Google Meridian e Meta Robyn sono entrambi pacchetti open source gratuiti di marketing mix modeling (MMM), ma si adattano a team diversi. Meridian è il modello bayesiano di Google in Python, pensato per dati a livello geografico e per la calibrazione con esperimenti; la versione 2.2.0 è uscita il 5 novembre 2026. Robyn è il pacchetto R di Meta che adatta regressioni ridge e le ottimizza con una ricerca evolutiva; la sua ultima release su CRAN, la 3.12.1, risale a luglio 2025.
Uno strumento MMM ospitato è un servizio a pagamento che esegue per te un modello come questi, con connettori ai dati, un’interfaccia e assistenza. La scelta dipende meno dall’algoritmo che da chi sarà responsabile del modello: un data scientist Python, un analista R o nessuno nel tuo team.
Questa guida confronta Meridian, Robyn e PyMC-Marketing, la terza seria opzione open source, con cinque strumenti ospitati, compreso il nostro. Ogni dato sugli strumenti è stato verificato sulle pagine del progetto o del fornitore a novembre 2026. Per capire cos’è l’MMM e come funziona, parti dalla nostra guida al marketing mix modeling.
Punti chiave
- Google Meridian è un MMM bayesiano open source in Python con licenza Apache 2.0. È disponibile a tutti dal 29 gennaio 2025 e ha raggiunto la versione 2.2.0 il 5 novembre 2026.
- Meta Robyn è un MMM open source in R con licenza MIT. Usa la regressione ridge con la ricerca evolutiva degli iperparametri di Nevergrad e restituisce un insieme di modelli candidati Pareto-ottimali, secondo la sua documentazione.
- L’ultima release taggata di Robyn su GitHub è la v3.12.0 di dicembre 2024 e il suo README etichetta ancora il pacchetto come «sperimentale». Meridian e PyMC-Marketing hanno entrambi pubblicato release a novembre 2026.
- La documentazione di Google Meridian raccomanda almeno due anni di dati settimanali per i modelli geografici e tre anni per quelli nazionali.
- I pacchetti sono gratuiti; il costo sono persone e capacità di calcolo. Il README di Meridian raccomanda almeno una GPU e la documentazione di Robyn raccomanda almeno 2.000 iterazioni e 5 prove per esecuzione.
- Gli strumenti ospitati scambiano controllo con velocità. A novembre 2026, i prezzi pubblicati vanno da 500 € al mese (Cassandra Starter) a 8.500 $ al mese (Sellforte Enterprise), e diversi fornitori non pubblicano affatto i prezzi.
Meridian, Robyn e PyMC-Marketing a confronto
I tre pacchetti MMM open source differiscono soprattutto per metodo e linguaggio. Meridian e PyMC-Marketing sono librerie Python bayesiane che restituiscono l’incertezza completa e supportano i modelli geografici. Robyn è un pacchetto R basato sulla regressione ridge che offre un primo modello rapido e automatizzato a livello nazionale. Tutti e tre possono accettare i risultati degli esperimenti e includono un ottimizzatore del budget.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Manutentore | Meta Marketing Science | PyMC Labs | |
| Linguaggio | Python (il README indica da 3.11 a 3.13) | R, più un’API Python in beta che richiede R | Python (3.12 o successivo) |
| Licenza | Apache 2.0 | MIT | Apache 2.0 |
| Metodo | Inferenza causale bayesiana con prior | Regressione ridge, ricerca evolutiva degli iperparametri con Nevergrad, Prophet per trend e stagionalità | Bayesiano (PyMC) |
| Cosa ottieni | Distribuzioni a posteriori, intervalli credibili | Un insieme di modelli candidati Pareto-ottimali, raggruppati; ne scegli uno | Distribuzioni a posteriori |
| Modello geografico | Sì, ed è raccomandato | Nessun modello geografico gerarchico | Sì, gerarchico |
| Reach e frequency | Sì | Calibratore di curve in beta; l’allocatore è un prototipo | Non indicato nella sua pagina di confronto |
| Calibrazione con esperimenti | Sì, esperimenti come prior sul ROI | Sì, test di lift e geografici come obiettivo (MAPE.LIFT) | Sì, calibrazione con test di lift |
| Ottimizzatore del budget | Sì, più pianificazione di scenari | Sì, risposta massima o ROAS/CPA obiettivo | Sì |
| Ultima release (nov 2026) | 2.2.0, 5 novembre 2026 | v3.12.0 su GitHub (dic 2024), 3.12.1 su CRAN (lug 2025) | 1.4.0, 9 novembre 2026 |
| Ideale per | Team Python con dati geografici e test di lift | Team R che vogliono una prima lettura nazionale rapida | Team Python che hanno bisogno di un modello personalizzato |
Fonti: il README di Meridian e la documentazione, il README di Robyn e la documentazione delle funzioni, e la pagina di confronto di PyMC-Marketing, verificate il 17 novembre 2026.

Google Meridian
Google Meridian è un modello bayesiano open source di marketing mix che stima l’effetto causale di ogni canale media su un KPI come le vendite. Gira in Python, funziona al meglio con dati a livello geografico, accetta input di reach e frequency e risultati dei test di lift come prior e include l’ottimizzazione del budget. È gratuito e richiede un data scientist per usarlo.
Meridian succede alla precedente libreria di Google LightweightMMM e il README rimanda a una guida alla migrazione. Google lo ha reso disponibile a tutti il 29 gennaio 2025, con un programma di partner di «oltre 20 partner di misurazione formati e certificati su Meridian».
Cosa lo distingue:
- Prior ed esperimenti. Puoi codificare ciò che già sai come prior. La documentazione di Google definisce gli esperimenti di incrementalità
“forse la base più solida” per un prior sul ROI, e un
CalibrationBuilderaiuta a tradurli. - Modellazione geografica. Google raccomanda di raccogliere i dati per regione; un modello nazionale è la soluzione di ripiego quando i dati geografici non sono disponibili.
- Reach e frequency. Per i canali video, Meridian può modellare reach e frequency, non solo le impression.
- Domanda di ricerca come controllo. L’ introduzione suggerisce Google Query Volume come controllo dell’interesse organico per il brand.
- Strumenti di pianificazione. Il 19 febbraio 2026 Google ha aggiunto uno Scenario Planner senza codice per testare scenari di budget, e la MMM Data Platform fornisce i dati media di Google (impression, clic, costo).
Cosa ti chiede: Python, competenze di modellazione bayesiana per impostare i prior e leggere la diagnostica di convergenza, e hardware. Il README dice che Meridian è stato testato su una GPU T4 con 16 GB di RAM e raccomanda almeno una GPU. Anche l’asticella dei dati è alta: almeno due anni di dati settimanali per i modelli geografici e tre per quelli nazionali.
Una precisazione onesta: Google vende pubblicità e ha costruito il modello che la misura. Il codice è aperto, quindi puoi ispezionare ogni assunzione, ed è la principale garanzia.
Meta Robyn
Meta Robyn è un pacchetto open source semi-automatizzato di marketing mix modeling in R di Meta Marketing Science. Adatta regressioni ridge, cerca gli iperparametri di adstock e saturazione con l’algoritmo evolutivo di Nevergrad e restituisce un insieme di modelli Pareto-ottimali invece di una sola risposta. Si adatta agli inserzionisti digitali a risposta diretta con dati settimanali nazionali.
La documentazione delle funzioni di Robyn descrive i meccanismi:
- Ricerca del modello. Regressione ridge (L2), ottimizzata con TwoPointsDE di Nevergrad. Prophet scompone trend, stagionalità e festività.
- Tre obiettivi. Ogni candidato è valutato su errore di previsione (NRMSE), un errore di plausibilità di business (DECOMP.RSSD) e, se hai esperimenti, errore di calibrazione (MAPE.LIFT). Il clustering K-means raggruppa candidati simili così puoi scegliere.
- Calibrazione. I test di conversion lift e gli esperimenti geografici possono orientare il modello verso risultati causali.
- Allocatore di budget. Due modalità: risposta massima per un dato budget, oppure un’efficienza obiettivo come ROAS o CPA.
- Reach e frequency. Un calibratore di curve per dati di reach e frequency è in beta; l’allocatore per reach e frequency è «un prototipo non ancora disponibile».
Cosa ti chiede: R, più la libreria Python Nevergrad, e pazienza con il calcolo. La documentazione raccomanda almeno 2.000 iterazioni e 5 prove. La guida per gli analisti di Robyn richiede almeno due anni di dati settimanali e circa 10 osservazioni per variabile. Esiste un’API Python (beta), ma è un wrapper che richiede il pacchetto R installato.
Lo stato del progetto conta. Il README di Robyn lo descrive ancora come un pacchetto «sperimentale». L’ultima release taggata su GitHub è la v3.12.0 di dicembre 2024 e l’ultima versione su CRAN è la 3.12.1 di luglio 2025. Non significa che sia rotto, ma un team che parte oggi dovrebbe pesare gli aggiornamenti più lenti rispetto a Meridian e PyMC-Marketing, che hanno entrambi pubblicato release a novembre 2026.
PyMC-Marketing
PyMC-Marketing è una libreria Python open source di PyMC Labs per modelli bayesiani di marketing mix e di customer lifetime value. È la più flessibile delle tre: la sua documentazione elenca modelli geografici gerarchici, calibrazione con test di lift, un ottimizzatore del budget, intercette e coefficienti variabili nel tempo, prior personalizzati e termini di modello personalizzati.
Il repository di PyMC-Marketing ha licenza Apache 2.0 e la versione 1.4.0 è stata rilasciata il 9 novembre 2026. La sua pagina di confronto raccomanda Robyn per i team R che vogliono un approccio più semplice, Meridian per un’API più semplice con legami con l’ecosistema Google e PyMC-Marketing per la massima flessibilità.
La stessa pagina riporta un campionamento più veloce e un errore più basso rispetto a Meridian in un benchmark eseguito da PyMC Labs stessa. Consideralo un’affermazione del produttore: non è stato replicato in modo indipendente in nulla di ciò che abbiamo trovato. Scegli PyMC-Marketing quando il tuo team scrive Python, conosce la modellazione bayesiana e ha bisogno di una struttura del modello che gli altri due non offrono.
Quale è più accurato?
Non esiste, per quanto abbiamo trovato, un benchmark indipendente e diretto di Meridian, Robyn e PyMC-Marketing sugli stessi dati reali. L’unico confronto pubblicato da un produttore è quello di PyMC Labs stessa. L’accuratezza dipende più da dati, prior e validazione che dal pacchetto.
Quindi testa qualsiasi modello nello stesso modo, quale che sia la tua scelta:
- Adattamento holdout. Addestra su gran parte delle settimane e verifica quanto bene il modello prevede quelle che non ha visto.
- Plausibilità. Contributi e ROI dei canali dovrebbero stare in un intervallo credibile. Un modello che attribuisce alla ricerca brand la maggior parte delle tue vendite di solito non ha separato la domanda esistente dalla spesa.
- Esperimenti. Esegui un test di lift o geo holdout sul tuo canale più grande e confronta. Il nostro articolo su se Google Ads aumenta il traffico organico illustra un disegno di test con pausa.
- Stabilità. Riaddestra con nuove settimane o prior diversi. Stime che oscillano molto non sono pronte per le decisioni di budget.
Strumenti MMM ospitati
Uno strumento di marketing mix modeling ospitato esegue il modello per te: collega le tue fonti di dati, addestra e aggiorna il modello e mostra contributi e scenari di budget in un’interfaccia. Paghi un abbonamento e rinunci a parte del controllo sul modello. Gli strumenti qui sotto sono stati verificati sui loro siti; fatti e prezzi sono aggiornati a novembre 2026.
| Strumento | Modello, secondo il fornitore | Esperimenti | Chi lo gestisce | Prezzo pubblicato |
|---|---|---|---|---|
| Recast | MMM bayesiano proprietario | Test GeoLift che alimentano l’MMM | Il team di Recast o un partner Operator certificato | Nessuno trovato sul suo sito |
| Sellforte | «Always-on Causal Bayesian MMM» con ROAS incrementale giornaliero per campagna e ad set | Test Geo Lift, Conversion Lift e A/B | Piattaforma del fornitore con un customer success manager | Da 1.900 $ a 8.500 $ al mese; Full-Funnel MMM 4.500 $, con 300.000 $ di spesa media mensile sui media |
| Haus | Esperimenti di incrementalità più un «Causal MMM» | Il prodotto principale | Strategist di misurazione e data scientist, a seconda del livello | Non pubblicato; il Causal MMM è nei livelli Plus ed Enterprise |
| Cassandra | MMM più test di incrementalità, usati tramite un assistente AI in Slack, Teams o Google Chat | Prodotto di test di incrementalità | Da self-serve a livelli gestiti | Starter 500 € al mese per fino a 1 milione di euro di spesa pubblicitaria annua; Self-serve da 3.000 € |
| AmICited (nostro) | Google Meridian, eseguito e ospitato | Nessun input di test di lift | Self-serve nell’app o tramite strumenti MCP | Piani Premium ed Enterprise, più un addebito per il pacchetto modello; vedi i prezzi |
Le risposte AI a questa domanda nominano anche Measured, Lifesight, Mutinex e Analytic Partners. Non abbiamo verificato questi fornitori per questo articolo, quindi non sono nella tabella.
Prima di firmare con un fornitore ospitato, poni tre domande. Il modello è suo oppure è un Meridian o un Robyn gestito? Puoi esportare i dati e gli output del modello se te ne vai? Come valida il modello rispetto ai test di lift?
Dove si colloca AmICited
AmICited è il nostro prodotto, quindi leggi questa sezione tenendone conto. Il suo Media Marketing Mix (MMM) addestra un modello bayesiano con Google Meridian e lo ospita: scegli nell’app un risultato (ricavi o ordini del negozio, acquisti GA4 o qualsiasi conversione GA4) e i canali, e riporta il contributo di ogni canale con intervalli credibili al 90%, curve di risposta da 0× a 3× della spesa, la migliore ripartizione del budget di oggi e la diagnostica di convergenza. Spesa e impression provengono dalle cinque piattaforme pubblicitarie delle nostre integrazioni pubblicitarie, più costi personalizzati per i canali offline.
Cosa lo distingue da un MMM ospitato generico: una modalità da paid a organico che imposta come risultato i clic di Search Console, i clic di Bing o le sessioni organiche GA4 e stima se la ricerca a pagamento aggiunge o toglie al tuo traffico organico. Potresti costruire la stessa cosa da solo in Meridian o PyMC-Marketing usando i clic organici come KPI; AmICited la mette in un pacchetto.
I suoi limiti, detti chiaramente:
- Piani e costo. Solo piani Premium ed Enterprise. Un addebito ricorrente per il pacchetto modello parte al primo addestramento confermato, e i controlli di prontezza e l’addestramento usano crediti a consumo.
- Storico. Un modello standard richiede 164 settimane complete (156 settimane di risultato più un ritardo di carryover di 8 settimane). Una modalità a storico limitato parte da 24 settimane, ma non riesce a imparare in modo affidabile la stagionalità annuale e le sue raccomandazioni sono etichettate come solo indicative. Google Ads conserva circa 13 mesi di storico, quindi la maggior parte dei nuovi account parte in modalità storico limitato.
- Ricavi, non profitto. Il ROI è il ricavo per unità di spesa. Per ritorni che tengono conto del margine, usa il ROAS reale basato sul profitto o la nostra spiegazione del true ROAS.
- Più limitato del Meridian puro. L’app modella una serie settimanale per l’intero sito o negozio. A novembre 2026 non offre un modello geografico, input di reach e frequency né un input di calibrazione con test di lift.
Quale scegliere?
Scegli in base a chi sarà responsabile del modello e ai dati che hai, non in base all’azienda che ha costruito il codice. I pacchetti open source si adattano ai team con un analista in grado di preparare i dati, impostare i prior e validare i risultati. Gli strumenti ospitati si adattano ai team senza quella persona, a un costo mensile. Con meno di due anni di dati settimanali puliti, sistema prima i dati o esegui un test.
| La tua situazione | Scelta migliore | Perché |
|---|---|---|
| Data scientist Python, dati di vendita regionali, test di lift pianificati | Google Meridian | Modello bayesiano geografico, esperimenti come prior, sviluppo attivo |
| Analista R, dati settimanali nazionali, serve una prima lettura rapida | Meta Robyn | Ricerca automatica degli iperparametri e allocatore di budget pronto; verifica il suo ritmo di rilascio più lento |
| Team Python che ha bisogno di effetti variabili nel tempo o di termini di modello personalizzati | PyMC-Marketing | Il più flessibile dei tre, e il più impegnativo |
| Nessuno che gestisca un modello; ecommerce con vendite offline o su marketplace | Un fornitore ospitato come Sellforte, Recast o Haus | Connettori ai dati, aggiornamenti e assistenza inclusi |
| Vuoi Meridian senza codice; dati del negozio o di GA4 e account pubblicitari già collegati | AmICited | Meridian ospitato, più una modalità da paid a organico; solo modello settimanale a livello di account |
| Devi sapere se Google Ads cambia i clic di ricerca organica | Un modello da paid a organico | Imposta i clic organici come risultato, in AmICited o nella tua build di Meridian |
| Meno di due anni di dati settimanali puliti | Sistema prima i dati, o esegui un test holdout | Qualsiasi MMM si appoggia ai prior quando lo storico è breve |
| Budget ridotto, uno o due canali | Per ora salta l’MMM | Un test con pausa o geografico risponde alla domanda a costo minore |
Cosa serve per farlo funzionare
Ogni opzione richiede la stessa materia prima: dati settimanali sul risultato (vendite, conversioni o clic organici), spesa e impression settimanali per canale e controlli come promozioni, prezzi e stagionalità. Cambia chi fa il lavoro e quante competenze e capacità di calcolo servono.
| Requisito | Meridian | Robyn | PyMC-Marketing | Strumento ospitato |
|---|---|---|---|---|
| Competenze | Python, modellazione bayesiana | R, regressione, valutazione dei modelli candidati | Python, modellazione bayesiana | Analista marketing che rivede l’output |
| Calcolo | GPU raccomandata | CPU; 2.000+ iterazioni × 5 prove | CPU o GPU | Del fornitore |
| Preparazione dati | Costruisci tu il dataset | Costruisci tu il dataset | Costruisci tu il dataset | Connettori, variano per fornitore |
| Variazione della spesa | Necessaria in ogni canale | Necessaria in ogni canale | Necessaria in ogni canale | Necessaria in ogni canale |
L’ultima riga è quella che le persone dimenticano. Un modello può imparare l’effetto di un canale solo se la spesa di quel canale è davvero cambiata nel tempo. Un canale che ha speso la stessa cifra ogni settimana per due anni non dà quasi nulla da cui imparare a nessun MMM, open source od ospitato.
Open source vs ospitato
L’MMM open source è gratuito come licenza e tiene i tuoi dati nel tuo ambiente, ma paghi tempo dell’analista, calcolo e manutenzione. L’MMM ospitato costa un abbonamento e significa condividere con un fornitore i dati di vendita e spesa, in cambio di connettori, aggiornamenti e assistenza. Il compromesso è persone e controllo contro denaro e velocità.
Sulla sicurezza, l’open source vince per definizione: nulla lascia la tua infrastruttura. Con un fornitore ospitato, chiedi le sue certificazioni di sicurezza (Recast, ad esempio, dichiara di essere conforme a SOC 2), dove sono archiviati i dati e se puoi cancellarli.
L’MMM ospitato vale la pena con un budget ridotto? Di solito non come primo passo. Se spendi su uno o due canali, un test holdout sul più grande ti dirà di più con meno. L’MMM rende quando spendi su più canali e devi dividere il budget tra di essi.
Come iniziare
- Scrivi la decisione. «Dovremmo spostare budget da Meta a Google Ads?» richiede un modello di vendite. «La ricerca brand cannibalizza i clic organici?» richiede un modello da paid a organico.
- Verifica il tuo storico. Conta le settimane complete di risultato e spesa per canale. Con meno di due anni, pianifica un modello limitato o prima un test.
- Controlla la variazione della spesa. Elenca i canali la cui spesa si è mossa appena; raggruppali o escludili.
- Scegli il responsabile. Un data scientist Python orienta verso Meridian o PyMC-Marketing, un analista R verso Robyn, nessuno verso uno strumento ospitato come l’ MMM di AmICited.
- Valida prima di agire. Controlla adattamento holdout e plausibilità, ed esegui un test di lift sul tuo canale più grande.
- Confronta con i numeri delle piattaforme. Metti le stime del modello accanto a ciò che riportano le piattaforme pubblicitarie; il nostro report sull’attribuzione Meta mostra quanto gli acquisti dichiarati dalle piattaforme si discostano dagli ordini reali.
- Riaddestra a intervalli regolari. Riaddestra quando arrivano nuove settimane e tratta una forte oscillazione tra versioni come un avvertimento, non come una nuova verità.
In sintesi
Meridian, Robyn e PyMC-Marketing sono tutti motori MMM gratuiti e credibili, e le differenze di metodo contano meno del team che li usa. Scegli Meridian per i team Python con dati geografici, Robyn per i team R che vogliono un modello nazionale rapido e accettano aggiornamenti più lenti, PyMC-Marketing quando ti serve un modello personalizzato e uno strumento ospitato quando nessuno può occuparsi del lavoro. Qualunque cosa scegli, un MMM fornisce stime con incertezza, non prove, quindi verificalo con un esperimento prima di spostare budget reale.

