Marketing mix modeling: come usi lo storico per decidere il budget

In sintesi

• Il marketing mix modeling (MMM) è un modello statistico che legge due o tre anni di dati settimanali, la spesa di ogni canale e i risultati, e stima quanti contatti o vendite ti porta ciascun canale. Così decidi dove spostare il budget con i tuoi numeri, e non con le conversioni che ogni piattaforma si attribuisce da sola.
• Il modello separa quattro cose: i contatti che arrivano comunque, l'effetto della pubblicità che dura dopo la spesa (adstock), il punto in cui un euro in più rende poco (saturazione) e i mesi in cui il tuo mercato cerca di più (stagionalità).
• Google Meridian chiede almeno due anni di dati settimanali per un modello per aree geografiche e tre per un modello nazionale; Meta Robyn chiede almeno due anni (documentazione Meridian, guida Robyn, lette il 28/10/2026).
• Sul sito dimostrativo di Deep Intelligence il modello calcola che il prossimo contatto da Google Ads costa 76 € e quello da Meta Ads 223 €: per questo Virtual CMO propone di spostare 380 € al mese da Meta a Google.
• Deep Intelligence ti mostra la previsione solo se, sulle ultime otto settimane, ha battuto una stima semplice, e otto settimane dopo ogni scelta confronta i contatti veri con quelli previsti.

Che cos'è il marketing mix modeling?

Il marketing mix modeling è un metodo statistico che mette in fila, settimana per settimana, quanto hai speso su ogni canale e quanti risultati hai ottenuto, e da lì stima il contributo di ciascun canale. Il risultato può essere un contatto, una vendita o il fatturato: conta che tu lo misuri sempre allo stesso modo.

La differenza con i report delle piattaforme sta nel punto di partenza. Google Ads e Meta Ads contano le conversioni che passano dai loro annunci, e lo stesso cliente può finire in tutti e due i conteggi. Il modello parte invece dai contatti che hai ricevuto davvero e si chiede quanti ne sarebbero arrivati senza pubblicità. Lavora su totali settimanali, quindi non gli servono cookie né dati sulle singole persone.

Google e Meta pubblicano due modelli gratuiti, Meridian e Robyn. Google scrive che Meridian serve a stimare «the true causal impact of your marketing» e restituisce ROI con intervalli di credibilità, curve di risposta e indicazioni per ripartire il budget.

Quali dati servono per un marketing mix model?

Ti servono tre serie settimanali che coprano lo stesso periodo, più il calendario delle cose che hanno cambiato le vendite senza passare dalla pubblicità.

Google consiglia di raccogliere i dati per settimana: con i dati mensili il modello rischia di non convergere o di dare intervalli molto larghi (Meridian, «Collect and organize your data», aggiornata il 17/09/2026). La guida di Robyn aggiunge una regola pratica: almeno dieci osservazioni per ogni variabile che metti nel modello. Con tre canali, stagione e festività hai già bisogno di decine di settimane.

Come ragiona il modello, in parole semplici?

Il modello scompone i risultati di ogni settimana in pezzi. Ognuno ha un nome tecnico, ma l'idea si spiega con quello che vedi nei tuoi numeri.

I contatti che arrivano comunque

Una parte dei contatti arriva senza pubblicità: chi ti conosce già, chi ti cerca per nome, chi arriva dal passaparola. Il modello chiama questa parte base e la stima con l'andamento di lungo periodo, la stagione e le festività. Se la base cresce, il tuo marchio lavora anche quando spegni le campagne.

L'effetto che dura dopo la spesa

Una persona vede un annuncio oggi e ti scrive fra due settimane. Il modello conserva quindi una parte dell'effetto di ogni settimana e la somma a quella successiva, sempre più piccola. Questo è l'adstock: la guida di Robyn lo descrive come l'effetto della pubblicità che «can lag and decay» dopo la prima esposizione. Così non chiudi una campagna giudicando solo i contatti della stessa settimana.

Il punto in cui un euro in più rende poco

Ogni canale ha un pubblico finito. I primi euro raggiungono le persone più interessate, gli ultimi pagano persone già raggiunte o meno adatte. Il modello disegna per ogni canale una curva che sale in fretta e poi si appiattisce: è la curva di saturazione, che Robyn e Deep Intelligence costruiscono con la funzione di Hill. Dalla curva leggi quanto costa il prossimo contatto, che spesso è molto diverso dal costo medio che vedi nel report.

I mesi in cui il tuo mercato cerca

Uno studio legale riceve più richieste a marzo che ad agosto, con lo stesso budget. Il modello stima questa onda annuale, la stagionalità, e la toglie prima di giudicare i canali. Deep Intelligence fa un passo in più: quando il mercato cerca di più, lo stesso euro porta più contatti, e il modello moltiplica l'effetto di ogni canale per la domanda di quella settimana.

Che cosa ti dice il modello sui dati dimostrativi?

Virtual CMO è la parte di Deep Intelligence che legge il modello e ti propone che cosa fare. Le schermate qui sotto vengono dal sito dimostrativo Marini & Partners, uno studio legale per aziende inventato, con tre anni di dati di prova passati nel modello vero.

Negli ultimi dodici mesi lo studio ha ricevuto 2.052 contatti, il 22% in più dell'anno prima. Il modello ne attribuisce circa la metà alla base, cioè 1.053, poi 565 a Google Ads, 222 a LinkedIn Ads e 212 a Meta Ads. Già qui capisci che spegnere tutta la pubblicità non azzera i contatti, e che Google Ads porta più di un contatto su quattro.

Le curve dicono dove conviene il prossimo euro.

Guardando solo il costo medio, Meta Ads sembra vicino a Google Ads. Il costo del prossimo contatto dice il contrario. Su Meta Ads hai quasi raggiunto il tetto, e ogni contatto in più costa tre volte quello di Google. Per questo Virtual CMO propone di spostare 380 € al mese da Meta Ads a Google Ads, e ti dice anche quando muoverti: il picco delle richieste arriva a marzo, il minimo a luglio, il 39% sotto il picco.

La colonna «Clienti simili» viene da un gruppo di almeno quattro brand con lo stesso modello di business e lo stesso pubblico, e Deep Intelligence non mostra mai i dati di un singolo cliente. Con meno di due anni di storia il modello del tuo brand parte dai valori di quel gruppo e, settimana dopo settimana, si appoggia sempre di più ai tuoi numeri.

Come capisci se il modello ha ragione?

Lo verifichi su dati che il modello non ha visto. Deep Intelligence stima il modello senza le ultime otto settimane, prevede quelle settimane con la spesa che hai fatto davvero e confronta l'errore con una stima semplice: le stesse settimane dell'anno prima, oppure le otto settimane precedenti se lo storico non copre un anno. Ti mostra la previsione a ventisei settimane solo se il modello ha sbagliato meno della stima semplice; altrimenti scrive che per ora non la mostra.

Il secondo controllo arriva dopo ogni scelta. Quando segni come fatta una proposta di Virtual CMO, Deep Intelligence congela la previsione di quel momento e, otto settimane dopo, confronta i contatti veri con la fascia prevista: sopra, in linea o sotto. Il verdetto dice che cosa è successo dopo la scelta, e ti serve per capire quanto fidarti della proposta successiva.

Tieni distinte tre cose quando leggi un modello:

Google e Meta consigliano di calibrare il modello con esperimenti, per esempio spegnendo un canale in alcune aree e confrontandole con le altre. Meta cita Conversion Lift e GeoLift, Google ha pubblicato Meridian GeoX. Un esperimento ben fatto vale più di una stima, e il modello ti dice su quale canale conviene farlo.

Meridian, Robyn o un modello già pronto?

Dipende da chi lavora sui dati nella tua azienda.

Meridian e Robyn sono ottimi se hai una persona che scrive codice e il tempo per pulire i dati ogni mese. Se quella persona non c'è, il lavoro si ferma prima del modello: servono la spesa settimanale di ogni piattaforma, i contatti del sito contati senza bot e senza doppioni, e qualcuno che rifaccia i conti ogni volta che arrivano dati nuovi.

Deep Intelligence fa questo lavoro ogni lunedì e ti mostra il risultato in Virtual CMO. Per mettere insieme da solo anche solo il cruscotto paghi almeno 247 € al mese IVA esclusa fra statistiche senza cookie, connettori per le campagne e uno strumento per le risposte delle AI, prima del modello e delle ore di chi prepara il report (il confronto con le fonti). Con Deep Intelligence hai anche il team di Deep Marketing che legge i numeri con te. Per scegliere che cosa guardare ogni settimana, parti dalla guida ai KPI di marketing.

Domande frequenti

Il marketing mix modeling sostituisce i report di Google Ads e Meta Ads?

No, li completa. I report delle piattaforme ti servono per gestire annunci e parole chiave giorno per giorno, il modello ti serve per decidere quanto budget dare a ogni canale.

Quanti dati servono per partire?

Meridian e Robyn chiedono almeno due anni di dati settimanali. Deep Intelligence stima un modello già con dodici settimane, si appoggia ai brand simili finché la tua storia è corta e mostra la previsione solo dopo ventisei settimane.

Serve un'azienda grande?

Serve una spesa che cambi da una settimana all'altra su almeno un canale. Se spendi sempre la stessa cifra, il modello non ha differenze da cui imparare, qualunque sia il fatturato.

Il modello ha bisogno dei cookie?

No. Lavora su totali settimanali di spesa e risultati, e Deep Intelligence conta le visite del sito con un tag che non usa cookie.

Ogni quanto si aggiorna?

Deep Intelligence ricalcola il modello ogni lunedì, dopo aver importato la spesa della settimana da Google Ads e Meta Ads.

Fonti

• Google, Meridian su GitHub, libreria Python con licenza Apache 2.0, letta il 28/10/2026.
• Google, About the Meridian project, aggiornata il 09/07/2026, letta il 28/10/2026.
• Google, Meridian: Collect and organize your data, aggiornata il 17/09/2026, letta il 28/10/2026.
• Meta Marketing Science, Robyn: Analyst's guide to MMM, letta il 28/10/2026.
• Deep Intelligence, Virtual CMO del sito dimostrativo Marini & Partners (cliente demo, dati di prova), letto il 28/10/2026.

PS: l’immagine di copertina è generata con l’intelligenza artificiale.

Per approfondire: Perché ChatGPT cita Sortlist e non la tua azienda e Leggi il tuo report di visibilità AI 2026. Leggi anche come usi Deep Intelligence per confrontare i risultati dei tuoi canali.