Misurare la visibilità AI

Marketing Mix Modeling (MMM): come funziona e quando usarlo

Il marketing mix modeling spiegato: come funziona l'MMM, di quante settimane di dati ha bisogno, come si confronta con attribuzione e test di lift e cosa fare con meno dati.

Marketing Mix Modeling (MMM): come funziona e quando usarlo
19 min di lettura 8 domande con risposta

Il marketing mix modeling (MMM) è un metodo statistico che stima quanto ogni canale di marketing ha contribuito alle vendite, usando totali settimanali di spesa e risultati invece di tracciare i singoli utenti. Risponde alla domanda sul budget a cui le dashboard delle piattaforme non sanno rispondere: se sposti denaro da un canale a un altro, cosa succederà probabilmente alle vendite totali?

Il problema sono i dati. La documentazione di Google Meridian richiede almeno due anni di dati settimanali per un modello a livello geografico e tre anni per uno nazionale. La guida di Meta Robyn richiede un minimo di due anni di dati settimanali. Molti brand ecommerce non hanno uno storico pulito così lungo, quindi questa guida spiega anche cosa fare con meno dati.

Di seguito: come funziona l’MMM, come si confronta con l’attribuzione multi-touch e con i test di incrementalità, come leggere i risultati e una domanda che poche guide all’MMM si pongono: la ricerca a pagamento aumenta o riduce il tuo traffico organico?

Punti chiave

  • Il marketing mix modeling stima il contributo di ogni canale da totali settimanali di spesa e risultati. Non richiede cookie né tracciamento a livello di utente, quindi i cambiamenti sulla privacy non lo compromettono.
  • Meridian di Google richiede almeno 2 anni di dati settimanali a livello geografico e 3 anni a livello nazionale, secondo la sua guida ai dati. Robyn di Meta richiede 2 anni di dati settimanali e circa 10 osservazioni per variabile.
  • Tre anni di dati settimanali sono solo 156 punti dati. Nell’esempio di Meridian, sono circa 15 per parametro per un modello a 10 parametri, abbastanza per “informazioni direzionali”.
  • L’attribuzione multi-touch divide il merito tra i clic tracciati; il test di incrementalità confronta un gruppo che ha visto gli annunci con uno che non li ha visti. L’MMM è l’unico che copre tutti i canali insieme.
  • Meridian, Robyn e PyMC-Marketing accettano tutti i risultati dei test di lift per calibrare il modello, che è il modo standard di combinare l’MMM con gli esperimenti.
  • Le decisioni di budget dovrebbero seguire il ROI marginale, il ritorno sulla prossima unità di spesa, non il ROI medio. La documentazione di Meridian dice che un mROI molto più basso del ROI segnala saturazione.

Che cos’è il marketing mix modeling

Il marketing mix modeling è un modello di tipo regressivo che spiega un risultato di business, come i ricavi settimanali, come la somma di una baseline più l’effetto di ogni canale di marketing. Poiché lavora su totali settimanali aggregati, può includere canali che nessun pixel vede, come TV, podcast o stampa, e non è influenzato dalla perdita di cookie o dai banner di consenso.

L’output è una stima di quanto ha aggiunto ogni canale, di quanto è stato efficiente e di come cambierebbe il risultato a diversi livelli di spesa. Questo fa dell’MMM uno strumento di pianificazione per l’ allocazione del budget di marketing, non uno strumento di reporting sulle campagne di ieri.

Il media mix modeling è lo stesso metodo applicato solo ai media a pagamento. Il marketing mix modeling, in senso stretto, può includere anche prezzo, promozioni e distribuzione. La maggior parte delle persone usa i due nomi come sinonimi ed entrambi si abbreviano in MMM.

Logo

Pronto a monitorare la tua visibilità nell'IA?

Scopri come i chatbot IA citano il tuo brand su ChatGPT, Perplexity e altre piattaforme.

Come funziona l’MMM

Un MMM adatta un’unica equazione al tuo storico settimanale: il risultato è uguale alla baseline, più stagionalità e altri controlli, più un effetto trasformato per ogni canale. Sono le trasformazioni a renderlo più di una semplice regressione: modellano il fatto che gli annunci continuano a funzionare dopo la settimana in cui sono andati online e che ogni unità di spesa in più rende meno della precedente.

I mattoni:

ComponenteCosa catturaEsempio
BaselineLe vendite che otterresti senza marketing: brand, passaparola, clienti ricorrentiUn negozio che vende 300 ordini a settimana anche con tutti gli annunci in pausa
Stagionalità e controlliCicli annuali, festività, promozioni, variazioni di prezzoBlack Friday, un calo estivo, un saldo del 20% su tutto il sito
Adstock (carryover)Gli annunci continuano a influenzare le vendite per settimane dopo la messa onlineUna campagna video il cui effetto decade nelle 3-4 settimane successive
Saturazione (rendimenti decrescenti)Ogni unità di spesa in più aggiunge meno dell’ultimaRaddoppiare la spesa Meta aggiunge il 40% di vendite in più, non il 100%
Prior e intervalli credibiliCosa assume il modello prima di vedere i dati e quanto è sicuro dopo«Il ROI della ricerca è tra 1,8 e 3,1, con probabilità del 90%»

Gli esempi della tabella sono illustrativi, non dati di un negozio reale.

Meridian di Google, ad esempio, modella il carryover con una funzione adstock e la saturazione con una curva di Hill, la cui forma decide se i rendimenti calano gradualmente o seguono una curva a S.

L’MMM bayesiano in parole semplici

Un MMM bayesiano parte da un prior, un intervallo dichiarato di valori plausibili per l’effetto di ogni canale, e lo aggiorna con i tuoi dati. Il risultato è una distribuzione, riassunta come intervallo credibile: «con probabilità del 90%, il ROI di questo canale è compreso tra X e Y». La documentazione di Meridian descrive i prior come punti di partenza: se i dati contraddicono con forza un prior, il modello si adatta.

Il valore pratico è l’onestà sull’incertezza. Un intervallo ampio ti dice che i dati non riescono a separare l’effetto di quel canale da tutto il resto. È più utile di un singolo numero sicuro che poi si rivela rumore.

Di quanti dati hai bisogno

Pianifica da due a tre anni di dati settimanali. Meridian di Google richiede almeno due anni a livello geografico e tre anni a livello nazionale, o tre anni se hai solo dati mensili. Robyn richiede almeno due anni di dati settimanali e circa una variabile ogni dieci osservazioni. Meno dati significa intervalli più ampi e più peso alle assunzioni del modello.

Perché così tanti? Due ragioni:

  • La stagionalità si ripete una volta all’anno. Con 52 settimane il modello vede ogni festività una sola volta e non può dire se le vendite sono salite per il Black Friday o perché quella settimana hai aumentato la spesa. Due o tre cicli gli permettono di separare le due cose.
  • Ogni canale aggiunge parametri. Ogni canale richiede almeno una dimensione dell’effetto, un tasso di carryover e una forma di saturazione. La documentazione di Meridian illustra un modello nazionale con 10 parametri e 156 punti dati settimanali, circa 15 punti dati per parametro, e lo ritiene sufficiente per «ricavare qualche informazione direzionale».

La stessa pagina dice che l’indicazione è «approssimativa e direzionale» e che il controllo più accurato è addestrare il modello e osservare l’ampiezza degli intervalli credibili.

La variazione della spesa conta quanto la lunghezza dello storico. Se un canale ha speso la stessa cifra ogni settimana per due anni, il modello non ha nulla da cui imparare. La documentazione di Meridian osserva che una variazione insufficiente della spesa media penalizza i modelli nazionali.

Cosa fare con meno di tre anni

La maggior parte dei brand ecommerce ha uno o due anni di dati utilizzabili, spesso meno dopo un cambio di tracciamento o una replatform. Puoi comunque costruire un modello, se adegui le aspettative:

  1. Recupera la spesa più vecchia. Le piattaforme pubblicitarie e le fatture spesso conservano più storico del tuo strumento di analytics. Inseriscila come costi invece di partire dal giorno in cui hai collegato le piattaforme.
  2. Unisci i canali piccoli. La guida ai dati di Meridian consiglia di combinare i canali a bassa spesa con altri per evitare stime di ROI instabili. Meno canali, più grandi, danno a ogni stima più dati.
  3. Usa dati a livello geografico se li hai. I modelli geografici condividono informazioni tra le regioni, quindi le stesse settimane producono più punti dati per effetto, secondo la guida di Meridian.
  4. Calibra con un test di lift. Un solo esperimento ben eseguito sul tuo canale più grande dà al modello un prior molto più stretto di quelli predefiniti.
  5. Varia la spesa di proposito. Variazioni a gradino pianificate o brevi pause su un canale creano la variazione di cui il modello ha bisogno.
  6. Leggi l’output come indicativo. Con un anno di dati o meno, la stagionalità annuale è in parte una supposizione. Usa il modello per classificare i canali e individuare la saturazione, non per promettere un numero di ricavi.

MMM vs attribuzione vs incrementalità

Marketing mix modeling, attribuzione multi-touch e test di incrementalità rispondono a tre domande diverse. L’MMM stima cosa ha contribuito ogni canale alle vendite totali nel tempo. L’attribuzione multi-touch divide il merito di ogni conversione tracciata tra i punti di contatto che ha visto. Il test di incrementalità misura se un’attività ha causato vendite aggiuntive confrontando gruppi esposti e non esposti.

Marketing mix modelingAttribuzione multi-touchTest di incrementalità
DomandaCosa ha contribuito ogni canale e dove dovrebbe andare la prossima unità di budget?Quali punti di contatto tracciati erano sul percorso verso ogni conversione?Questa campagna ha causato vendite che non sarebbero avvenute comunque?
DatiSpesa settimanale, impression e totali dei risultati, 2-3 anniClic, visualizzazioni e conversioni a livello di utenteUn gruppo di test e un gruppo di controllo, durante il test
Cookie e privacyNessuno necessario; solo dati aggregatiDipende da cookie, pixel e consensoI test basati sugli utenti si appoggiano all’identità della piattaforma pubblicitaria; i test geografici usano solo le regioni
VelocitàLento da configurare; aggiornamento settimanale o mensileQuasi in tempo realeSettimane per ogni test
CostoL’open source è gratuito ma richiede competenze; gli strumenti ospitati si paganoSpesso incluso negli strumenti di analytics e advertisingAnnunci sospesi o regioni di controllo, più tempo di setup
GranularitàCanale o gruppo di campagneCampagna, annuncio, keywordUn canale, una campagna o una regione alla volta
Ideale perAllocazione del budget cross-canale, media offlineOttimizzazione quotidiana delle campagneDimostrare la causalità, calibrare i modelli
Debolezza principaleStima osservazionale; richiede uno storico lungo e varioIl merito non è causalità; non vede i punti di contatto non tracciati e offlineRistretto: risponde a una domanda per test

L’ attribuzione multi-touch e i modelli single-touch come l’ attribuzione last-click contano le conversioni che riescono a vedere. Le piattaforme pubblicitarie contano le proprie, ed è per questo che i numeri di Meta raramente coincidono con quelli del tuo negozio; il nostro report Meta Attribution Reality affianca i due. Nessuno di questi dimostra che un annuncio abbia causato una vendita.

Il test di incrementalità è l’esperimento che può farlo. Google descrive il suo Conversion Lift come un modo per dividere il pubblico tra chi vede i tuoi annunci e chi no e misurare la differenza; precisa che lo strumento non è disponibile per tutti gli account Google Ads. Un geo holdout funziona allo stesso modo con le regioni: scegli regioni equivalenti, sospendi o cambia la spesa in alcune e confronta le vendite con le altre. A differenza di un A/B test su un sito, che confronta due versioni di una pagina, un test di lift confronta gli annunci con l’assenza di annunci.

Come lavorano insieme

La configurazione standard usa l’MMM per la ripartizione del budget, l’attribuzione per l’ottimizzazione quotidiana all’interno di un canale e i test di lift per verificare e calibrare il modello. Calibrare significa trasformare il risultato di un esperimento nel prior di quel canale, così il modello parte da prove misurate invece che da un’assunzione generica. Tutti e tre i principali MMM open source lo supportano.

Un ciclo pratico: addestra il modello, individua il canale con l’intervallo più ampio o il budget maggiore, esegui un test di lift su di esso, reinserisci il risultato e riaddestra. Ogni test restringe il modello dove conta di più.

Come leggere i risultati dell’MMM

Leggi quattro output in quest’ordine: contributo (quanta parte del risultato spiega ogni canale), ROI (ritorno medio su tutto ciò che hai speso), ROI marginale (ritorno sulla prossima unità di spesa) e curve di risposta (come cambia il ritorno al crescere della spesa). Basa gli spostamenti di budget sul ROI marginale e sulle curve, e controlla l’intervallo credibile prima di agire su un singolo numero.

  • Il contributo è la quota del risultato che il modello attribuisce a ogni canale, con la baseline di solito come parte più grande.
  • Il ROI è il risultato incrementale diviso per la spesa. Se il risultato sono i ricavi, il ROI è sui ricavi, non sul profitto. Ad esempio, un canale con ROI 2 a un margine lordo del 40% va in perdita una volta considerati i costi di prodotto. Il nostro articolo su ROAS di pareggio, ROAS reale, MER e POAS spiega i calcoli sul margine.
  • Il ROI marginale (mROI) è il ritorno sulla prossima unità oltre la spesa attuale. La documentazione di Meridian dice che quando l’mROI è molto più basso del ROI, il canale comincia a saturarsi.
  • Le curve di risposta mostrano il risultato modellato a diversi livelli di spesa per un canale, tenendo fissi gli altri. Meridian avverte che i punti molto sopra o sotto la spesa storica sono estrapolazioni.

Esempio: un modello assegna alla ricerca non brand di Google Ads un ROI di 3,0 e un mROI di 1,2, e al prospecting su Meta un ROI di 2,0 e un mROI di 1,9. La ricerca ha la media migliore, ma i prossimi 1.000 rendono di più su Meta. È la domanda sul prossimo euro, ed è per questo che classificare i canali per ROI medio o per ROAS della piattaforma porta a una ripartizione sbagliata del budget.

La ricerca a pagamento cambia il traffico organico?

La maggior parte degli MMM tratta la ricerca organica come baseline o come controllo e ignora una delle domande di budget più comuni: quando fai offerte su un termine, perdi clic organici che avresti ottenuto comunque, oppure gli annunci aumentano la tua visibilità organica? Un modello di marketing mix può stimarlo impostando come risultato i clic o le sessioni organiche e come input i canali a pagamento.

La risposta cambia da account ad account e per tipo di keyword, e l’effetto può andare in entrambe le direzioni. Gli annunci sulla ricerca brand possono togliere clic che il tuo primo risultato organico avrebbe ottenuto; gli annunci non brand possono aumentare la notorietà che poi emerge come ricerche organiche di brand. Presentiamo le prove e come testarlo in Google Ads aumenta il traffico organico?.

Due input rendono misurabile la cosa: il traffico organico settimanale da Search Console, Bing Webmaster Tools o GA4, e la spesa di ricerca a pagamento divisa per tipo di campagna. Un modello da paid a organico fornisce una stima con segno: positivo significa che gli annunci aggiungono clic organici, negativo significa che li tolgono.

Errori comuni nell’MMM

Gli errori più comuni nascono dal fornire al modello dati incompleti o dal leggere il suo output come certo. Un modello non può separare canali che si muovono sempre insieme, non può imparare stagioni che ha visto una sola volta e tratta la spesa mancante come spesa zero. Controlla gli input prima di fidarti degli output.

  1. Spesa mancante contata come zero. Se un’importazione perde tre mesi di spesa Meta, il modello vede tre mesi di vendite senza Meta e conclude che Meta ha fatto poco.
  2. Canali che si muovono sempre insieme. Se i budget di ricerca e social salgono e scendono in sincrono, nessun modello può dividere i loro effetti. Fanne variare uno in modo indipendente.
  3. Troppi canali piccoli. Dodici canali con budget minuscoli danno dodici intervalli ampi. Raggruppali.
  4. Ignorare promozioni e variazioni di prezzo. Una settimana di saldi attribuita a ciò che era attivo quella settimana gonfia quel canale.
  5. Leggere il ROI come profitto. Il ROI sui ricavi ignora margini, spedizioni e resi.
  6. Agire sulle stime puntuali. Se l’intervallo di un canale spazia tra perdita e guadagno, il verdetto onesto è «incerto», non uno spostamento di budget.
  7. Non validare mai. Senza un test di lift o un controllo con una previsione holdout, non puoi distinguere un buon modello da uno sicuro di sé.

Chi dovrebbe usare l’MMM

Il marketing mix modeling rende quando spendi in modo significativo su tre o più canali, la tua spesa è cambiata nel tempo e hai almeno due anni di dati settimanali. È meno utile per un brand con uno o due canali, budget costanti o meno di sei mesi di storico: lì il modello ha troppo poco da separare.

Casi adatti:

  • Brand ecommerce che spendono su ricerca, social e almeno un altro canale, come ChatGPT ads, LinkedIn, affiliati o media offline.
  • Team le cui conversioni riportate dalle piattaforme superano gli ordini reali del negozio.
  • Brand che hanno perso visibilità nell’attribuzione dopo i cambiamenti su consenso e cookie.
  • Chiunque si chieda se gli annunci sulla ricerca brand valgano la pena.

Casi poco adatti:

  • Un negozio che spende quasi tutto su una sola piattaforma; un test di lift su quella piattaforma risponde meglio.
  • Brand con meno di sei mesi di storico, o una replatform recente che ha rotto il tracciamento.
  • Team che vogliono risposte a livello di campagna o annuncio ogni giorno; è compito dell’attribuzione.

Quale scegliere?

Scegli il metodo in base alla decisione che devi prendere. Usa l’MMM per dividere il budget tra i canali, l’attribuzione per ottimizzare ogni giorno all’interno di un canale e un test di incrementalità quando ti serve la prova che un canale o una campagna generi vendite. La maggior parte dei brand che spendono su più canali finisce per usarli tutti e tre, ciascuno per la sua domanda.

La tua situazioneParti daAggiungi poi
Dividere il budget del prossimo trimestre su 3+ canaliMMMTest di lift sul canale più grande
Ottimizzare offerte, pubblici o creatività questa settimanaAttribuzione e dati delle piattaformeMMM per la ripartizione tra canali
Dimostrare che un canale genera vendite prima di scalarloTest di incrementalitàMMM calibrato con il risultato
Meno di un anno di dati, 2+ canaliTest di lift, più MMM letto come indicativoMMM standard una volta raggiunti 2-3 anni
Spesa su media offline (TV, stampa, podcast)MMMTest geo holdout
Offerte sul proprio nome di brandMMM da paid a organico o test con pausa del brandRevisione delle lacune nei termini di ricerca

Strumenti MMM: open source e ospitati

Gli strumenti MMM si dividono in due gruppi: librerie open source gratuite che gestisci tu e prodotti ospitati che eseguono un modello per te. Le tre principali opzioni open source sono Meridian di Google, Robyn di Meta e PyMC-Marketing; sono gratuite ma richiedono Python o R, preparazione dei dati e controlli del modello. Gli strumenti ospitati scambiano un costo con setup, connettori e un’interfaccia.

StrumentoTipoCosa dice il suo sito (a novembre 2026)
Google MeridianOpen source, PythonMMM bayesiano con supporto geografico; rilasciato a tutti il 29 gennaio 2025; a febbraio 2026 è seguito un Scenario Planner senza codice
Meta RobynOpen source, R (API Python in beta)Pacchetto MMM «sperimentale» di Meta Marketing Science; regressione ridge con ricerca evolutiva degli iperparametri; licenza MIT
PyMC-MarketingOpen source, PythonMMM bayesiano con adstock, saturazione, calibrazione con test di lift e ottimizzazione del budget; Apache 2.0
RecastOspitatoMMM bayesiano proprietario con esperimenti GeoLift; nessun prezzo pubblico
CassandraOspitatoMMM e test di incrementalità, nessun team dati necessario; prova gratuita di 30 giorni
MarSciOspitatoEsegue Meridian o Robyn sui tuoi dati; richiede almeno 1.000 € al giorno di spesa di marketing
MMM PilotOspitatoEsegue Robyn senza codice; piano Starter a 50 $/mese
AmICitedOspitato (il nostro prodotto)Esegue Meridian; modelli di vendita e da paid a organico; piani Premium ed Enterprise

Per un confronto diretto dei due grandi motori open source, vedi Google Meridian vs Robyn.

Dettaglio del prompt in AmICited per «Qual è il miglior software di marketing mix modeling per i brand ecommerce?», 17 novembre 2026: amicited.com citato da 0 motori su 10; menzioni di brand guidate da Sellforte 11%, Google Meridian 10%, Measured 10%, Meta Robyn 8% e Recast 8%

L’MMM in AmICited

AmICited è il nostro prodotto. Il suo Media Marketing Mix (MMM) esegue per te un modello bayesiano su Google Meridian, senza codice. Scegli un risultato, come i ricavi del negozio da Shopify o WooCommerce, gli acquisti GA4 o qualsiasi conversione GA4, e i canali da cinque piattaforme pubblicitarie collegate, più costi personalizzati per tutto il resto.

Modulo «Crea un modello» di Media Marketing Mix in AmICited: nome del modello, risultato impostato su ricavi da acquisti GA4, date di inizio e fine dello storico con un avviso che i dati importati iniziano il 2026-05-24, valuta del report, canali media a pagamento, contributo della ricerca organica e canali di marketing personalizzati

Ciò che aggiunge rispetto a far girare Meridian da soli è la configurazione e il modello da paid a organico: imposta come risultato il traffico organico di Search Console, Bing o GA4 e stima come la ricerca a pagamento cambia nel tempo i clic organici. Gli output includono contributi con intervalli credibili al 90%, curve di risposta da zero a tre volte la spesa attuale, dove i prossimi 1.000 rendono di più e la migliore ripartizione del budget attuale.

I suoi limiti sono reali. È disponibile solo sui piani Premium ed Enterprise, con un addebito per il pacchetto modello. Un modello standard richiede 164 settimane complete; con 24 o più gira in una modalità a storico limitato le cui raccomandazioni sono etichettate come solo indicative. Il ROI è sui ricavi, non sul profitto. E come ogni MMM, stima a partire dallo storico; non sostituisce un test di lift.

Cosa fare ora

  1. Elenca i tuoi canali e il loro storico. Conta le settimane di dati completi di spesa e risultati che hai per ogni canale. Meno di due anni significa risultati indicativi.
  2. Sistema prima gli input. Colma i buchi di spesa, segna promozioni e variazioni di prezzo e verifica che i ricavi del negozio e la tua attribuzione dei ricavi concordino sui totali.
  3. Confronta le dichiarazioni delle piattaforme con gli ordini reali. Usa Meta Attribution Reality o un export del tuo negozio per vedere quanto i numeri delle piattaforme si discostano.
  4. Addestra un primo modello. Esegui Meridian, Robyn o PyMC-Marketing da solo, oppure uno strumento ospitato come il nostro Media Marketing Mix.
  5. Agisci su mROI e intervalli. Sposta il budget solo dove il ritorno marginale è chiaramente più alto e l’intervallo non include lo zero.
  6. Testa la scommessa più grande. Esegui un test di lift o un geo holdout sul tuo canale più grande e calibra il modello con il risultato.
  7. Verifica il paid rispetto all’organico. Rivedi i termini di ricerca per cui paghi senza una pagina organica in Paid-Proven Gaps e modella se la ricerca a pagamento aumenta o sostituisce i clic organici.

In sintesi

Il marketing mix modeling è l’unico dei tre principali metodi di misurazione che copre tutti i canali insieme senza tracciare gli utenti. Richiede da due a tre anni di dati settimanali, spesa variata e input onesti, e restituisce stime con intervalli, non fatti. Usalo per dividere il budget, usa i test di lift per verificarlo e leggi il ritorno sul prossimo euro invece della media.

Ti è stato utile? Condividilo.

LinkedIn X

Domande frequenti

Arshia è AI Workflow Engineer presso FlowHunt. Con una formazione in informatica e una passione per l'IA, è specializzato nella creazione di flussi di lavoro efficienti che integrano strumenti di IA nelle attività quotidiane, migliorando produttività e creatività.

Arshia Kahani
Arshia Kahani
AI Workflow Engineer

Scopri cosa aggiunge ogni canale alle vendite

AmICited addestra un modello bayesiano di marketing mix su Google Meridian a partire dai dati del tuo negozio o di GA4 e dalla tua spesa pubblicitaria. Mostra il contributo di ogni canale con intervalli credibili al 90%, le curve di risposta, dove i prossimi 1.000 rendono di più e se la ricerca a pagamento sposta i tuoi clic organici.