La riallocazione del 20% della spesa search è passata in silenzio

La svolta dell’auto-etichettatura con l’IA accorcia i tempi dell’analisi, trasformando i modelli di marketing in strumenti di ottimizzazione in tempo

Nel giugno 2025, quando il settore era concentrato sulle tensioni tra DSP e SSP e sull’interminabile questione dei segnali di terza parte, Mutinex ha rilasciato Data MAITE, una funzionalità di auto-etichettatura basata sull’intelligenza artificiale capace di ridurre i tempi di preparazione dei dati fino al 95%. Nessun annuncio roboante, nessun evento di lancio. Solo qualche riga nei feed specializzati e un dato che, a rileggerlo oggi, ha il sapore di uno spartiacque: il marketing mix modelling stava passando da analisi retrospettiva a ottimizzazione continua, e quasi nessuno se ne è accorto. Non è un dettaglio tecnico. È il tipo di meccanismo che, se non ci fai caso, cambia l’intero impianto decisionale del marketing senza che il mercato abbia il tempo di metabolizzarlo.

Il silenzio che ha mandato in pensione l’MMM storico

Per capire la portata di Data MAITE bisogna ricordare com’era il marketing mix modelling prima del suo arrivo. Il modello tradizionale, costruito su econometria pesante e dati in ritardo, spiegava cosa aveva funzionato solo dopo che i budget erano stati spesi e le decisioni ormai bloccate. Un’analisi postuma, utile forse per aggiustare il tiro l’anno successivo, ma inutile nel momento in cui serviva davvero: quando i soldi stavano ancora scorrendo nei canali. La barriera principale era il tempo. Preparare, pulire ed etichettare i dati in arrivo da fonti diverse — search, social, programmatic, CTV, retail media network — richiedeva settimane, a volte mesi. E quando il modello finalmente parlava, la campagna era già archiviata.

Data MAITE ha automatizzato quel collo di bottiglia. Non è un motore di ottimizzazione, non suggerisce allocazioni. È uno strato più profondo, meno visibile: prende dati grezzi da decine di endpoint e li etichetta in modo che il modello MMM possa processarli quasi in tempo reale. Il risultato è che il ciclo di apprendimento si accorcia in modo drastico. Non più un report trimestrale da discutere in board, ma un flusso continuo di segnali su cui agire mentre le campagne sono ancora in volo. Mutinex, che già a ottobre 2024 aveva raccolto nuovi finanziamenti a una valutazione di 132,5 milioni di dollari australiani proprio per finanziare l’espansione negli Stati Uniti, ha costruito su questa funzionalità il proprio vantaggio competitivo. Ma la domanda successiva è: chi sta già beneficiando di questa accelerazione?

Lendi e Alinta: prove tecniche di ROI a doppia cifra

Le prime risposte arrivano da due aziende che hanno messo a terra il nuovo approccio nei mesi successivi al lancio. Lendi, gruppo australiano attivo nel settore dei mutui, ha usato il sistema per riallocare circa il 20% della spesa in search, tagliando il 10% degli investimenti a bassa efficienza. Il risultato, misurato in un arco di tre mesi, è stato un aumento del ROI del 40%. Non un aggiustamento marginale, ma uno spostamento significativo di capitale da canali che performavano solo sulla carta a canali che performavano davvero. Alinta Energy, dal canto suo, ha riportato miglioramenti del ROI a doppia cifra, anche se i numeri precisi non sono stati divulgati.

Dietro questi casi non c’è solo l’efficienza operativa. C’è un salto culturale che sta ridefinendo il ruolo del marketing nelle organizzazioni. Il MMM agente — termine che inizia a circolare con insistenza tra chi lavora con queste piattaforme — sta spostando la funzione marketing dall’ottimizzazione tattica dei canali alla gestione del portafoglio, e dall’analisi periodica all’apprendimento continuo. Tradotto: non si tratta più di chiedersi se il budget di Google Ads stia rendendo più di quello di Meta, ma di allocare capitale tra canali come si farebbe con un portafoglio di investimenti, ribilanciando in corsa sulla base di segnali freschi. È un passaggio che ricorda quello che è già avvenuto nel programmatic advertising quando le DSP hanno iniziato a incorporare modelli predittivi nei loro algoritmi di bidding: chi arriva prima, consolida un vantaggio difficile da recuperare. Ma se il modello funziona così bene, perché un colosso come Hershey sta puntando su più cavalli?

Il nodo Hershey: due piattaforme per un solo obiettivo

La scelta di Hershey sembra rispondere a questa domanda, ma lo fa aprendone un’altra. Il gigante della confetteria, casa madre di marchi come Reese’s e Skinny Pop, sta collaborando simultaneamente con le piattaforme analitiche Mutinex e Tracer per automatizzare la marketing mix modeling. Una doppia adozione che solleva interrogativi sulla direzione del mercato. Se un advertiser con un budget di marketing di due miliardi di dollari sceglie di non legarsi a un unico fornitore, significa che nessuna piattaforma ha ancora raggiunto la massa critica per imporsi come standard. O, peggio, che la frammentazione rischia di diventare strutturale, con aziende costrette a gestire più modelli paralleli, ciascuno con la propria logica di attribuzione e il proprio ritardo nell’aggiornamento dei dati.

Nel frattempo Mutinex continua a spingere sull’espansione statunitense, forte dei risultati raccolti in Australia e di una funzionalità, Data MAITE, che resta il suo principale elemento di differenziazione. Ma la guerra per lo standard è appena iniziata. Da monitorare: la prossima mossa di Mutinex negli USA e la risposta dei walled garden — Google, Meta, Amazon — che difficilmente resteranno a guardare mentre un player esterno si posiziona come sistema operativo dell’allocazione pubblicitaria. Perché, come sempre nell’ad-tech, il valore non è nella tecnologia in sé, ma in chi possiede il flusso dei dati. E in questa partita, il flusso passa proprio da quell’auto-etichettatura che un anno fa sembrava solo un dettaglio tecnico.