Come i framework MMM open-source democratizzano l'uso di MMM

Questo articolo è stato scritto da Mathieu Lepoutre e Arnaud Parent.

‍

Navigare tra informazioni vaste e complesse in un mondo attento alla privacy è fondamentale per prendere decisioni ben informate e altamente operative. I marketer devono affrontare queste domande: Quali attività di marketing producono il più alto ROI? Dove è meglio utilizzare il budget di marketing? Come funzionano i diversi driver di marketing, compresi i canali media a pagamento, di proprietà e guadagnati, ma anche le promozioni o i prezzi? I fattori esterni, come le attività dei concorrenti o le condizioni economiche, influenzano le prestazioni di marketing? Qual è l'impatto a breve termine sulle vendite e quello a lungo termine sulla brand equity?

‍

I limiti dell'attribuzione

Le tecniche tradizionali di Multi-Touch Attribution (MTA) non sono in grado di soddisfare le esigenze principali, soprattutto a causa della loro incapacità di catturare accuratamente la natura multicanale / online e offline dei viaggi dei clienti. Esse tendono a concentrarsi eccessivamente sull'impatto a breve termine delle interazioni digitali, trascurando l'impatto degli sforzi di marketing offline e di fattori esterni come la stagionalità o i cambiamenti economici. L'MTA parte dal presupposto che tutte le conversioni siano attribuite a un touchpoint mediatico, principalmente ai media digitali, un presupposto fondamentalmente errato, anche per gli inserzionisti che operano esclusivamente online con conversioni digitali. In molti casi, una parte significativa dell'impatto non deriva effettivamente dagli sforzi dei media.

‍

Inoltre, gli approcci MTA sono gravemente ostacolati dai vincoli sulla privacy dei dati e dalla sempre minore disponibilità e affidabilità di dati granulari a livello di utente, rendendoli sempre più inefficaci e privi di significato nell'attuale panorama del marketing in rapida evoluzione, anche se si cerca di mitigare questo aspetto attraverso funzionalità come la modalità di consenso o la conversione avanzata.

È qui che entra in gioco il MMM, che fornisce una valutazione olistica dell'efficacia di ogni componente del marketing, considerando il complesso ambiente del marchio. Ottimizza il marketing mix per massimizzare il ritorno sull'investimento, consentendo alle aziende di prendere decisioni di marketing più informate e strategiche. La crescente disponibilità di data analytics avanzati, di competenze di data science e di strumenti di machine learning ha migliorato la precisione e la scalabilità di MMM, rendendolo un bene più prezioso e ampiamente accessibile.

‍

I vantaggi delle librerie open-source

Inoltre, il vantaggio principale e più significativo dei MMM risiede nelle loro capacità predittive. I responsabili delle decisioni di marketing possono simulare varie ipotesi e scenari prima del lancio di una campagna, consentendo loro di ottimizzare le strategie e di avere un impatto immediato sui risultati.

Tuttavia, molti inserzionisti nutrono notevoli preoccupazioni prima di impegnarsi a rendere operative queste tecniche:

• Complessità: Il MMM richiede competenze nell'analisi statistica, nell'elaborazione dei dati e nella conoscenza del dominio, rendendolo inaccessibile alle aziende che non hanno un forte background analitico. Inoltre, la costruzione e la convalida dei modelli MMM è un processo che richiede molto tempo, spesso diversi mesi per essere completato.
• Costi elevati: Impegnare aziende specializzate o fornitori di soluzioni di misurazione commerciali per progetti di MMM può essere proibitivo, spesso limitando questi sforzi a pochi marchi di punta e lasciando molti altri marchi in portafoglio senza le risorse necessarie.‍
• Mancanza di trasparenza: I sistemi basati su MMM in outsourcing rimangono delle scatole nere, con una visibilità limitata da parte degli inserzionisti sulle metodologie e le ipotesi utilizzate, il che ostacola l'adozione dei processi e la fiducia nei risultati.

Di conseguenza, i servizi completi forniti dai fornitori di MMM di terze parti, che in genere gestiscono l'intero processo, dalla scoperta e raccolta dei dati alla modellazione e agli insight/raccomandazioni, stanno affrontando sfide significative. L'in-housing di alcuni o tutti i componenti di una piattaforma di misurazione e ottimizzazione dell'efficacia del marketing su misura sta guadagnando slancio tra i principali inserzionisti e appare ora come un'alternativa realistica per un numero crescente di marketer. Per coloro che sono ancora in fase di considerazione e/o quando l'adozione di una soluzione MMM SaaS da parte di fornitori specializzati sembra meno rilevante a causa della limitata personalizzazione, dei potenziali problemi di integrazione dei dati o degli elevati costi di abbonamento, una domanda cruciale è come i pacchetti MMM open-source recentemente rilasciati o aggiornati possano fungere da catalizzatore per il cambiamento.

Tra i principalipacchetti MMM open-source ve ne sono alcuni forniti direttamente dalle principali piattaforme digitali:

> Robyn di Meta: una base di codice accessibile al pubblico per il MMM semi-automatico che sfrutta le tecniche di apprendimento automatico per accelerare il processo di modellazione, ridurre al minimo i pregiudizi e la soggettività degli analisti e produrre modelli più controllabili e scalabili. Inoltre, si integra perfettamente con strumenti Meta avanzati e di facile utilizzo come Nevergrad, facilitando un'efficiente ottimizzazione delle allocazioni di budget.

>Meridian di Google: Una serie di librerie Python rilasciate di recente che fornisce ai team di data science gli strumenti fondamentali per esplorare la misurazione in stile MMM utilizzando tecniche consolidate e affidabili, rappresentando una nuova generazione di soluzioni di Google dopo LightweightMM. Questo offre agli inserzionisti un progresso significativo, in quanto il suo nucleo completamente bayesiano consente una specificazione del modello altamente flessibile, stimando tutti i parametri con incertezza piuttosto che affidarsi alle ipotesi del modellatore. Inoltre, va oltre i modelli tradizionali, consentendo la stima di un modello gerarchico geografico e, come ci si aspetta da Google, migliorando la valutazione del ruolo della ricerca nell'efficacia e integrando misure di reach e frequenza per ottimizzare le decisioni sulla pubblicità video. Per saperne di più su questa funzione, consultate questo articolo: Perché usare reach e frequenza invece di impressioni nei modelli di marketing mix? 

Questi pacchetti offrono chiaramente funzionalità avanzate, una perfetta integrazione con gli ecosistemi Meta o Google e una solida sicurezza. Tuttavia, alcuni inserzionisti in cerca di maggiore flessibilità, personalizzazione e indipendenza spesso considerano la possibilità di rivolgersi a pacchetti di codice sviluppati dalla comunità come approccio alternativo. A titolo di esempio, possiamo citare

> PyMC-Marketing: Una soluzione MMM open-source sviluppata da un team di ricercatori dei PyMC Labs e da una comunità di esperti, costruita sulla base di PyMC, una libreria di programmazione probabilistica ampiamente utilizzata per la costruzione di modelli bayesiani. Pur essendo uno strumento potente e flessibile per il MMM, la sua complessità, le richieste computazionali e la dipendenza dai metodi bayesiani lo rendono più adatto a data scientist esperti che conoscono Python e la statistica bayesiana. Il pacchetto richiede un investimento significativo in termini di tempo e risorse per essere configurato e utilizzato in modo efficace, e potrebbe non essere la scelta migliore per gli utenti che cercano soluzioni automatizzate e facili da usare.

‍