BLOG
Robyn, Meridian e AD cube MMM: le differenze che contano davvero
Nel 2026 la scelta di un Marketing Mix Model non coincide più con la ricerca del “modello migliore”. Le tre opzioni principali —Robyn di Meta, Meridian di Google e le soluzioni indipendenti come AD cube MMM — sono tutte tecnicamente solide. La domanda rilevante non è quale strumento sia più potente in assoluto, ma quale risponda meglio al contesto specifico dell’azienda
Quel contesto si valuta su tre piani, che la maggior parte dei confronti tende a sovrapporre: il modello (come è costruito il motore statistico), il contesto (chi ha definito le metriche di riferimento) e la delivery (chi rende lo strumento operativo, e a quale costo reale). Una premessa necessaria: questo articolo è scritto da AD cube. Abbiamo scelto di riconoscere apertamente i casi in cui le soluzioni concorrenti risultano superiori, e di non presentare come vantaggio tecnologico ciò che costituisce semplicemente una differenza nel modello di servizio.
Il modello: cosa cambia davvero
Sul motore statistico la prima differenza è netta. Meridian e AD cube MMM adottano un framework Bayesiano; Robyn è frequentista, basato su ridge regression con ottimizzazione degli iperparametri. La distinzione non è qualitativa in senso assoluto: la ridge regression è un metodo robusto, rapido e consolidato. Il framework Bayesiano introduce però due elementi rilevanti nel lavoro applicato — la possibilità di incorporare conoscenza a priori sul comportamento dei canali e la quantificazione esplicita dell’incertezza tramite bande di credibilità interpretabili. Per chi deve interpretare una stima, e non limitarsi al suo valore puntuale, la differenza è sostanziale. Robyn non è l’opzione da scartare che alcuni confronti suggeriscono: è gratuito, performante, supportato da una community ampia, con decomposizione automatica di trend e stagionalità e ottimizzazione multi obiettivo evoluta. Per un team interno che opera su un singolo mercato e un singolo prodotto, è una scelta pienamente legittima. I suoi limiti emergono dove il contesto si complica — sulla gestione delle gerarchie e dell’incertezza — non sulla qualità di base. È proprio sulla complessità che le tre soluzioni divergono. Robyn non supporta dataset gerarchici: un limite strutturale che lo esclude da contesti multi nazione o multi-prodotto. Meridian gestisce gerarchie geografiche con modellazione Bayesiana geo-level — un punto di forza concreto — ottimizzata però soprattutto per il livello nazione. AD cube MMM opera su strutture multilivello in un unico modello (più nazioni, più prodotti, più target in parallelo) grazie al partial pooling gerarchico: i parametri condividono informazione tra mercati e prodotti, così che un segmento con dati limitati acquisisca forza statistica dagli altri. Con una precisazione necessaria: nessun modello gerarchico produce risultati affidabili in assenza di uno storico sufficiente.
Vale la pena chiarire due punti su cui il mercato si è evoluto. Il forecast non è più un’esclusiva di nessuno: Meridian ha introdotto uno Scenario Planner con future budget optimization, mentre il valore di AD cube non risiede nella funzione in sé, ma nella sua disponibilità come capacità nativa e continua, tradotta direttamente in raccomandazioni di allocazione. Sull’ottimizzazione del budget, Meridian non opera solo a budget fisso supporta anche scenari flessibili sulle curve di saturazione. Anche qui, la specificità di AD cube non è la capacità in sé, ma la sua integrazione nel flusso di planning operativo.
L’elemento che cambia il modo di lavorare: l’allocazione settimanale
Qui si colloca la differenza più sottovalutata, e per molte organizzazioni la più rilevante. Robyn e Meridian producono prevalentemente output aggregati sull’intero periodo di osservazione: indicano il rendimento di un canale nel periodo e la ripartizione di un budget complessivo. AD cube MMM produce un’allocazione a granularità settimanale — non solo quanto investire per canale, ma come distribuire la spesa settimana per settimana lungo l’intero piano.
Questo non va confuso con la frequenza di aggiornamento del modello. Settimanale è il livello di dettaglio dell’output: il modello cattura l’evoluzione di adstock, saturazione e stagionalità all’interno del periodo e restituisce una raccomandazione specifica per ciascuna settimana. Un output aggregato tende a occultare proprio gli elementi più utili al media planner — i picchi, le finestre di calo del rendimento marginale, i momenti in cui conviene anticipare o posticipare l’investimento.
Con un output aggregato il planning resta una media da interpretare manualmente. Con un output settimanale diventa un calendario di allocazione immediatamente azionabile. È la differenza tra un MMM che descrive il passato e uno che interviene nelle decisioni in corso di piano.
Sul reach & frequency la situazione si è allineata: sia Meridian sia AD cube — che ha introdotto di recente la modellazione dedicata — la offrono in forma nativa, mentre Robyn non la prevede. La differenza non è nella presenza della capacità ma nel suo impiego: in AD cube la modellazione di reach e frequenza confluisce direttamente nel piano di allocazione settimanale e viene validata con geolift e lift test indipendenti. Per i canali upper-funnel questo significa tradurre la curva di frequenza in una raccomandazione concreta per brand, mercato e settimana.
Il contesto: da dove viene il modello
Questo piano investe un aspetto che il motore statistico, da solo, non cattura. Robyn è sviluppato da Meta, Meridian da Google. Entrambi sono open source e ispezionabili — un elemento di trasparenza concreto, che va riconosciuto.
La questione non riguarda il codice, ma il criterio di misurazione. Quando misurazione, definizione delle conversioni e modello risiedono nell’ecosistema di uno dei canali misurati, le assunzioni di default e le metriche di conversione che fungono da riferimento possono presentare un orientamento sistematico — non per intenzionalità, ma per costruzione.
Un esempio concreto. Google ha introdotto le Qualified Future Conversions: una metrica che attribuisce alle campagne upper-funnel conversioni future previste, collegando l’esposizione all’annuncio a leading user action come la ricerca branded. Per un’analisi MMM questo introduce un duplice problema: si tratta di conversioni modellate, non osservate; e la ricerca branded è spesso l’effetto della domanda, non la prova che l’annuncio l’abbia generata. Attribuire a tali campagne ricavi futuri rischia di accreditare il canale per una domanda intercettata, non creata — esattamente il bias che un MMM è destinato a correggere.
La trasparenza impone però di considerare anche l’altro versante: anche un fornitore indipendente è soggetto a incentivi. E va dichiarato un limite di AD cube: un modello proprietario non è ispezionabile riga per riga come il codice open source. La garanzia si fonda su altri elementi — la trasparenza metodologica verso il cliente (prior dichiarati, assunzioni esplicite) e, soprattutto, la validazione esterna: il confronto delle stime con esperimenti reali (lift test, geolift) che forniscono un ground truth indipendente da chi ha costruito il modello. Un MMM non si valuta sulla base della fiducia, ma del confronto con l’evidenza sperimentale.
La delivery: strumento o servizio
L’ultimo piano è quello che i confronti tendono a trascurare, perché accosta categorie eterogenee. Robyn e Meridian sono strumenti; AD cube è un servizio gestito. Trattarli come equivalenti fa apparire come divario tecnologico ciò che è una differenza nel modello di erogazione. Robyn e Meridian richiedono competenze interne per data preparation, configurazione, aggiornamento e interpretazione. In assenza di un marketing science team, l’accesso allo strumento non equivale alla disponibilità di un MMM operativo. È possibile affidarli a un’agenzia terza — un’opzione legittima, che combina indipendenza e presidio senza ricorrere ad AD cube. La proposta di AD cube consiste nella combinazione integrata: un modello indipendente affiancato da un team di data scientist che gestisce l’intero ciclo, dai dati alle decisioni.
È anche l’unico modo corretto di affrontare il tema del costo. La contrapposizione gratuito vs. a pagamento è fuorviante: Robyn e Meridian sono gratuiti in quanto software, ma il costo reale è rappresentato dal team o dall’agenzia che ne assicura il funzionamento — spesso superiore e meno prevedibile della licenza che si ritiene di risparmiare. Un servizio gestito presenta un costo esplicito e ricorrente, ma include il presidio. Il confronto corretto si fonda sul costo totale — software, competenze, tempo e rischio di errore — non sul prezzo di licenza.
Come si traduce in una scelta?
Se si dispone di un team interno e si opera su mercato e prodotto singoli, Robyn o Meridian sono opzioni legittime. Se si cerca un MMM operativo — con allocazione settimanale azionabile, gerarchie multi prodotto, validazione sperimentale integrata e un team che gestisce l’intero ciclo — AD cube MMM è la risposta più diretta.
Non chiediamo un’adesione basata sulla fiducia. Il criterio corretto è il confronto delle stime con esperimenti indipendenti. Su un caso reale è possibile verificarlo. Se vuoi capire come, siamo qui.
Author
AD cube