Blog

Il momento di svolta nel measurement del marketing

Il panorama del marketing digitale sta attraversando una delle sue trasformazioni più radicali degli ultimi vent’anni. Con la progressiva scomparsa dei cookie di terze parti, la frammentazione delle piattaforme pubblicitarie e una crescente attenzione alla privacy degli utenti, la misurazione dell’efficacia delle campagne è diventata una delle sfide più urgenti per brand, agenzie e professionisti del digital marketing.

In questo scenario, Google Meridian si presenta come una risposta concreta e open source al problema: un framework avanzato di Mix Marketing Modeling (MMM) progettato per aiutare le aziende a capire in modo più accurato dove, come e perché i loro investimenti pubblicitari generano risultati. Ma cosa cambia davvero rispetto agli approcci tradizionali? Cosa rende Meridian diverso dagli strumenti già esistenti? E come può essere implementato in modo pratico?

In questo articolo analizziamo in profondità Google Meridian, il suo impatto sul Mix Marketing Modeling e tutto ciò che ogni marketer, analista o responsabile media dovrebbe sapere.

Cos’è Google Meridian: definizione e contesto

Google Meridian è un framework open source per il Marketing Mix Modeling sviluppato e rilasciato da Google nel 2024. È costruito in Python e basato su Bayesian statistics (statistica bayesiana), con l’obiettivo di fornire alle aziende uno strumento metodologicamente solido per valutare il contributo di ogni canale pubblicitario alla performance complessiva del business.

A differenza degli strumenti proprietari precedenti — come Google’s Lightweight MMM, ancora disponibile — Meridian è stato progettato con una struttura gerarchica più flessibile, in grado di gestire dati a livello geografico granulare, integrare segnali provenienti da Google Ads e YouTube, e incorporare incertezza statistica nelle previsioni.

Perché Google ha creato Meridian?

La risposta è strategica e tecnica allo stesso tempo:

1. Deprecazione dei cookie: senza il tracciamento individuale tra siti, le aziende devono affidarsi a metodologie aggregate come l’MMM per misurare l’impatto delle campagne.
2. Fiducia nel dato aggregato: i modelli bayesiani offrono output con bande di incertezza, rendendo le stime più oneste e affidabili rispetto alle previsioni puntuali.
3. Ecosistema aperto: il rilascio open source aumenta la trasparenza e incoraggia la collaborazione con il settore.
4. Integrazione con Google Ads: Meridian può incorporare dati di reach e frequenza da Google Ads, migliorando la qualità dei dati di input.

Cos’è il Marketing Mix Modeling: breve riepilogo

Prima di analizzare le novità introdotte da Meridian, è utile ricapitolare i fondamenti del Mix Marketing Modeling.

Il MMM (Marketing Mix Modeling) è una tecnica econometrica che utilizza dati storici aggregati — vendite, investimenti pubblicitari, fattori di stagionalità, variabili macroeconomiche — per stimare il contributo di ogni canale di marketing alla performance di un’azienda.

Vantaggi classici dell’MMM:

• Non richiede dati a livello individuale (rispetta la privacy by design)
• Funziona cross-canale e cross-media
• È indipendente dalle piattaforme
• Permette simulazioni predittive e ottimizzazione del budget

Limiti tradizionali dell’MMM:

• Richiede grandi volumi di dati storici (almeno 2-3 anni)
• È computazionalmente oneroso
• Fatica a catturare effetti nel breve termine
• I modelli classici (OLS, regressione lineare) non gestiscono bene l’incertezza

È proprio per superare questi limiti che Google Meridian introduce un cambio di paradigma.

Le innovazioni chiave di Google Meridian nel MMM

1. Approccio bayesiano gerarchico

Il cuore di Meridian è la sua architettura Bayesian Hierarchical. Cosa significa in pratica?

I modelli tradizionali di MMM producono un singolo valore stimato (es. “la TV ha contribuito al 23% delle vendite”). Meridian, invece, produce distribuzioni di probabilità: anziché un numero, ottieni una curva che mostra quanto è probabile ogni possibile valore. Questo è cruciale per decisioni di budget: sapere che “la TV contribuisce tra il 18% e il 29% con il 90% di confidenza” è molto più actionable di un singolo numero.

La struttura gerarchica permette di modellare dati aggregati a diversi livelli geografici (nazionale, regionale, locale) in modo coerente, senza perdere informazioni statisticamente preziose.

Esempio pratico: un’azienda retail con punti vendita in 15 regioni italiane può costruire un modello che stima l’efficacia delle campagne regionali mantenendo la coerenza con il livello nazionale, senza dover creare 15 modelli separati.

2. Integrazione con i dati di reach e frequenza di Google Ads

Una delle novità più significative di Meridian è la possibilità di importare dati di reach e frequenza direttamente da Google Ads e YouTube. Questo supera uno dei limiti storici del MMM: usare la spesa come proxy dell’esposizione pubblicitaria.

Con Meridian, invece di modellare solo “quanto hai speso su YouTube”, puoi modellare “quante persone uniche hai raggiunto e con quale frequenza”. Questa granularità migliora sensibilmente la qualità del modello, specialmente per i canali video dove il rapporto tra spesa ed esposizione effettiva può variare molto.

3. Saturazione e adstock migliorati

Ogni modello MMM deve gestire due fenomeni fondamentali:

• Adstock: l’effetto ritardato della pubblicità (un annuncio visto oggi può generare un acquisto tra 2 settimane)
• Saturazione: i rendimenti decrescenti degli investimenti pubblicitari (raddoppiare la spesa non raddoppia le vendite)

Meridian implementa modelli avanzati di adstock (inclusa la versione “hill-adstock” per i canali digitali) e curve di saturazione parametrizzate, con prior bayesiani calibrati su evidenze empiriche di settore. Il risultato è una stima più realistica dell’efficienza marginale di ogni canale.

Esempio pratico: per un e-commerce che investe in Google Search, Meridian può mostrare che oltre una certa soglia di spesa settimanale il ROAS inizia a decrescere significativamente — informazione chiave per l’ottimizzazione del budget.

4. Modellazione dell’incertezza e scenario planning

Una delle funzionalità più preziose di Meridian è la possibilità di costruire simulazioni di budget con bande di incertezza. Anziché ricevere un’unica “previsione” per ogni scenario di allocazione, il modello restituisce intervalli probabilistici che aiutano a prendere decisioni più informate.

Questo si traduce direttamente in:

• Budget optimization con vincoli flessibili
• Confronto tra scenari “what-if” con quantificazione del rischio
• Identificazione dei canali a maggiore varianza (più rischiosi) rispetto a quelli stabili

5. Open source e personalizzabile

Meridian è open source (licenza Apache 2.0), disponibile su GitHub, scritto in Python e compatibile con l’ecosistema standard di data science (NumPy, Pandas, JAX, TensorFlow Probability). Questo significa:

• Totale trasparenza metodologica
• Possibilità di personalizzare il modello alle esigenze specifiche dell’azienda
• Nessun vendor lock-in
• Community attiva di sviluppatori e ricercatori

Google Meridian vs. strumenti MMM tradizionali: confronto pratico

Considerazioni tecniche per l’implementazione

Adottare Google Meridian non è una decisione plug-and-play. Richiede una serie di prerequisiti tecnici e organizzativi.

Requisiti di dati

• Frequenza: dati settimanali (minimo) o giornalieri, per almeno 2 anni
• Canali: dati di spesa o esposizione per ogni canale media (TV, radio, digital, OOH, ecc.)
• KPI: vendite, revenue, lead o qualsiasi metrica di business come variabile dipendente
• Variabili di controllo: stagionalità, promozioni, eventi speciali, prezzi, distribuzione

Competenze richieste

• Python avanzato
• Familiarità con statistica bayesiana (prior, posterior, MCMC/NUTS sampling)
• Conoscenza di JAX o TensorFlow Probability
• Esperienza nell’interpretazione di output probabilistici

Tempi di sviluppo

Un progetto Meridian tipicamente richiede:

• 2-4 settimane per la raccolta e la pulizia dei dati
• 2-3 settimane per la calibrazione e il tuning del modello
• 1-2 settimane per la validazione e la comunicazione dei risultati

Integrazione con Google Ads

Per sfruttare i dati di reach e frequenza di Google Ads è necessario accedere all’API di Google Ads e configurare correttamente l’esportazione dei dati. Questa integrazione, se ben strutturata, può migliorare significativamente la qualità del modello per i canali digitali.

Chi dovrebbe usare Google Meridian?

Google Meridian è la scelta giusta per:

• Grandi aziende e brand con investimenti media significativi (almeno 5-10M€/anno) e presenza multi-canale
• Agenzie media che vogliono offrire ai clienti una misurazione più trasparente e metodologicamente avanzata
• Team di data science e analytics con competenze in Python e statistica bayesiana
• Aziende in settori con acquisti a ciclo lungo (automotive, assicurazioni, real estate) dove l’adstock e i ritardi di conversione sono cruciali

Non è la scelta giusta per:

• Piccole aziende con dati storici limitati e budget ridotti
• Team senza competenze tecniche di data science
• Aziende che cercano una soluzione rapida e self-service

Benefici concreti per il business

Implementare Google Meridian nel proprio stack di misurazione porta a benefici tangibili e misurabili:

1. Ottimizzazione del budget media

Identificare con precisione i canali che generano ROI reale — non solo last-click — permette di riallocare budget da canali saturi verso canali ancora in fase di crescita.

2. Riduzione della dipendenza dal tracciamento individuale

In un mondo post-cookie, il MMM diventa una delle poche metodologie capaci di misurare l’efficacia della pubblicità in modo privacy-safe e conforme al GDPR.

3. Decisioni più informate sull’incrementalità

Meridian, combinato con geo-experiments o conversion lift studies, può essere usato per validare le stime di incrementalità, creando un sistema di misurazione più robusto.

4. Migliore comunicazione con il management

I grafici a intervallo di confidenza di Meridian sono strumenti potenti per comunicare al board l’incertezza insita nelle decisioni media, senza nasconderla dietro numeri troppo precisi.

5. Scenario planning per il budget annuale

Durante i cicli di pianificazione annuale, Meridian permette di simulare decine di scenari di allocazione media in pochi minuti, con quantificazione probabilistica del risultato atteso.

Il futuro del Mix Marketing Modeling con Meridian

Google Meridian non è un punto di arrivo, ma un punto di partenza verso un nuovo paradigma del measurement. Nei prossimi anni, possiamo aspettarci:

• Integrazione con dati di prima parte (1P data): i CRM e le piattaforme di data clean room alimenteranno modelli MMM sempre più precisi
• MMM in tempo quasi-reale: l’avanzamento computazionale ridurrà i tempi di aggiornamento dei modelli da mesi a settimane
• Combinazione con Attribution Models: l’integrazione tra approcci aggregati (MMM) e approcci basati sul journey (MTA) rappresenta la frontiera più avanzata del measurement
• Democratizzazione degli strumenti: framework come Meridian, pur rimanendo tecnici, diventeranno più accessibili grazie a interfacce no-code e integrazioni native con piattaforme di BI

Google Meridian rappresenta un salto qualitativo significativo nel mondo del Mix Marketing Modeling. La sua architettura bayesiana gerarchica, l’integrazione con i dati Google Ads, la gestione avanzata dell’incertezza e la natura open source lo rendono uno degli strumenti più completi e trasparenti oggi disponibili per la misurazione degli investimenti media.

Per le aziende che vogliono sopravvivere — e prosperare — in un ecosistema pubblicitario sempre più orientato alla privacy, investire in una strategia di Marketing Mix Modeling è non più un’opzione, ma una necessità strategica.

Sei pronto a portare la misurazione del tuo marketing al livello successivo?

Contatta il nostro team di esperti per una consulenza gratuita su come implementare Google Meridian nel tuo stack di analytics e trasformare i tuoi dati media in decisioni di budget più intelligenti e profittevoli.