Home Blog Modeled Attribution: ...

Modeled Attribution: un framework contemporaneo per la misurazione

Filippo Trocca

Abbiamo già parlato di Marketing Mix Modeling e di come il futuro della misurazione delle attività di marketing debba necessariamente passare da un modello privacy-first.

Abbiamo portato questo hot-topic al centro del dibattito su alcuni palchi dei più recenti eventi di settore, da IAB Forum a Search Marketing Connect, e alcuni dei nostri ospiti nelle sale hanno sollevato qualche dubbio sulla dicitura stessa MMM.

“Marketing Mix Model” viene, infatti, considerata una definizione superata, che fa pensare al passato, ai modelli econometrici, all’offline… vero, è proprio quella la matrice, ma i layer di tecnologia attivabili oggi e la sintesi con la Multi Touch Attribution fanno evolvere quegli schemi verso la misurazione del futuro, la Modeled Attribution

 

Privacy, big tech e modeled attribution

Nell’attuale scenario incentrato sulla privacy, i metodi tradizionali di misurazione del marketing e degli analytics non sono più praticabili. La domanda urgente è quindi: quali sono i prossimi step chiave per le Aziende che vogliono misurare efficacemente le loro attività di marketing, comprendere come distribuire al meglio il budget, scegliere i canali più performanti sulla base del loro reale contributo al raggiungimento degli obiettivi di business?

La misurazione a livello di utente ha sempre guidato le scelte strategiche delle imprese, perché consente di comprendere con precisione l’impatto delle campagne di marketing, per prendere decisioni mirate di ottimizzazione e di budget. Fino ad oggi, però, in un’epoca che mette al centro la privacy, al punto da rendere anacronistici e non più compliant i metodi di misurazione utilizzati per anni nel mondo ads, ad esempio.

Le maggiori Big Tech come Google e Meta hanno implementato miglioramenti per preservare il più possibile la misurazione a livello di utente. Tra questi ci sono le Enhanced Conversion e le Conversion API, che consentono di attribuire in modo più accurato le conversioni alle diverse campagne di marketing. 

Non è una soluzione completa, comunque, perché copre solo una parte dei dati mancanti; ed è qui che entra in gioco il Consent Mode di Google, che sfrutta tecniche di modellazione per tenere conto anche degli utenti che rinunciano al consenso per il marketing e l’analisi. 

È possibile che ci sia un certo scetticismo nell’affidarsi a dati “modellati” all’interno dei report. Tuttavia, è importante notare che non si tratta di una novità. Infatti, le conversioni modellate sono presenti da molti anni in strumenti come Google Ads e Facebook Ads Manager. E, paradossalmente, i requisiti per la modellazione aumenteranno solo quando i dataset di utenti noti continueranno a diminuire. 

Sebbene i grandi fornitori non lo rendano molto semplice, con il giusto supporto di esperti è possibile confrontare i risultati non modellati con quelli modellati. Questo consente di prendere decisioni più informate sui numeri e sul loro grado di accuratezza. 

Piuttosto che fuggire dalla modellazione, i marketer dovrebbero cercare di comprenderla meglio e di abbracciarla con convinzione, perché è il futuro più prossimo che possiamo figurarci.

 

Modelli econometrici e attribution: “ritorno al futuro” della misurazione

Perché, quindi, parlare di Modeled Attribution significa parlare di modelli econometrici e di attribuzione, al contempo? 

L’attribuzione è al centro di un acceso dibattito tra i marketer ormai da anni, a maggior ragione oggi se pensiamo a come districarci nei numerosi ecosistemi chiusi e nelle restrizioni sulla privacy. 

Date le inevitabili lacune nei dati conosciuti, un modello di attribuzione a livello di utente è ora sostanzialmente impossibile, a meno che non si prenda in considerazione un sottoinsieme specifico di canali che non attraversano i cosiddetti walled garden, appunto.

In caso contrario, la creazione di una solida soluzione di attribuzione personalizzata dell’utente a livello di canale è utopia.

Detto questo, ovviamente ogni azienda al mondo avrà comunque bisogno di misurare accuratamente le prestazioni del proprio media mix e prendere decisioni di budget efficaci.

È interessante notare che la soluzione ottimale di nuova generazione è proprio una combinazione di due approcci storici.

La Modeled Attribution, infatti, prende il meglio dei Marketing Mix Model, intesi come i tradizionali modelli econometrici, che ragionano su set di dati a livello aggregato piuttosto che input a livello di utente, il che è perfetto nel web cookieless di oggi, e della Multi Touch Attribution, combinandoli per fornire una visione dell’intero funnel delle prestazioni di marketing, nel rispetto della privacy, senza preoccuparsi di considerazioni come il consenso dell’utente o il modo in cui navigare nei walled garden. 

È inoltre possibile includere fattori esterni, come i trend e la stagionalità o l’attività dei concorrenti, per aumentare l’accuratezza del modello e isolare l’impatto specifico delle singole campagne media.

 

Attribuzione modellata e marketing mix model: sì, ma la granularità? 

Quindi, quando le persone affermano che il concetto di Marketing Mix Model è superato, sottolineano in realtà uno dei suoi svantaggi: i MMM, per loro stessa natura e logica, restituiscono risultati aggregati, con un livello di granularità molto basso (ad esempio, dati sul canale TV VS dati del Digital VS dati del mondo PR&stampa) e con una frequenza limitata, ogni 3-6 mesi circa.

Non è più così oggi con il “new deal” del MMM, che è la Modeled Attribution: quest’ultima, infatti, può sfruttare le connessioni dirette con ciascuna delle piattaforme di marketing in uso in azienda, per ottenere input giornalieri al livello più granulare possibile. Questo rende i dati molto più fruibili per la pianificazione tattica e le decisioni di budget.

Inoltre può integrare al suo interno i risultati di test di Conversion incremental (Conversion Lift)i, in modo da riuscire a calibrare ancora meglio il modello.

Il contro è che l’impostazione iniziale richiede una pianificazione e un’esperienza precise, quindi dei Data Scientist esperti che sappiano padroneggiare i modelli ed un team di Data Analytics che sappia guidare le aziende nella strutturazione di una vera Data Strategy.

Questo, però, sul lungo periodo porta dei vantaggi competitivi notevoli, poiché la modeled attribution non solo fornisce tutti i dettagli tipici della Multi Touch Attribution, ma è anche più stabile nel tempo in vista di ulteriori cambiamenti del settore, il che è possibile proprio grazie alla potenza della modellazione, che ragiona grazie a AI e ML.