Secondo uno studio di Marketing Evolution e Google, oltre il 56% delle impression pubblicitarie digitali non viene mai visto dai consumatori. Questo si traduce in circa 37 miliardi di dollari sprecati ogni anno dalle aziende a causa di una scarsa performance pubblicitaria.
In un panorama pubblicitario in rapida evoluzione, spesso soggetto a cambiamenti radicali, misurare con precisione l’impatto degli investimenti media è diventato essenziale.
I report di Analytic Edge mostrano che l’analisi in tempo reale e le strategie always-on giocano un ruolo cruciale nel ROI: l’adozione del Marketing Mix Modeling (MMM) può incrementare il ritorno sugli investimenti fino al 10%, grazie a una ottimizzazione in tempo reale della spesa media.
Meridian MMM, un nuovo modello bayesiano pensato per portare trasparenza e rigore scientifico nel Marketing Mix Modeling, nasce proprio per rispondere a un’esigenza comune nei team marketing: capire davvero cosa funziona – e cosa no – nelle proprie strategie media.
Il modello è stato sviluppato da Cassandra.app, piattaforma potenziata dall’intelligenza artificiale che mira a migliorare il ROI pubblicitario, e che ha iniziato il suo percorso evolvendo il modello Robyn di MMM. Il lancio ufficiale di Meridian MMM – che già integra il framework di Marketing Mix Modeling bayesiano di Google – rappresenta un ulteriore passo avanti per l’intera industry del marketing data-driven.
Noi di Social Up abbiamo intervistato uno dei fondatori, Gabriele Franco, per farci raccontare di più sul mondo del marketing mix modeling.
Oltre il 56% delle inserzioni online non viene mai visualizzato: com’è possibile che nel 2025 siamo ancora a questo punto?
Il Digital Media è uno strumento straordinario per raggiungere ampie audience, oggi più connesse che mai. Lanciare una campagna è semplicissimo (chiunque abbia un sito e una carta di credito può farlo in pochi clic). Tuttavia, la gestione delle campagne digitali è spesso sottovalutata. Anche gli elementi più basilari vengono trascurati da molti: come assicurarsi che gli annunci vengano visti da persone reali (identificazione delle frodi), che siano ottimizzati per gli obiettivi reali dei marketer (cioè vendite, e non metriche surrogate come i clic) e che ci sia una misurazione scientifica di ciò che funziona e cosa no.
Questi sono i fondamenti. Richiedono tempo, competenze (statistiche e conoscenza del settore) e la possibilità di prendere decisioni autonome (testare e iterare ciò che funziona).
In cosa Meridian MMM si differenzia realmente dagli altri strumenti di Marketing Mix Modeling utilizzati dai team marketing?
Meridian è un framework molto innovativo, lanciato di recente da Google. Si affianca alle soluzioni già in uso da anni dai marketer. In particolare, se sei un inserzionista che ha eseguito test scientifici per misurare cosa funziona (i cosiddetti test di incrementality), Meridian può essere estremamente utile.
Se operi in più Paesi o aree geografiche, Meridian offre funzionalità chiave per misurare in modo scientifico, su larga scala, ciò che funziona nei diversi mercati.
Meridian rappresenta un’ottima e innovativa aggiunta alla “cassetta degli attrezzi” dei marketer.
Non esiste una soluzione unica valida per tutti in questo settore, ma in Cassandra crediamo che offrire alle aziende quante più opzioni scientifiche possibili sia la chiave: la soluzione giusta si adatta alle specificità del tuo business.
Com’è nata l’idea di Cassandra e quando avete capito che era un problema che valeva la pena risolvere?
Anni fa avevamo un’agenzia, che è diventata rapidamente molto richiesta, attirando sempre più clienti. Il successo, però, aveva un retrogusto amaro: ci trovavamo a gestire budget pubblicitari sempre più elevati e ci siamo accorti di un fatto importante.
Il settore non ha un metodo scientifico e rigoroso per allocare i budget tra i canali. Non ci sentivamo a nostro agio con il modo in cui venivano prese le decisioni: spesso basate su risultati a breve termine di una singola piattaforma, sensazioni personali o teorie non supportate dalla scienza o dal reale comportamento delle persone rispetto a contenuti, dispositivi e formati pubblicitari.
I fondi di investimento e quelli dei consumatori gestiscono il denaro con la matematica: algoritmi complessi calcolano rendimento atteso e rischio. Come può l’industria pubblicitaria, che muove miliardi, non fare lo stesso?
Così è nata Cassandra: per costruire un modo scientifico di allocare budget da milioni di euro tra i diversi media (Meta, YouTube, TikTok, TV ecc…).
Oggi siete partner ufficiali di Meta per il Marketing Mix Modeling: cosa significa per voi e per una startup italiana?
Meta e le altre piattaforme digitali sanno che i clienti non valutano le performance delle inserzioni Meta in modo isolato. I brand hanno sempre la possibilità di spostare i propri investimenti su un’altra piattaforma, con un solo clic.
Noi offriamo una base scientifica per valutare la performance incrementale reale di 1 euro o 1 dollaro investito su Meta rispetto ad altri canali. Meta riconosce che questo approccio è esattamente ciò che i clienti cercano.
In Cassandra siamo molto orgogliosi di essere considerati un punto di riferimento in Europa nella misurazione scientifica, con solide radici italiane.
Qual è la vostra visione sul futuro del marketing data-driven, e che consiglio dareste ai team marketing che vogliono davvero capire cosa funziona?
Due consigli.
Primo: i dati sono sovrani. I team marketing devono avere accesso rapido a grandi quantità di dati di qualità. Nessun algoritmo o modello scientifico sofisticato darà i risultati attesi se i dati sono scadenti o parziali. Investire in dati buoni e nella loro manutenzione significa ottenere ritorni concreti nel tempo. Secondo: formatevi sui test di incrementality. È una metodologia in cui un gruppo di utenti viene esposto agli annunci, mentre un altro gruppo simile no. La differenza nei risultati di business (es. vendite online) tra i due gruppi determina l’impatto netto causato dalle tue ads. Questo tipo di test è essenziale per i marketer che vogliono contribuire alla redditività del brand e rappresenta un complemento fondamentale a qualsiasi tipo di modellazione.
