Durante l’ultima call con un esperto Head of Digital, mi è stata rivolta la più importante domanda proprio nei momenti finali: “Qual è il metodo più efficace per misurare e ottimizzare le nostre attività di marketing? Dovremmo prediligere tecnologie basate su Multi-touch Attribution o su Marketing Mix Models?” La mia risposta è stata immediata: “Entrambi, e non solo.” Ecco il motivo.

Il mondo dell’advertising sta subendo trasformazioni rilevanti, come l’annunciata ‘morte dei cookie’ e l’emergere di nuovi canali di comunicazione. Queste evoluzioni complicano notevolmente il compito di rispondere a una delle questioni più urgenti per ogni CMO: “Qual è il reale ritorno sugli investimenti delle mie campagne pubblicitarie? Come posso allocare in modo ottimale i miei investimenti tra i diversi canali e le attività di marketing?” Al momento, il mercato propone diversi strumenti basati su tre principali approcci:

• Multi-touch Attribution (MTA)
• Marketing Mix Models (MMM)
• Incrementality Testing (IT)

Ogni tool, tuttavia, fornisce soltanto una risposta parziale a queste interrogative, e gli esperti di settore sono concordi nell’affermare che l’uso combinato di queste tecniche rappresenta la strategia più efficace per misurare e ottimizzare le attività di marketing. Questo approccio integrato, spesso descritto come “Triangulation”, è considerato essenziale per una valutazione accurata delle performance di marketing.

Esaminiamo dunque i punti di forza e le limitazioni di ciascun metodo, evidenziando come una combinazione efficace di MTA, MMM e IT possa offrire la soluzione più promettente per affrontare con successo le sfide attuali del mercato.

Multi-touch attribution (MTA)

Il Multi-touch Attribution (MTA) costituisce il metodo standard per la misurazione dell’efficacia del marketing online. Questa tecnica si basa sull’uso di cookie del browser, codici UTM, pixel di tracciamento e altri identificatori simili per tracciare le fonti di marketing che conducono alle conversioni dei clienti.

Punti di forza: Il MTA permette una misurazione e ottimizzazione molto dettagliata e quasi in tempo reale, essenziale durante le fasi più tattiche di ottimizzazione delle campagne. Questo approccio facilita l’adattamento rapido alle dinamiche di mercato e alle tendenze emergenti, permettendo di rispondere efficacemente a domande cruciali come: ‘Come dovrei distribuire il budget sulle mie campagne e sui gruppi di annunci?’ e ‘Quale copy o asset creativo funziona meglio?’

Sfide e limitazioni: Se utilizzato isolatamente e non in combinazione con altri strumenti, l’MTA risulta limitato: si concentra su obiettivi specifici e rischia di perdere di vista una comprensione globale degli investimenti in marketing lungo l’intero funnel. Inoltre, con la progressiva eliminazione dei cookie, è probabile che l’accuratezza di queste tecniche subisca un decadimento in determinati contesti.

Marketing Mix Models (MMM)

I Marketing Mix Models (MMM) sono tecniche di modellazione statistica che analizzano dati storici per determinare quali canali del mix di marketing contribuiscono nel generare vendite, al fine di riallocare il budget verso i canali più performanti.

Punti di forza: Gli MMM consentono di misurare e ottimizzare gli investimenti su canali sia offline che online attraverso un approccio olistico e a lungo termine. Questi modelli rispondono a domande complesse come: ‘Quale è stato il ritorno delle campagne TV sulle mie vendite?’, ‘Qual è stato l’impatto delle promozioni?’ e ‘Quanto budget allocare nel prossimo trimestre per raggiungere i miei obiettivi di fatturato?’

Sfide e limitazioni: Come tutti i modelli che descrivono fenomeni complessi, i MMM necessiterebbero di molti dati per fornire stime molto accurate. Uno dei principi base del Machine Learning – Curse of dimensionality- ci dice che all’aumentare dei parametri del modello la quantità di dati dovrebbe crescere in modo esponenziale. Questo purtroppo non è spesso possibile, poichè per i più disparati motivi, i brand non si dispongono di grandi quantità di dati storici di buona qualità. Di conseguenza un accurato MMM può richiedere un lavoro significativo di pre-processing dei dati e fine tuning del modello da parte di team di Data Science per trarre il massimo dai pochi dati disponibili.

Incrementality Testing (IT)

I Conversion Lift Studies e i Test di Incrementality sono esperimenti strutturati per quantificare l’efficacia delle strategie di marketing sulle vendite. Tra i metodi impiegati vi sono il Geo-testing e i holdout tests. Un tipico esempio di questi test si realizza attivando un canale di marketing in un insieme selezionato di regioni o paesi, per poi confrontare l’aumento delle vendite in queste aree con quelle in cui il canale non è stato attivato.

Punti di forza: I CLS permettono di condurre test mirati che offrono risposte a domande non risolte dai metodi precedenti, fornendo informazioni generalizzabili essenziali per la definizione di strategie future. Attraverso questi test, è possibile validare l’efficacia delle azioni di marketing in maniera empirica e precisa.

Sfide e limitazioni: Effettuare dei test accurati richiede l’applicazione di un rigoroso e metodo scientifico che bilanci opportunamente l’affidabilità del test e il rischio connesso. In altre parole, è necessario definire dei test con un campione abbastanza ampio, rappresentativo e per un periodo di tempo sufficiente, minimizzando al contempo lo “spreco” di budget che consegue dal portare avanti strategie chiaramente sub-ottimali su una porzione delle campagne pubblicitarie.

Come si integrano MTA, MMM e IT?

Nonostante i punti di forza evidenti di Multi-touch Attribution (MTA), Marketing Mix Models (MMM) e Testing (IT), nessuno di questi metodi, se utilizzato singolarmente, può fungere da soluzione definitiva per le decisioni strategiche. Spesso, nel dibattito online, si discute di “Triangulation”, trattando questi metodi come fonti separate da cui attingere per una stima finale più robusta, mediando tra i vari suggerimenti e misurazioni che offrono.

Proponiamo tuttavia un’alternativa che supera questa visione: l’utilizzo sinergico e coordinato di queste tecniche, arricchito da un approccio scientifico e supportato dall’intelligenza artificiale, può davvero portare a trasformazioni rivoluzionarie nel settore.

Interazione tra MTA e MMM: L’influenza reciproca tra MTA e MMM è evidente. L’ottimizzazione continua delle campagne e dei gruppi di annunci, guidata dall’MTA, incide notevolmente sulle prestazioni di ciascun canale, influenzando così anche le previsioni a lungo termine del MMM. Viceversa, le strategie di budget basate su MTA devono essere allineate con le pianificazioni strategiche e direttive di alto livello stabilite tramite gli MMM.

In AD cube abbiamo elevato questo concetto: utilizziamo le stime dell’impatto di ciascun canale a vari livelli del funnel per realizzare una gestione e ottimizzazione di campagne e gruppi di annunci bilanciata su tutto il funnel.

Integrazione di MTA e IT: Il design di test nell’ambito del marketing non è semplice, e non sempre è praticabile affidarsi esclusivamente ai test di GEO-testing per valutare l’impatto di specifici canali e performance. Pertanto, è spesso necessario selezionare gruppo di test e gruppi di controllo basandoci su altre caratteristiche e su analisi di serie temporali ottenute tramite approcci MTA.

Integrazione di IT e MMM: Qual è il vero impatto di un certo canale sulle vendite?” Questa domanda fondamentale, posta frequentemente durante l’analisi con i Marketing Mix Models (MMM), non sempre trova risposte accurate, specialmente quando i dati disponibili su alcuni canali sono limitati, come nel caso di attività di breve durata o correlate a eventi e promozioni speciali. In questi contesti, è possibile adottare strategicamente metodi di Testing per acquisire rapidamente dati sull’efficacia di tali canali. Ad esempio, l’implementazione di un test di Geo-testing può rivelare l’impatto di un canale su un campione rappresentativo di utenti. Questi risultati possono poi essere generalizzati per fornire una stima più accurata dell’effetto su tutta la popolazione, compensando così le limitazioni intrinseche degli MMM dovute alla scarsità di dati.

In AD cube, utilizziamo algoritmi di Active Learning per identificare le aree di maggiore incertezza dei MMM, dove è necessario acquisire ulteriori dati tramite test. Applichiamo quindi tecniche di Transfer Learning per incorporare queste nuove informazioni nei nostri MMM, ottenendo così stime più precise e affidabili. Questo approccio non solo migliora la nostra capacità di prevedere e ottimizzare le prestazioni ma sostiene anche un ciclo continuo di apprendimento e adattamento strategico.

Il triangolo composto da MTA, MMM e Testing, potenziato da avanzati approcci di Intelligenza Artificiale, costituisce un framework di eccellenza nel moderno panorama dell’advertising. Fornisce risposte sempre più precise a domande complesse, permettendo di delineare strategie di ottimizzazione flessibili e dinamiche, con una prospettiva a lungo termine e allineate con gli obiettivi complessivi dell’azienda.