Si è molto parlato, di recente, di gestione dei dati, di privacy, di web cookieless: ma cosa cambia, nelle sostanza, per gli advertiser? E come potranno mappare i percorsi degli utenti, se i dati diventano sempre meno mentre i canali sono sempre più frammentati e ibridi?
Il Marketing Mix Modeling potrebbe venire in soccorso dei marketer e delle aziende.
C’era una volta l’Attribution model multi-touch
Come spiegato, la next advertising era permetterà di misurare le performance delle campagne di advertising con maggior dettaglio solo al raggiungimento di alcune soglie.
Sia SKAdnetwork di Apple che Attribution API di Google introducono questo concetto di “gerarchia”, che sblocca il tracciamento di più dettagli al crescere del numero di conversioni, al fine di evitare la possibilità di riconoscere il singolo utente.
Naturalmente, questi Framework vanno a colpire le capacità di misurazione delle piattaforme di advertising, non di strumenti di Digital Analytics come Google Analytics, Adobe Analytics, Matomo, Piwik Pro, etc., che continueranno a misurare come oggi e come oggi non potranno misurare le conversioni post impressions.
Una attribution multi-touch sarà, di conseguenza, possibile esclusivamente post click e l’identificazione dell’utente sarà demandata alle capacità della piattaforma di digital analytics (Google Analytics 4 promette di riconoscere l’utente utilizzando anche dati di Google quando Google Signals è attivo) oppure delle capacità del CMS stesso.
Traduciamo tutto questo in pratica: il santo Gral dell’attribution multi touch è sempre più distante e impossibile da raggiungere.
L’attribution multi-touch prevede, infatti, la possibilità da parte della piattaforma di seguire l’utente in tutti i suoi touchpoint, al fine di poter disegnare il percorso (path) che ha portato l’utente stesso alla conversione.
Analizzando tutti path generati dagli utenti, il modello potrà determinare il peso che ogni touchpoint – quindi ogni canale di marketing – ha avuto nel determinare la conversione e restituire agli advertiser un’analisi specifica di come la pianificazione marketing è stata di successo, o meno, canale per canale.
Per funzionare, un attribution model multi-touch prevede la capacità di riconoscere l’utente cross device, al fine di poter creare i path stessi.
Un esempio lo rende più chiaro.
Mario vede un annuncio pubblicitario su TikTok mentre esplora il suo feed video, poi vede un annuncio della stessa azienda all’interno di Instagram; incuriosito, cerca il nome del prodotto su Google (tutte queste attività sono fatte sul suo smartphone) e trova un annuncio di Google Shopping, visita il sito dell’azienda cliccando su un risultato organico, trova interessanti le caratteristiche del prodotto e si iscrive alla newsletter per ricevere offerte e più informazioni.
Passano due settimane e Mario riceve una mail dall’azienda, che gli ricorda che è uscita la nuova versione del prodotto, oggi anche in nuovi colori, così visita il sito cliccando sul link della newsletter per vedere la nuova collezione.
Il giorno dopo, Mario vede la campagna pubblicitaria dell’azienda sui bus della sua città. Arrivato in ufficio, visita il sito dell’azienda cercando il nome su Google dal suo laptop, vuole vedere le immagini del prodotto con lo schermo grande del computer.
Tre settimane più tardi deve fare un regalo di compleanno e decide di comprare proprio quel prodotto. Seduto sul divano acquista il prodotto dal suo tablet dopo aver cercato il nome dell’azienda su Google e cliccato su un risultato organico.
Facciamo un riassunto:
- Mario ha utilizzato 3 diversi device: smartphone, laptop, tablet
- ha interagito con 7 diversi canali: TikTok, Instagram, Google Ads, newsletter, OOH, Google Organico
- Tempo di conversione: circa 6 settimane
- Tipo di interazione: Impressions, click, sessione, OOH
Esiste, ad oggi, uno strumento che potrebbe anche con i 3rdparty cookie seguire il percorso completo di Mario? No, perché la componente offline sarebbe impossibile da riconciliare in un path, ma anche le stesse impressions di TikTok o Instagram non possono essere riconciliate in un unico strumento, anche se si tratta di canali digitali.
Questo semplice case study, che da utenti tutti viviamo quotidianamente, mostra la complessità di un marketing mix di un’azienda che prevede anche advertising offline, ma evidenzia come persino singoli strumenti digitali non possono essere correttamente mappati e attribuiti come touchpoint, perché non si ha accesso a quel tipo di dato (impressions da social, nello specifico).
Un attribution model creato su uno strumento di Digital Analytics come Google Analytics o Adobe Analytics tenderà a dire che l’attività di Advertising su TikTok e Instagram non ha alcun valore, semplicemente perché non registra le visualizzazioni degli annunci.
Già oggi, quindi, il modello multi-touch ha forti limiti e in futuro avrà limiti ancora più forti, per questo motivo è necessario pensare a nuove metodologie.
Marketing Mix Model: cos’è e perché torna in auge oggi
Come per l’intelligenza artificiale, in cui il concetto di rete neurale è stato ideato già negli anni quaranta, allo stesso modo nel mondo dell’attribution sono modelli matematici nati nel passato a venirci in aiuto, supportati da una potenza di calcolo che prima non era disponibile.
In passato, i cosiddetti modelli econometrici erano – e lo sono tuttora, in realtà – alla base del calcolo dell’efficacia dell’investimento del marketing offline (TV, radio, giornali, OOH, eventi, etc.), pur con alcuni difetti:
- lunghi tempi di realizzazione e ottimizzazione, nonché alto effort, poiché si raccolgono manualmente i dati alla fine di un quarter per avere le analisi per le campagne che sarebbero partite 2 quarter più tardi, quindi le analisi del primo quarter dell’anno potevano essere applicati al 3 quarter dell’anno;
- imprecisione dovuta ai bias dell’analista, essendo creati in modo manuale, quindi credenze, errori ed esperienza del singolo operatore determinano in buona parte il peso dato ad ogni canale del marketing mix.
Per ovviare a questi problemi, si è pensato di automatizzare il processo.
Questa è stata l’idea per il primo progetto open source di Marketing Mix Model: prendere in considerazione la base statistica sviluppata in passato, applicare le capacità di analisi tipiche della computazione moderna, che permettono di analizzare milioni di modelli tutti insieme, per sceglierne alcuni lasciando all’analista la decisione finale, ma solo dopo essere stato supportato dalla tecnologia. A questo, si aggiunge la capacità di forecast sviluppata dall’intelligenza artificiale nell’analisi delle serie numeriche.
Questa è la descrizione semplificata del progetto “Robyn” di Meta: il marketing mix model open source più avanzato oggi presente sul mercato.
Come funziona un Marketing Mix Model?
Per elaborare i suoi risultati, un MMM non ha bisogno di seguire l’utente, è privacy-first by design, perché utilizza solo dati aggregati, come click, impressions, sessioni, conversioni, costi e revenue.
Questo significa che è possibile dare “in pasto” all’algoritmo le performance dei diversi canali di marketing, usando come metriche clic e impressioni, raccogliere le informazioni di costo e i risultati in termini di revenue: e queste sono informazioni che avremo sempre a disposizione, perché non saranno mai influenzate o limitate da nuove leggi sulla privacy o decisioni istituzionali, perché sono tutte metriche che possiamo raccogliere senza dover chiedere alcun permesso all’utente, dato che non servono in alcun modo a identificarlo o profilarlo.
Un marketing mix model, inoltre, ha bisogno di informazioni di contesto per capire l’andamento macro-economico: ad esempio, i dati di Google Trends sono perfetti a questo scopo, e possono essere integrati dati relativi alla competizione, alla domanda dello specifico prodotto/servizio etc.
Cosa restituisce un marketing Mix Model?
Nel caso di Robyn, viene restituito un modello basato sui dati storici, che permette di valutare se e quanto i singoli canali del marketing mix abbiano contribuito a generare il risultato aziendale, ma anche quale sarebbe stata la distribuzione ottimale di budget calcolando la saturazione raggiunta nei vari canali. Questo è utile in prospettiva futura, perché permette di comprendere se è possibile aumentare l’investimento e di conseguenza il risultato, oppure se anche aumentandolo non ci possiamo aspettare un miglioramento del risultato.
Se Robyn è oggi il progetto più avanzato di Marketing Mix Model, riconosciuto da diversi esperti di settore, Google non è rimasto in disparte ma, naturalmente, sta lavorando al proprio modello e ha pubblicato le prime librerie opensource, chiamate Lightweight.
Al momento il framework di Mountain View non può competere con Robyn né per funzionalità né per capacità di analisi, visto che si concentra solo sui canali di marketing digitale, ma Google sta lavorando alacremente a questo progetto, investendo cospicue risorse.
I Marketing Mix Model non sono strumenti semplici da utilizzare, difficilmente verrà elaborato da Google o Facebook o altri un tool di attribution omnicomprensivo che, collegato agli strumenti digitali di una company, restituisca risultati di facile interpretazione chiavi in mano.
Al momento, sono framework relativamente semplici nella fase di ingestion dei dati, ma è necessario un analista esperto per poter interpretare i diversi modelli che vengono restituiti e scegliere il migliore, per poi continuare a lavorarci nei mesi e interpretare i risultati, applicando i correttivi necessari.
Naturalmente, i marketing mix model hanno anche i loro punti deboli: in particolare, la poca elasticità. Essendo basati sui dati storici, sono in grado di valutare i risultati futuri esclusivamente senza mutazioni.
Ad esempio, analizzando le nostre campagne Social il modello potrebbe dirci che siamo arrivati al punto di saturazione: non si tratta, però, del punto di saturazione del canale, ma è il punto di saturazione delle audience che stiamo utilizzando in quel determinato momento. Quindi, l’MMM non potrà dirci se aggiungendo nuove audience otterremo risultati migliori, sebbene il fatto di poter lanciare un’analisi del marketing mix che aggiorna il modello su base settimanale mitiga il problema, perché il modello nel corso del tempo imparerà e ci darà feedback di come i cambiamenti hanno influito positivamente o negativamente sulla nostra strategia.
I MMM non sono semplici, sono uno strumento complesso che sta crescendo e sta diventando sempre più gestibile, alla portata anche delle middle-company e non solo dei grandi gruppi. Il consiglio è iniziare ad informarsi e ad investire nella sperimentazione di questi nuovi modelli di misurazione, che potrebbero essere di grande aiuto nella congiuntura economica attuale dove si richiede sempre più controllo e capacità di immaginare scenari futuri.
L’interesse per i Marketing Mix Model è crescente: anche Uber ha rilasciato nella sua libreria per l’analisi di serie temporali Orbyt, una nuova feature Bayesian Time Varying Coefficient Model, che può essere utilizzata per gli MMM.
I marketing MIx model sono, insieme all’analisi incrementale, gli hot topics del momento per cui ogni marketer deve informarsi e capire se sono o saranno utili per i progetti che gestisce.
