pubblicità digitale

La rivincita del Marketing Mix Model con l’IA: così fa aumentare il ROI nel mondo senza cookie



Indirizzo copiato

Negli ultimi due anni, il Marketing Mix Model (MMM) ha guadagnato rinnovata attenzione, superando le moderne tecniche di attribuzione del digital marketing. Con un customer journey complesso e l’era cookieless imminente, il MMM si dimostra vitale per analizzare e ottimizzare le performance pubblicitarie, grazie anche all’integrazione con l’intelligenza artificiale

Pubblicato il 2 lug 2024

Mattia Ierardi

Growth Marketing Director di Lotrèk



Marketing,Automation,,Growth,Marketing,Strategy,Concept.,Digital,Marketing,Automation,Tools

Negli ultimi due anni stiamo assistendo a un rinnovato interesse verso il Marketing Mix Model (MMM) o Modello Econometrico, una metodologia che sembrava essere stata oscurata dall’ascesa del digital marketing e delle sue avanzate tecniche di misurazione, basate sul Multi-Touch Attribution.

What is marketing mix modeling in 90 seconds?

Ma con un customer journey sempre più articolato che comprende un numero sempre maggiore di touchpoint, piattaforme pubblicitarie che si attribuiscono il 100% delle conversioni utilizzando modelli di attribuzione differenti, piattaforme di analisi che non considerano le performance di copertura e frequenza di una campagna e della sempre più vicina era Cookieless, il Marketing Mix Model sta vivendo una vera e propria rinascita.

Che cos’è un Marketing Mix Model e come funziona nel marketing digitale

I Marketing Mix Model sono tecniche statistiche applicate sui dati storici per comprendere la contribuzione che ha ogni singolo fattore rispetto a un determinato KPI.

In sostanza, il KPI che si vuole analizzare (ad esempio le vendite o le lead) viene studiato in funzione di una serie di variabili indipendenti interne all’azienda (tra cui investimenti pubblicitari sui differenti touchpoint online e offline, sconti e promozioni, prezzo dei prodotti/servizi) ed esterne (tra cui investimenti pubblicitari dei competitor, temperatura, situazioni politico-economiche come guerre e inflazione), con lo scopo di comprendere quanto abbiano influenzato il  risultato. Se dovessimo rappresentare la definizione di Marketing Mix Model con una formula, sarebbe:

Vendita = f {Online advertising + Offline advertising + Promozioni + Holiday + …}

I Marketing Mix Model sfruttano tecniche statistiche avanzate tra cui le regressioni lineari, l’analisi della varianza e il machine learning, e trattandosi di un “modello” non sempre è rappresentativo al 100% della realtà: è necessario quindi realizzare e analizzarne diversi prima di trovare quello più puntuale per il brand in analisi.

Una volta che però il modello viene validato, è possibile avere una rappresentazione dello storico delle performance di un brand e poter così ottimizzare ed efficientare gli investimenti pubblicitari futuri.

I vantaggi del MMM per i brand

I Marketing Mix Model non solo ci consentono di analizzare lo storico delle performance, ma offrono gli strumenti necessari per poter stimare i risultati futuri, in una logica totalmente data-driven. Ad esempio, ci permettono di:

  • comprendere su quali canali e su quali campagne concentrare gli investimenti pubblicitari, tramite la misurazione dell’attribuzione incrementale dei risultati ai singoli touchpoint e l’integrazione dell’interpretazione dei dati con l’intelligenza artificiale;
  • determinare il corretto phasing delle campagne, tenendo conto dell’Adstock – metrica che misura l’effetto ritardato della pubblicità nel tempo;
  • determinare quanto i fattori esterni impattano sui risultati di business di un nostro cliente – ad esempio, che performance aspettarsi in una determinata regione se il meteo è soleggiato o piovoso.

Il tutto viene fatto con un unico obiettivo: quello di massimizzare il ROI dei clienti.

Requisiti per la realizzazione di un Marketing Mix Model

Ci sono dei requisiti senza i quali non è possibile realizzare un Marketing Mix Model rappresentativo della realtà. Questi variano da azienda ad azienda e da caso a caso, ma ce ne sono alcuni che garantiscono un buon punto di partenza: un media mix articolato, un investimento annuale minimo in advertising di € 360.000 all’anno e uno storico degli investimenti pubblicitari e dell’andamento del KPI che si vuole analizzare (ad esempio le vendite o le lead) di almeno 1 anno e mezzo. I dati devono avere una capillarità settimanale.

Sfide future: Marketing Mix Model e AI

I Marketing Mix Model non sono quindi una novità e al giorno d’oggi rappresentano una risorsa cruciale per ottimizzare le strategie di marketing digitale. Per un’agenzia che si propone come leader in questi servizi, applicare i modelli evidenziati può significare un incremento di efficienza, ROI e soddisfazione dei clienti, rafforzando la propria posizione nel settore.

In un panorama di marketing in continua evoluzione, inoltre, l’AI contribuisce ad aggiungere una serie di vantaggi in grado di amplificare ulteriormente il potenziale del Marketing Mix Model, offrendo alle aziende strumenti avanzati per affrontare le sfide moderne, grazie a livelli di analisi dinamici e adattivi. In che modo?

Con l’AI, è possibile svolgere analisi in tempo reale, monitorando l’efficacia delle campagne pubblicitarie, grazie agli algoritmi di machine learning in grado di aggiornare costantemente il modello con nuovi dati, garantendo così che le decisioni di marketing siano sempre basate sulle informazioni più recenti e pertinenti. Questo significa che le campagne possono essere ottimizzate e adattate rapidamente alle condizioni di mercato e ai comportamenti dei consumatori.

L’AI può automatizzare molte delle decisioni che tradizionalmente richiederebbero un’analisi umana, come l’allocazione del budget pubblicitario tra diversi canali, consentendo una reattività più rapida alle opportunità e ai rischi emergenti. I modelli di machine learning, come le reti neurali e gli algoritmi di deep learning, possono essere utili per la predittività,  identificando pattern complessi nei dati storici che potrebbero essere invisibili ai metodi di analisi tradizionali. La capacità dell’IA di analizzare grandi volumi di dati, inoltre, consente una personalizzazione su misura delle campagne di marketing: riflettere le peculiarità di segmenti di pubblico specifici, regioni geografiche, o periodi dell’anno garantisce che ogni messaggio di marketing sia altamente rilevante per il target di riferimento.

L’uso dell’AI nel Marketing Mix Model, inoltre, riduce il rischio di bias umani, fornendo una base più oggettiva per le decisioni di marketing. Gli algoritmi possono valutare i dati in modo imparziale, portando a una comprensione più trasparente di quali fattori influenzano maggiormente le prestazioni. La capacità dell’AI di elaborare e analizzare dati provenienti da molteplici touchpoint e canali consente una visione integrata delle performance di marketing. Questo approccio omnicanale è essenziale per comprendere come le diverse componenti del marketing mix interagiscono tra loro e influenzano il comportamento dei consumatori. Infine, l’AI può essere utilizzata per creare simulazioni e scenari ipotetici che aiutano le aziende a comprendere l’impatto potenziale di diverse strategie di marketing.

Conclusioni

Ci muoviamo verso un futuro sempre più data-driven: la capacità di sfruttare l’AI nei Marketing Mix Model sarà dunque fondamentale per il successo nel panorama del marketing digitale. L’integrazione tra i due rappresenta un potente strumento per le aziende che mirano a ottimizzare il ROI. Con l’AI, il Marketing Mix Model diventa più agile, predittivo e capace di adattarsi rapidamente ai cambiamenti del mercato e ai comportamenti dei consumatori.

Per le agenzie di marketing, questo significa non solo una maggiore efficienza operativa e risultati più robusti per i clienti, ma anche un vantaggio competitivo che può consolidare la loro posizione di leader nel settore.

EU Stories - La coesione innova l'Italia

Tutti
Iniziative
Analisi
Iniziative
Parte la campagna di comunicazione COINS
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia
Iniziative
Parte la campagna di comunicazione COINS
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia

Articoli correlati

Articolo 1 di 4