Il Futuro Della Misurazione Dell’ADV: Approccio Multi-Touch Vs Marketing Mix Model

30 Apr

Utilizzo di un framework olistico per andare oltre i limiti attuali nella misurazione dell’ ADV della Marketing Attribution

Utilizziamo tale framework di analsi per i nostri clienti che vogliono ambire ad alte performance, con miglioramento delle stesse anche e oltre il 250%.

Tra qualche mese ricorreranno i 30 anni dalla nascita della Pubblicità Online!

Il primo banner online è comparso infatti il 27 ottobre 1994, sul sito americano Wired: si trattava di una pubblicità per la compagnia telefonica AT&T, pagata complessivamente circa 60 mila dollari.

La particolarità di questo banner è che non sponsorizzava direttamente il brand o la sua offerta commerciale, ma puntava ad ottenere l’attenzione dell’utente con una semplice frase multicolor: “Hai mai cliccato qui con il mouse? Lo farai”.

Secondo diverse fonti il banner ottenne un CTR monster stimato intorno al 40%, un risultato davvero incredibile se comparato con i dati attuali che per un banner del genere ruotano intorno allo 0,5%.

Da lì in avanti il mercato della pubblicità online è cresciuto a ritmi stratosferici fino a superare, negli ultimi anni, gli investimenti effettuati sui media tradizionali. In US, quest’anno, secondo i dati di Statista supererà addirittura i due terzi dello spending complessivo.

Fin dai suoi inizi, internet ha permesso alle aziende di raggiungere facilmente un numero sempre più ampio di consumatori. Si stima che nel 1995 già 16 milioni di persone vi avessero accesso ed iniziassero a cercare informazioni su prodotti e servizi prima del loro effettivo acquisto.

Sul finire degli anni ‘90 nascono invece i pop-up, le pubblicità a comparsa che si aprono improvvisamente durante la navigazione dell’utente, disturbando la sua esperienza di navigazione.

Da lì in poi, è nata la necessità da parte delle aziende di comprendere meglio i percorsi di navigazione dei propri utenti, con l’obiettivo di capire quando ed in che misura i diversi canali influenzano le decisioni di acquisto o conversione.

La conoscenza di queste informazioni permette di pianificare ed ottimizzare al meglio le campagne pubblicitarie, di analizzare i posizionamenti più efficaci e di ottenere un ritorno sulla spesa pubblicitaria (ROAS) o sul costo per lead (CPL).

Un altro fattore che ha contribuito al rapido successo della pubblicità online è stata la facilità di misurazione delle performance (vendita, lead, accesso, registrazione, invio emal etc) rispetto alle forme di pubblicità effettuate sui media tradizionali.

La raccolta dei dati su comportamenti e abitudini dei consumatori ha permesso alle aziende di segmentare il proprio pubblico, per veicolare messaggi più pertinenti in base al target di riferimento.

Per anni la raccolta di dati, avvenuta perlopiù tramite cookie di terze parti, non è stata regolamentata, con la conseguenza di un abuso da parte di molti player nel settore. Oggi l’attenzione di governi e utenti al tema della privacy è molto più alta che in passato e il tracciamento delle attività online si deve adeguare a nuovi standard.

Si raccolgono meno dati sugli utenti e si rischia di non poter più ricostruire le loro interazioni con i touchpoint aziendali, oppure di non riconoscere lo stesso utente quando interagisce con due canali diversi.

Ciò rischia seriamente di compromettere sia l’efficacia delle attività di advertising online, che l’affidabilità dei risultati provenienti dai Modelli di Attribuzione Multi-Touch, su cui le aziende per anni hanno basato la propria strategia.

Il Multi Touch Attribution

L’Attribuzione Multi Touch (MTA) è l’identificazione di un insieme di azioni dell’utente , a ciascuna delle quali viene assegnato un valore.

Secondo alcune teorie di psicologia sociale, gli esseri umani tendono per natura a stabilire delle connessioni causa-effetto tra gli eventi che li circondano. I Modelli di Attribuzione riconoscono il merito di alcuni eventi (cioè le conversioni) in determinate interazioni degli utenti con i vari touchpoint aziendali durante i loro percorsi di navigazione.

Per fare ciò, i tradizionali Modelli di Attribuzione si avvalgono di regole predefinite per l’assegnazione del credito ai vari canali. I modelli rule-based più comuni utilizzati in questi anni (last click, first click, lineare, time decay, position based) appartengono a questa famiglia.

Tuttavia, nel nuovo contesto di misurazione, questa tipologia di modelli fatica a tracciare tutte le interazioni degli utenti lungo i loro percorsi di navigazione e rischia di non riconoscere lo stesso utente quando interagisce con due touchpoint differenti.

In questo contesto, in cui i dati a disposizione dei modelli rischiano di essere limitati, l’approccio della tecnologia è quello di sfruttare al massimo tutti i dati che invece possono essere raccolti per provare a modellare il comportamento degli utenti il cui il tracciamento è stato parziale.

Questo oggi è possibile grazie all’avanzamento dell’Intelligenza Artificiale e del Machine Learning che sono alla base dei moderni Modelli di Attribuzione basati su algortimi come il Modello Data-driven offerto da Google Analytics.

Questo modello si differenzia dagli altri perché non si basa su regole predefinite, ma utilizza i dati specifici del proprio account Analytics per calcolare il contributo effettivo di ogni interazione dell’utente con i touchpoint aziendali.

Il modello tiene inoltre conto di nuovi fattori quali:

il tempo tra l’interazione con un touchpoint e la conversione registrata
il tipo di dispositivo utilizzato per la navigazione
il numero di interazioni con gli annunci
l’ordine di esposizione
il tipo di asset delle creatività

In questo modo è possibile determinare quali touchpoint hanno maggiori probabilità di generare conversioni ed attribuire il merito in base a tale probabilità.

I limiti del Multi Touch Attribution

A prescindere dal modello scelto, la misurazione delle performance delle attività di digital marketing attraverso l’approccio MTA soffre di alcuni limiti.

Il limite intrinseco di questo approccio è che i risultati dei modelli non indicano necessariamente un fenomeno di diretta causalità tra il manifestarsi delle conversioni e le azioni degli utenti.

Esistono poi centinaia di modelli diversi: la scelta di quale modello utilizzare è arbitraria e non è sempre facile individuare il modello che meglio descrive il reale comportamento dei propri clienti.

Oggi poi vi sono altri fattori che limitano il tracciamento dei dati e, di conseguenza, l’affidabilità fornita dai risultati dei modelli di attribuzione, ovvero:

Ad-blocker
Linking Tracking Protection (LTP) sui dispositivi iOS
Gestione dei consensi
Dismissione cookie terza parte che quest’anno adopererà anche Google Chrome

Come detto, i recenti Modelli algorithm-based, riescono in parte a mitigare questi problemi e a fornire dei risultati affidabili, ma affinché ciò avvenga vi è la necessità di avere una numerosità di utenti e conversioni abbastanza sufficiente affinché il Machine Learning possa attivarsi e dimostrare il suo valore aggiunto.

Ad oggi dunque, nessun Modello di Attribuzione può dare la certezza di risultati completi che descrivano in modo fedele il comportamento degli utenti.

Il Marketing Mix Modeling (MMM)

Date queste limitazioni, il mercato della pubblicità online ha iniziato a guardarsi intorno alla ricerca di nuovi approcci di misurazione in grado di superare i limiti sopra descritti.

L’approccio del Marketing Mix Modeling (MMM) rappresenta una delle principali soluzioni a tali problemi.

In realtà, quello degli MMM non è un approccio recente. I modelli econometrici sui quali si basano gli MMM esistono da decenni, ma a causa dei maggiori sforzi (anche economici) necessari per la loro implementazione e manutenzione, sono stati poco usati. Le aziende hanno preferito utilizzare la Marketing Attribution in quanto più facile da comprendere, implementare e mantenere nel corso del tempo.

Oggi tuttavia, con i limiti crescenti che sta vivendo la Marketing Attribution, sono tornati in auge risultando anche più facili da utilizzare rispetto al passato grazie a nuove tecnologie.

Ma come funzionano gli MMM?

Per funzionare, gli MMM hanno bisogno di dati (come i dati storici di vendita e degli investimenti di marketing) su cui basarsi per costruire un modello statistico che mostri le connessioni tra le attività intraprese e i risultati aziendali.

Il modello tiene conto di vari fattori (come dati di vendita,spese di marketing, tempo, festività o eventi particolari) per determinare l’impatto degli sforzi di marketing sul ROI.

A differenza di quanto accade per i Modelli di Attribuzione, i risultati del Marketing Mix Modeling indicano una correlazione tra i dati di input (ad es. gli investimenti di marketing) e quelli di output (ad es. il fatturato aziendale).

Il modello MMM può essere uno strumento prezioso per gli addetti al marketing, in quanto fornisce un approccio scientifico per comprendere l’impatto delle attività di marketing. Può essere utilizzato per ottimizzare il marketing mix, allocare le spese in modo più efficace e prendere decisioni informate sulle future iniziative di marketing.

Ad esempio, un’azienda può utilizzare il modello per simulare l’impatto di diverse strategie di allocazione del budget sulle vendite future, determinando così il livello ottimale di spesa di marketing..

L’idea alla base degli MMM è che ogni azienda abbia una base di vendite (baseline) costante, generata grazie al proprio brand e clientela già acquisita. Oltre a questa baseline, vi sono delle vendite incrementali frutto delle attività di marketing intraprese sia online che offline.

Ecco dunque che gli MMM risolvono anche il secondo limite della Marketing Attribution, ovvero la dipendenza dei dati sui percorsi di navigazione dei singoli utenti, che oggi a causa dei vincoli sulla privacy e dei cambiamenti tecnologici sono più difficili da ottenere.

Pertanto gli MMM possono fornire preziose informazioni sull’impatto delle attività di marketing, anche in un breve futuro in cui i cookie di terze parti saranno stati completamente dismessi.

I limiti del Marketing Mix Modeling

Anche gli MMM, tuttavia, hanno alcuni limiti.

In primis, è un approccio che non può essere adoperato al giorno zero di un’azienda, perché necessita di un lungo periodo di dati storici (almeno un anno), ma risultati di analisi ottimali si fanno con più anni di storicità relativa al fatturato aziendale (o le altre variabili usate come output del modello) e agli investimenti svolti nei singoli canali di marketing, sia online che offline. Inoltre, se i dati utilizzati per costruire il modello MMM sono di bassa qualità o incompleti, le previsioni e le valutazioni dell’efficacia delle attività di marketing potranno essere poco affidabili.

Il secondo limite dello strumento è la necessità del suo continuo aggiornamento.

Esso infatti deve essere aggiornato regolarmente per mantenere la sua precisione e rilevanza nel contesto in continua evoluzione. Ciò significa che può essere lento ad adattarsi quando si manifestano nuovi fattori dapprima non presenti nel modello.

Un framework olistico

Nell’arco di appena 30 anni il mercato della pubblicità online è diventato l’arena principale dove tutte le aziende si confrontano quotidianamente.

Nello scenario commerciale odierno, caratterizzato da ritmi incalzanti e continue evoluzioni tecnologiche e normative, tra cui a breve si aggiungerà la scomparsa totale dei cookie di terza parte, essere dotati della migliore soluzione tecnologica per la misurazione delle performance può rappresentare un reale vantaggio competitivo.

La scomparsa dei cookie di terza parte non significa necessariamente che l’approccio MTA sia destinato a scomparire. Anzi i recenti cambiamenti hanno fatto da leva per lo sviluppo di nuove strategie di misurazione come i moderni Modelli di Attribuzione Data-Driven e di nuovi modelli di Marketing Mix Modeling.

I due approcci, all’apparenza antagonisti, possono in realtà coesistere e permettere ai marketers di prendere decisioni informate, volte ad un miglioramento complessivo delle proprie attività digitali.

Al di là della scelta dell’approccio di misurazione adoperato, in ambito marketing, nessun strumento può essere preso da solo come singola fonte di verità.

Sia l’approccio MTA che quello MMM hanno dei limiti: la soluzione migliore è dotarsi di un framework che integri entrambi gli approcci per una visione più olistica sulle performance aziendali.

L’approccio MMM aiuta a comprendere le correlazioni di causalità tra attività di marketing e vendite grazie agli Incrementality Test (o Lift test) che permettono di calibrare il modello.

L’ approccio MTA è molto utile per il micro-management quotidiano, ovvero le attività di ottimizzazione giornaliere effettuate a livello di campagna o gruppi di annunci.