Nel contesto dell’advertising, si sta assistendo a una trasformazione significativa grazie alla crescente adozione delle campagne pubblicitarie basate sull'intelligenza artificiale, come le Performance Max di Google. Questo cambio di paradigma è stato seguito da altre piattaforme come Meta, LinkedIn e Bing, che hanno lanciato iniziative simili, dimostrando l'universalità dell'interesse verso soluzioni AI-driven nell'ambito del pay per click. Queste campagne promettono un approccio rivoluzionario alla pubblicità online, riducendo il carico di lavoro degli inserzionisti a semplici input iniziali come l'URL e l'obiettivo di marketing desiderato. La promessa è che l'intelligenza artificiale della piattaforma riesca a gestire in autonomia la creazione degli asset, la scelta dei canali più adeguati, le strategie di ottimizzazione e di offerta, lasciando agli inserzionisti il compito di osservare i risultati ottenuti.
Queste avanzate strategie pubblicitarie si fondano su complessi algoritmi di apprendimento automatico e analisi predittiva, capaci di identificare in tempo reale l'utente più incline alla conversione e di veicolare messaggi pubblicitari altamente personalizzati e tempestivi. La guida ufficiale di Google per le campagne PMax illustra il concetto di raggiungere la "persona giusta, nel momento giusto, con il messaggio giusto e sulla piattaforma giusta". Ciò è reso possibile grazie alla capacità degli algoritmi di AI di analizzare vasti set di dati relativi al comportamento degli utenti, prevedendo con precisione i momenti più opportuni per la conversione.
L'intelligenza artificiale generativa gioca un ruolo cruciale in questo processo, integrando la capacità di creare contenuti dinamici e personalizzati direttamente all'interno dell'esperienza conversazionale offerta dalle piattaforme. Questo approccio permette la generazione automatica di asset pubblicitari dinamici, che si adattano in tempo reale alle esigenze e alle preferenze degli utenti target.
Un altro aspetto fondamentale di queste campagne AI-based è la loro natura cross-platform: non richiedono agli inserzionisti di predeterminare su quali piattaforme veicolare i loro messaggi, sia che si tratti di YouTube, Gmail, Discover o altri canali. L'algoritmo stesso determina il canale più efficace per ciascun messaggio.
La complessità e l'efficacia degli algoritmi che sottendono alle campagne pubblicitarie automatizzate basate sull'intelligenza artificiale rappresentano un argomento di notevole interesse e rilevanza nel contesto del marketing digitale contemporaneo. Queste tecnologie avanzate hanno dimostrato di poter offrire risultati significativi in termini di aumento del ROAS e riduzione dei costi di acquisizione, operando su un modello che prevede una vasta raccolta e analisi dei dati. Al centro di questo processo c'è l'applicazione di modelli predittivi, che analizzano i comportamenti, le preferenze e i percorsi online degli utenti per anticipare le loro future azioni, incluso l'interesse per prodotti o servizi specifici. Questa valutazione in tempo reale dell'opportunità di coinvolgimento si basa non solo sulla probabilità di conversione ma anche sulla valutazione del valore che una singola impression può generare per la campagna.
Questo approccio olistico permette di ottimizzare le risorse pubblicitarie, assicurando che l'investimento sia diretto verso gli utenti più propensi all'azione desiderata, pertanto sono stati sollevati dagli esperti di settore interrogativi importanti riguardo la loro effettiva capacità di generare conversioni incrementali.
In questo scenario, studi recenti hanno iniziato a mettere in discussione il valore incrementale portato da tali campagne, ponendo la questione critica: gli algoritmi di AI nelle campagne pubblicitarie portano realmente performance incrementali misurabili e significative alle imprese?
Come ottenere performance incrementali
Ottenere performance incrementali nel marketing digitale rappresenta una sfida costante per le agenzie e i professionisti del settore. Un esperimento condotto da Pace, un'agenzia specializzata in Marketing Science situata a Segeltorp, Stockholm, ha offerto spunti significativi in questa direzione, dimostrando l'efficacia di un approccio basato sull'ampliamento della copertura del messaggio pubblicitario, spostando l’obiettivo delle campagne dalla conversion alla reach.
Tradizionalmente, le campagne pubblicitarie online tendono a concentrarsi su obiettivi di conversione, mirando a individui già considerati pronti all'acquisto. Questo approccio, sebbene efficace nel generare vendite immediate, tende a far “impigrire” gli algoritmi, i quali limitano il loro ambito di azione a un target ristretto di utenti. Tuttavia, l'esperimento di Pace ha rivelato che spostando il budget dalle campagne focalizzate sulla conversione a quelle orientate alla reach, si è ottenuto un incremento delle vendite del 50%. Questo risultato sottolinea l'importanza di diffondere il messaggio pubblicitario in modo più omogeneo e inclusivo, raggiungendo potenziali clienti al di là di quelli immediatamente pronti alla conversione.
L'algoritmo di reach, contrariamente agli algoritmi focalizzati sulla conversione, adotta un approccio più statistico e distribuito, mirando a raggiungere efficacemente il massimo numero di persone in target. Questo si traduce in una maggiore probabilità di raggiungere utenti che, pur non essendo inizialmente considerati prossimi alla conversione, possono essere influenzati positivamente dalla campagna, contribuendo così a incrementi significativi delle vendite.
Un altro aspetto cruciale osservato nell'esperimento riguarda la tendenza delle campagne altamente focalizzate sulla conversione a privilegiare contenuti e canali transazionali, trascurando messaggi più informativi o narrativi del brand. Questa scelta, sebbene possa sembrare efficiente nel breve termine, porta nel tempo a una saturazione del target di riferimento e a un degrado delle performance, limitando le opportunità di generare revenue incrementali.
Per superare queste sfide, è fondamentale adottare un approccio bilanciato che includa anche strategie di awareness, ossia iniziative focalizzate sulla parte alta del funnel di marketing. Questo consente di mantenere viva l'attenzione verso il brand tra un pubblico più ampio, garantendo al contempo l'efficienza nell'allocazione del budget. L'implementazione di campagne orientate all’awareness richiede l'identificazione di un'audience ben definita e altamente qualificata, sottolineando l'importanza di strategie di segmentazione sofisticate e di una pianificazione strategica attenta per massimizzare il ritorno sull'investimento pubblicitario.
L'evoluzione delle normative sulla privacy e la conseguente limitazione nell'utilizzo di audience di terza parte hanno posto le aziende di fronte alla sfida di riconsiderare e valorizzare maggiormente i propri dati di prima parte. Questi dati, costituiti da tutte le informazioni di proprietà dell'azienda raccolte direttamente dalle interazioni con i clienti e gli utenti, rappresentano una risorsa cruciale per lo sviluppo di strategie di marketing mirate e personalizzate. Sebbene in passato l'abbondanza di dati di terza parte disponibili per l'acquisto abbia potuto oscurare il valore dei dati di prima parte, oggi diventa imperativo per le aziende sfruttare appieno queste informazioni per costruire un vantaggio competitivo.
I dati di prima parte non si limitano esclusivamente alle informazioni personali degli utenti ma includono un ampio spettro di dati generati dalle interazioni con i canali digitali dell'azienda, come il comportamento di navigazione sul sito web, tracciato attraverso strumenti come Google Analytics. Questi dati, quando utilizzati in modo etico e conforme alle normative vigenti, possono trasformarsi in potenti leve per l'ottimizzazione delle campagne pubblicitarie e il targeting avanzato.
Un elemento chiave nell'efficacia delle strategie basate sui dati di prima parte è l'implementazione di un sistema di identificazione persistente dell'utente, noto come "persistent user ID". Questa tecnologia permette di superare i limiti imposti dalla ridotta efficacia dei cookie e dei pixel di tracciamento tradizionali, offrendo un metodo più stabile e affidabile per riconoscere gli utenti attraverso diversi punti di contatto e sessioni. Il persistent user ID può derivare da diverse fonti, come email hashate o identificativi generati attraverso tecniche di fingerprinting probabilistico. Inoltre, sfruttando il retrospective user ID è possibile recuperare e associare le azioni passate di un utente, migliorando significativamente la precisione del targeting.
L'uso di questa tecnologia facilita la creazione di cluster di audience basati su comportamenti specifici, interessi e interazioni precedenti, abilitando l'uso di algoritmi di intelligenza artificiale per arricchire e segmentare ulteriormente questi dati. Questo approccio non solo migliora la personalizzazione delle campagne pubblicitarie ma consente anche di adottare strategie di reach mirate a intercettare nuovi clienti ad alto potenziale, sfruttando le informazioni di prima parte per identificare profili simili a quelli dei clienti esistenti.
Nonostante le percezioni di una presunta fine delle strategie basate sulle lookalike, le aziende continuano a beneficiare di metodi evoluti come le audience predittive o le espansioni di pubblico, che rappresentano l'evoluzione naturale del concetto di lookalike in un contesto in cui i dati di prima parte giocano un ruolo centrale. Piattaforme come LinkedIn e Google hanno introdotto algoritmi avanzati che sfruttano i dati di prima parte per potenziare queste strategie, dimostrando l'efficacia di tali approcci nell'ambito delle campagne pubblicitarie moderne.
Parallelamente alla trasformazione delle strategie di targeting, diventa fondamentale adottare nuovi metodi per la misurazione delle performance e l'attribuzione delle conversioni.
In questo contesto, i Marketing Mix Model emergono come una soluzione efficace per valutare l'impatto incrementale delle campagne, offrendo alle aziende la possibilità di misurare con precisione il ritorno sulle proprie iniziative di marketing, come dimostrato dall'esperimento condotto da Pace.
Marketing Mix Model
Irappresentano un pilastro fondamentale nel campo dell'analisi di marketing, offrendo una visione dettagliata e quantitativa dell'efficacia delle diverse azioni di marketing sui principali indicatori di performance, come le vendite. Questi modelli affrontano un dilemma storico nel marketing, eloquentemente espresso da John Wanamaker: "Metà del mio budget pubblicitario è sprecato, ma non so quale metà."
Attraverso l'impiego di MMM, le aziende cercano di disvelare questa incertezza, ottimizzando l'allocazione delle risorse pubblicitarie per massimizzare il ritorno sugli investimenti.
Negli ultimi decenni, il settore del digital marketing ha assistito a un'evoluzione significativa, guidata dall'adozione crescente di modelli statistici avanzati. Questa tendenza si fonda su tre pilastri principali: un'espansione notevole delle capacità computazionali, un accesso senza precedenti a vasti set di dati, spesso disponibili quasi in tempo reale, e un impegno sempre più marcato da parte delle aziende verso la cultura del data-driven decision making. In questo contesto, i MMM si sono evoluti, integrando metodologie econometriche consolidate con innovazioni derivanti dall'intelligenza artificiale e dal machine learning.
La combinazione di modelli econometrici, sviluppati originariamente negli anni '60, con algoritmi di ML e IA rappresenta una svolta significativa. Questo approccio ibrido non solo minimizza il rischio di errore umano, garantendo risultati di analisi più accurati e affidabili, ma riduce anche drasticamente i tempi necessari per l'elaborazione e l'interpretazione dei dati. Se in passato l'analisi dei risultati di un Marketing Mix Model poteva richiedere fino a sei mesi o addirittura un anno, l'adozione di tecniche di ML e IA permette oggi di effettuare queste analisi su base mensile. Ciò trasforma i MMM in strumenti di analisi estremamente potenti, capaci di offrire insight operativi in tempi significativamente ridotti, e facilita l'adozione di strategie di marketing agile, dove le decisioni possono essere prese e adattate rapidamente in risposta a dinamiche di mercato in continuo cambiamento.
Come funzionano i marketing mix model e che informazioni ci danno
I Marketing Mix Model rappresentano una metodologia analitica avanzata e fondamentale nel campo del marketing quantitativo, progettata per misurare e isolare l'effetto dei vari fattori sulle vendite di un brand, consentendo così di identificare con precisione quelle componenti che contribuiscono all'incremento delle vendite. Questo approccio analitico permette alle aziende di comprendere dettagliatamente quale parte del fatturato è attribuibile a specifiche azioni di marketing e quali elementi non sono sotto il loro controllo diretto.
La versatilità dei MMM li rende strumenti preziosi per l'analisi di un ampio spettro di variabili che influenzano le vendite, sia nel contesto del marketing online che offline. Essi considerano non solo le attività di marketing direttamente quantificabili, come la pubblicità su vari canali, ma anche quelle meno tangibili e difficilmente attribuibili a un costo specifico, come le promozioni e gli eventi. Importante è anche l'abilità di questi modelli di prendere in considerazione fattori esogeni - come l'inflazione - che possono avere un impatto sulle vendite indipendentemente dalle strategie di marketing implementate.
Attraverso l'isolamento degli effetti di ciascuna variabile, i MMM forniscono insight preziosi sull'apporto incrementale di specifiche azioni di marketing al fatturato complessivo. Per esempio, un'azienda potrebbe scoprire che il 92% dell'aumento del fatturato è attribuibile alle attività di marketing print, ottenendo così una valutazione quantitativa dell'efficacia di tale canale. Allo stesso tempo, i modelli sono in grado di "depurare" l'effetto di variabili non correlate al marketing, offrendo una visione più chiara e pulita dell'impatto delle azioni di marketing sulle vendite.
Un vantaggio cruciale derivante dall'uso dei MMM è la capacità di determinare l'allocazione ottimale del budget pubblicitario tra i vari canali di marketing, massimizzando così l'incrementalità. Questo si traduce in una gestione più efficiente delle risorse di marketing, consentendo alle aziende di ottimizzare i ritorni sugli investimenti pubblicitari e di adattare strategicamente le loro campagne in base all'efficacia di ciascun canale.
In sintesi, i MMM offrono:
- Un'analisi dettagliata dell'apporto di ogni canale di marketing.
- La capacità di depurare l'effetto di variabili esogene, offrendo un'immagine più accurata dell'impatto delle attività di marketing.
- Insight sulla saturazione dei canali, permettendo alle aziende di identificare quando un ulteriore investimento in un determinato canale potrebbe non tradursi in un incremento proporzionale delle vendite.
Inoltre, i MMM sono progettati con un approccio "privacy by design", poiché si basano su dati aggregati a livello temporale (giornalieri, settimanali o mensili) piuttosto che individuali. Questo aspetto li rende particolarmente preziosi nell'attuale contesto di crescenti preoccupazioni per la privacy. La loro capacità di operare senza ricorrere a dati a livello individuale permette di continuare a sfruttare questi modelli analitici anche di fronte alle sfide poste dalla limitazione del tracciamento dei dati degli utenti.
La rilevanza e l'efficacia dei MMM sono ulteriormente evidenziate dall'investimento di grandi aziende del settore tecnologico, che hanno iniziato a rilasciare codici open source per facilitare l'adozione e l'implementazione di questi modelli. É il caso di Google, che ha da poco rilasciato Meridian.
La mossa di Google nel rendere disponibile uno strumento di Marketing Mix Modeling (MMM) open source evidenzia la sua comprensione del fatto che la restrizione nell'accesso a dati fondamentali, all'interno di ecosistemi esclusivi, ostacola la capacità degli inserzionisti di valutare con precisione l'efficacia degli annunci digitali.
Questo sforzo dimostra l'importanza crescente dei MMM come strumento essenziale per l'analisi e l'ottimizzazione delle strategie di marketing nell'era digitale.
Lift Experiment
Nell'ambito dell'analisi delle performance pubblicitarie, gli esperti di marketing digitale si avvalgono di diversi strumenti per quantificare l'efficacia delle loro campagne. Oltre ai tradizionali Marketing Mix Models, esistono metodi sperimentali quali i test di lift, che offrono la possibilità di valutare in maniera preventiva e accurata l'impatto incrementale di una campagna pubblicitaria. Questi esperimenti, focalizzati sulla misurazione dell'effetto incrementale, permettono di confrontare i risultati ottenuti dalla campagna con quelli che si sarebbero verificati in sua assenza.
L'adozione di modelli statistici avanzati è cruciale nell'implementazione dei lift tests, in quanto permette di stabilire con precisione la differenza di performance tra il gruppo esposto alla campagna e il gruppo di controllo. La selezione di questi gruppi si basa su criteri di targetizzazione geografica, una pratica che consente di distribuire in modo strategico la visibilità della campagna. Prima di avviare l'esperimento, si effettua un'analisi preliminare per determinare come la variabile di interesse si distribuisca geograficamente, decidendo di conseguenza quali aree geografiche includere nel campione di trattamento (esposto alla campagna) e quali escludere (gruppo di controllo).
Per esemplificare, si potrebbe decidere di lanciare una campagna pubblicitaria in specifiche regioni italiane, mentre altre restano prive dell'esposizione alla campagna. Durante il periodo di trattamento, si procede alla raccolta e all'analisi dei dati relativi alle conversioni sia nel gruppo esposto sia in quello di controllo. Al termine dell'esperimento, l'applicazione di test statistici permette di valutare l'effettiva significatività della differenza osservata nelle conversioni, confermando o meno la presenza di un effettivo incremento.
I lift tests si rivelano particolarmente utili per due motivi principali: in primo luogo, consentono di sperimentare con un budget limitato l'effetto incrementale di una campagna su metriche specifiche come le conversioni, le vendite o il fatturato, prima di investire risorse più sostanziose.
In secondo luogo, offrono l'opportunità di confrontare l'efficacia di diverse strategie pubblicitarie, ad esempio valutando l'incrementalità generata da campagne con obiettivi di reach rispetto a quelle focalizzate sulla conversione, utilizzando lo stesso contenuto pubblicitario.
L'approccio end-to-end dei geo-experiment, inoltre, garantisce una valutazione completa del potenziale di una campagna, ottimizzando l'allocazione del budget in maniera efficace e rispettosa della privacy, dato che si basano su dati aggregati.
L'impiego dei lift tests nel contesto delle strategie di marketing digitale rappresenta quindi un'evoluzione significativa nella capacità delle aziende di misurare e ottimizzare l'efficacia delle loro campagne pubblicitarie, guidando decisioni basate su dati concreti e incrementando il ritorno sull'investimento pubblicitario.
Per quanto concerne i test di lift condotti direttamente dalle piattaforme, focalizzandosi esclusivamente sui loro canali, rendono complesso confrontare il rendimento di più campagne e canali diversi. Questi test sono, inoltre, suscettibili agli aggiornamenti tecnologici e alle variazioni nelle politiche delle singole piattaforme, il che può compromettere la precisione dei risultati. Di conseguenza, è consigliabile affidarsi a partner esterni per questi test.
