dataMesh Podcast

Da settembre a oggi ho scelto il silenzio. Dopo la pubblicazione dei lavori su Lift Test e Marketing Mix Modeling, ho sentito la necessità di fare un passo indietro.Non mi sono fermato. Mi sono messo in osservazione.Ho passato l’ultimo trimestre del 2025 a guardare il mercato — dai grandi brand alle scale-up più aggressive — farsi travolgere dall’onda d’urto dell’Intelligenza Artificiale.Ho partecipato a meeting dove l’unica urgenza sembrava essere tecnica: “Quale modello usiamo? GPT? Claude? Gemini?”.Ma grattando la superficie, l’obiettivo reale era quasi sempre un altro: diminuire il numero di dipendenti.C’è l’illusione diffusa che l’AI possa sostituire le persone da un giorno all’altro, tagliando i costi fissi come con una bacchetta magica: una visione strategicamente miope.L’errore che ho visto commettere ovunque è considerare l’AI come uno strumento di Cost Saving (tagliare teste), invece che di Revenue Expansion: l’obiettivo non deve essere fare le stesse cose con meno persone, deve essere diventare più efficienti e veloci per fare molto di più, con le stesse persone, aumentando il fatturato.Eppure, in tutte quelle stanze, c’era un elefante che nessuno voleva guardare.Tutti cercavano il motore più potente (l’AI) per correre, ma nessuno si preoccupava della benzina (i Dati).Ho visto aziende pianificare di potenziare il Customer Service o i Data Analyst con software collegati a infrastrutture dati frammentate, sporche, tenute insieme con lo scotch. Il risultato che stavano costruendo non era “Efficienza”, era quello che io chiamo Garbage In, Speed Out.Se applichi l’Intelligenza Artificiale a un’azienda che non ha il controllo dei propri dati, non ottieni crescita, ottieni errori stupidi, ma commessi a una velocità e su una scala che nessun umano potrebbe mai eguagliare.L’AI non è una strategia: è un moltiplicatore di velocità. Accelerare mentre stai guidando verso un muro non è una buona idea.Per questo ho rotto il silenzio. Ho passato questi mesi a decostruire questo errore sistemico e a definire un metodo per chi vuole costruire un’azienda solida, non solo “veloce”.Il risultato non è un altro manuale tecnico su come configurare un software: ho scritto un documento strategico, pensato per chi ha la responsabilità del conto economico.Si intitola: “Non puoi fare AI se i tuoi Dati sono nel Caos”.È un Executive Briefing che sposta il focus dalla tecnologia al Patrimonio; parlo di come:* Smettere di “affittare” l’intelligenza da terze parti e costruire una “Banca Centrale” dei dati di proprietà dell’azienda.* Smettere di ottimizzare le campagne su metriche vanitose e iniziare a guardare la Unit Economics reale.* Attivare l’AI non come sostituto delle persone, ma come strumento di Predizione Finanziaria per proteggere la cassa e scalare i ricavi.Se in questi mesi hai avuto la sensazione che la tua azienda stesse correndo molto forte, ma senza una mappa chiara, queste pagine sono state scritte per te.* L’AI è il dividendo. * I Dati puliti sono il capitale. * Senza capitale, non ci sono dividendi.Puoi leggere il documento qui: [Link all’Ebook]A presto,Filippo Trocca This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Oggi inauguro il primo articolo di una serie di 4 di come sfruttare un MMM in modo strategico. Buona LetturaIntroduzione: La Sfida del CMO ModernoCome leader del marketing, conoscete bene la pressione: giustificare ogni euro investito, dimostrare un ROI tangibile, allocare budget limitati con la massima efficacia. Quante volte vi siete chiesti se quel picco di vendite fosse davvero merito della campagna appena lanciata, o se altri fattori stessero giocando un ruolo nascosto?In questo scenario complesso, il Marketing Mix Modeling (MMM) si presenta come uno strumento potente, quasi una promessa: quella di svelare finalmente l'impatto reale delle vostre diverse attività. Ma prima di affidare decisioni strategiche e budget importanti ai suoi risultati, c'è un concetto fondamentale da padroneggiare, una distinzione critica che può fare la differenza tra successo e spreco: quella tra correlazione e causalità. Sottovalutarla non è un dettaglio tecnico, è un rischio concreto per il bilancio.La Trappola della Correlazione: Quando le Cose (Apparentemente) si Muovono InsiemeLa correlazione, in fondo, è semplice: indica solo che due cose tendono a muoversi insieme. Se una sale, sale anche l'altra (correlazione positiva); se una sale, l'altra scende (correlazione negativa).* Esempio fuori dal marketing: Pensate alle vendite di gelati e a quelle di occhiali da sole in estate. Aumentano entrambe, sono chiaramente correlate. Ma comprereste mai occhiali perché avete mangiato un gelato? Ovviamente no. È il sole, il caldo, a spingere entrambe le vendite. La correlazione c'è, ma manca il legame diretto causa-effetto.* Esempio nel marketing: Lanciate una nuova campagna social, magari costosa. Nello stesso periodo, le vendite crescono del 15%. Tentazione forte, vero? Quella di attribuire tutto il merito alla campagna. Ma siamo sicuri? E se nello stesso periodo:* Fosse iniziata l'alta stagione per il vostro prodotto?* Un vostro competitor avesse avuto problemi di distribuzione?* Fosse attiva una promozione offline di cui non avete traccia nei dati della campagna?Ecco il punto: la campagna social e le vendite sono correlate (avvengono insieme), ma questo, da solo, non dimostra che la prima abbia causato le seconde. Come distinguere l'effetto reale della vostra campagna dal semplice "rumore di fondo" del mercato?Il Sacro Graal: La Causalità - Capire Cosa Funziona DavveroEcco dove entra in gioco la causalità. È lei il vero obiettivo, il "Sacro Graal" per ogni marketer strategico. Causalità significa poter affermare con ragionevole certezza che una specifica azione (la causa) ha direttamente provocato un determinato risultato (l'effetto). Non si tratta più di osservare eventi concomitanti, ma di identificare le leve che realmente spostano i risultati.* Perché è il vostro obiettivo strategico? Perché solo la comprensione della causalità vi permette di calcolare il vero ROI. Non sarebbe ideale sapere con certezza quali canali, quali messaggi, quali offerte causano un aumento misurabile delle vendite o dei lead? Questo vi darebbe il potere di:* Allocare il budget con precisione chirurgica: Investire di più dove serve, tagliare dove non c'è impatto reale.* Ottimizzare proattivamente: Modificare le campagne in corso sapendo quali elementi cambiare per migliorarne l'efficacia.* Difendere le vostre scelte: Giustificare gli investimenti con dati solidi che vanno oltre la semplice coincidenza temporale.L'obiettivo non è fare belle presentazioni con grafici che salgono insieme, ma guidare la crescita del business sapendo cosa la sta generando.Perché Confonderle Costa Caro: L'Impatto Reale sul Vostro BudgetPrendere decisioni basandosi solo sulla correlazione è una delle strade più rapide per sprecare risorse preziose.* Scenario 1: Investire nell'illusione. Torniamo alla campagna social. Se, accecati dalla correlazione temporale, decidete di raddoppiare l'investimento senza prove di causalità, cosa succede se le vendite erano spinte dalla stagionalità? Avrete semplicemente speso di più per accompagnare un'onda che ci sarebbe stata comunque. Budget sprecato.* Scenario 2: Tagliare ciò che (forse) funziona. Immaginate un calo delle vendite dopo il lancio di un nuovo prodotto che cannibalizza i vecchi. Nello stesso periodo, era attiva una campagna Radio. Vedendo la correlazione negativa (spesa Radio alta, vendite totali in calo), potreste essere tentati di tagliare la Radio. Ma siete sicuri che la Radio non stesse continuando a generare valore sul suo target specifico, e che il calo fosse dovuto solo alla dinamica interna dei prodotti? Rischiereste di tagliare un motore di crescita solo perché un'altra parte dell'auto ha avuto un problema.Questi errori, sommati nel tempo, non sono solo sprechi economici. Significano opportunità mancate, valutazioni errate delle performance di team e agenzie, e decisioni strategiche basate su fondamenta fragili.L'MMM Entra in Scena: Un Alleato Potente (ma non Onnisciente)È proprio per districare questa complessità che nasce il Marketing Mix Modeling. L'MMM usa tecniche statistiche avanzate per analizzare serie storiche di dati (vendite, investimenti, prezzi, promozioni, dati esterni come meteo o azioni dei competitor) e tentare di stimare l'impatto causale di ogni leva.È come se l'MMM cercasse di "ripulire" i dati dall'influenza della stagionalità o delle mosse dei vostri concorrenti, per isolare l'effetto della vostra campagna TV o del vostro investimento nel digital. È un passo cruciale per avvicinarsi alla causalità partendo dalle correlazioni osservate.Ma attenzione: l'MMM lavora su dati passati e sulle relazioni che ha potuto osservare e misurare in quel periodo. Non è una sfera di cristallo. Fornisce stime potenti, indicazioni strategiche preziose, ma non certezze assolute sulla causalità. È un alleato fondamentale nel percorso verso la comprensione causale, non la destinazione finale. Nei prossimi articoli vedremo come interpretarlo al meglio e quali sono i suoi limiti.Takeaway per Voi Leader & La Domanda Chiave da PorreLa vostra sfida, quindi, non è diventare statistici, ma sviluppare un sano scetticismo informato. Imparare a distinguere una semplice coincidenza da un reale effetto causale è la base per un marketing che genera valore dimostrabile.Da dove iniziare? Dalla prossima volta che il vostro team o la vostra agenzia vi presenta un'analisi di performance o una proposta di investimento, fermatevi un momento e ponete questa domanda cruciale:"Ok, i dati mostrano che queste due cose sono successe insieme. Ma siamo ragionevolmente sicuri che la nostra azione abbia causato questo risultato? Quali altri fattori potrebbero aver contribuito e come ne abbiamo tenuto conto?"Questa domanda apre la porta a una discussione più profonda e strategica. È il primo passo per assicurarvi che ogni euro del vostro budget lavori davvero per far crescere il business.Nel prossimo articolo, scenderemo nel dettaglio: quali sono gli errori più comuni nell'uso dell'MMM che possono portarvi fuori strada, mettendo a rischio budget e strategia? This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Siamo alla fine del percorso. Abbiamo visto come pianificare un test, come leggerne i risultati e come finanziare questa capacità. Ora, uniamo i puntini. Un singolo test vi dà una risposta. Un programma di test costituisce un vantaggio competitivo.Le aziende che vincono non sono quelle che fanno test quando hanno un dubbio. Sono quelle che hanno un programma di sperimentazione proattivo e strategico . Questa è una guida su come usare la sperimentazione per allocare il capitale in modo più intelligente della concorrenza.Vi mostrerò come costruire una Roadmap di Sperimentazione Annuale, l'asset che trasforma la misurazione da esercizio reattivo a motore di crescita finanziaria.1. Allineamento Strategico: Partire dagli Obiettivi di Business (e dalla Politica Interna)Una roadmap di test deve essere legata agli obiettivi aziendali. Ma la strategia aziendale non è un documento neutrale; è un campo di battaglia di priorità, reparti e lotte politiche. Per avere successo, dovete essere politicamente astuti.Come Ottenere il "Sì": Vendi le Risposte, non i TestNon andate mai dal management con una "lista di test che il marketing vuole fare". Fallirete. Andateci con una "proposta di risposte a domande strategiche che voi, come leader, vi state ponendo".* Non dire: "Voglio testare TikTok."* Di' invece: "L'obiettivo di crescita sugli U30 è la nostra priorità #1. Attualmente non sappiamo quale sia il canale più efficiente per raggiungerli. Propongo un test di 90 giorni per scoprire, con dati causali, se il budget incrementale va allocato su Meta o su TikTok per massimizzare il ROI su questo segmento."Inquadrate ogni test come uno strumento al servizio di una decisione del management. State offrendo di ridurre il loro rischio e aumentare la loro certezza. Nessun leader rifiuterebbe un'offerta simile.Hai bisogno di supporto per al misurazione del successo delle tue campagne?Contattami ora2. Dal Calendario Rigido al Backlog Agile: Come Lavora un Team ModernoDimenticate i calendari tematici trimestrali. Il business è troppo fluido. Adottate invece un sistema preso in prestito dallo sviluppo software: il Backlog di Sperimentazione.È un elenco vivo e prioritizzato di tutte le ipotesi di test che volete lanciare, derivate dagli obiettivi strategici.Framework d'Azione:* Create il Vostro Backlog: Elencate tutte le domande di business emerse (es. "Il canale X è profittevole?", "La creatività Y batte la Z?").* Prioritizzate con una Matrice Impatto/Sforzo: Assegnate a ogni ipotesi nel backlog un punteggio su due assi:* Impatto Potenziale sul Business (da 1 a 5): Se il test ha successo, quanto valore (in €) può generare o far risparmiare?* Costo/Complessità del Test (da 1 a 5): Quanto è difficile, costoso e lungo da eseguire?* Pianificate per "Capacità", non per "Tema": Ogni trimestre, il management non approva un tema, ma una capacità di testing (es. "questo trimestre abbiamo budget per eseguire due test ad alto impatto e uno a basso sforzo"). Il vostro team attinge dal backlog i test con il punteggio più alto, garantendo di lavorare sempre sulle cose più importanti e mantenendo la flessibilità per adattarsi alle nuove priorità.3. L'Archivio delle Conoscenze: Il Vostro Portfolio FinanziarioUn test non documentato è uno spreco di tempo e denaro. L'archivio dei test non è una biblioteca, ma il registro del valore finanziario che il vostro team sta creando.Framework d'Azione:Create un repository centrale (basta un Notion o un Google Drive) e per ogni test compilate un "Referto di Valore" di una pagina.Template del Referto di Valore:* Ipotesi di Business: Quale domanda strategica abbiamo affrontato?* Metodologia: Come abbiamo testato? (Canale, budget, durata).* Risultato Netto: Qual è stato il lift? (Es. +15% conversioni incrementali).* Decisione Presa: Cosa abbiamo fatto? (Es. Stoppata la campagna, aumentato budget del 30%).* IMPATTO FINANZIARIO STIMATO: Questa è la riga più importante.* Esempio A (Fallimento): Risparmio Annualizzato Stoppando la Campagna X = 400.000€.* Esempio B (Successo): Profitto Incrementale Stimato Scalando la Campagna Y = +150.000€ nel trimestre.Alla fine dell'anno, il report del vostro team non sarà "abbiamo fatto 10 test", ma "il programma di sperimentazione ha generato un impatto positivo di X milioni di euro sul conto economico". Questo è il linguaggio che crea budget e carriere.Conclusione: Il Vantaggio Competitivo non è Astratto. È Matematico.Siamo arrivati alla fine. Abbiamo unito strategia, politica, agilità e finanza. Un programma di sperimentazione non serve solo a "imparare". Serve a vincere.Il vostro vantaggio competitivo sulla concorrenza si riduce a due fattori brutali:* Velocità di Apprendimento: Imparate più in fretta dei vostri rivali dove allocare il prossimo euro.* Efficienza del Capitale: Smettete di sprecare soldi prima e meglio di loro. In un mercato dove tutti hanno accesso agli stessi canali, l'azienda che alloca il proprio capitale in modo più efficiente vince. Non è marketing, è matematica finanziaria.Smettete di fare test sporadici. Iniziate oggi a costruire il vostro programma di sperimentazione. È l'investimento più spietatamente efficace che possiate fare per la crescita della vostra azienda.Grazie per aver letto dataMesh! Sentiti libero di condividere questo post.Link Utili di questa settimana:Demystified MMM: Una guida essenziale per CMO e CFOMMM Isn’t Always the Answer: What Early-Stage Brands Should Prioritize FirstJust do it This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Nei primi due articoli vi ho mostrato come pianificare un test e come non farvi ingannare dai risultati. Ora la domanda da un milione di euro: chi paga per tutto questo? E come?La risposta standard è un errore strategico: vedere la misurazione come un costo accessorio, la prima cosa da tagliare. La verità è che la misurazione non è un costo, è l'investimento che protegge tutti gli altri. È l'assicurazione contro lo spreco di budget.Questa non è una guida su come costruire la cattedrale perfetta in un mondo ideale. Questa è una roadmap pratica per posare il primo mattone, anche se avete solo un cacciavite e risorse limitate. Vi mostrerò come far crescere la vostra capacità di misurazione attraverso tre livelli di maturità, con stime di costo reali e soluzioni per il problema più grande: trovare le persone giuste.Grazie per leggere DataMesh! Registrati per non perdere nessuna dei miei contenuti.Un Percorso in 3 Livelli: Trovate il Vostro Punto di PartenzaNessuno costruisce un "Centro di Eccellenza" in un giorno. Siate onesti su dove vi trovate oggi e iniziate da lì.Livello 1: Le Fondamenta (Partire con Poco)* Chi siete: Una startup, una PMI o un team marketing con risorse limitate e senza un analista dedicato.* Obiettivo: Smettere di basarsi solo sull'attribuzione last-click e provare che la misurazione causale ha valore.* Azioni Chiave:* Attribuzione di Base: Assicuratevi che il tracciamento di base su GA4 sia pulito e affidabile.* Il Vostro Primo Lift Test: Non cercate di testare tutto. Identificate la singola campagna più costosa o più strategica del trimestre e lanciate un solo, singolo, lift test (es. Conversion Lift su Meta o Google).* Il "Team": Il "team" è una persona curiosa (un marketing manager, uno specialista) che dedica il 20% del suo tempo a questo progetto.* Stima dell'Investimento:* Costo Persone: Tempo (il bene più prezioso).* Costo Test: Circa il 5-10% del budget media della campagna che state testando. Se la campagna ha un budget di 50.000€, mettete in conto 2.500-5.000€ come "costo della verità".Livello 2: La Sistematizzazione (Creare un Processo)* Chi siete: Un'azienda in crescita, con almeno un analista o una persona dedicata ai dati.* Obiettivo: Rendere la sperimentazione un processo continuo, non un evento sporadico.* Azioni Chiave:* Creare il "Fondo per la Scoperta": Istituite un budget annuale separato per la sperimentazione (es. "Budget Test & Learn"). Questo fondo non appartiene a nessuna campagna specifica e serve a finanziare 2-4 lift test strategici all'anno.* Migliorare i Dati di Attribuzione: Investite in un tracciamento più robusto, come l'implementazione del tracciamento Server-Side, per migliorare la qualità dei dati che alimentano l'ottimizzazione quotidiana.* Formalizzare il Processo: Create un documento semplice che definisca come si richiede un test, come si analizza e dove si archiviano i risultati.* Stima dell'Investimento:* Costo Persone: Stipendio di 1-2 analisti.* Costo Test: Il vostro "Fondo per la Scoperta" annuale (es. 40-80k€).* Costo Tecnologia: Eventuali costi per tool di tracciamento o CDP.Livello 3: Il Vantaggio Competitivo (Dominare l'Informazione)* Chi siete: Un'azienda matura con un team dati e un forte commitment da parte del management.* Obiettivo: Utilizzare un ecosistema di misurazione completo per ottenere un vantaggio competitivo duraturo.* Azioni Chiave:* Istituire il Budget Unificato: Qui entra in gioco la ripartizione del budget per l'intelligence basata sulle domande di business:* ~70% per le Domande Tattiche ("Stiamo operando in modo efficiente oggi?"): Copre il team di analisi, i tool di attribuzione, l'ottimizzazione quotidiana.* ~20% per le Domande di Validazione ("Questa nuova campagna da 1M€ funzionerà davvero?"): Copre la roadmap di Lift Test continui.* ~10% per le Domande Strategiche ("Come allochiamo i 20M€ del prossimo anno tra online e offline?"): Copre l'investimento in Marketing Mix Modeling (MMM).* Creare il Centro di Eccellenza: Un team centrale di analisti e data scientist che riporta funzionalmente sia al Marketing sia alla Finanza, garantendo oggettività e rigore.* Stima dell'Investimento:* Costo Persone: Stipendi di un team di 3-5+ persone (analisti, data scientist, ingegneri).* Costo MMM: Un progetto una tantum con un consulente può costare da 40k a 150k€. Un team e software interni rappresentano un costo ricorrente ben più alto.La Domanda Cruciale: Dove Trovare le Competenze?Avere un budget non serve a nulla senza le persone giuste. La realtà è che i talenti sono scarsi. Avete tre opzioni strategiche:* Costruire (Build): Formare persone promettenti già presenti in azienda.* Pro: Conoscono già il business, sono più fedeli.* Contro: Richiede molto tempo per sviluppare competenze avanzate.* Comprare (Buy): Assumere esperti dal mercato.* Pro: Velocità, si acquisiscono subito competenze di alto livello.* Contro: Estremamente costoso.* Prendere in Prestito (Borrow): Affidarsi a consulenti, freelance o agenzie specializzate.* Pro: Flessibilità, si accede a competenze specialistiche on-demand senza appesantire i costi fissi.* Contro: Meno integrazione con la cultura aziendale, costo ricorrente, la conoscenza non rimane interamente all'interno.La scelta migliore è spesso un mix: usate consulenti esterni per avviare progetti complessi (come il primo MMM) mentre formate le vostre risorse interne.Nel Prossimo Articolo: Da Test a Vantaggio CompetitivoOra che avete un budget e una struttura (o un piano per arrivarci), come si trasforma questa capacità in un processo di apprendimento che genera vantaggio competitivo? Nell'ultimo articolo di questa serie, vi mostrerò come costruire una roadmap di sperimentazione annuale che allinei ogni test agli obiettivi di business.Conclusione: Smettete di Chiedere il Permesso, Iniziate a CostruireQuesta guida vi mostra che non esiste una scusa per non iniziare. L'approccio alla misurazione causale è scalabile. Se avete poche risorse, partite dal Livello 1: scegliete una battaglia, vincetela con un singolo test di successo e usate quella vittoria per giustificare il passaggio al livello successivo. Non aspettate di avere il budget perfetto o il team ideale. Iniziate oggi a costruire la vostra capacità di misurare la verità. È l'investimento con il ROI più alto che possiate fare.Grazie per leggere dataMesh! Questo post è pubblico, condividilo!Link Utili di questa settimana:Demystified MMM: Una guida essenziale per CMO e CFOIl valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore realeData Visualization Tips & Tricks: What Not To Do!Hai bisogno di supporto per al misurazione del successo delle tue campagne? Contattami ora This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Nel primo articolo vi ho guidato nel pianificare e lanciare il vostro primo lift test. Quella era la parte facile. Adesso inizia il lavoro difficile: dare un senso ai risultati.I dati non parlano da soli e un report di un test non è un semplice "promosso" o "bocciato". È un pezzo di un puzzle complesso. Il vostro compito non è solo leggere un numero, ma capire la storia che racconta per prendere decisioni che impattano il budget.Questa guida è un decodificatore per i quattro scenari più comuni, più uno bonus che molti ignorano. Vi mostrerò come trasformare ogni risultato, anche il peggiore, in un'azione intelligente.Scenario A: Il Successo Netto (Lift Positivo e Significativo)Cosa significa: I dati sono chiari. La campagna ha causato un aumento delle conversioni o delle metriche di brand. L'investimento ha prodotto valore incrementale.La trappola: Aumentare il budget del 100% e sperare in un raddoppio dei risultati. Non funzionerà.Framework d'Azione:* Scalare in Modo Controllato: Aumentate il budget della campagna del 20-30%, non di più. Lanciate una nuova misurazione e monitorate una metrica chiave: il Costo per Acquisizione Incrementale (iCPA). Se questo valore inizia a salire rapidamente, avete raggiunto il punto di saturazione e un ulteriore aumento di spesa sarebbe inefficiente.* Sezionare il Successo: I risultati positivi nascondono ottimizzazioni. Ponetevi domande precise e cercate le risposte nei report della piattaforma (se disponibili):* Quale specifica creatività ha generato più lift?* Quale segmento di pubblico ha risposto meglio?* Ci sono state differenze di performance tra posizionamenti (es. Stories vs. Feed)? Usate queste risposte per riallocare il budget all'interno della campagna, massimizzando l'efficienza.* Standardizzare la Tattica: Se il test era su una nuova strategia, il risultato la valida. Sistematizzatela e integratela nel vostro marketing mix di base.Scenario B: Il Fallimento Chiaro (Lift Nullo o Negativo)Cosa significa: La campagna non ha aggiunto valore. Nel peggiore dei casi (lift negativo), ha cannibalizzato altri canali. Avete sprecato soldi.La trappola: Incolpare il team o l'agenzia.Framework d'Azione:* Festeggiare la Scoperta: Avete appena dimostrato con dati certi che un'attività non funziona. Avete fermato uno spreco di budget. Questa è una vittoria per l'intelligenza aziendale, non un fallimento del team.* Tagliare la Spesa. Subito: Interrompete la campagna o riallocate il budget immediatamente. Ogni giorno di attesa è un costo.* Eseguire un'Analisi Post-Mortem (Checklist): Usate questo schema per capire il "perché" del fallimento:* L'Audience era Sbagliata? (Es. Stavamo parlando a clienti esistenti che avrebbero comprato comunque?).* La Creatività era Debole? (Es. Il messaggio non era chiaro o rilevante?).* L'Offerta era Inadeguata? (Es. Il prodotto/prezzo non era competitivo in quel momento?).* Il Canale era Inappropriato? (Es. Stiamo cercando di vendere un prodotto complesso con un annuncio su TikTok?). Questa analisi è cruciale per non ripetere l'errore.* Riallocare il Budget Risparmiato: Spostate le risorse su canali con lift incrementale provato o usatele per finanziare il prossimo test su un'ipotesi più solida.Scenario C: La Zona Grigia (Risultato Non Statisticamente Significativo)Cosa significa: È il risultato più comune. Vedete una piccola differenza tra i gruppi, ma il test vi dice che potrebbe essere puro caso. Il risultato è inconcludente.La trappola: Dire "beh, è quasi positivo, continuiamo". No. Significa "non lo so".Framework d'Azione:* Valutare la Potenza del Test: Chiedetevi se il test era abbastanza "potente" da rilevare un effetto. La potenza statistica è come la magnificazione di un microscopio: se è troppo bassa (a causa di budget o durata insufficienti), non riuscirete a vedere un effetto piccolo anche se esiste. Rivedete la checklist di fattibilità del primo articolo.* Applicare la Regola di Default: In assenza di un segnale chiaro, la decisione più sicura è considerare l'ipotesi "non provata". Non aumentate l'investimento. L'onere della prova era a carico della campagna, e ha fallito nel fornirla.* Rilanciare il Test su Larga Scala: Se l'ipotesi è strategica, l'unica via d'uscita è ripetere il test con più "potenza": budget più alto, durata maggiore, audience più ampia. Questo vi costringerà a ottenere un risultato definitivo, positivo o negativo che sia.Scenario D: L'Effetto "Halo" (Brand Lift Alto, Conversion Lift Basso)Cosa significa: Una campagna video ha aumentato la notorietà del brand, ma non ha generato vendite immediate.La trappola: Valutarla con le stesse metriche di una campagna Google Search e bollarla come un fallimento.Framework d'Azione:* Confrontare con l'Obiettivo Primario: Se lo scopo era il branding, il test è un successo. State misurando l'efficacia rispetto all'obiettivo corretto.* Quantificare l'Impatto a Lungo Termine: Questo è difficile, ma necessario. Ecco come iniziare a misurare l'impatto indiretto:* Analisi di Coorte: Tracciate il gruppo Test nel tempo. Mostra tassi di conversione più alti o un valore medio più alto nei 30-90 giorni successivi, anche su altri canali?* Misurare il Search Lift: Il Brand Lift ha generato un aumento dimostrabile delle ricerche organiche per il vostro brand? Questo è un effetto a cascata diretto e misurabile.* Usare Strumenti Avanzati: Questo tipo di impatto è il dominio dei Marketing Mix Model (MMM). Se il branding è al centro della vostra strategia, questi risultati sono la giustificazione perfetta per investire in un MMM che possa quantificare il valore a lungo termine del brand.Scenario E (Bonus): Il Test Invalido o "Sporco"Cosa significa: Qualcosa è andato storto a livello tecnico. I dati sono inaffidabili.Come individuarlo: Picchi di dati totalmente anomali; tassi di conversione del gruppo di controllo irrealistici (es. 20% quando la media è 1%); errori segnalati dalla piattaforma.Framework d'Azione:* NON Interpretare i Dati: La prima regola è non fidarsi. Qualsiasi conclusione sarebbe basata su spazzatura.* Indagare la Causa Tecnica: Lavorate con i team tecnici o i partner per un'analisi forense. Il problema era un pixel di tracciamento? Una configurazione errata dell'audience di controllo?* Invalidare e Ripianificare: L'unica azione è dichiarare il test nullo, risolvere il problema tecnico alla radice e pianificare un nuovo test da zero.Nel Prossimo Articolo: Budgeting per la VeritàOra che sappiamo come interpretare i risultati, sorge una domanda cruciale: come finanziamo questa ricerca della verità? Nel prossimo articolo, parlerò di soldi: come strutturare il budget per il vostro ecosistema di misurazione, allocando le risorse in modo strategico tra Attribuzione, Lift Test e altri strumenti per massimizzare l'intelligenza di marketing.Conclusione: Il Costo della Non-InterpretazioneInterpretare i risultati di un lift test non è un esercizio accademico. È una disciplina con un impatto diretto sul conto economico. Sbagliare l'interpretazione ha un costo:* Interpretare male un successo costa crescita mancata o budget bruciato oltre il punto di saturazione.* Interpretare male un fallimento costa la perpetuazione dello spreco su attività inutili.* Interpretare male la zona grigia costa immobilità strategica, paralizzati dall'incertezza.* Interpretare male l'effetto halo costa la distruzione di asset a lungo termine, uccidendo campagne di branding vitali.Ogni risultato, se letto correttamente, è un'indicazione chiara su dove allocare il prossimo euro.Link Utili di questa settimana:Demystified MMM: Una guida essenziale per CMO e CFOIl valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore realeJames & James Is Using MMM To Keep Its AI-Based Ad Buying ‘Honest’ This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Nel marketing digitale moderno, siamo sommersi dai dati. Click, impression e tassi di conversione promettono una visione chiara sull'efficacia delle campagne. Eppure, una domanda fondamentale rimane spesso senza una risposta certa: i nostri investimenti stanno realmente generando un impatto aggiuntivo, o stiamo semplicemente pagando per risultati che avremmo ottenuto comunque?La soluzione per distinguere la correlazione dalla causalità è l'adozione di una metodologia scientifica: il Lift Test (o Test di Incrementalità). Questo approccio permette di misurare l'impatto causale e incrementale delle attività di marketing confrontando un gruppo esposto alla campagna (Test) con uno non esposto (Controllo).Molti conoscono la teoria, ma esitano di fronte alla pratica. Questa guida è il vostro manuale operativo per colmare questo divario. Vi accompagnerò passo dopo passo nel processo di pianificazione ed esecuzione del vostro primo lift test, trasformando la conoscenza in un'azione concreta e misurabile. Seguirò un framework pratico in quattro fasi, pensato per allineare Marketing e Finanza e garantire che il vostro primo test non sia solo un esercizio analitico, ma una vera leva decisionale.Fase 1: La Riunione di Allineamento (Marketing + Finance) - Definire la Domanda StrategicaIl punto di partenza di ogni lift test di successo non è una piattaforma, ma una domanda di business chiara e condivisa. Il primo passo è una riunione dedicata che veda seduti allo stesso tavolo i leader del Marketing (CMO) e della Finanza (CFO).Obiettivo dell'incontro: Andare oltre le metriche operative e concordare quale decisione strategica il test deve verificare. L'alleanza tra CMO e CFO è cruciale: unisce l'esigenza di crescita del marketing con il rigore finanziario, creando un linguaggio comune basato sulla causalità e su metriche come il ROI incrementale.Agenda Pratica della Riunione:* Identificare l'Incertezza: Qual è l'area di spesa marketing su cui abbiamo più dubbi o che pesa di più a budget?* Esempio: "Stiamo investendo 2 milioni di euro all'anno su campagne video, ma non siamo sicuri del loro reale contributo alle vendite".* Formulare un'Ipotesi Specifica: Trasformate il dubbio in un'ipotesi da validare o confutare.* Esempio: "Crediamo che le nostre campagne su YouTube stiano generando un aumento incrementale delle vendite e non stiano semplicemente raggiungendo utenti che avrebbero comprato comunque".* Scegliere la Campagna da Testare: Selezionate una campagna specifica che sia rappresentativa dell'investimento e sufficientemente grande da poter essere misurata.* Esempio: "Testiamo la prossima campagna video Q3 su Meta, che ha un budget dedicato di 80.000 €".* Definire la Decisione Conseguente: Cosa faremo con i risultati? Concordare questo prima del test previene interpretazioni di comodo a posteriori.* Esempio: "Se il test mostrerà un lift positivo e significativo, confermeremo il budget per il Q4. Se il lift sarà nullo o negativo, dirotteremo il 50% di quel budget sul canale Search, che ha già dimostrato la sua efficacia".Output della Fase 1: Un documento di una pagina con la domanda di business, l'ipotesi chiara, la campagna selezionata e le azioni che verranno intraprese a seconda dell'esito.Fase 2: La Scelta del Test e del KPI - L'Albero DecisionaleCon una domanda strategica chiara, dovete scegliere lo strumento di misurazione corretto. Non tutti i lift test sono uguali. La scelta dipende dall'obiettivo primario della campagna che state analizzando.Usate questo semplice albero decisionale per selezionare il test più adatto:* Il vostro obiettivo primario è costruire il brand? (Migliorare notorietà, ricordo pubblicitario, considerazione, preferenza).* ➡️ Test da scegliere: Brand Lift.* KPI da misurare: Aumento percentuale del ricordo dell'annuncio (Ad Recall), della considerazione del brand o dell'intenzione d'acquisto, misurato tramite sondaggi.* Il vostro obiettivo primario è generare un'azione di valore economico diretto? (Vendite, lead, iscrizioni, download).* ➡️ Test da scegliere: Conversion Lift (o Sales Lift).* KPI da misurare: Numero di vendite o lead incrementali; Costo per Acquisizione (CPA) Incrementale; Ritorno sulla Spesa Pubblicitaria (ROAS) Incrementale.* Il vostro obiettivo è capire se un canale "upper-funnel" (es. Video, TV) influenza l'interesse attivo degli utenti?.* ➡️ Test da scegliere: Search Lift.* KPI da misurare: Aumento percentuale delle ricerche (organiche o a pagamento) del vostro brand o di parole chiave di categoria da parte del gruppo esposto alla campagna.Questa scelta assicura che stiate misurando ciò che conta davvero per rispondere alla vostra domanda iniziale.Fase 3: Il Controllo di Fattibilità - La Checklist della RealtàAvete una domanda e avete scelto il test. Ora dovete assicurarvi che sia concretamente realizzabile. Un test senza validità statistica è inutile. Usate questa checklist per un controllo di fattibilità.Checklist di Validità Statistica:* ☐ Budget e Durata: L'investimento e l'orizzonte temporale della campagna sono sufficienti?. Le piattaforme come Google e Meta richiedono soglie minime di spesa e durata (spesso diverse settimane) per garantire che il "segnale" del lift emerga dal "rumore" statistico. A seconda della piattaforma e della scala, le soglie minime di spesa possono variare da poche migliaia a decine di migliaia di euro; è un dato cruciale da verificare.* ☐ Volume di Dati (Impression / Utenti): La campagna raggiungerà un numero sufficientemente ampio di persone? Campagne su nicchie di pubblico troppo piccole potrebbero non generare dati sufficienti per un'analisi affidabile.* ☐ Volume di Conversioni Attese: (Per i Conversion Lift) Ci aspettiamo un numero adeguato di conversioni durante il periodo del test? Se il tasso di conversione è molto basso, potrebbe essere necessario un periodo di test più lungo per raccogliere un numero di eventi significativo.* ☐ Disponibilità della Piattaforma: La funzionalità di lift test che vi serve (Brand, Conversion, Search) è disponibile per il vostro account, nel vostro mercato e per il tipo di campagna scelto sulla piattaforma pubblicitaria (es. Google Ads, Meta Ads)?.Se la risposta a una di queste domande è "no" o "non siamo sicuri", il rischio di lanciare un test inconcludente è alto. Ricordate che questo processo può essere iterativo: un "no" in questa fase potrebbe richiedere di tornare alla Fase 1 per ridefinire l'ipotesi o la campagna da testare.Fase 4: L'Azione - Dialogo con i Partner e LancioSiete pronti a partire. Gli ultimi passi sono operativi, ma non meno importanti.* Dialogate con i Partner: Questo è un passo fondamentale. Contattate i vostri account manager di Google, Meta o della piattaforma che utilizzerete. Coinvolgete la vostra agenzia media. Sono loro gli esperti dello strumento specifico. Questo passaggio, sebbene presentato come un singolo punto, può richiedere tempo e diversi incontri: avviatelo con anticipo. Chiedete supporto per:* Confermare i requisiti di fattibilità.* Assistervi nella corretta configurazione tecnica del test.* Aiutarvi a interpretare correttamente i risultati una volta concluso il test.* Lanciare il Test: Avviate la campagna con la configurazione del lift test attiva.* Analizzare e Agire: Una volta concluso il test, analizzate i risultati alla luce delle regole che avete stabilito nella Fase 1. Il lift è positivo e statisticamente significativo? È nullo? Mettete in atto le decisioni concordate.Il Vostro Primo Passo Verso una Crescita Basata sull'EvidenzaPianificare ed eseguire il vostro primo lift test è più di un semplice esercizio di misurazione; è il primo passo verso una trasformazione culturale che porta a prendere decisioni più intelligenti e a investire con maggiore fiducia. Non lasciate che la perfezione sia nemica del progresso. Iniziate con una domanda chiara, un test mirato e l'impegno a usare i risultati per migliorare. Questo è il modo per costruire un motore di crescita non basato su correlazioni, ma sull'impatto causale reale.Nel Prossimo Articolo: Risultati Arrivati. E Adesso?Lanciare il vostro primo test è un passo fondamentale, ma la vera sfida inizia quando arrivano i dati. Cosa significa un risultato "statisticamente non significativo"? Come si agisce di fronte a un lift nullo? E come si scala un successo?Nel prossimo appuntamento di questa serie, affronterò proprio queste domande. Vi fornirò una guida pratica per interpretare i diversi scenari di risultato – dal successo netto alla zona grigia dell'incertezza – per trasformare ogni dato in una decisione di business informata.Link Utili di questa settimana:Demystified MMM: Una guida essenziale per CMO e CFOIl valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore realeAnalyzing the CEO–CMO relationship and its effect on growth This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Dalle Stime all'Impatto ConcretoNei capitoli precedenti abbiamo navigato le complessità del Marketing Mix Model: dalla distinzione fondamentale tra correlazione e causalità, agli errori comuni da evitare, fino a cosa pretendere per ottenere analisi più robuste. Ora sappiamo che un MMM ben costruito può fornire stime preziose per orientare la strategia, basandosi sull'analisi del passato. Ma come possiamo tradurre queste stime, per quanto raffinate, in decisioni operative sicure oggi, focalizzate sulla crescita reale e misurabile? Come passiamo dall'analisi all'azione con fiducia?L'MMM Non Vive nel Vuoto: Il Potere della ValidazioneIl primo passo è riconoscere che l'MMM, per quanto sofisticato, è solo una lente sulla realtà. Basare decisioni importanti esclusivamente sulle sue stime, senza confrontarle con altre fonti, è un rischio strategico. Le stime del modello devono essere validate. Cosa significa?Significa confrontare le indicazioni dell'MMM con altre evidenze:* I risultati dei vostri esperimenti e test A/B coincidono o contraddicono le stime del modello per quel canale?* Le ricerche di mercato confermano le tendenze indicate?* Il feedback qualitativo dei team di vendita o del customer service è allineato?* Le performance storiche di campagne simili in passato suggeriscono la stessa direzione?Un MMM le cui conclusioni sono grossolanamente smentite da altre fonti attendibili è un campanello d'allarme che non potete ignorare. Vi fidereste di una sola fonte di intelligence per una decisione critica di business in altri ambiti? Probabilmente no. Lo stesso vale per la misurazione del marketing.Il Ruolo Cruciale dei Test (Lift Test): La Prova della CausalitàSe l'MMM stima la causalità analizzando correlazioni passate, esiste un modo per misurarla direttamente? Sì, attraverso la sperimentazione controllata. I Lift Test (o test di incrementalità) sono l'applicazione del metodo scientifico al marketing.Il concetto è semplice:* Si definisce un'azione di marketing specifica da testare (es. una campagna display su un certo segmento).* Si divide il pubblico target in due gruppi statisticamente equivalenti: uno esposto all'azione (gruppo di test) e uno non esposto (gruppo di controllo).* Si misura il comportamento desiderato (es. acquisti, lead, ricerche del brand) in entrambi i gruppi per un periodo definito.* La differenza nel comportamento tra il gruppo di test e quello di controllo rappresenta l'impatto causale (il "lift") dell'azione di marketing.Questi test sono la "prova del nove", il modo più rigoroso per rispondere alla domanda: "Questa specifica attività ha causato un cambiamento nel comportamento dei consumatori?".MMM + Test = Visione Strategica + Prova TatticaÈ fondamentale capire che MMM e Test non sono alternativi, ma complementari. Lavorano su scale e con obiettivi diversi, ma insieme forniscono una visione molto più potente:* L'MMM offre la visione d'insieme (la foresta): Analizza l'intero marketing mix nel tempo, aiuta a comprendere le dinamiche tra canali diversi, supporta l'allocazione strategica del budget su larga scala.* I Test offrono la prova tattica (gli alberi): Validano l'impatto causale di specifiche iniziative, campagne o modifiche, fornendo una misura precisa dell'efficacia di una leva particolare in un dato momento.Idealmente, i risultati dei Lift Test dovrebbero essere usati per calibrare e affinare le stime dell'MMM nel tempo. Se un test dimostra che l'impatto reale della vostra campagna display è inferiore a quanto stimato dall'MMM, questa informazione può rendere il modello futuro più accurato. Si crea così un circolo virtuoso di apprendimento. (Esempi di cosa si può misurare con i test includono Conversion Lift, Search Lift, Brand Lift, ecc. - approfondiremo le metodologie in futuro).La Metrica Regina: l'IncrementalitàTutto questo ci porta al concetto chiave che dovrebbe guidare la vostra strategia di misurazione: l'incrementalità. Cosa significa esattamente?Incrementalità = L'impatto aggiuntivo generato da un'attività di marketing, al netto di ciò che sarebbe accaduto comunque.In altre parole: quante vendite, lead, conversioni o altri risultati di business avete ottenuto grazie a quella specifica campagna o attività, che non avreste ottenuto se non l'aveste realizzata?Questo è il vero contributo del marketing alla crescita del business. L'MMM stima l'incrementalità passata basandosi su modelli statistici; i Lift Test la misurano direttamente per azioni specifiche, fornendo una base più solida per le decisioni future.Guidare il Cambiamento verso un Marketing Basato sull'IncrementalitàAdottare un approccio focalizzato sull'incrementalità non è solo una questione tecnica, ma un cambiamento culturale e strategico. Come leader, potete guidare questa trasformazione:* Promuovendo il Mindset: Incoraggiate i vostri team a chiedersi non solo "questa campagna ha funzionato?", ma "quale valore aggiunto ha portato questa campagna?".* Nei Processi di Budgeting: Allocare le risorse non solo in base al ROI storico stimato, ma anche in base al potenziale di lift incrementale validato dai test.* Nella Definizione degli Obiettivi: Includere metriche di incrementalità nei KPI chiave.* Nella Valutazione delle Performance: Premiare team e agenzie che dimostrano di saper generare un impatto incrementale misurabile, non solo quelli che gestiscono grandi budget o ottengono metriche di vanità elevate. Stiamo incentivando i nostri team e partner a massimizzare l'incrementalità o solo a gestire budget e campagne?Siamo giunti alla fine di questo percorso iniziale nel mondo del Marketing Mix Modeling. Abbiamo visto come distinguere la correlazione dalla causalità sia fondamentale, come navigare i rischi di un MMM non gestito criticamente, cosa pretendere per analisi più affidabili e, infine, come l'MMM debba integrarsi in un ecosistema più ampio di validazione e misurazione focalizzato sull'incrementalità.L'MMM rimane uno strumento strategico potente, ma solo se usato con consapevolezza dei suoi limiti, validato costantemente attraverso la sperimentazione e orientato a misurare ciò che conta davvero: l'impatto causale aggiuntivo sul vostro business.Questa serie ha gettato le basi. Ma come si implementano e interpretano efficacemente i Lift Test? Come si costruisce un framework robusto per la misurazione dell'incrementalità nella pratica? Esploreremo queste domande operative nella nostra prossima serie.Prima di lasciarvi, una domanda guida finale per la vostra riflessione strategica:"Il nostro attuale processo di budgeting e valutazione delle performance marketing è realmente basato sull'identificazione e sulla massimizzazione dell'incrementalità?"Link UtiliDemystified MMM: Una Guida Essenziale per CMO e CFOCRO in 2025: How AI, personalization, and micro-conversions are changing the game This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Da Committenti Passivi a Partner StrategiciNegli articoli precedenti abbiamo visto la differenza cruciale tra correlazione e causalità e i rischi concreti di un'analisi MMM imprecisa o mal interpretata – dal budget sprecato alle decisioni strategiche errate. La buona notizia? Potete influenzare significativamente la qualità e l'affidabilità di queste analisi.Non dovete diventare esperti di econometria o statistica. Il vostro ruolo è diverso: evolvere da semplici committenti a partner strategici informati ed esigenti nel processo di modeling. Come? Sapendo cosa chiedere, cosa pretendere e quali sono gli elementi che distinguono un'analisi MMM superficiale da una realmente utile per guidare il business. Vediamo i punti chiave.Il Vostro Input è Fondamentale: L'Importanza del Contesto di BusinessUn errore comune è pensare che l'MMM sia un processo puramente tecnico che parte dai dati grezzi. Niente di più sbagliato. Un modello efficace non può nascere nel vuoto; deve essere radicato nella vostra realtà operativa e strategica.Il vostro input, la vostra conoscenza del mercato e le vostre ipotesi di business sono fondamentali prima ancora che l'analisi inizi. Pensate che un modello possa funzionare senza sapere:* Quali sono state le vostre priorità strategiche in passato?* Ci sono stati lanci di prodotto importanti, cambi di prezzo o modifiche alla distribuzione?* Quali grandi campagne o azioni dei competitor avete osservato?Fornire questo contesto è come dare le coordinate giuste a un navigatore prima di partire. Senza di esso, il modello rischia di interpretare male i segnali nei dati.* Cosa pretendere: Assicuratevi che ci sia una fase preliminare di allineamento strategico in cui condividete ipotesi, eventi chiave e obiettivi con chi realizzerà l'analisi. Il modello deve riflettere il vostro business, non essere un esercizio statistico astratto.Come l'MMM Cerca di Isolare l'Impatto (Spiegazione Semplice)Abbiamo detto che l'MMM tenta di stimare la causalità. Ma come ci prova, in termini semplici? Usa tecniche statistiche per "controllare" l'effetto delle diverse variabili. Immaginate che voglia stimare l'impatto della spesa TV sulle vendite. Il modello cercherà di farlo tenendo conto statisticamente dell'effetto concomitante di altri fattori noti, come:* La stagionalità (es. il picco natalizio).* Le promozioni attive nello stesso periodo.* La spesa pubblicitaria dei competitor (se disponibile).* Eventuali trend di mercato generali.È un tentativo di "pulire" il segnale della vostra attività dal "rumore" di fondo, basandosi sui pattern e le correlazioni osservate nei dati storici.* I Limiti Chiave: Capire questo processo aiuta anche a comprenderne i limiti.* Il modello può controllare solo ciò che misura. Se un fattore importante non è nei dati (es. un passaparola virale improvviso), il suo effetto potrebbe essere attribuito erroneamente a qualcos'altro.* Le relazioni osservate nel passato potrebbero non valere in futuro. Il mercato si evolve, i consumatori cambiano, no? Un MMM è una fotografia del passato, non una previsione certa.La Qualità e Completezza dei Dati è StrategicaQuesto ci riporta a un punto cruciale già sfiorato: la qualità dei dati non è un dettaglio tecnico, è un prerequisito strategico. Ricordate l'Errore #3: "Garbage In, Garbage Out". Potete avere il modello statisticamente più avanzato del mondo, ma se si basa su dati scadenti, i risultati saranno inaffidabili.Non bastano i dati di investimento marketing. Per funzionare bene, un MMM ha bisogno di un quadro informativo ricco:* Vendite: Accurate, alla giusta granularità (settimanale? giornaliera?) e distinte (volume/valore).* Prezzi: Storico delle vostre variazioni di prezzo e, se possibile, di quelle dei competitor.* Distribuzione: Cambiamenti nella copertura geografica o nei canali di vendita.* Attività dei Competitor: Stime della loro spesa media, lanci importanti.* Investimenti Marketing Completi: Online e offline, tracciati correttamente.* Fattori Macro: Indicatori economici rilevanti, eventi particolari.* Cosa pretendere: Trattate la raccolta e la validazione dei dati come un'attività strategica. Chiedete al vostro team/agenzia: "Come è stata verificata la qualità e la completezza di questi dati? Quali fonti sono state utilizzate?". Investire in dati migliori è investire in decisioni migliori.Oltre il Singolo Numero (ROI): Valutare la Robustezza del ModelloSpesso l'output principale di un MMM è una serie di ROI per canale. Ma fermarsi qui è riduttivo e potenzialmente fuorviante. Un singolo numero non dice tutta la storia. Per valutare la reale affidabilità delle stime, dovete pretendere di più:* Stabilità: I risultati cambiano drasticamente se si modifica leggermente il periodo di analisi (es. togliendo le ultime 4 settimane)? Risultati molto instabili indicano un modello poco affidabile.* Plausibilità (Business Sense): I risultati hanno senso rispetto alla vostra esperienza di mercato? Se un canale storicamente secondario ottiene un ROI esorbitante o un canale chiave risulta dannoso, bisogna capire perché. Il modello sfida la logica o la vostra logica ha bisogno di un aggiornamento basato sui dati? Serve approfondire.* Intervalli di Confidenza (Range di Incertezza): Nessuna stima statistica è perfetta. Chiedete qual è il margine di errore o l'intervallo di confidenza attorno al ROI stimato. Un ROI del 150% è impressionante, ma se l'intervallo di confidenza va da -50% a +350%, significa che il modello è molto incerto su quel numero. Meno incertezza (un intervallo più stretto) significa maggiore affidabilità.* Diagnostica del Modello (Controllo Qualità): Senza entrare nei tecnicismi, chiedete conferma che siano stati eseguiti i controlli standard per verificare la "salute statistica" del modello. È una forma di due diligence interna.Takeaway per il Leader & Checklist di Domande EssenzialiChiedere queste cose non vi trasforma in statistici, ma in committenti strategici che pretendono trasparenza e rigore. Il vostro obiettivo è capire se potete fidarvi delle indicazioni del modello per prendere decisioni importanti.Ecco una checklist di domande essenziali da porre al vostro team o agenzia quando discutete i risultati di un MMM:* "Quali ipotesi di business chiave sono state inserite nel modello prima di avviarlo?"* "Quali dati esterni (competitor, macroeconomici, ecc.) state utilizzando e come ne avete validato l'accuratezza?"* "Come è stata assicurata la qualità e la completezza dei nostri dati interni (vendite, investimenti, prezzi)?"* "Quanto sono stabili questi risultati? Avete provato a variare leggermente il periodo di analisi?"* "Qual è il margine di incertezza (es. intervallo di confidenza) attorno a queste stime di ROI? Possiamo ritenerle affidabili?"* "Avete eseguito i controlli diagnostici standard per validare la robustezza statistica del modello?"Queste domande vi aiuteranno a "illuminare" la black box e a costruire maggiore fiducia (o a identificare aree critiche) nei risultati che vi vengono presentati.Ma anche un MMM robusto e ben costruito si basa su dati passati. Come possiamo essere sicuri che le sue indicazioni siano valide oggi e misurare l'impatto reale delle nostre azioni future? Ne parleremo nell'ultimo articolo, introducendo la validazione esterna e il concetto chiave di incrementalità.Link UtiliDemystified MMM: Una guida essenziale per CMO e CFOGoogle annuncia le certificazioni per non tecnici sulla Generative AI This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Introduzione: Quando lo Strumento Potente Diventa un RischioNel precedente articolo, abbiamo stabilito una verità fondamentale: confondere correlazione e causalità può costare caro. Abbiamo visto come il Marketing Mix Modeling (MMM) sia un tentativo sofisticato di stimare proprio quella causalità, analizzando dati storici per isolare l'impatto delle vostre iniziative.Ma, come ogni strumento potente, l'MMM non è una sfera di cristallo. La sua efficacia dipende crucialmente da come viene costruito, alimentato e, soprattutto, interpretato. Utilizzato senza la dovuta attenzione critica, può trasformarsi da alleato strategico a fonte di decisioni errate, mettendo a rischio budget, strategie e risultati.Quali sono, dunque, le trappole più comuni in cui potreste cadere? Vediamo insieme i quattro errori principali che, come leader, dovete saper riconoscere per proteggere i vostri investimenti.Errore #1: La Nebbia della Stagionalità e dei Trend - L'Effetto "Ovvio" Attribuito al MarketingIl vostro business ha cicli naturali? Le vendite aumentano sempre a Natale o durante i saldi estivi? L'MMM dovrebbe tenere conto di questi andamenti prevedibili. Tuttavia, se la modellazione della stagionalità o dei trend di mercato non è accurata, il rischio è enorme: attribuire alle vostre campagne di marketing un successo (o un insuccesso) che in realtà dipende da fattori esterni ciclici.L'Impatto sul Business: Vi ritrovate con stime di ROI gonfiate per campagne attive durante i picchi stagionali. La conseguenza? Potreste decidere di aumentare gli investimenti proprio quando le vendite sarebbero cresciute comunque, sprecando budget prezioso. State davvero guidando la crescita o state solo pagando di più per seguire l'onda? Un MMM che non isola correttamente questi fattori vi fornisce una mappa distorta della realtà.Errore #2: Il Merito Attribuito al Canale Sbagliato - Le Variabili "Dimenticate"L'MMM può analizzare solo i dati che gli vengono forniti. Ma cosa succede se fattori cruciali vengono omessi? Pensate a:* Un'aggressiva campagna promozionale lanciata da un competitor.* Un cambiamento improvviso nel sentiment del consumatore dovuto a fattori economici.* Una modifica significativa al vostro prodotto o alla vostra politica di prezzo non inclusa come variabile specifica nel modello.* L'impatto di attività di PR o eventi offline non tracciati quantitativamente.Se questi elementi non sono nel modello, il loro impatto sulle vendite verrà erroneamente attribuito ai canali di marketing che sono stati inclusi.L'Impatto sul Business: Potreste credere che un canale stia sovraperformando (quando in realtà beneficia dell'azione di un competitor in difficoltà) o sottoperformando (quando è penalizzato da un fattore esterno negativo). Il risultato? Decisioni errate su dove investire o tagliare, basate su una visione incompleta delle vere dinamiche di mercato. Siete sicuri che la performance di quel canale dipenda solo dalle vostre azioni?Errore #3: Dati Zoppi, Analisi Invalide - Il Principio "Garbage In, Garbage Out"Questo punto è quasi banale, ma incredibilmente critico. La sofisticazione del modello MMM è inutile se i dati di input sono scadenti. Parliamo di:* Dati di vendita inaccurati o incompleti.* Investimenti marketing non tracciati correttamente (specialmente per canali offline o nuovi).* Granularità temporale errata (es. dati di vendita settimanali usati per ottimizzare campagne con fluttuazioni giornaliere).* Stime approssimative o mancanti delle attività dei competitor.L'Impatto sul Business: L'intero modello perde di significato. Le stime di ROI diventano inaffidabili, le raccomandazioni strategiche sono costruite su fondamenta fragili. È come costruire un grattacielo su fondamenta di sabbia. Avete piena fiducia nella qualità, completezza e granularità dei dati che alimentano il vostro MMM? Se la risposta non è un "sì" convinto, i risultati sono a rischio.Errore #4: Il Tecnicismo Vince sul "Business Sense" - Quando i Numeri Sfidano la LogicaA volte, un modello può essere statisticamente "robusto" – i numeri tornano, i test statistici sono positivi – ma i risultati sfidano palesemente la vostra esperienza e conoscenza del mercato. Ad esempio:* Il modello suggerisce un ROI negativo per un canale che storicamente è sempre stato fondamentale.* Attribuisce un impatto enorme a una campagna minore o a un canale con copertura limitata.* Indica che aumentare i prezzi ha un forte effetto positivo sulle vendite (oltre un certo limite, è raro!).Questo può accadere per vari motivi tecnici (overfitting, multicollinearità, ecc.), ma il punto chiave per voi è: non ignorate il vostro intuito e la vostra conoscenza del business.L'Impatto sul Business: Il rischio è implementare strategie controintuitive e potenzialmente dannose solo perché "lo dice il modello". La statistica è un supporto alle decisioni, non un sostituto del ragionamento strategico. Questo risultato ha senso alla luce di tutto ciò che sapete del vostro business e del vostro mercato?Quantificare il Rischio Strategico: Oltre il Budget SprecatoGli errori nell'MMM non si limitano a bruciare budget su campagne inefficaci. Il rischio strategico è molto più ampio:* Opportunità Mancate: Non investire su canali realmente efficaci perché sottostimati dal modello.* Valutazioni Errate: Giudicare le performance di team interni o agenzie sulla base di dati distorti.* Decisioni di Portafoglio Errate: Basare scelte su quali prodotti spingere o ritirare su stime di marketing ROI inaffidabili.* Perdita di Credibilità: Decisioni palesemente sbagliate possono minare la fiducia nella funzione marketing.Takeaway per il Leader & Le Domande Chiave da PorreCome leader, il vostro ruolo non è diventare esperti di econometria, ma essere i custodi del "business sense". Sfidate i risultati, ponete domande scomode, non accettate i numeri come verità assoluta. Il vostro scetticismo informato è la migliore polizza assicurativa contro decisioni costose.Quando vi presentano i risultati di un MMM, ecco alcune domande essenziali da porre al vostro team o agenzia:* "Quali fattori esterni (competitor, economia, eventi specifici) sono stati inclusi nel modello? Quali sono stati esclusi e perché?"* "Quanto siete sicuri della qualità, completezza e accuratezza dei dati di input utilizzati?"* "Questi risultati hanno senso alla luce di ciò che osserviamo sul mercato, delle nostre iniziative passate e del nostro storico?"Queste domande vi aiuteranno a valutare la reale affidabilità delle analisi e a guidare il processo verso risultati più solidi e strategicamente utili.Ma come possiamo assicurarci che l'MMM venga costruito e utilizzato in modo più robusto fin dall'inizio? Nel prossimo articolo, esploreremo cosa pretendere per ottenere stime di impatto credibiliLink UtiliTrasforma la Spesa Marketing in Profitto: La Guida MMM per CMO e CFOUnderstand why your metrics moved with contribution analysis in BigQuery ML, now GA This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Google e il Modello della Scelta Utente: Le Perplessità della CMAA luglio 2024, Google ha annunciato un cambio di rotta per il suo progetto Privacy Sandbox: invece di eliminare completamente i cookie di terze parti, l'azienda ha scelto di offrire agli utenti la possibilità di decidere se mantenerli attivi. Questa mossa, non ha però risolto le preoccupazioni della Competition and Markets Authority (CMA) del Regno Unito, come la stessa authority ha sottolineato nel report presentato a Novembre 2024.Le principali perplessità della CMA riguardano:* Vantaggio competitivo di Google: Google, grazie all'accesso ai propri dati di prima parte, potrebbe trovarsi in una posizione di vantaggio rispetto ai concorrenti che dipendono dai cookie di terze parti. Ad esempio, questo vantaggio potrebbe consentire a Google di ottimizzare meglio le campagne pubblicitarie, offrendo una performance superiore rispetto ad altri player del mercato.* Stagnazione del mercato: Consentendo l'uso dei cookie di terze parti, l'industria pubblicitaria potrebbe ritardare ulteriormente l'adozione di tecnologie più rispettose della privacy. Questo ritardo rappresenta un ostacolo per l'innovazione e favorisce la conservazione dello status quo, rendendo più difficile l'emergere di nuove soluzioni.Thanks for reading dataMesh! Subscribe for free to receive new posts and support my work.Un Rallentamento per tutti: Impatti sull’Innovazione nell’AdvertisingMi aspettavo che Google introducesse entro la fine dell'anno in Chrome il meccanismo per consentire agli utenti di scegliere se abilitare o meno i cookie di terze parti. Tuttavia, le preoccupazioni espresse dalla CMA potrebbero posticipare questa implementazione, con potenziali ritardi che potrebbero avere conseguenze significative:* Un alibi per l'industria: L'AdTech, invece di abbracciare nuove tecnologie, trova un motivo per continuare a utilizzare un'infrastruttura obsoleta. Prima, l'identificazione degli utenti avveniva solo attraverso i cookie di terze parti; oggi, si fa affidamento su una combinazione di cookie e ID alternativi, perpetuando la dipendenza da tecnologie non orientate a proteggere la privacy dell’utente.* Resistenza al cambiamento: Invece di promuovere modelli pubblicitari innovativi e centrati sulla privacy, il settore si accontenta di soluzioni temporanee. Questa resistenza rappresenta anche una scusa per non testare a fondo le tecnologie della Privacy Sandbox. Ad esempio, alcuni operatori hanno chiesto di poter testare queste tecnologie su un pubblico più ampio, dimenticando che Google le ha già rese disponibili per tutti gli utenti di Chrome.Come Dovrebbero Comportarsi gli Advertiser OggiCon oltre il 30% del mercato che non supporta più i cookie di terze parti, gli advertiser devono adattarsi a nuove strategie per continuare a raggiungere il loro pubblico in modo efficace ed essere pronti al futuro che, qualunque esso sia, sarà con meno cookie di terza parte:* Introdurre nuove metodologie di misurazione: L'attribuzione non deve più essere vista esclusivamente come una soluzione per comprendere le performance dei diversi canali, ma come uno strumento per fornire più informazioni possibili ai modelli di bidding in tempo reale. È consigliabile implementare tutte le tecnologie di tracking client-side che utilizzano dati di prima parte, come Enhanced Conversion di Google o Conversion API di Meta e adottare soluzioni server-side per migliorare ulteriormente il tracking. Inoltre consiglio di introdurre tecnologie per inviare informazioni su tutte le conversioni, sia online che offline, usando i dati di prima parte. Sia Google sia Meta hanno framework e metodologie di deduplica dedicate. Chi oggi le implementa per primo avrà un vantaggio competitivo.* Sfruttare i dati di prima parte per il targeting: Tecnologie come Customer Match di Google o Customer List di Meta permettono di creare segmenti utente da utilizzarle in remarketing, esclusione e per creare nuove audience in looklike (utenti con caratteristiche simili ai miei clienti). Attraverso quest segmenti forniamo ai modelling di bidding informazioni più dettagliate sul tipo di cliente che vogliamo raggiungere. Diventa fondamentale muoversi verso strategie più avanzate come escludere i clienti che sistematicamente restituiscono i prodotti, individuare utenti simili ai clienti più redditizi, identificare utenti per interesse per personalizzare le creatività: in questo modo, i modelli di bidding possono utilizzare nuovi segnali per l’ottimizzazione* Utilizzare tecnologie di misurazione alternative: Test di incrementalità per valutare l'effettivo contributo di ciascun canale (test di Brand Lift, Search Lift, Conversion lift) e Marketing Mix Model per comprendere come le diverse attività collaborano per raggiungere i risultati desiderati. Questi approcci permettono di prendere decisioni di budget più informate e basate sui dati, fornendo una visione più completa dell'efficacia del proprio marketing mix e di prevedere possibili scenari al cambiamento del budget investitoConclusioneIl rapporto della CMA sottolinea la complessità di bilanciare privacy, innovazione e concorrenza. Ogni ritardo nella transizione verso tecnologie moderne rappresenta un’occasione persa per ridefinire il futuro della pubblicità digitale. L'industria deve superare la propria inerzia: è giunto il momento di sviluppare soluzioni che vadano oltre l'identificazione degli utenti, favorendo un ecosistema rispettoso della privacy e promotore di innovazione. L’incertezza sulle tempistiche e sul futuro sta sicuramente penalizzando startup che avevano puntato al post 3rdparty cookie, premiando invece le aziende ‘tradizionali’ e rallentando l’innovazione.Lo IAB ha fatto un passo in avanti a fine novembre presentato la prima bozza dell’ ID-Less Solution Guidance dove si prova a definire cosa sia una vera soluzione ID-less l’unica vera tecnologia che permetta di andare al di là dell’attuale infrastruttura advertising.Thanks for reading dataMesh! This post is public so feel free to share it. This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Le piattaforme di advertising hanno introdotto metodologie di targeting basate sui dati dei clienti di un'azienda a partire da Meta nel 2013, con la feature delle Custom Audience chiamata Customer Match. Successivamente, anche Google e altre piattaforme hanno adottato funzionalità simili, come TikTok (Customer File) e LinkedIn (Matched Audience). Questo tipo di funzionalità è stato introdotto prima dell'entrata in vigore del GDPR nel 2018 e, ancora oggi, molti clienti mostrano confusione su come trarre vantaggio da questi strumenti rispettando le norme sulla privacy. Insieme a Giovanni Di Stefano, esperto legale e DPO per grandi aziende, esploreremo sia le implicazioni tecniche e di business, sia quelle legali di questi strumenti.Che cos'è il Customer Match?Il Customer Match permette di creare una audience o segmento di targeting a partire da una lista di clienti. Gli advertiser caricano un documento (di solito in formato CSV) utilizzando le email dei propri clienti, criptate tramite un algoritmo di hashing (solitamente SHA256). Le piattaforme di advertising come Meta Ads, Google Ads e TikTok Ads utilizzano questi dati per identificare i clienti registrati sulle proprie piattaforme e calcolare il cosiddetto match rate, ossia la percentuale di utenti identificati con successo.Per far funzionare correttamente il Customer Match, l'utente deve essersi registrato sia sui network delle piattaforme pubblicitarie che sul sito dell'azienda utilizzando la stessa email. È importante sottolineare che l'email è considerata un dato personale, anche se criptata, e per utilizzarla è necessario raccoglierla in modo conforme alle leggi sulla privacy.Come utilizzare il Customer Match nel rispetto del GDPRLe operazioni di Customer Match implicano l'uso di dati personali, anche quando questi sono crittografati. Infatti, l'hashing non rende i dati totalmente anonimi, ma semplicemente complica la loro re-identificazione, rientrando quindi nella pseudonimizzazione. Per considerare il trattamento conforme al GDPR, è fondamentale che i dati personali siano raccolti legalmente, sia da parte dell'advertiser sia dalla piattaforma di advertising. Sia l'advertiser che la piattaforma pubblicitaria devono ottenere il consenso degli utenti per utilizzare i loro dati per finalità di marketing e profilazione. Pertanto, l'utilizzo del Customer Match risulta conforme quando tutti gli interessati hanno raccolto il consenso sia al marketing che alla profilazione.Customer Match e Intelligenza ArtificialeUna delle domande più frequenti riguarda l'uso di personali (come lo sono a tutti gli effetti i dati utilizzati dal customer match) per allenare modelli di Intelligenza Artificiale (IA). È possibile allenare un modello di IA con dati anonimizzati, a patto che gli utenti siano informati in modo chiaro riguardo al processo di anonimizzazione e all'utilizzo dei dati per questi scopi (art. 13 GDPR). Inoltre, è fondamentale che sia prevista un'opzione di opt-out per gli utenti che non desiderano che i propri dati vengano usati per addestrare algoritmi di IA.In questo contesto, la base giuridica potrebbe essere il legittimo interesse dell'advertiser (art. 6(1)(f) GDPR),  validato recentemente per il marketing diretto dalla Corte di giustizia (4 ottobre 2024 n. C-621/22).Tuttavia, è essenziale effettuare una Legitimate Interest Assessment (LIA) per valutare la legittimità del trattamento e rispettare i requisiti del regolamento europeo sull'IA, specialmente nei settori critici.Strategie per utilizzare il Customer MatchLe piattaforme di advertising offrono tre funzionalità principali per l'utilizzo delle liste di clienti:* Targeting: Mostrare annunci pubblicitari ai clienti presenti nella lista.* Esclusione: Escludere determinati utenti dal vedere specifici annunci. Questo funziona solo se la piattaforma riconosce l'utente.* Lookalike: Trovare utenti con comportamenti ed interessi simili a quelli dei clienti forniti.Queste funzionalità aprono molte possibilità per attivazioni strategiche, ottimizzazione del bidding e personalizzazione del messaggio pubblicitario.Esempi di strategie pratiche* Base:* Escludere i clienti già acquisiti per evitare di spendere budget su utenti che hanno già convertito.* Utilizzare Lookalike Audience per trovare nuovi potenziali clienti simili a quelli già acquisiti.* Medio:* Segmentare i clienti in base al Customer Lifetime Value (CLV) e applicare strategie di bidding differenti in base al valore del cliente.* Sfruttare gli interessi dei clienti per creare campagne mirate, sia in remarketing che in lookalike.* Avanzato:* Utilizzare un modello predittivo per stimare il CLV futuro dei nuovi clienti e creare segmenti di lookalike per trovare utenti simili a quelli con alto valore.Considerazioni finaliIl Customer Match è uno strumento potente per ottimizzare le campagne pubblicitarie, ma il suo utilizzo deve essere in linea con la normativa vigente, rispettando i diritti degli utenti e adottando misure adeguate di sicurezza dei dati. La collaborazione tra team tecnici e legali è essenziale per massimizzare i benefici di queste strategie, garantendo al contempo la conformità al GDPR e al regolamento sull'IA.Dove sarò nelle prossime settimane29 Ottobre 2024 webinar Makingscience: Black Friday e Peak Season. Come massimizzare i risultati grazie alla misurazione: incrementality, attribution e MMM.11-12 Dicembre 2024 Search Marketing Connect This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Le Data Clean Room sono diventate argomento main stream l’11 Ottobre 2022 quando Google ha presentato la soluzione Publisher Advertiser Identity Reconciliation (PAIR) per Display & Video 360 annunciando il supporto per le Data Clean Room.Un mese dopo il 29 Novembre 2022 Amazon lancia AWS Clean Rooms facendo risuonare questo nuovo prodotto sempre più forte nel mondo del Advertising.Scopriamo di cosa si tratta.Che cos’é una Data Clean Room?Per capire una Data Clean Room dobbiamo fare un passo indietro. 3rdParty Cookie e Mobile Advertising Id (MAID) sono identificativi univoci dell’utente. Attraverso di essi il mondo dell’advertising è riuscito a:Grazie per leggere DataMesh. Iscriviti se vuoi rimanere aggiornato* Capire/calcolare gli interessi utente* Misurare le conversioni* Collezionare una grande quantità di dati Il mondo del AdTech si basa principalmente sulle funzionalità sopra elencate.Quando i 3rdParty cookie e i MAID non possono essere raccolti, le fondamenta del digital advertising vengono a mancareUna Data Clean Room permette ad un’azienda di raccogliere informazioni relative ai propri utenti e renderle disponibili ad una terza parte senza condividere con essa alcune dato personale e rispettando la privacy dell’utente. In altre parole, una Data Clean permette di unire dati da fonti diverse al fine di creare un Identity Graph (l’identificazione di un singolo utente in modo univoco) e condividerlo con aziende terze senza mai dare accesso ai dati personali dei propri utenti.Possono diventare un sostituto di 3rdParty Cookie e MAID nel pieno rispetto della privacy, ripristinando in parte le fondamenta del Digital Advertising, ma ridando potere a chi quei dati li raccoglie direttamente: publisher ed advertiser.Come utilizzare una Data Clean RoomLe Data Clean room più famose in questo momento sono:* Google Ads Data Hub (ADH) è la prima Data Clean Room presentata sul mercato.Al suo interno troviamo Google raccoglie i dati sulle sue proprietà digitali come: Google Search, Google Maps, YouTube, ecc. Per potervi accedere è necessario fare advertising con uno di questi prodotti: Search Ads360, Display & Video 360 e Campaign 360* Amazon Marketing Cloud permette di accedere ai dati raccolti su tutte le aziende del gruppo Amazon, come lo shop, Whole Food e Twitch. A differenza di ADH non è necessario avere un account di advertising su Amazon per utilizzarloEntrambe permettono ad una azienda di potenziare le proprie capacità di misurazione e di targeting sulle piattaforme di Google e Amazon rendendo possibile unire i dati di prima parte raccolti dall’azienda con i dati di prima parte di Amazon o Google.Un esempio aiuterà a comprendere meglio le potenzialità.CocaCola attraverso un concorso ha raccolto i lead di numerosi utenti, ma per semplificare ed avere un funnel di conversione semplice e veloce non ha chiesto il sesso e la data di nascita dell’utente. Attraverso Google Ads Data Hub CocaCola potrà per tutti i canali media tracciati con le soluzioni Google:* estrarre i dati di conversione aggregati per sesso ed età degli utenti sfruttando la capacità di Google di estrarre di dati socio/demo* Potrà comparare tali dati di conversione con gli utenti che hanno solo visualizzato le creatività CocaCola* gli stessi dati sono analizzabili per gli utenti che hanno cliccato un annuncio, ma non hanno convertitoSegmentare queste informazioni per creatività permette di analizzare le performance al fine di individuare quale combinazione di creatività, landing page, call to action performi meglio per ogni segmento socio/demografico. Inoltre da entrambe le piattaforme è possibile creare audience mixando i dati di prima parte dell’azienda con i dati dell’AdTech per creare segmenti utilizzabili nelle piattaforme di advertising.Il potenziale di questa tecnologia è molto alto, ma fosse limitato solo a Google e Amazon, non permetterebbe di raggiungere quella massa critica di utenti identificabili che ha reso 3rdParty Cookie e MAID così importanti per l’advertising.Una Data Clean Room può essere creata da qualunque azienda: SnowFlake e Amazon mettono a disposizione la tecnologia per portare i propri dati di prima parte all’interno di una clean room basata sulle loro tecnologie cloud, lasciando molto della progettazione all’azienda stessa.Ma sul mercato si affacciano soluzioni SAAS come:* InfoSum fornisce una soluzione completa, di facile attivazione ed una metodologia unica di matching del utente privacy oriented. * Habu CleanML si concentra sulle capacità di misurazione con machine learning per individuare insights nei dati raccolti* LiveRamp SafeHeaven il cui punto di forza è la capacità di arricchire il dato grazie alle numerose partnership sviluppate dall’aziendaUn possibile futuro delle data Clean RoomQueste piattaforme permettono di rendere disponibili gli identity graph di ogni azienda a terzi senza condividere dati personali del cliente avvicinandosi alla scalabilità di cookie e MAID. le Data Clean Room potrebbero rendere l’affermazione “data are the new oil” più democratica.Ad oggi nel mondo del advertising i dati sono stati una miniera infinita soprattutto per le BigTech, lasciando a publisher ed advertiser le briciole. Con la scomparsa dei 3dParty cookie e la limitazione ai MAID il potere infinito delle BigTech relativo alla raccolta dati potrebbe diminuire. Le Data Clean Room potrebbero porsi come base della data collaboration tra aziende, creando un’economia del dato più olistica in cui ogni azienda che contribuisce viene ripagata per lo sforzo fatto.Ma siamo ancora distanti da questa visione ideale, non esiste ad oggi una metodologia di comunicazione chiara tra Data Clean Room di fornitori diversi e questo ha portato al proliferare di market place privati alla stregua degli AppStore di iOS e Android.La tecnologia è relativamente giovane, la prima Data Clean Room è stata presentata da Google nel 2017 con Ads Data Hub. Se questa tecnologia manterrà le promesse prevedo un futuro dove l’interoperabilità tra piattaforme sarà una feature strettamente necessaria: potrebbe nascere un consorzio alla stregua del W3C che garantisca che il dato sia utilizzabile da tutti gli attori sul mercato.Oggi la tecnologia è utilizzata principalmente per fini di advertising e marketing, ma potrebbe rivelarsi in futuro utile in altri ambiti dove è necessario accedere a dataset che contengono informazioni personali, ad esempio l’ambito medicale, oppure dataset che contengono informazioni importanti per un’azienda e devono essere criptati per non condividere informazioni sensibili.Lo sforzo di Google nell’ambito della privacy per l’advertising sta generando framework e pubblicazioni che testano in modo nuovo modelli privacy oriented utilizzabili anche in altri ambiti. Google sta lavorando molto sul concetto di differential privacy all’interno della privacy sandbox: “la privacy differenziale aiuta le organizzazioni a ricavare informazioni dai dati, garantendo allo stesso tempo che tali risultati non consentano di distinguere o ridentificare i dati di nessun individuo.” Altre tecnologie utilizzate da Google all’interno della privacy sandbox stanno diventando opensource per essere utilizzate in diversi ambiti.* Deep Learning with label Differential Privacy* Private Ads Prediction with DP-SGD* Fully Homomorphic Encryption (FHE)I Link della settimanaWhy should I use Marketing Mix Modelling when I have Google Analytics Chris Kervinen spiega molto bene perché oggi i MMM sono sempre più necessariProgress in spite of chaos: Cookie-less advertising marches ahead i segnali sono sempre più chiari: a sostituire i 3rdparty Cookie e i MAID non sarà una sola tecnologia, ma avremo sul mercato diverse opzioni.Nota a margine: oggi inauguro le illustrazioni della newsletter realizzate con OpenAI DALL-EGrazie per aver letto DataMesh! Iscriviti se vuoi rimanere aggiornato This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Apple si è auto nominata paladina della privacy presentando tecnologie per difendere i dati personali dell’utente (App Tracking Prevention e Intelligent Tracking prevention) ma è stata criticata: da un lato blocca l’advertising di terze parti con le sue tecnologie e dall’altro entra nel mondo dell’advertising, dove il rispetto della privacy non è il faro guida. È veramente questa la situazione, oppure possiamo trarre ispirazione dalla strategia di Cupertino?Breve CronistoriaApple entra nel mondo dell’advertising nel 2010 presentando iAd dopo aver acquistato all’inizio dello stesso anno Quattro Wirelless per 275 milioni di dollari.L’esperienza di iAd fu disastrosa e il progetto fu chiuso in soli 6 anni, per spostare l’esperienza fatta su Apple Search Ads.Nel Agosto 2022 viene aperta la ricerca di personale per la creazione di “the most privacy-forward, sophisticated demand side platform possible”, e nello stesso mese viene registrata un presenza straordinaria di Apple a Cannes l’evento più importante dell’advertising. Infine ad Ottobre 2022 l’azienda aumenta di numero le posizioni pubblicitarie all’interno del App Store.Le attività di Apple hanno generato titoli da click baiting Cupertino entra nel mondo del advertising.Apple è nel mondo del advertising da 12 anni. L’ecosistema AppleSono passati 6 anni da quando Apple ha stabilizzato la sua piattaforma di advertising: per il mondo della tecnologia un’era geologica. Nel mentre l’ecosistema dell’azienda si è ampliato:* TV+ presentato a fine 2019, * Fitness+ presentato a fine 2021, * iTunes confluito nella app Apple Music nel 2021* App Store è un lontano parente della prima versione lanciata nel 2008, ora è organizzato con tematiche ed esteso a Mac OS X* Apple Arcade disponibile per iOS, iPadOS, Apple TV. * In questi mesi l’azienda ha annunciato che trasmetterà in streaming le partite di Baseball e di SoccerApple deve rivoluzionare la sua piattaforma di advertising se vuole competere con NetFlix, Amazon PriveVideo, Disney+, Paramount+, ecc. perché tutte stanno proponendo o pianificando abbonamenti scontati grazie alla pubblicità. Perché stupirsi se Apple assume talenti per creare la sua DSP?La risposta più veloce a questa domanda: l’advertising non rispetta la privacy. Apple è famosa per essere disruptive quando entra in un mercato e difficilmente sbaglia due volte un progetto, ma può una piattaforma di advertising preservare la privacy dell’utente? Per capirlo dobbiamo prima di tutto capire cosa sia la privacy.Che cos’é la privacy? Spesso diamo per scontato che la privacy sia un concetto universale, ma, semplificando, oggi possiamo parlare di due visioni codificate di privacy:* La visione legale prevede nelle varie legislazioni la possibilità da parte dell’utente di scegliere se i sui dati personali vengano o meno raccolti, archiviati e analizzati dalle aziende con cui entra in contatto* Lato Tech la privacy è l’impossibilità da parte di qualsiasi azienda di poter incrociare i dati comportamentali dell’utente tra le proprie proprietà digitali e quelle di terzi. Tradotta in modo più semplice: l’impossibilità che esista un identificativo univoco che permetta di raccogliere le azioni di un singolo utente come i 3rdparty cookie e i Mobile Advertising IDentifier (MAID)Sono due visioni diametralmente opposte, vivono vite parallele ed entrano in contatto solo per il consenso utente, ma appaiono simili a molti perché raccolte sotto il cappello “Privacy utente”.Apple non vuole impedire di raccogliere informazioni relative al comportamento utenti fatte sulle proprietà digitali dell’azienda (i famosi First Party Data), ma combatte la possibilità di unire quei dati con elementi esterni all’insaputa dell’utente stesso. Cookie di Terza parte e Mobile Advertising ID sono identificativi utente molto facili da ottenere e archiviare. Essi permettono di ricostruire la storia online e parte della sua storia offline in modo estremamente semplice. Apple spiega nel dettaglio in A Day in the life of your Data come sono utilizzati i dati dell’utente dal mondo AdTech (e non solo)Perché Apple viene attaccata? Proprio a causa di questa dicotomia su cosa sia la privacy. Tutti i sistemi di misurazione e di analisi dell’utente usati da Apple si basano su dati di prima parte. Un utente è sempre registrato su AppStore per poter utilizzare il suo iPhone, il suo iPad, la sua Apple TV oppure all’interno di Apple Music o Tv+, Fitness+, Apple Pay. Quando fa una ricerca, quando scarica una app, quando acquista un prodotto all’interno delle app, quando sottoscrive un abbonamento utilizza sempre piattaforme della mela morsicata. Apple ID permette di ricostruire tutte le attività fatte dall’utente all’interno del suo ecosistema, ma no può collegare tali attività con app non di proprietà di Apple o con quello che l’utente ha fatto su siti non di proprietà di Apple.Facciamo un esempio pratico: Apple può definire gli interessi di un utente semplicemente analizzando cosa l’utente fa all’interno delle sue proprietà, inoltre può determinare anche se l’utente ha convertito, se ha interagito con un banner ecc. ecc. tutto rimanendo all’interno dei dati di prima parte che essa raccoglie e senza dover scomodare Mobile Advertising ID e 3rdParty Cookie.Apple è in una situazione simile a Google essendo quest’ultimo proprietario di molti portali come Google.com (e le varie declinazioni in lingua) YouTube, Google Discover, Google Maps, Android Store, Google App, Google Pay, Android, Google Hotel Ads, Google Shopping, Google Chrome, ecc e può raccogliere il comportamento utente senza mai scomodare dati esterni e probabilmente ha creato un’infrastruttura che trae vantaggio da questi dati.Meta al contrario è proprietaria di 3 grandi social network: Facebook, Instagram e WhatsApp. Gli utenti spendono molto tempo sulle piattaforme di Meta, ma difficilmente compiono azioni di acquisto o conversione all’interno di questi mondi, devono uscirne e per poter tracciare con attenzione queste attività Meta ha necessità di dati di terza parte come 3rdParty cookie e Mobile Advertising ID. Questo la pone in una situazione di svantaggio in un mondo dove si cercherà di impedire sempre di più la possibilità di tracciare in modo preciso le attività degli utenti.Apple nella sua visione di privacy legata al mondo tech sta facendo attività del tutto in linea con la quella vision. Dovremmo trarre ispirazione: * raccogliere le interazioni utente con le property sia digitali che fisiche * raccogliere le interazioni con il nostro brand* invitare l’utente ad identificarsi in modo univoco* pensare una strategia affinché l’utente ritorni sono alla base di una strategia di marketing che esalti i First Party Data. La raccolta dati inoltre aiuterà lo sviluppo prodotto permettendo di analizzare come l’utente interagisce con le diverse features.Troppo spesso sento dirigenti di azienda e consulenti lamentarsi che le restrizioni tecnologiche e legali connesse alla privacy stanno limitando le loro capacità di migliorare ed analizzare business. Serve uno switch mentale dove oltre a pensare alle attività di marketing è necessario pensare a come raccogliere i dati di tale attività, a come creare una relazione di trust con l’utente affinché ci permetta di raccogliere dati. Ma è così diverso da prima? A mio parere no, ma la raccolta dati era affidata a terzi. Le BigTech si occupavano di tutto in modo tentacolare e gratuitamente: noi dormivamo il sonno degli stolti cullandoci nella certezza che nulla sarebbe cambiato, lasciando ad altri raccogliere i nostri dati di business.Voglio ripetere questa frase: lasciando ad altri raccogliere i nostri dati di business. Suona anche a voi stupido?Partite dalla Data Strategy: identificate business case specifici ed iniziate a raccogliere i datiLink della settimanaHow Google and YouTube are investing in fact-checking Google descrive le varie attività per identificare le fake news, ma soprattutto promuove International Fact-Checking Network perché la lotta alle notizie false non può essere demandata alle bigTech (Google ha donato 13.2 milioni di dollari)Casper, Netflix seek to soothe holiday stress with in-store screenings interessante attività promozionale di casper che invita gli utenti ad vedere il Film di Net Slumberland direttamente nel suo store a New-York Soho, consigliando di presentarsi in pigiama. This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

In questi giorni mi sono imbattuto in un interessante business case di TA3 SWIM, azienda americana di costumi da bagno da donna che ha introdotto sul proprio ecommerce un sistema di Virtual TryOn denominato YouFit: scelto lo stile del costume la piattaforma consiglia all’utente la taglia da acquistare dopo aver inserito le seguenti informazioni:* Altezza* Peso * Fotografia frontale del utente* Fotografia laterale del utenteL’obiettivo principale del progetto era ridurre il numero di resi dovuti a taglie errate o all’abitudine da parte degli utenti di acquistare diverse taglie dello stesso prodotto per poi restituire quelle non adatte.I dati condivisi sono interessanti:* Il 46% degli utenti che hanno utilizzano l’applicazione hanno poi acquistato* Quando viene acquistata la taglia consigliata solo il 10% viene restituito per problemi di indossabilità (l’azienda dichiara che il dato sia molto più basso della media del sito)* Solo il 2% delle restituzioni sono oggi riconducibili all’acquisto di più taglie dello stesso prodotto* Quando NON viene acquistata la taglia consigliata il 45% delle transazioni si concluderà con una restituzione del prodotto per problemi relativi all’indossabilitàAlla base della tecnologia di YouFit troviamo le soluzioni di 3DLook, la quale naturalmente vanta integrazioni avanzate di Machine Learning, ma l’elemento che più mi ha colpito è questo schema di integrazione con Shopify e MagentoL’infrastruttura esalta i first party data dell’azienda in un semplicissimo schema di integrazione:* Visualizzazione pagine prodotto* Conversioni* Sku data* Immagini prodotto* Prodotti restituitiL’ultimo è secondo me l’elemento più importante: i dati relativi ai prodotti restituiti. Restituire un prodotto comunica chiaramente all’azienda l’insoddisfazione del cliente: troppo spesso quell’informazione (questo dato) è ignorata. 3DLook probabilmente la utilizza per addestrare i suoi modelli e potrebbe utilizzare widget per chiedere al cliente perché restituisce un prodotto al fine di verificare la bontà del modello di selezione.Probabilmente il sistema di 3DLook è molto più complicato e non di facile integrazione come lo schema qua sopra vuole far apparire, ma evidenziare il dato di reso è molto importante perché sottolinea la necessità di aver quel dato per attivare il sistema.Questa è l’applicazione del vero potenziale dei dati di Prima Parte, ed è importante in ogni progetto partire dal Business case che si vuole raggiungere per poter individuare con attenzione quali dati raccogliere. I dati di prima parte non sono solo dati per il marketing.Questo dimostra come la Data Strategy deve essere sempre alla base di ogni progetto ben riuscitoIl concetto di virtual TryOn sta prendendo piede tanto che Google ha annunciato il 17 novembre due nuovi integrazioni all’interno di Search:* Trova il tuo fondotinta permette di vedere come uno specifico fondotinta apparirà su una modella con una pelle simile alla nostra* Acquistare le sneaker in realtà aumentata: la possibilità di vedere alcuni modelli di sneaker come si integrano nel mondo reale Amazon, invece, ha introdotto il virtual TryOn per le sneaker dopo quello per gli occhiali da soleSono esempi più semplici rispetto business case di TA3 SWIM, ed a mio parere meno ‘utili’ per l’utente perché non danno consigli, ma sono chiaramente un forte segnale del trend che sta prendendo piede sul mercato.Il concetto di dato di prodotto si sta estendendo, i contenuti non vanno pensati solo come un asset creativo, ma sono dati da ottimizzare per le diverse esperienze utente e per i diversi canali di distribuzione.I link della settimana* Nestlé Purina’s Strategy Fur (Had To Do It) Measuring Ad Effectiveness come Purina utilizza in modo alternativo un Panel di Utenti per indirizzare le sue strategie* For Attribution, Retailers Test If Incrementality Can Be A New Truth Set un’introduzione su cosa siano gli incrementality testing e come possono supportare il business This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Prima di tutto vorrei provare a spiegare che cosa sia il Livestream Shopping. Avete presente l’esperienza di vendita di Wanna Marchi negli anni 90 nelle Tv private con creme di bellezza prima e la fortuna poi? Ecco trasportate la stessa “esperienza” all’interno di una piattaforma come TikTok live o YouTube live e intuirete immediatamente cosa sia il Livestream shopping, con la differenza di poter rivedere il video on demand.Per chi invece è più giovane rimando al documentario Wanna di Netflix.Certo spiegare il fenomeno senza un esempio reale sarebbe poco corretto, dovreste fidarvi delle mie sensazioni, così inserisco un breve documentarioFatte tutte le premesse del caso, la vera domanda: il trend prenderà piede anche in occidente? A mio parere non in questa forma, ma con modalità diverse in realtà è già tra noi. Ecco gli indicatori che ritengo importanti per analizzare questo fenomeno.TikTok ha provato ad esportare quell’esperienza in occidente, ma per ora ha bloccato il progetto dopo aver fallito in UK.Per questo Black Friday Pinterest lancia Pinterest TV: la nuova features permette agli utenti di comprare prodotti attraverso lo shopable content.Wallmart il gigante del retail americano sembra puntare molto sullo shopable content e sta testando tanti formati arrivando ad aprire una nuova Content Creator Platform per poter collaborare direttamente con i creator, il tutto in collaborazione con Impact.Le BigTech stanno a guardare? Nemmeno per sognoYouTube sicuramente è la più attiva, dopo aver lanciato Shopping links per il mondo del beauty il 10 novembre ha lanciato un evento di 10 giorni From YouTube to You in cui i Top YouTube Creators promuovo vari prodotti in vista del Natale: l’attenzione di YouTube è tutta concentrata sui shopable video content disponibili come standard video, live streaming e shorts.Meta non sta alla finestra ed Instagram shopping permette di comprare consultando le immagini ed i video senza uscire dalla piattaforma.Negli Stati Uniti si stanno affermando due aziende che concentrano i loro sforzi sui Video Shopable: Talkshop e Firework quest’ultima ha ricevuto finanziamenti da American Express.L’attenzione per i contenuti shoppable ha attirato l’attenzione anche delle fintech: Klarna ha rilasciato un motore di ricerca per i prezzi che lavora sui shoppable video.I video sono diventati la nuova terra di conquista per gli ecommerce, per avere successo in questo ambito il controllo dei dati è importante: non parlo solo dei dati di performance, intuitivamente essenziali, ma parlo della gestione del prodotto come dato (titolo, descrizione, immagini, video, prezzi, categorie di appartenza, ecc. ecc.). I product feed diventano un elemento essenziale nelle strategia a performance, saperli ottimizzare e porre attenzione al contenuto gestito come dato e non solo come asset creativo diventa sempre più essenziale. Un nuovo mondo si è aperto per gli ecommerce, saper gestire i dati di prodotto è la chiave del successo. Lo schema riportato qua sotto riassume dove Google utilizza le informazioni dei feed di prodotto: un’ecosistema gigantesco Dallo schema però è chiaro come il feed di prodotto sia pervasivo all'interno dei canali di Google. Vi lascio con due citazioni di Giorgio Taverniti: * Google è Liquido * Google è l'ecommerce del mondoEsse ben riassumono le sfide da affrontare ma non è esiste solo Google, i feed di prodotto sono usanti, da Facebook, Instagram, TikTok, Criteo, ecc.Link della settimanaGoogle, Apple, Meta, Amazon & Microsoft Join To Improve Voice Recognition Le 5 big tech uniscono le forze per creare un dataset che permetta di creare modelli NLP che riconoscano la voce di  persone con disabilitàWill Walmart's RFID mandate drive wider industry adoption? Walmart ampia il catalogo di prodotti per cui richiede ai propri fornitori di utilizzare RFID come “etichette”. Questo potrebbe portare all’adozione di RFID in modo massivo trasformando completamente la gestione di magazzino e logistica del retailExpiration cap removed from javascript cookies in webkit browser Simo Ahava evidenzia come nelle ultime release di webkit (il motore di Apple Safari) sia stato rimosso il cap di 7 giorni ai cookies di javascript: ma contrariamente a quanto sembra dal titolo questo non vuol dire che Apple abbia fatto un passo indietro, in realtà ha uniformato il comportamento del framework utilizzando una diversa modalità per limitare la durata dei cookie a 7 giorni di inattività. This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com