I dati migliori non sono quelli che misurano di più

La rinascita del Marketing Mix Modeling coincide con la fine del tracciamento online, ma i dati incompleti rischiano di premiare

Il canale più performante nel tuo Marketing Mix Modeling potrebbe non essere quello che genera davvero valore incrementale. Potrebbe essere semplicemente il canale con i dati migliori, più veloci da tracciare, più completi nei data pipeline standard. La metrica che stai guardando non misura necessariamente l’efficacia reale: misura la facilità di misurazione. Secondo il documento pubblicato a luglio 2026 dalla Coalition for Innovative Media Measurement, il Marketing Mix Modeling sta passando da tecnica specialistica a infrastruttura decisionale, determinando come viene definito il valore del marketing e come viene allocato il capitale nell’ecosistema dei media. Il problema è che lo fa con dati che premiano chi arriva primo nella pipeline di reporting.

Il canale fantasma

La rinascita del Marketing Mix Modeling ha una data di inizio precisa: quando Apple, Google e i regolatori di tutto il mondo hanno iniziato a contrastare il tracciamento online, l’MMM è tornato prepotentemente in auge dopo anni di oblio. Era caduto in disgrazia perché richiedeva troppo tempo e non offriva risposte deterministiche. Oggi, nell’era post-cookie e post-IDFA, l’industria lo sta trasformando in qualcosa di molto più ambizioso: non più solo una tecnica analitica, ma una vera e propria forma di infrastruttura di mercato.

Ma c’è un rischio crescente, e il documento del CIMM lo mette nero su bianco con una chiarezza che raramente si vede nei paper di settore: le potenziali debolezze dell’MMM — dati incompleti, tassonomie incoerenti, priors opache, evidenze di validazione insufficienti e asimmetrie nell’accesso ai dati — possono trasferirsi direttamente nelle decisioni di allocazione. Il meccanismo è subdolo: i canali più facili da misurare o più rappresentati nei data pipeline standard vengono sistematicamente sovrastimati, mentre quelli con input più lenti, frammentati o meno standardizzati finiscono sottorappresentati. Non è una questione di malafede degli algoritmi: è un problema strutturale che emerge quando modelli automatizzati elaborano dati che nascono con disomogeneità profonde.

Il risultato è un paradosso: costruiamo strumenti sempre più sofisticati per prendere decisioni migliori, ma senza una base di evidenze affidabile questi stessi strumenti rischiano di codificare e amplificare le distorsioni già presenti nei dati. Eppure è proprio su questi numeri che si stanno costruendo le infrastrutture decisionali di domani. Cosa si può fare per evitare che il canale fantasma detti la strategia?

La ricetta condivisa

Il documento pubblicato a luglio 2026 arriva con una proposta concreta: sei passi pratici per migliorare le risorse di evidenza condivise su cui si basano i sistemi MMM privati. L’approccio è interessante perché non cerca di standardizzare i modelli — che rimangono specifici per ogni inserzionista — ma si concentra sugli input e sulla documentazione che li alimentano. Jon Watts, direttore generale del CIMM, lo ha spiegato nei giorni scorsi: l’industria fa sempre più affidamento sul Marketing Mix Modeling per guidare decisioni di investimento critiche, ma una maggiore affidabilità richiede una maggiore fiducia nei dati e nelle prove sottostanti. Il focus è su input condivisi, trasparenza, credibilità.

Ma qui si apre una tensione difficile da ignorare. Negli ultimi anni, Google e Meta hanno promosso aggressivamente i loro strumenti MMM come nuovo standard di attribuzione. Facebook ha aperto la strada con Robyn nei primi anni 2020, il primo pacchetto open-source per il marketing mix modeling. Google ha seguito con Lightweight e Meridian. Secondo numerosi dirigenti di agenzia e vendor di tecnologia di attribuzione, i due giganti hanno spinto i loro strumenti come standard di fatto. La domanda che molti si pongono è se si tratti di un dono alla misurazione o di un cavallo di Troia: quando chi fornisce gli strumenti è anche il maggiore beneficiario della spesa pubblicitaria misurata, il conflitto di interessi è strutturale.

Il documento CIMM propone di migliorare la documentazione che aiuta gli inserzionisti a costruire sistemi MMM più trasparenti e pronti per le decisioni, concentrandosi sul mercato TV e video. È un passo nella direzione giusta, ma mette in luce il contrasto tra standard aperti e competitività commerciale. Da un lato c’è la necessità di dati condivisi e affidabili; dall’altro ci sono piattaforme che competono proprio sulla qualità e completezza dei loro dati proprietari. La trasparenza degli input può davvero bastare quando la fiducia complessiva nel sistema è in crisi?

L’anello mancante

Il documento CIMM si concentra sugli input, ma il problema di fondo resta un altro. I dirigenti sono sommersi da metriche black-box, sopraffatti dal compito di prioritizzare fonti di dati, collegare informazioni disparate e armonizzare definizioni tra sistemi incompatibili. La proliferazione di risorse di misurazione sta paradossalmente alimentando una crisi di fiducia: più strumenti abbiamo, meno sappiamo di cosa fidarci. Il vero anello mancante non è solo la qualità dei dati in ingresso, ma la capacità di misurare il valore incrementale reale — quello che un canale genera effettivamente in più rispetto a uno scenario senza investimento pubblicitario. Distinguere correlazione da incrementalità, last-click da contributo reale, resta il nodo irrisolto.

L’MMM è solo buono quanto i dati che lo alimentano. E finché non affronteremo il problema della misurazione del valore incrementale con lo stesso rigore che stiamo applicando agli input, il rischio è che la pubblicità stia parlando solo a sé stessa — allocando budget in un loop autoreferenziale dove vince chi ha i dati migliori, non chi genera davvero valore.