprato una borsa nel negozio di via Montenapoleone, ma non vede le cinque visite al sito, le ads su Instagram, le recensioni consultate nelle due settimane precedenti.

Senza Identity Resolution, il team Digital vede zero conversioni e un costo per acquisizione alle stelle, il team Retail si prende tutto il merito, e il CFO taglia il budget digital perché “non performa” - segando il ramo su cui l’azienda era seduta. Con Identity Resolution, invece, scoprite che i touchpoint digitali hanno influenzato il quaranta percento del percorso d’acquisto di Giulia, e invece di difendere il budget alla prossima riunione vi trovate a chiedere investimenti aggiuntivi sulle campagne che portano clienti alto-spendenti in negozio.

Nel B2B la cecità è altrettanto grave. Mentre leggete, tre ingegneri di un potenziale cliente potrebbero star studiando la vostra documentazione tecnica senza aver compilato alcun form. Per il vostro CRM non esistono. Nel frattempo un competitor con Identity Resolution ha già identificato il loro IP aziendale, sa cosa stanno valutando, e ha fatto partire l’outreach. Quando il vostro Sales si sveglia, la partita è già persa.

Il Segnale: Dove l’AI Incontra l’Intenzione

È qui che l’intelligenza artificiale smette di essere una buzzword da presentazione e diventa un’arma competitiva concreta. Identity Resolution vi fornisce i dati giusti - quelli che collegano l’identità di un cliente attraverso i diversi touchpoint. L’AI vi dà la velocità e la scala per agire su quei dati prima che l’opportunità svanisca. Separati, nessuno dei due basta. Insieme, creano un sistema che non solo registra cosa è successo, ma prevede cosa sta per succedere e vi dice esattamente cosa fare.

Considerate il rischio di abbandono nel B2B. Avete un cliente storico che paga puntuale e rinnova ogni anno - tutte le metriche sono verdi, ma collegando l’identità aziendale al comportamento di navigazione, l’AI vede una storia diversa: tre persone di quell’azienda hanno passato le ultime quarantotto ore sulle vostre pagine “Disdetta contratto” ed “Esportazione dati.” Non stanno curiosando, stanno preparando l’uscita.

Il sistema riconosce il pattern—l’ha già osservato in centinaia di account che poi hanno disdetto - calcola una probabilità di abbandono del settantatré percento entro trenta giorni, e allerta automaticamente l’Account Manager con un piano d’intervento suggerito. Sapete che stanno per andarsene prima che loro stessi ve lo comunichino. Le aziende che usano questi segnali comportamentali potenziati dall’AI riducono il churn del 15%/25% - non perché abbiano Account Manager migliori, ma perché agiscono su intenzioni predittive invece di reagire a una PEC di disdetta.

Lo stesso vale per l’attribuzione nel retail. Quando unite i dati della carta fedeltà con i cookie di navigazione e ci sovrapponete un layer di AI, le opinioni diventano fatti: il modello vi dice quali combinazioni di campagne generano conversioni in-store, quali segmenti rispondono all’awareness e quali alla performance, dove il prossimo euro investito avrà l’impatto maggiore. Smettete di litigare sull’attribuzione nelle riunioni e lasciate che sia il modello a darvi la risposta.

“Ma con il GDPR si può fare?”

L’obiezione sulla compliance emerge sempre, ma è qui che l’AI risolve il problema della privacy invece di aggravarlo.

Il GDPR non è un muro, è un filtro qualitativo. Non potete tracciare il cento percento degli utenti, ma non vi serve: in un ecosistema sano ottenete il consenso dal 60%-75% dei visitatori. E questo basta!

Il meccanismo: usate i dati di alta qualità degli utenti consenzienti per addestrare i modelli di machine learning, che imparano i pattern comportamentali di “Churner”, “High Spender”. Poi applicate quei modelli probabilistici al traffico anonimo. Non state identificando nessuno senza consenso - state riconoscendo comportamenti. L’AI dice: “Questa sessione anonima si comporta all’ottanta percento come i nostri High Spender conosciuti”. Personalizzate l’esperienza senza mai sapere chi sia quella persona.

Non state aggirando la legge, state costruendo un motore predittivo conforme che diventa più intelligente a ogni interazione. Le aziende che trattano il GDPR come un ostacolo stanno perdendo terreno rispetto a quelle che lo usano come leva per una data strategy più solida.

Da Archivio a Motore: Il Data Stack Pronto per l’AI

Se i vostri dati restano fermi in attesa del report mensile, avete un archivio polveroso - un centro di costo che produce slide per il CdA. Qui sta la verità che pochi vendor vi raccontano: potete montare l’AI più sofisticata del mercato su un archivio polveroso, ma otterrete solo polvere elaborata più velocemente. Garbage in, garbage out.

Con l’Identity Resolution, quell’archivio diventa un motore predittivo in tempo reale. Create la base dati unificata di cui l’AI ha effettivamente bisogno per mantenere le promesse, e smettete di nutrire i modelli con le transazioni di ieri per dar loro le intenzioni di oggi.

Le aziende che domineranno i prossimi tre anni non saranno quelle con i budget AI più grossi, ma quelle che avranno risolto prima il problema dei dati - quelle che hanno smesso di guidare fissando lo specchietto retrovisore e hanno iniziato a fidarsi di un GPS potenziato dall’AI che non si limita a mostrare il percorso, ma prevede il traffico, suggerisce scorciatoie, e vi fa cambiare corsia prima che vi accorgiate del problema.

Da Dove Partire

Se sospettate che la vostra azienda stia investendo in AI senza la base dati per farla funzionare, fate queste tre domande ai vostri team Sales e Data questa settimana:

“Riusciamo a collegare un acquisto in negozio alla visita sul sito che lo ha generato?” Se no, avete un buco nell’attribuzione che falsa ogni decisione di investimento e qualsiasi AI implementiate erediterà quella distorsione.

“Sappiamo quando un cliente esplora la sezione del sito come uscire dal contratto?” Se no, la vostra retention è reattiva, non predittiva, e state lasciando sul tavolo il caso d’uso AI a più alto ritorno.

“Quale percentuale dei visitatori del sito riusciamo a identificare anche senza form compilati?” Se siete sotto il trenta percento, i vostri modelli AI si addestrano su una fetta distorta della realtà.

Se avete risposto “no” a una qualsiasi di queste domande, non state facendo Business Intelligence: s tate facendo contabilità con un chatbot sopra.

Cosa vi hanno risposto i vostri team? Scrivetemi: leggo ogni messaggio, e le conversazioni più interessanti diventano spesso i prossimi articoli.

Per approfondire scarica il mio ebook Non Puoi Fare AI se i tuoi dati sono nel caos

Il pericolo sta nel fatto che l’IA è, essenzialmente, un acceleratore: è una macchina progettata per ottimizzare esattamente l’obiettivo che le assegni. Se la nutri con dati distorti o metriche sbagliate, non si limiterà a commettere errori, ma scalerà quegli errori a una velocità che nessun team umano potrà mai gestire.

Negli ultimi dieci anni, siamo stati ossessionati dalla ricerca di una “Single Source of Truth”, questa ricerca ci ha lasciato con strumenti disconnessi e dipartimenti in conflitto. Per sopravvivere al passaggio verso processi decisionali guidati dall’AI, dobbiamo smettere di cercare: non abbiamo bisogno di una verità unificata; abbiamo bisogno di un sistema di Decisioni Unificate, dove il Marketing Mix Model (MMM) e l’Attribution smettono di farsi la guerra e iniziano a collaborare sotto il controllo della Sperimentazione.

La Guerra Civile: Strategia contro Comfort

Abbiamo passato anni a combattere una guerra civile tra due metodologie che avrebbero dovuto essere alleate:

• Da una parte c’è il CFO e il consiglio di amministrazione, che preferiscono il Marketing Mix Model. Lo vedono come una bussola strategica perché parla la lingua della finanza, tiene conto della stagionalità e resiste a esami approfonditi. Tuttavia, per i team operativi, l’MMM spesso appare troppo lento, troppo “macro” e scollegato dal lavoro quotidiano di ottimizzazione delle campagne.

• Dall’altra parte, i team Growth e Media si aggrappano alla Digital Attribution. La amano non perché sia precisa, ma perché è facile: agisce come un calmante per la nostra ansia, fornendoci numeri immediati e dettagliati che sembrano azionabili. Ma conosciamo il segreto: l’attribuzione standard è sbilanciata verso il “bottom of the funnel”, adora prendersi il merito per ricavi che sarebbero arrivati comunque.

Nell’era dell’IA, dobbiamo renderci conto che queste sono semplicemente due facce della stessa medaglia: non puoi avere una strategia senza esecuzione, ma non puoi nemmeno lasciare che un agente IA ottimizzi il tuo budget basandosi solo sull’attribuzione. Se lo fai, la macchina smetterà di acquistare annunci per nuovi clienti e spenderà tutto il budget per fare retargeting su persone che stavano già per acquistare: ottimizzerà l’efficienza fino a uccidere la tua crescita.

La Rivoluzione Meta: Ottimizzare per la Causalità (Il Caso Zalando)

Questa non è solo teoria. La più grande “Black Box” del settore , Meta, ha recentemente validato questo cambiamento, utilizzando l’IA per spostare l’obiettivo dalla correlazione alla causalità.

Per anni, lo standard è stato ottimizzare il ROAS basandosi sull’attribuzione per eventi, ma come sappiamo, un clic ti dice che qualcuno era interessato, non che l’annuncio ha causato l’acquisto. È qui che il business case di Zalando cambia la narrazione.

Zalando non voleva solo misurare il lift (l’incremento); voleva ottimizzare per esso. Per farlo hanno utilizzato l’Attribuzione Incrementale di Meta, un’impostazione avanzata che cambia il modo in cui l’algoritmo apprende.
A differenza dell’attribuzione standard, che conteggia qualsiasi conversione avvenuta dopo una visualizzazione o un clic, l’Attribuzione Incrementale utilizza modelli di machine learning per prevedere se una conversione è stata veramente causata dall’annuncio. Rimuove il “rumore” ,le persone che avrebbero comprato comunque, e concentra il motore solo su quelle conversioni che non sarebbero avvenute senza l’inserzione.

Il risultato è enorme: sposta l’obiettivo da “Chi cliccherà?” a “Chi ha bisogno di questo annuncio per convertire?”.
Zalando ha così allineato il proprio media buying con il reale impatto di business, generando conversioni incrementali vere invece di limitarsi a gonfiare delle vanity metrics.

La Sperimentazione è la Rete di Sicurezza

Tutto questo implica un massiccio cambiamento operativo: non puoi indovinare la causalità. L’IA è un motore di predizione , prevede chi è probabile che acquisti basandosi su pattern, ma senza i giusti dati, le manca il contesto per capire perché hanno acquistato. Qui la Sperimentazione diventa lo strato più importante del tuo stack tecnologico. È il guardrail che impedisce ai tuoi agenti automatizzati di vedere successi dove non ce ne sono.

Pensa alla tua architettura dati come a un tribunale: l’Attribution è solo un testimone, che offre un resoconto soggettivo e limitato degli eventi da un’unica angolazione. L’MMM è la giuria, che soppesa le prove per formare un consenso. Ma la Sperimentazione? La Sperimentazione è il test del DNA: è la scienza che batte le opinioni e fornisce la vera prova del valore.

La Nuova Architettura per il 2026

Per costruire una revenue stack in grado di utilizzare l’IA in sicurezza, il flusso di lavoro deve cambiare da un processo lineare a un ciclo continuo.

1. Usa l’econometria e l’MMM per soddisfare il board e definire il tuo macro-budget, ottenendo il supporto strategico per operare.

2. Lascia che le piattaforme e i loro agenti IA gestiscano l’esecuzione e il buying, ma abilita funzionalità come l’Attribuzione Incrementale per assicurarti che inseguano l’obiettivo giusto.

3. Infine, costruisci un livello di validazione dedicato. Questo significa destinare una percentuale fissa del tuo budget esclusivamente ai test: devi eseguire Geo-Lift test sui nuovi canali e mantenere gruppi di controllo (holdout groups) sulle tue campagne “best performing”.

In futuro, gli architetti della crescita di maggior successo non saranno quelli con l’IA più potente. Saranno quelli che forniranno ai propri modelli le regole e i dati con qualità più alta.

Non lasciare che la macchina si dia i voti da sola: sii tu l’insegnante.

Notizie che hanno destato il mio interesse

The state of Marketing Measurement in 2026 and Beyond by Aryma Labs

Incremental Attribution - Optimizing ad delivery for incremental conversions by Meta

Ho passato l’ultimo trimestre del 2025 a guardare il mercato — dai grandi brand alle scale-up più aggressive — farsi travolgere dall’onda d’urto dell’Intelligenza Artificiale.
Ho partecipato a meeting dove l’unica urgenza sembrava essere tecnica: “Quale modello usiamo? GPT? Claude? Gemini?”.
Ma grattando la superficie, l’obiettivo reale era quasi sempre un altro: diminuire il numero di dipendenti.

C’è l’illusione diffusa che l’AI possa sostituire le persone da un giorno all’altro,

tagliando i costi fissi come con una bacchetta magica: una visione strategicamente miope.
L’errore che ho visto commettere ovunque è considerare l’AI come uno strumento di Cost Saving (tagliare teste), invece che di Revenue Expansion: l’obiettivo non deve essere fare le stesse cose con meno persone, deve essere diventare più efficienti e veloci per fare molto di più, con le stesse persone, aumentando il fatturato.

Eppure, in tutte quelle stanze, c’era un elefante che nessuno voleva guardare.
Tutti cercavano il motore più potente (l’AI) per correre, ma nessuno si preoccupava della benzina (i Dati).

Ho visto aziende pianificare di potenziare il Customer Service o i Data Analyst con software collegati a infrastrutture dati frammentate, sporche, tenute insieme con lo scotch. Il risultato che stavano costruendo non era “Efficienza”, era quello che io chiamo Garbage In, Speed Out.
Se applichi l’Intelligenza Artificiale a un’azienda che non ha il controllo dei propri dati, non ottieni crescita, ottieni errori stupidi, ma commessi a una velocità e su una scala che nessun umano potrebbe mai eguagliare.

L’AI non è una strategia: è un moltiplicatore di velocità. Accelerare mentre stai guidando verso un muro non è una buona idea.
Per questo ho rotto il silenzio. Ho passato questi mesi a decostruire questo errore sistemico e a definire un metodo per chi vuole costruire un’azienda solida, non solo “veloce”.
Il risultato non è un altro manuale tecnico su come configurare un software: ho scritto un documento strategico, pensato per chi ha la responsabilità del conto economico.
Si intitola: “Non puoi fare AI se i tuoi Dati sono nel Caos”.

È un Executive Briefing che sposta il focus dalla tecnologia al Patrimonio; parlo di come:

1. Smettere di “affittare” l’intelligenza da terze parti e costruire una “Banca Centrale” dei dati di proprietà dell’azienda.

2. Smettere di ottimizzare le campagne su metriche vanitose e iniziare a guardare la Unit Economics reale.

3. Attivare l’AI non come sostituto delle persone, ma come strumento di Predizione Finanziaria per proteggere la cassa e scalare i ricavi.

Se in questi mesi hai avuto la sensazione che la tua azienda stesse correndo molto forte, ma senza una mappa chiara, queste pagine sono state scritte per te.

• L’AI è il dividendo.

• I Dati puliti sono il capitale.

• Senza capitale, non ci sono dividendi.

Puoi leggere il documento qui: [Link all’Ebook]

A presto,

Filippo Trocca

Le aziende che vincono non sono quelle che fanno test quando hanno un dubbio. Sono quelle che hanno un programma di sperimentazione proattivo e strategico . Questa è una guida su come usare la sperimentazione per allocare il capitale in modo più intelligente della concorrenza.

Vi mostrerò come costruire una Roadmap di Sperimentazione Annuale, l'asset che trasforma la misurazione da esercizio reattivo a motore di crescita finanziaria.

1. Allineamento Strategico: Partire dagli Obiettivi di Business (e dalla Politica Interna)

Una roadmap di test deve essere legata agli obiettivi aziendali. Ma la strategia aziendale non è un documento neutrale; è un campo di battaglia di priorità, reparti e lotte politiche. Per avere successo, dovete essere politicamente astuti.

Come Ottenere il "Sì": Vendi le Risposte, non i Test

Non andate mai dal management con una "lista di test che il marketing vuole fare". Fallirete. Andateci con una "proposta di risposte a domande strategiche che voi, come leader, vi state ponendo".

• Non dire: "Voglio testare TikTok."

• Di' invece: "L'obiettivo di crescita sugli U30 è la nostra priorità #1. Attualmente non sappiamo quale sia il canale più efficiente per raggiungerli. Propongo un test di 90 giorni per scoprire, con dati causali, se il budget incrementale va allocato su Meta o su TikTok per massimizzare il ROI su questo segmento."

Inquadrate ogni test come uno strumento al servizio di una decisione del management. State offrendo di ridurre il loro rischio e aumentare la loro certezza. Nessun leader rifiuterebbe un'offerta simile.

Hai bisogno di supporto per al misurazione del successo delle tue campagne?
Contattami ora

2. Dal Calendario Rigido al Backlog Agile: Come Lavora un Team Moderno

Dimenticate i calendari tematici trimestrali. Il business è troppo fluido. Adottate invece un sistema preso in prestito dallo sviluppo software: il Backlog di Sperimentazione.

È un elenco vivo e prioritizzato di tutte le ipotesi di test che volete lanciare, derivate dagli obiettivi strategici.

Framework d'Azione:

1. Create il Vostro Backlog: Elencate tutte le domande di business emerse (es. "Il canale X è profittevole?", "La creatività Y batte la Z?").

2. Prioritizzate con una Matrice Impatto/Sforzo: Assegnate a ogni ipotesi nel backlog un punteggio su due assi:

   • Impatto Potenziale sul Business (da 1 a 5): Se il test ha successo, quanto valore (in €) può generare o far risparmiare?

   • Costo/Complessità del Test (da 1 a 5): Quanto è difficile, costoso e lungo da eseguire?

3. Pianificate per "Capacità", non per "Tema": Ogni trimestre, il management non approva un tema, ma una capacità di testing (es. "questo trimestre abbiamo budget per eseguire due test ad alto impatto e uno a basso sforzo"). Il vostro team attinge dal backlog i test con il punteggio più alto, garantendo di lavorare sempre sulle cose più importanti e mantenendo la flessibilità per adattarsi alle nuove priorità.

3. L'Archivio delle Conoscenze: Il Vostro Portfolio Finanziario

Un test non documentato è uno spreco di tempo e denaro. L'archivio dei test non è una biblioteca, ma il registro del valore finanziario che il vostro team sta creando.

Framework d'Azione:

Create un repository centrale (basta un Notion o un Google Drive) e per ogni test compilate un "Referto di Valore" di una pagina.

Template del Referto di Valore:

• Ipotesi di Business: Quale domanda strategica abbiamo affrontato?

• Metodologia: Come abbiamo testato? (Canale, budget, durata).

• Risultato Netto: Qual è stato il lift? (Es. +15% conversioni incrementali).

• Decisione Presa: Cosa abbiamo fatto? (Es. Stoppata la campagna, aumentato budget del 30%).

• IMPATTO FINANZIARIO STIMATO: Questa è la riga più importante.

  • Esempio A (Fallimento): Risparmio Annualizzato Stoppando la Campagna X = 400.000€.

  • Esempio B (Successo): Profitto Incrementale Stimato Scalando la Campagna Y = +150.000€ nel trimestre.

Alla fine dell'anno, il report del vostro team non sarà "abbiamo fatto 10 test", ma "il programma di sperimentazione ha generato un impatto positivo di X milioni di euro sul conto economico". Questo è il linguaggio che crea budget e carriere.

Conclusione: Il Vantaggio Competitivo non è Astratto. È Matematico.

Siamo arrivati alla fine. Abbiamo unito strategia, politica, agilità e finanza. Un programma di sperimentazione non serve solo a "imparare". Serve a vincere.

Il vostro vantaggio competitivo sulla concorrenza si riduce a due fattori brutali:

1. Velocità di Apprendimento: Imparate più in fretta dei vostri rivali dove allocare il prossimo euro.

2. Efficienza del Capitale: Smettete di sprecare soldi prima e meglio di loro. In un mercato dove tutti hanno accesso agli stessi canali, l'azienda che alloca il proprio capitale in modo più efficiente vince. Non è marketing, è matematica finanziaria.

Smettete di fare test sporadici. Iniziate oggi a costruire il vostro programma di sperimentazione. È l'investimento più spietatamente efficace che possiate fare per la crescita della vostra azienda.

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

MMM Isn’t Always the Answer: What Early-Stage Brands Should Prioritize First

Just do it

La risposta standard è un errore strategico: vedere la misurazione come un costo accessorio, la prima cosa da tagliare. La verità è che la misurazione non è un costo, è l'investimento che protegge tutti gli altri. È l'assicurazione contro lo spreco di budget.

Questa non è una guida su come costruire la cattedrale perfetta in un mondo ideale. Questa è una roadmap pratica per posare il primo mattone, anche se avete solo un cacciavite e risorse limitate. Vi mostrerò come far crescere la vostra capacità di misurazione attraverso tre livelli di maturità, con stime di costo reali e soluzioni per il problema più grande: trovare le persone giuste.

Un Percorso in 3 Livelli: Trovate il Vostro Punto di Partenza

Nessuno costruisce un "Centro di Eccellenza" in un giorno. Siate onesti su dove vi trovate oggi e iniziate da lì.

Livello 1: Le Fondamenta (Partire con Poco)

• Chi siete: Una startup, una PMI o un team marketing con risorse limitate e senza un analista dedicato.

• Obiettivo: Smettere di basarsi solo sull'attribuzione last-click e provare che la misurazione causale ha valore.

• Azioni Chiave:

  1. Attribuzione di Base: Assicuratevi che il tracciamento di base su GA4 sia pulito e affidabile.

  2. Il Vostro Primo Lift Test: Non cercate di testare tutto. Identificate la singola campagna più costosa o più strategica del trimestre e lanciate un solo, singolo, lift test (es. Conversion Lift su Meta o Google).

  3. Il "Team": Il "team" è una persona curiosa (un marketing manager, uno specialista) che dedica il 20% del suo tempo a questo progetto.

• Stima dell'Investimento:

  • Costo Persone: Tempo (il bene più prezioso).

  • Costo Test: Circa il 5-10% del budget media della campagna che state testando. Se la campagna ha un budget di 50.000€, mettete in conto 2.500-5.000€ come "costo della verità".

Livello 2: La Sistematizzazione (Creare un Processo)

• Chi siete: Un'azienda in crescita, con almeno un analista o una persona dedicata ai dati.

• Obiettivo: Rendere la sperimentazione un processo continuo, non un evento sporadico.

• Azioni Chiave:

  1. Creare il "Fondo per la Scoperta": Istituite un budget annuale separato per la sperimentazione (es. "Budget Test & Learn"). Questo fondo non appartiene a nessuna campagna specifica e serve a finanziare 2-4 lift test strategici all'anno.

  2. Migliorare i Dati di Attribuzione: Investite in un tracciamento più robusto, come l'implementazione del tracciamento Server-Side, per migliorare la qualità dei dati che alimentano l'ottimizzazione quotidiana.

  3. Formalizzare il Processo: Create un documento semplice che definisca come si richiede un test, come si analizza e dove si archiviano i risultati.

• Stima dell'Investimento:

  • Costo Persone: Stipendio di 1-2 analisti.

  • Costo Test: Il vostro "Fondo per la Scoperta" annuale (es. 40-80k€).

  • Costo Tecnologia: Eventuali costi per tool di tracciamento o CDP.

Livello 3: Il Vantaggio Competitivo (Dominare l'Informazione)

• Chi siete: Un'azienda matura con un team dati e un forte commitment da parte del management.

• Obiettivo: Utilizzare un ecosistema di misurazione completo per ottenere un vantaggio competitivo duraturo.

• Azioni Chiave:

  1. Istituire il Budget Unificato: Qui entra in gioco la ripartizione del budget per l'intelligence basata sulle domande di business:

     • ~70% per le Domande Tattiche ("Stiamo operando in modo efficiente oggi?"): Copre il team di analisi, i tool di attribuzione, l'ottimizzazione quotidiana.

     • ~20% per le Domande di Validazione ("Questa nuova campagna da 1M€ funzionerà davvero?"): Copre la roadmap di Lift Test continui.

     • ~10% per le Domande Strategiche ("Come allochiamo i 20M€ del prossimo anno tra online e offline?"): Copre l'investimento in Marketing Mix Modeling (MMM).

  2. Creare il Centro di Eccellenza: Un team centrale di analisti e data scientist che riporta funzionalmente sia al Marketing sia alla Finanza, garantendo oggettività e rigore.

• Stima dell'Investimento:

  • Costo Persone: Stipendi di un team di 3-5+ persone (analisti, data scientist, ingegneri).

  • Costo MMM: Un progetto una tantum con un consulente può costare da 40k a 150k€. Un team e software interni rappresentano un costo ricorrente ben più alto.

La Domanda Cruciale: Dove Trovare le Competenze?

Avere un budget non serve a nulla senza le persone giuste. La realtà è che i talenti sono scarsi. Avete tre opzioni strategiche:

1. Costruire (Build): Formare persone promettenti già presenti in azienda.

   • Pro: Conoscono già il business, sono più fedeli.

   • Contro: Richiede molto tempo per sviluppare competenze avanzate.

2. Comprare (Buy): Assumere esperti dal mercato.

   • Pro: Velocità, si acquisiscono subito competenze di alto livello.

   • Contro: Estremamente costoso.

3. Prendere in Prestito (Borrow): Affidarsi a consulenti, freelance o agenzie specializzate.

   • Pro: Flessibilità, si accede a competenze specialistiche on-demand senza appesantire i costi fissi.

   • Contro: Meno integrazione con la cultura aziendale, costo ricorrente, la conoscenza non rimane interamente all'interno.

La scelta migliore è spesso un mix: usate consulenti esterni per avviare progetti complessi (come il primo MMM) mentre formate le vostre risorse interne.

Nel Prossimo Articolo: Da Test a Vantaggio Competitivo

Ora che avete un budget e una struttura (o un piano per arrivarci), come si trasforma questa capacità in un processo di apprendimento che genera vantaggio competitivo? Nell'ultimo articolo di questa serie, vi mostrerò come costruire una roadmap di sperimentazione annuale che allinei ogni test agli obiettivi di business.

Conclusione: Smettete di Chiedere il Permesso, Iniziate a Costruire

Questa guida vi mostra che non esiste una scusa per non iniziare. L'approccio alla misurazione causale è scalabile. Se avete poche risorse, partite dal Livello 1: scegliete una battaglia, vincetela con un singolo test di successo e usate quella vittoria per giustificare il passaggio al livello successivo. Non aspettate di avere il budget perfetto o il team ideale. Iniziate oggi a costruire la vostra capacità di misurare la verità. È l'investimento con il ROI più alto che possiate fare.

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

Il valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore reale

Data Visualization Tips & Tricks: What Not To Do!

Hai bisogno di supporto per al misurazione del successo delle tue campagne?
Contattami ora

I dati non parlano da soli e un report di un test non è un semplice "promosso" o "bocciato". È un pezzo di un puzzle complesso. Il vostro compito non è solo leggere un numero, ma capire la storia che racconta per prendere decisioni che impattano il budget.

Questa guida è un decodificatore per i quattro scenari più comuni, più uno bonus che molti ignorano. Vi mostrerò come trasformare ogni risultato, anche il peggiore, in un'azione intelligente.

Scenario A: Il Successo Netto (Lift Positivo e Significativo)

Cosa significa: I dati sono chiari. La campagna ha causato un aumento delle conversioni o delle metriche di brand. L'investimento ha prodotto valore incrementale.

La trappola: Aumentare il budget del 100% e sperare in un raddoppio dei risultati. Non funzionerà.

Framework d'Azione:

1. Scalare in Modo Controllato: Aumentate il budget della campagna del 20-30%, non di più. Lanciate una nuova misurazione e monitorate una metrica chiave: il Costo per Acquisizione Incrementale (iCPA). Se questo valore inizia a salire rapidamente, avete raggiunto il punto di saturazione e un ulteriore aumento di spesa sarebbe inefficiente.

2. Sezionare il Successo: I risultati positivi nascondono ottimizzazioni. Ponetevi domande precise e cercate le risposte nei report della piattaforma (se disponibili):

   • Quale specifica creatività ha generato più lift?

   • Quale segmento di pubblico ha risposto meglio?

   • Ci sono state differenze di performance tra posizionamenti (es. Stories vs. Feed)? Usate queste risposte per riallocare il budget all'interno della campagna, massimizzando l'efficienza.

3. Standardizzare la Tattica: Se il test era su una nuova strategia, il risultato la valida. Sistematizzatela e integratela nel vostro marketing mix di base.

Scenario B: Il Fallimento Chiaro (Lift Nullo o Negativo)

Cosa significa: La campagna non ha aggiunto valore. Nel peggiore dei casi (lift negativo), ha cannibalizzato altri canali. Avete sprecato soldi.

La trappola: Incolpare il team o l'agenzia.

Framework d'Azione:

1. Festeggiare la Scoperta: Avete appena dimostrato con dati certi che un'attività non funziona. Avete fermato uno spreco di budget. Questa è una vittoria per l'intelligenza aziendale, non un fallimento del team.

2. Tagliare la Spesa. Subito: Interrompete la campagna o riallocate il budget immediatamente. Ogni giorno di attesa è un costo.

3. Eseguire un'Analisi Post-Mortem (Checklist): Usate questo schema per capire il "perché" del fallimento:

   • L'Audience era Sbagliata? (Es. Stavamo parlando a clienti esistenti che avrebbero comprato comunque?).

   • La Creatività era Debole? (Es. Il messaggio non era chiaro o rilevante?).

   • L'Offerta era Inadeguata? (Es. Il prodotto/prezzo non era competitivo in quel momento?).

   • Il Canale era Inappropriato? (Es. Stiamo cercando di vendere un prodotto complesso con un annuncio su TikTok?). Questa analisi è cruciale per non ripetere l'errore.

4. Riallocare il Budget Risparmiato: Spostate le risorse su canali con lift incrementale provato o usatele per finanziare il prossimo test su un'ipotesi più solida.

Scenario C: La Zona Grigia (Risultato Non Statisticamente Significativo)

Cosa significa: È il risultato più comune. Vedete una piccola differenza tra i gruppi, ma il test vi dice che potrebbe essere puro caso. Il risultato è inconcludente.

La trappola: Dire "beh, è quasi positivo, continuiamo". No. Significa "non lo so".

Framework d'Azione:

1. Valutare la Potenza del Test: Chiedetevi se il test era abbastanza "potente" da rilevare un effetto. La potenza statistica è come la magnificazione di un microscopio: se è troppo bassa (a causa di budget o durata insufficienti), non riuscirete a vedere un effetto piccolo anche se esiste. Rivedete la checklist di fattibilità del primo articolo.

2. Applicare la Regola di Default: In assenza di un segnale chiaro, la decisione più sicura è considerare l'ipotesi "non provata". Non aumentate l'investimento. L'onere della prova era a carico della campagna, e ha fallito nel fornirla.

3. Rilanciare il Test su Larga Scala: Se l'ipotesi è strategica, l'unica via d'uscita è ripetere il test con più "potenza": budget più alto, durata maggiore, audience più ampia. Questo vi costringerà a ottenere un risultato definitivo, positivo o negativo che sia.

Scenario D: L'Effetto "Halo" (Brand Lift Alto, Conversion Lift Basso)

Cosa significa: Una campagna video ha aumentato la notorietà del brand, ma non ha generato vendite immediate.

La trappola: Valutarla con le stesse metriche di una campagna Google Search e bollarla come un fallimento.

Framework d'Azione:

1. Confrontare con l'Obiettivo Primario: Se lo scopo era il branding, il test è un successo. State misurando l'efficacia rispetto all'obiettivo corretto.

2. Quantificare l'Impatto a Lungo Termine: Questo è difficile, ma necessario. Ecco come iniziare a misurare l'impatto indiretto:

   • Analisi di Coorte: Tracciate il gruppo Test nel tempo. Mostra tassi di conversione più alti o un valore medio più alto nei 30-90 giorni successivi, anche su altri canali?

   • Misurare il Search Lift: Il Brand Lift ha generato un aumento dimostrabile delle ricerche organiche per il vostro brand? Questo è un effetto a cascata diretto e misurabile.

   • Usare Strumenti Avanzati: Questo tipo di impatto è il dominio dei Marketing Mix Model (MMM). Se il branding è al centro della vostra strategia, questi risultati sono la giustificazione perfetta per investire in un MMM che possa quantificare il valore a lungo termine del brand.

Scenario E (Bonus): Il Test Invalido o "Sporco"

Cosa significa: Qualcosa è andato storto a livello tecnico. I dati sono inaffidabili.

Come individuarlo: Picchi di dati totalmente anomali; tassi di conversione del gruppo di controllo irrealistici (es. 20% quando la media è 1%); errori segnalati dalla piattaforma.

Framework d'Azione:

1. NON Interpretare i Dati: La prima regola è non fidarsi. Qualsiasi conclusione sarebbe basata su spazzatura.

2. Indagare la Causa Tecnica: Lavorate con i team tecnici o i partner per un'analisi forense. Il problema era un pixel di tracciamento? Una configurazione errata dell'audience di controllo?

3. Invalidare e Ripianificare: L'unica azione è dichiarare il test nullo, risolvere il problema tecnico alla radice e pianificare un nuovo test da zero.

Nel Prossimo Articolo: Budgeting per la Verità

Ora che sappiamo come interpretare i risultati, sorge una domanda cruciale: come finanziamo questa ricerca della verità? Nel prossimo articolo, parlerò di soldi: come strutturare il budget per il vostro ecosistema di misurazione, allocando le risorse in modo strategico tra Attribuzione, Lift Test e altri strumenti per massimizzare l'intelligenza di marketing.

Conclusione: Il Costo della Non-Interpretazione

Interpretare i risultati di un lift test non è un esercizio accademico. È una disciplina con un impatto diretto sul conto economico. Sbagliare l'interpretazione ha un costo:

• Interpretare male un successo costa crescita mancata o budget bruciato oltre il punto di saturazione.

• Interpretare male un fallimento costa la perpetuazione dello spreco su attività inutili.

• Interpretare male la zona grigia costa immobilità strategica, paralizzati dall'incertezza.

• Interpretare male l'effetto halo costa la distruzione di asset a lungo termine, uccidendo campagne di branding vitali.

Ogni risultato, se letto correttamente, è un'indicazione chiara su dove allocare il prossimo euro.

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

Il valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore reale

James & James Is Using MMM To Keep Its AI-Based Ad Buying ‘Honest’

La soluzione per distinguere la correlazione dalla causalità è l'adozione di una metodologia scientifica: il Lift Test (o Test di Incrementalità). Questo approccio permette di misurare l'impatto causale e incrementale delle attività di marketing confrontando un gruppo esposto alla campagna (Test) con uno non esposto (Controllo).

Molti conoscono la teoria, ma esitano di fronte alla pratica. Questa guida è il vostro manuale operativo per colmare questo divario. Vi accompagnerò passo dopo passo nel processo di pianificazione ed esecuzione del vostro primo lift test, trasformando la conoscenza in un'azione concreta e misurabile. Seguirò un framework pratico in quattro fasi, pensato per allineare Marketing e Finanza e garantire che il vostro primo test non sia solo un esercizio analitico, ma una vera leva decisionale.

Fase 1: La Riunione di Allineamento (Marketing + Finance) - Definire la Domanda Strategica

Il punto di partenza di ogni lift test di successo non è una piattaforma, ma una domanda di business chiara e condivisa. Il primo passo è una riunione dedicata che veda seduti allo stesso tavolo i leader del Marketing (CMO) e della Finanza (CFO).

Obiettivo dell'incontro: Andare oltre le metriche operative e concordare quale decisione strategica il test deve verificare. L'alleanza tra CMO e CFO è cruciale: unisce l'esigenza di crescita del marketing con il rigore finanziario, creando un linguaggio comune basato sulla causalità e su metriche come il ROI incrementale.

Agenda Pratica della Riunione:

1. Identificare l'Incertezza: Qual è l'area di spesa marketing su cui abbiamo più dubbi o che pesa di più a budget?

   • Esempio: "Stiamo investendo 2 milioni di euro all'anno su campagne video, ma non siamo sicuri del loro reale contributo alle vendite".

2. Formulare un'Ipotesi Specifica: Trasformate il dubbio in un'ipotesi da validare o confutare.

   • Esempio: "Crediamo che le nostre campagne su YouTube stiano generando un aumento incrementale delle vendite e non stiano semplicemente raggiungendo utenti che avrebbero comprato comunque".

3. Scegliere la Campagna da Testare: Selezionate una campagna specifica che sia rappresentativa dell'investimento e sufficientemente grande da poter essere misurata.

   • Esempio: "Testiamo la prossima campagna video Q3 su Meta, che ha un budget dedicato di 80.000 €".

4. Definire la Decisione Conseguente: Cosa faremo con i risultati? Concordare questo prima del test previene interpretazioni di comodo a posteriori.

   • Esempio: "Se il test mostrerà un lift positivo e significativo, confermeremo il budget per il Q4. Se il lift sarà nullo o negativo, dirotteremo il 50% di quel budget sul canale Search, che ha già dimostrato la sua efficacia".

Output della Fase 1: Un documento di una pagina con la domanda di business, l'ipotesi chiara, la campagna selezionata e le azioni che verranno intraprese a seconda dell'esito.

Fase 2: La Scelta del Test e del KPI - L'Albero Decisionale

Con una domanda strategica chiara, dovete scegliere lo strumento di misurazione corretto. Non tutti i lift test sono uguali. La scelta dipende dall'obiettivo primario della campagna che state analizzando.

Usate questo semplice albero decisionale per selezionare il test più adatto:

• Il vostro obiettivo primario è costruire il brand? (Migliorare notorietà, ricordo pubblicitario, considerazione, preferenza).

  • ➡️ Test da scegliere: Brand Lift.

  • KPI da misurare: Aumento percentuale del ricordo dell'annuncio (Ad Recall), della considerazione del brand o dell'intenzione d'acquisto, misurato tramite sondaggi.

• Il vostro obiettivo primario è generare un'azione di valore economico diretto? (Vendite, lead, iscrizioni, download).

  • ➡️ Test da scegliere: Conversion Lift (o Sales Lift).

  • KPI da misurare: Numero di vendite o lead incrementali; Costo per Acquisizione (CPA) Incrementale; Ritorno sulla Spesa Pubblicitaria (ROAS) Incrementale.

• Il vostro obiettivo è capire se un canale "upper-funnel" (es. Video, TV) influenza l'interesse attivo degli utenti?.

  • ➡️ Test da scegliere: Search Lift.

  • KPI da misurare: Aumento percentuale delle ricerche (organiche o a pagamento) del vostro brand o di parole chiave di categoria da parte del gruppo esposto alla campagna.

Questa scelta assicura che stiate misurando ciò che conta davvero per rispondere alla vostra domanda iniziale.

Fase 3: Il Controllo di Fattibilità - La Checklist della Realtà

Avete una domanda e avete scelto il test. Ora dovete assicurarvi che sia concretamente realizzabile. Un test senza validità statistica è inutile. Usate questa checklist per un controllo di fattibilità.

Checklist di Validità Statistica:

• ☐ Budget e Durata: L'investimento e l'orizzonte temporale della campagna sono sufficienti?. Le piattaforme come Google e Meta richiedono soglie minime di spesa e durata (spesso diverse settimane) per garantire che il "segnale" del lift emerga dal "rumore" statistico. A seconda della piattaforma e della scala, le soglie minime di spesa possono variare da poche migliaia a decine di migliaia di euro; è un dato cruciale da verificare.

• ☐ Volume di Dati (Impression / Utenti): La campagna raggiungerà un numero sufficientemente ampio di persone? Campagne su nicchie di pubblico troppo piccole potrebbero non generare dati sufficienti per un'analisi affidabile.

• ☐ Volume di Conversioni Attese: (Per i Conversion Lift) Ci aspettiamo un numero adeguato di conversioni durante il periodo del test? Se il tasso di conversione è molto basso, potrebbe essere necessario un periodo di test più lungo per raccogliere un numero di eventi significativo.

• ☐ Disponibilità della Piattaforma: La funzionalità di lift test che vi serve (Brand, Conversion, Search) è disponibile per il vostro account, nel vostro mercato e per il tipo di campagna scelto sulla piattaforma pubblicitaria (es. Google Ads, Meta Ads)?.

Se la risposta a una di queste domande è "no" o "non siamo sicuri", il rischio di lanciare un test inconcludente è alto. Ricordate che questo processo può essere iterativo: un "no" in questa fase potrebbe richiedere di tornare alla Fase 1 per ridefinire l'ipotesi o la campagna da testare.

Fase 4: L'Azione - Dialogo con i Partner e Lancio

Siete pronti a partire. Gli ultimi passi sono operativi, ma non meno importanti.

1. Dialogate con i Partner: Questo è un passo fondamentale. Contattate i vostri account manager di Google, Meta o della piattaforma che utilizzerete. Coinvolgete la vostra agenzia media. Sono loro gli esperti dello strumento specifico. Questo passaggio, sebbene presentato come un singolo punto, può richiedere tempo e diversi incontri: avviatelo con anticipo. Chiedete supporto per:

   • Confermare i requisiti di fattibilità.

   • Assistervi nella corretta configurazione tecnica del test.

   • Aiutarvi a interpretare correttamente i risultati una volta concluso il test.

2. Lanciare il Test: Avviate la campagna con la configurazione del lift test attiva.

3. Analizzare e Agire: Una volta concluso il test, analizzate i risultati alla luce delle regole che avete stabilito nella Fase 1. Il lift è positivo e statisticamente significativo? È nullo? Mettete in atto le decisioni concordate.

Il Vostro Primo Passo Verso una Crescita Basata sull'Evidenza

Pianificare ed eseguire il vostro primo lift test è più di un semplice esercizio di misurazione; è il primo passo verso una trasformazione culturale che porta a prendere decisioni più intelligenti e a investire con maggiore fiducia. Non lasciate che la perfezione sia nemica del progresso. Iniziate con una domanda chiara, un test mirato e l'impegno a usare i risultati per migliorare. Questo è il modo per costruire un motore di crescita non basato su correlazioni, ma sull'impatto causale reale.

Nel Prossimo Articolo: Risultati Arrivati. E Adesso?

Lanciare il vostro primo test è un passo fondamentale, ma la vera sfida inizia quando arrivano i dati. Cosa significa un risultato "statisticamente non significativo"? Come si agisce di fronte a un lift nullo? E come si scala un successo?

Nel prossimo appuntamento di questa serie, affronterò proprio queste domande. Vi fornirò una guida pratica per interpretare i diversi scenari di risultato – dal successo netto alla zona grigia dell'incertezza – per trasformare ogni dato in una decisione di business informata.

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

Il valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore reale

Analyzing the CEO–CMO relationship and its effect on growth

Nei capitoli precedenti abbiamo navigato le complessità del Marketing Mix Model: dalla distinzione fondamentale tra correlazione e causalità, agli errori comuni da evitare, fino a cosa pretendere per ottenere analisi più robuste. Ora sappiamo che un MMM ben costruito può fornire stime preziose per orientare la strategia, basandosi sull'analisi del passato. Ma come possiamo tradurre queste stime, per quanto raffinate, in decisioni operative sicure oggi, focalizzate sulla crescita reale e misurabile? Come passiamo dall'analisi all'azione con fiducia?

L'MMM Non Vive nel Vuoto: Il Potere della Validazione

Il primo passo è riconoscere che l'MMM, per quanto sofisticato, è solo una lente sulla realtà. Basare decisioni importanti esclusivamente sulle sue stime, senza confrontarle con altre fonti, è un rischio strategico. Le stime del modello devono essere validate. Cosa significa?

Significa confrontare le indicazioni dell'MMM con altre evidenze:

• I risultati dei vostri esperimenti e test A/B coincidono o contraddicono le stime del modello per quel canale?

• Le ricerche di mercato confermano le tendenze indicate?

• Il feedback qualitativo dei team di vendita o del customer service è allineato?

• Le performance storiche di campagne simili in passato suggeriscono la stessa direzione?

Un MMM le cui conclusioni sono grossolanamente smentite da altre fonti attendibili è un campanello d'allarme che non potete ignorare. Vi fidereste di una sola fonte di intelligence per una decisione critica di business in altri ambiti? Probabilmente no. Lo stesso vale per la misurazione del marketing.

Il Ruolo Cruciale dei Test (Lift Test): La Prova della Causalità

Se l'MMM stima la causalità analizzando correlazioni passate, esiste un modo per misurarla direttamente? Sì, attraverso la sperimentazione controllata. I Lift Test (o test di incrementalità) sono l'applicazione del metodo scientifico al marketing.

Il concetto è semplice:

1. Si definisce un'azione di marketing specifica da testare (es. una campagna display su un certo segmento).

2. Si divide il pubblico target in due gruppi statisticamente equivalenti: uno esposto all'azione (gruppo di test) e uno non esposto (gruppo di controllo).

3. Si misura il comportamento desiderato (es. acquisti, lead, ricerche del brand) in entrambi i gruppi per un periodo definito.

4. La differenza nel comportamento tra il gruppo di test e quello di controllo rappresenta l'impatto causale (il "lift") dell'azione di marketing.

Questi test sono la "prova del nove", il modo più rigoroso per rispondere alla domanda: "Questa specifica attività ha causato un cambiamento nel comportamento dei consumatori?".

MMM + Test = Visione Strategica + Prova Tattica

È fondamentale capire che MMM e Test non sono alternativi, ma complementari. Lavorano su scale e con obiettivi diversi, ma insieme forniscono una visione molto più potente:

• L'MMM offre la visione d'insieme (la foresta): Analizza l'intero marketing mix nel tempo, aiuta a comprendere le dinamiche tra canali diversi, supporta l'allocazione strategica del budget su larga scala.

• I Test offrono la prova tattica (gli alberi): Validano l'impatto causale di specifiche iniziative, campagne o modifiche, fornendo una misura precisa dell'efficacia di una leva particolare in un dato momento.

Idealmente, i risultati dei Lift Test dovrebbero essere usati per calibrare e affinare le stime dell'MMM nel tempo. Se un test dimostra che l'impatto reale della vostra campagna display è inferiore a quanto stimato dall'MMM, questa informazione può rendere il modello futuro più accurato. Si crea così un circolo virtuoso di apprendimento. (Esempi di cosa si può misurare con i test includono Conversion Lift, Search Lift, Brand Lift, ecc. - approfondiremo le metodologie in futuro).

La Metrica Regina: l'Incrementalità

Tutto questo ci porta al concetto chiave che dovrebbe guidare la vostra strategia di misurazione: l'incrementalità. Cosa significa esattamente?

Incrementalità = L'impatto aggiuntivo generato da un'attività di marketing, al netto di ciò che sarebbe accaduto comunque.

In altre parole: quante vendite, lead, conversioni o altri risultati di business avete ottenuto grazie a quella specifica campagna o attività, che non avreste ottenuto se non l'aveste realizzata?

Questo è il vero contributo del marketing alla crescita del business. L'MMM stima l'incrementalità passata basandosi su modelli statistici; i Lift Test la misurano direttamente per azioni specifiche, fornendo una base più solida per le decisioni future.

Guidare il Cambiamento verso un Marketing Basato sull'Incrementalità

Adottare un approccio focalizzato sull'incrementalità non è solo una questione tecnica, ma un cambiamento culturale e strategico. Come leader, potete guidare questa trasformazione:

• Promuovendo il Mindset: Incoraggiate i vostri team a chiedersi non solo "questa campagna ha funzionato?", ma "quale valore aggiunto ha portato questa campagna?".

• Nei Processi di Budgeting: Allocare le risorse non solo in base al ROI storico stimato, ma anche in base al potenziale di lift incrementale validato dai test.

• Nella Definizione degli Obiettivi: Includere metriche di incrementalità nei KPI chiave.

• Nella Valutazione delle Performance: Premiare team e agenzie che dimostrano di saper generare un impatto incrementale misurabile, non solo quelli che gestiscono grandi budget o ottengono metriche di vanità elevate. Stiamo incentivando i nostri team e partner a massimizzare l'incrementalità o solo a gestire budget e campagne?

Siamo giunti alla fine di questo percorso iniziale nel mondo del Marketing Mix Modeling. Abbiamo visto come distinguere la correlazione dalla causalità sia fondamentale, come navigare i rischi di un MMM non gestito criticamente, cosa pretendere per analisi più affidabili e, infine, come l'MMM debba integrarsi in un ecosistema più ampio di validazione e misurazione focalizzato sull'incrementalità.

L'MMM rimane uno strumento strategico potente, ma solo se usato con consapevolezza dei suoi limiti, validato costantemente attraverso la sperimentazione e orientato a misurare ciò che conta davvero: l'impatto causale aggiuntivo sul vostro business.

Questa serie ha gettato le basi. Ma come si implementano e interpretano efficacemente i Lift Test? Come si costruisce un framework robusto per la misurazione dell'incrementalità nella pratica? Esploreremo queste domande operative nella nostra prossima serie.

Prima di lasciarvi, una domanda guida finale per la vostra riflessione strategica:

"Il nostro attuale processo di budgeting e valutazione delle performance marketing è realmente basato sull'identificazione e sulla massimizzazione dell'incrementalità?"

Link Utili

Demystified MMM: Una Guida Essenziale per CMO e CFO

CRO in 2025: How AI, personalization, and micro-conversions are changing the game

Negli articoli precedenti abbiamo visto la differenza cruciale tra correlazione e causalità e i rischi concreti di un'analisi MMM imprecisa o mal interpretata – dal budget sprecato alle decisioni strategiche errate. La buona notizia? Potete influenzare significativamente la qualità e l'affidabilità di queste analisi.

Non dovete diventare esperti di econometria o statistica. Il vostro ruolo è diverso: evolvere da semplici committenti a partner strategici informati ed esigenti nel processo di modeling. Come? Sapendo cosa chiedere, cosa pretendere e quali sono gli elementi che distinguono un'analisi MMM superficiale da una realmente utile per guidare il business. Vediamo i punti chiave.

Il Vostro Input è Fondamentale: L'Importanza del Contesto di Business

Un errore comune è pensare che l'MMM sia un processo puramente tecnico che parte dai dati grezzi. Niente di più sbagliato. Un modello efficace non può nascere nel vuoto; deve essere radicato nella vostra realtà operativa e strategica.

Il vostro input, la vostra conoscenza del mercato e le vostre ipotesi di business sono fondamentali prima ancora che l'analisi inizi. Pensate che un modello possa funzionare senza sapere:

• Quali sono state le vostre priorità strategiche in passato?

• Ci sono stati lanci di prodotto importanti, cambi di prezzo o modifiche alla distribuzione?

• Quali grandi campagne o azioni dei competitor avete osservato?

Fornire questo contesto è come dare le coordinate giuste a un navigatore prima di partire. Senza di esso, il modello rischia di interpretare male i segnali nei dati.

• Cosa pretendere: Assicuratevi che ci sia una fase preliminare di allineamento strategico in cui condividete ipotesi, eventi chiave e obiettivi con chi realizzerà l'analisi. Il modello deve riflettere il vostro business, non essere un esercizio statistico astratto.

Come l'MMM Cerca di Isolare l'Impatto (Spiegazione Semplice)

Abbiamo detto che l'MMM tenta di stimare la causalità. Ma come ci prova, in termini semplici? Usa tecniche statistiche per "controllare" l'effetto delle diverse variabili. Immaginate che voglia stimare l'impatto della spesa TV sulle vendite. Il modello cercherà di farlo tenendo conto statisticamente dell'effetto concomitante di altri fattori noti, come:

• La stagionalità (es. il picco natalizio).

• Le promozioni attive nello stesso periodo.

• La spesa pubblicitaria dei competitor (se disponibile).

• Eventuali trend di mercato generali.

È un tentativo di "pulire" il segnale della vostra attività dal "rumore" di fondo, basandosi sui pattern e le correlazioni osservate nei dati storici.

• I Limiti Chiave: Capire questo processo aiuta anche a comprenderne i limiti.

  1. Il modello può controllare solo ciò che misura. Se un fattore importante non è nei dati (es. un passaparola virale improvviso), il suo effetto potrebbe essere attribuito erroneamente a qualcos'altro.

  2. Le relazioni osservate nel passato potrebbero non valere in futuro. Il mercato si evolve, i consumatori cambiano, no? Un MMM è una fotografia del passato, non una previsione certa.

La Qualità e Completezza dei Dati è Strategica

Questo ci riporta a un punto cruciale già sfiorato: la qualità dei dati non è un dettaglio tecnico, è un prerequisito strategico. Ricordate l'Errore #3: "Garbage In, Garbage Out". Potete avere il modello statisticamente più avanzato del mondo, ma se si basa su dati scadenti, i risultati saranno inaffidabili.

Non bastano i dati di investimento marketing. Per funzionare bene, un MMM ha bisogno di un quadro informativo ricco:

• Vendite: Accurate, alla giusta granularità (settimanale? giornaliera?) e distinte (volume/valore).

• Prezzi: Storico delle vostre variazioni di prezzo e, se possibile, di quelle dei competitor.

• Distribuzione: Cambiamenti nella copertura geografica o nei canali di vendita.

• Attività dei Competitor: Stime della loro spesa media, lanci importanti.

• Investimenti Marketing Completi: Online e offline, tracciati correttamente.

• Fattori Macro: Indicatori economici rilevanti, eventi particolari.

• Cosa pretendere: Trattate la raccolta e la validazione dei dati come un'attività strategica. Chiedete al vostro team/agenzia: "Come è stata verificata la qualità e la completezza di questi dati? Quali fonti sono state utilizzate?". Investire in dati migliori è investire in decisioni migliori.

Oltre il Singolo Numero (ROI): Valutare la Robustezza del Modello

Spesso l'output principale di un MMM è una serie di ROI per canale. Ma fermarsi qui è riduttivo e potenzialmente fuorviante. Un singolo numero non dice tutta la storia. Per valutare la reale affidabilità delle stime, dovete pretendere di più:

• Stabilità: I risultati cambiano drasticamente se si modifica leggermente il periodo di analisi (es. togliendo le ultime 4 settimane)? Risultati molto instabili indicano un modello poco affidabile.

• Plausibilità (Business Sense): I risultati hanno senso rispetto alla vostra esperienza di mercato? Se un canale storicamente secondario ottiene un ROI esorbitante o un canale chiave risulta dannoso, bisogna capire perché. Il modello sfida la logica o la vostra logica ha bisogno di un aggiornamento basato sui dati? Serve approfondire.

• Intervalli di Confidenza (Range di Incertezza): Nessuna stima statistica è perfetta. Chiedete qual è il margine di errore o l'intervallo di confidenza attorno al ROI stimato. Un ROI del 150% è impressionante, ma se l'intervallo di confidenza va da -50% a +350%, significa che il modello è molto incerto su quel numero. Meno incertezza (un intervallo più stretto) significa maggiore affidabilità.

• Diagnostica del Modello (Controllo Qualità): Senza entrare nei tecnicismi, chiedete conferma che siano stati eseguiti i controlli standard per verificare la "salute statistica" del modello. È una forma di due diligence interna.

Takeaway per il Leader & Checklist di Domande Essenziali

Chiedere queste cose non vi trasforma in statistici, ma in committenti strategici che pretendono trasparenza e rigore. Il vostro obiettivo è capire se potete fidarvi delle indicazioni del modello per prendere decisioni importanti.

Ecco una checklist di domande essenziali da porre al vostro team o agenzia quando discutete i risultati di un MMM:

• "Quali ipotesi di business chiave sono state inserite nel modello prima di avviarlo?"

• "Quali dati esterni (competitor, macroeconomici, ecc.) state utilizzando e come ne avete validato l'accuratezza?"

• "Come è stata assicurata la qualità e la completezza dei nostri dati interni (vendite, investimenti, prezzi)?"

• "Quanto sono stabili questi risultati? Avete provato a variare leggermente il periodo di analisi?"

• "Qual è il margine di incertezza (es. intervallo di confidenza) attorno a queste stime di ROI? Possiamo ritenerle affidabili?"

• "Avete eseguito i controlli diagnostici standard per validare la robustezza statistica del modello?"

Queste domande vi aiuteranno a "illuminare" la black box e a costruire maggiore fiducia (o a identificare aree critiche) nei risultati che vi vengono presentati.

Ma anche un MMM robusto e ben costruito si basa su dati passati. Come possiamo essere sicuri che le sue indicazioni siano valide oggi e misurare l'impatto reale delle nostre azioni future? Ne parleremo nell'ultimo articolo, introducendo la validazione esterna e il concetto chiave di incrementalità.

Link Utili

Demystified MMM: Una guida essenziale per CMO e CFO

Google annuncia le certificazioni per non tecnici sulla Generative AI

Nel precedente articolo, abbiamo stabilito una verità fondamentale: confondere correlazione e causalità può costare caro. Abbiamo visto come il Marketing Mix Modeling (MMM) sia un tentativo sofisticato di stimare proprio quella causalità, analizzando dati storici per isolare l'impatto delle vostre iniziative.

Ma, come ogni strumento potente, l'MMM non è una sfera di cristallo. La sua efficacia dipende crucialmente da come viene costruito, alimentato e, soprattutto, interpretato. Utilizzato senza la dovuta attenzione critica, può trasformarsi da alleato strategico a fonte di decisioni errate, mettendo a rischio budget, strategie e risultati.

Quali sono, dunque, le trappole più comuni in cui potreste cadere? Vediamo insieme i quattro errori principali che, come leader, dovete saper riconoscere per proteggere i vostri investimenti.

Errore #1: La Nebbia della Stagionalità e dei Trend - L'Effetto "Ovvio" Attribuito al Marketing

Il vostro business ha cicli naturali? Le vendite aumentano sempre a Natale o durante i saldi estivi? L'MMM dovrebbe tenere conto di questi andamenti prevedibili. Tuttavia, se la modellazione della stagionalità o dei trend di mercato non è accurata, il rischio è enorme: attribuire alle vostre campagne di marketing un successo (o un insuccesso) che in realtà dipende da fattori esterni ciclici.

L'Impatto sul Business: Vi ritrovate con stime di ROI gonfiate per campagne attive durante i picchi stagionali. La conseguenza? Potreste decidere di aumentare gli investimenti proprio quando le vendite sarebbero cresciute comunque, sprecando budget prezioso. State davvero guidando la crescita o state solo pagando di più per seguire l'onda? Un MMM che non isola correttamente questi fattori vi fornisce una mappa distorta della realtà.

Errore #2: Il Merito Attribuito al Canale Sbagliato - Le Variabili "Dimenticate"

L'MMM può analizzare solo i dati che gli vengono forniti. Ma cosa succede se fattori cruciali vengono omessi? Pensate a:

• Un'aggressiva campagna promozionale lanciata da un competitor.

• Un cambiamento improvviso nel sentiment del consumatore dovuto a fattori economici.

• Una modifica significativa al vostro prodotto o alla vostra politica di prezzo non inclusa come variabile specifica nel modello.

• L'impatto di attività di PR o eventi offline non tracciati quantitativamente.

Se questi elementi non sono nel modello, il loro impatto sulle vendite verrà erroneamente attribuito ai canali di marketing che sono stati inclusi.

L'Impatto sul Business: Potreste credere che un canale stia sovraperformando (quando in realtà beneficia dell'azione di un competitor in difficoltà) o sottoperformando (quando è penalizzato da un fattore esterno negativo). Il risultato? Decisioni errate su dove investire o tagliare, basate su una visione incompleta delle vere dinamiche di mercato. Siete sicuri che la performance di quel canale dipenda solo dalle vostre azioni?

Errore #3: Dati Zoppi, Analisi Invalide - Il Principio "Garbage In, Garbage Out"

Questo punto è quasi banale, ma incredibilmente critico. La sofisticazione del modello MMM è inutile se i dati di input sono scadenti. Parliamo di:

• Dati di vendita inaccurati o incompleti.

• Investimenti marketing non tracciati correttamente (specialmente per canali offline o nuovi).

• Granularità temporale errata (es. dati di vendita settimanali usati per ottimizzare campagne con fluttuazioni giornaliere).

• Stime approssimative o mancanti delle attività dei competitor.

L'Impatto sul Business: L'intero modello perde di significato. Le stime di ROI diventano inaffidabili, le raccomandazioni strategiche sono costruite su fondamenta fragili. È come costruire un grattacielo su fondamenta di sabbia. Avete piena fiducia nella qualità, completezza e granularità dei dati che alimentano il vostro MMM? Se la risposta non è un "sì" convinto, i risultati sono a rischio.

Errore #4: Il Tecnicismo Vince sul "Business Sense" - Quando i Numeri Sfidano la Logica

A volte, un modello può essere statisticamente "robusto" – i numeri tornano, i test statistici sono positivi – ma i risultati sfidano palesemente la vostra esperienza e conoscenza del mercato. Ad esempio:

• Il modello suggerisce un ROI negativo per un canale che storicamente è sempre stato fondamentale.

• Attribuisce un impatto enorme a una campagna minore o a un canale con copertura limitata.

• Indica che aumentare i prezzi ha un forte effetto positivo sulle vendite (oltre un certo limite, è raro!).

Questo può accadere per vari motivi tecnici (overfitting, multicollinearità, ecc.), ma il punto chiave per voi è: non ignorate il vostro intuito e la vostra conoscenza del business.

L'Impatto sul Business: Il rischio è implementare strategie controintuitive e potenzialmente dannose solo perché "lo dice il modello". La statistica è un supporto alle decisioni, non un sostituto del ragionamento strategico. Questo risultato ha senso alla luce di tutto ciò che sapete del vostro business e del vostro mercato?

Quantificare il Rischio Strategico: Oltre il Budget Sprecato

Gli errori nell'MMM non si limitano a bruciare budget su campagne inefficaci. Il rischio strategico è molto più ampio:

• Opportunità Mancate: Non investire su canali realmente efficaci perché sottostimati dal modello.

• Valutazioni Errate: Giudicare le performance di team interni o agenzie sulla base di dati distorti.

• Decisioni di Portafoglio Errate: Basare scelte su quali prodotti spingere o ritirare su stime di marketing ROI inaffidabili.

• Perdita di Credibilità: Decisioni palesemente sbagliate possono minare la fiducia nella funzione marketing.

Takeaway per il Leader & Le Domande Chiave da Porre

Come leader, il vostro ruolo non è diventare esperti di econometria, ma essere i custodi del "business sense". Sfidate i risultati, ponete domande scomode, non accettate i numeri come verità assoluta. Il vostro scetticismo informato è la migliore polizza assicurativa contro decisioni costose.

Quando vi presentano i risultati di un MMM, ecco alcune domande essenziali da porre al vostro team o agenzia:

• "Quali fattori esterni (competitor, economia, eventi specifici) sono stati inclusi nel modello? Quali sono stati esclusi e perché?"

• "Quanto siete sicuri della qualità, completezza e accuratezza dei dati di input utilizzati?"

• "Questi risultati hanno senso alla luce di ciò che osserviamo sul mercato, delle nostre iniziative passate e del nostro storico?"

Queste domande vi aiuteranno a valutare la reale affidabilità delle analisi e a guidare il processo verso risultati più solidi e strategicamente utili.

Ma come possiamo assicurarci che l'MMM venga costruito e utilizzato in modo più robusto fin dall'inizio? Nel prossimo articolo, esploreremo cosa pretendere per ottenere stime di impatto credibili

Link Utili

Trasforma la Spesa Marketing in Profitto: La Guida MMM per CMO e CFO

Understand why your metrics moved with contribution analysis in BigQuery ML, now GA

Introduzione: La Sfida del CMO Moderno

Come leader del marketing, conoscete bene la pressione: giustificare ogni euro investito, dimostrare un ROI tangibile, allocare budget limitati con la massima efficacia. Quante volte vi siete chiesti se quel picco di vendite fosse davvero merito della campagna appena lanciata, o se altri fattori stessero giocando un ruolo nascosto?

In questo scenario complesso, il Marketing Mix Modeling (MMM) si presenta come uno strumento potente, quasi una promessa: quella di svelare finalmente l'impatto reale delle vostre diverse attività. Ma prima di affidare decisioni strategiche e budget importanti ai suoi risultati, c'è un concetto fondamentale da padroneggiare, una distinzione critica che può fare la differenza tra successo e spreco: quella tra correlazione e causalità. Sottovalutarla non è un dettaglio tecnico, è un rischio concreto per il bilancio.

La Trappola della Correlazione: Quando le Cose (Apparentemente) si Muovono Insieme

La correlazione, in fondo, è semplice: indica solo che due cose tendono a muoversi insieme. Se una sale, sale anche l'altra (correlazione positiva); se una sale, l'altra scende (correlazione negativa).

• Esempio fuori dal marketing: Pensate alle vendite di gelati e a quelle di occhiali da sole in estate. Aumentano entrambe, sono chiaramente correlate. Ma comprereste mai occhiali perché avete mangiato un gelato? Ovviamente no. È il sole, il caldo, a spingere entrambe le vendite. La correlazione c'è, ma manca il legame diretto causa-effetto.

• Esempio nel marketing: Lanciate una nuova campagna social, magari costosa. Nello stesso periodo, le vendite crescono del 15%. Tentazione forte, vero? Quella di attribuire tutto il merito alla campagna. Ma siamo sicuri? E se nello stesso periodo:

  • Fosse iniziata l'alta stagione per il vostro prodotto?

  • Un vostro competitor avesse avuto problemi di distribuzione?

  • Fosse attiva una promozione offline di cui non avete traccia nei dati della campagna?

Ecco il punto: la campagna social e le vendite sono correlate (avvengono insieme), ma questo, da solo, non dimostra che la prima abbia causato le seconde. Come distinguere l'effetto reale della vostra campagna dal semplice "rumore di fondo" del mercato?

Il Sacro Graal: La Causalità - Capire Cosa Funziona Davvero

Ecco dove entra in gioco la causalità. È lei il vero obiettivo, il "Sacro Graal" per ogni marketer strategico. Causalità significa poter affermare con ragionevole certezza che una specifica azione (la causa) ha direttamente provocato un determinato risultato (l'effetto). Non si tratta più di osservare eventi concomitanti, ma di identificare le leve che realmente spostano i risultati.

• Perché è il vostro obiettivo strategico? Perché solo la comprensione della causalità vi permette di calcolare il vero ROI. Non sarebbe ideale sapere con certezza quali canali, quali messaggi, quali offerte causano un aumento misurabile delle vendite o dei lead? Questo vi darebbe il potere di:

  • Allocare il budget con precisione chirurgica: Investire di più dove serve, tagliare dove non c'è impatto reale.

  • Ottimizzare proattivamente: Modificare le campagne in corso sapendo quali elementi cambiare per migliorarne l'efficacia.

  • Difendere le vostre scelte: Giustificare gli investimenti con dati solidi che vanno oltre la semplice coincidenza temporale.

L'obiettivo non è fare belle presentazioni con grafici che salgono insieme, ma guidare la crescita del business sapendo cosa la sta generando.

Perché Confonderle Costa Caro: L'Impatto Reale sul Vostro Budget

Prendere decisioni basandosi solo sulla correlazione è una delle strade più rapide per sprecare risorse preziose.

• Scenario 1: Investire nell'illusione. Torniamo alla campagna social. Se, accecati dalla correlazione temporale, decidete di raddoppiare l'investimento senza prove di causalità, cosa succede se le vendite erano spinte dalla stagionalità? Avrete semplicemente speso di più per accompagnare un'onda che ci sarebbe stata comunque. Budget sprecato.

• Scenario 2: Tagliare ciò che (forse) funziona. Immaginate un calo delle vendite dopo il lancio di un nuovo prodotto che cannibalizza i vecchi. Nello stesso periodo, era attiva una campagna Radio. Vedendo la correlazione negativa (spesa Radio alta, vendite totali in calo), potreste essere tentati di tagliare la Radio. Ma siete sicuri che la Radio non stesse continuando a generare valore sul suo target specifico, e che il calo fosse dovuto solo alla dinamica interna dei prodotti? Rischiereste di tagliare un motore di crescita solo perché un'altra parte dell'auto ha avuto un problema.

Questi errori, sommati nel tempo, non sono solo sprechi economici. Significano opportunità mancate, valutazioni errate delle performance di team e agenzie, e decisioni strategiche basate su fondamenta fragili.

L'MMM Entra in Scena: Un Alleato Potente (ma non Onnisciente)

È proprio per districare questa complessità che nasce il Marketing Mix Modeling. L'MMM usa tecniche statistiche avanzate per analizzare serie storiche di dati (vendite, investimenti, prezzi, promozioni, dati esterni come meteo o azioni dei competitor) e tentare di stimare l'impatto causale di ogni leva.

È come se l'MMM cercasse di "ripulire" i dati dall'influenza della stagionalità o delle mosse dei vostri concorrenti, per isolare l'effetto della vostra campagna TV o del vostro investimento nel digital. È un passo cruciale per avvicinarsi alla causalità partendo dalle correlazioni osservate.

Ma attenzione: l'MMM lavora su dati passati e sulle relazioni che ha potuto osservare e misurare in quel periodo. Non è una sfera di cristallo. Fornisce stime potenti, indicazioni strategiche preziose, ma non certezze assolute sulla causalità. È un alleato fondamentale nel percorso verso la comprensione causale, non la destinazione finale. Nei prossimi articoli vedremo come interpretarlo al meglio e quali sono i suoi limiti.

Takeaway per Voi Leader & La Domanda Chiave da Porre

La vostra sfida, quindi, non è diventare statistici, ma sviluppare un sano scetticismo informato. Imparare a distinguere una semplice coincidenza da un reale effetto causale è la base per un marketing che genera valore dimostrabile.

Da dove iniziare? Dalla prossima volta che il vostro team o la vostra agenzia vi presenta un'analisi di performance o una proposta di investimento, fermatevi un momento e ponete questa domanda cruciale:

"Ok, i dati mostrano che queste due cose sono successe insieme. Ma siamo ragionevolmente sicuri che la nostra azione abbia causato questo risultato? Quali altri fattori potrebbero aver contribuito e come ne abbiamo tenuto conto?"

Questa domanda apre la porta a una discussione più profonda e strategica. È il primo passo per assicurarvi che ogni euro del vostro budget lavori davvero per far crescere il business.

Nel prossimo articolo, scenderemo nel dettaglio: quali sono gli errori più comuni nell'uso dell'MMM che possono portarvi fuori strada, mettendo a rischio budget e strategia?