Strategie per generare e misurare l’impatto incrementale nel settore pubblicitario

Nel contesto pubblicitario, è in atto una trasformazione significativa grazie alla crescente adozione di campagne basate sull’intelligenza artificiale, come Performance Max di Google. Questo cambio di paradigma è stato seguito da altre piattaforme come Meta, LinkedIn e Bing, che hanno lanciato iniziative simili, dimostrando l’universalità dell’interesse per le soluzioni guidate dall’IA nell’ambito del pay-per-click. Queste campagne promettono un approccio rivoluzionario alla pubblicità online, riducendo il carico di lavoro degli inserzionisti a semplici input iniziali come l’URL e l’obiettivo di marketing desiderato. La promessa è che l’intelligenza artificiale della piattaforma sarà in grado di gestire autonomamente la creazione degli asset, la scelta dei canali più appropriati, l’ottimizzazione e le strategie di offerta, lasciando agli inserzionisti il compito di osservare i risultati raggiunti.

Queste strategie pubblicitarie avanzate si basano su complessi algoritmi di machine learning e predictive analytics in grado di identificare in tempo reale l’utente più propenso alla conversione e di fornire messaggi pubblicitari altamente personalizzati e tempestivi. La guida ufficiale di Google per le campagne PMax illustra il concetto di raggiungere la “persona giusta, al momento giusto, con il messaggio giusto e sulla piattaforma giusta”. Ciò è reso possibile dalla capacità degli algoritmi di IA di analizzare vasti dataset sul comportamento degli utenti, prevedendo con precisione i momenti più opportuni per la conversione.

L’IA generativa gioca un ruolo cruciale in questo processo, integrando la capacità di creare contenuti dinamici e personalizzati direttamente all’interno dell’esperienza conversazionale offerta dalle piattaforme. Questo approccio consente la generazione automatica di asset pubblicitari dinamici che si adattano in tempo reale alle esigenze e alle preferenze degli utenti target.

Un altro aspetto chiave di queste campagne basate sull’IA è la loro natura cross-platform: non richiedono agli inserzionisti di prestabilire su quali piattaforme veicolare i propri messaggi, che si tratti di YouTube, Gmail, Discover o altri canali. L’algoritmo stesso determina il canale più efficace per ogni messaggio.

Come funzionano i Marketing Mix Models e quali informazioni ci forniscono

Centrale in questo processo è l’applicazione di modelli predittivi, che analizzano i comportamenti online, le preferenze e i percorsi degli utenti per anticipare le loro azioni future, compreso l’interesse per specifici prodotti o servizi.

Questa valutazione in tempo reale dell’opportunità di engagement si basa non solo sulla probabilità di conversione, ma anche su una valutazione del valore che una singola impression può generare per la campagna.

Questo approccio olistico permette di ottimizzare le risorse pubblicitarie, assicurando che l’investimento sia diretto verso gli utenti con maggiore probabilità di compiere l’azione desiderata; tuttavia, gli esperti del settore hanno sollevato questioni importanti riguardo alla loro effettiva capacità di generare conversioni incrementali.

In questo scenario, studi recenti hanno iniziato a mettere in discussione il valore incrementale portato da tali campagne, ponendo la domanda critica: gli algoritmi di IA nelle campagne pubblicitarie portano davvero alle aziende performance incrementali misurabili e significative?

Come ottenere performance incrementali

Ottenere performance incrementali nel marketing digitale è una sfida costante per agenzie e professionisti del settore. Un esperimento condotto da Pace, un’agenzia specializzata in Marketing Science con sede a Segeltorp, Stoccolma, ha offerto spunti significativi in questa direzione, dimostrando l’efficacia di un approccio basato sull’espansione della copertura del messaggio pubblicitario spostando il focus delle campagne dalla conversione alla reach.

Tradizionalmente, le campagne pubblicitarie online tendono a concentrarsi su obiettivi di conversione, puntando a individui già considerati pronti all’acquisto. Questo approccio, sebbene efficace nel generare vendite immediate, tende a rendere gli algoritmi “pigri”, limitando il loro raggio d’azione a un pubblico target ristretto. Tuttavia, l’esperimento di Pace ha rivelato che spostare il budget da campagne focalizzate sulla conversione a campagne orientate alla reach ha portato a un aumento del 50% delle vendite. Questo risultato sottolinea l’importanza di diffondere il messaggio pubblicitario in modo più uniforme e inclusivo, raggiungendo potenziali clienti oltre a quelli immediatamente pronti a convertire.

L’algoritmo di reach, a differenza di quelli focalizzati sulla conversione, adotta un approccio più statistico e distribuito, mirando a raggiungere efficacemente il maggior numero di persone in target. Ciò si traduce in una maggiore probabilità di raggiungere utenti che, pur non essendo inizialmente considerati vicini alla conversione, possono essere influenzati positivamente dalla campagna, contribuendo così a incrementi significativi delle vendite.

Un altro aspetto cruciale osservato nell’esperimento riguarda la tendenza delle campagne fortemente focalizzate sulla conversione a privilegiare contenuti e canali transazionali, trascurando messaggi di brand più informativi o narrativi. Questa scelta, sebbene possa sembrare efficiente a breve termine, porta nel tempo alla saturazione del pubblico target e al degrado delle performance, limitando le opportunità di generare ricavi incrementali.

Per superare queste sfide, è fondamentale adottare un approccio equilibrato che includa anche strategie di awareness, ovvero iniziative focalizzate sulla parte alta del funnel di marketing. Questo mantiene viva l’attenzione verso il brand presso un pubblico più ampio, garantendo al contempo efficienza nell’allocazione del budget. L’implementazione di campagne orientate all’awareness richiede l’identificazione di un pubblico ben definito e altamente qualificato, sottolineando l’importanza di strategie di segmentazione sofisticate e di un’attenta pianificazione strategica per massimizzare il ritorno sull’investimento pubblicitario.

L’evoluzione delle normative sulla privacy e la conseguente restrizione sull’uso di audience di terze parti hanno posto le aziende di fronte alla sfida di riconsiderare e dare maggior valore ai propri dati di prima parte (first-party data). Questi dati, costituiti da tutte le informazioni di proprietà dell’azienda raccolte direttamente dalle interazioni con clienti e utenti, sono una risorsa cruciale per sviluppare strategie di marketing mirate e personalizzate. Sebbene in passato l’abbondanza di dati di terze parti acquistabili possa aver oscurato il valore dei dati di prima parte, oggi diventa imperativo per le aziende sfruttare appieno queste informazioni per costruire un vantaggio competitivo.

I dati di prima parte non si limitano esclusivamente alle informazioni personali degli utenti, ma includono un ampio spettro di dati generati dalle interazioni con i canali digitali dell’azienda, come il comportamento di navigazione sul sito web tracciato attraverso strumenti come Analytics. Questi dati, se utilizzati in modo etico e in conformità con le normative vigenti, possono trasformarsi in potenti leve per l’ottimizzazione delle campagne pubblicitarie e il targeting avanzato.

Un elemento chiave nell’efficacia delle strategie basate sui dati di prima parte è l’implementazione di un sistema di identificazione persistente dell’utente, noto come “persistent user ID”. Questa tecnologia supera i limiti imposti dalla ridotta efficacia dei tradizionali cookie di tracciamento e pixel, fornendo un metodo più stabile e affidabile per riconoscere gli utenti attraverso diversi touchpoint e sessioni. Il persistent user ID può derivare da una varietà di fonti, come hash di email o identificatori generati attraverso tecniche di fingerprinting probabilistico. Inoltre, sfruttare lo user ID retrospettivo può recuperare e associare le azioni passate di un utente, migliorando significativamente l’accuratezza del targeting.

L’uso di questa tecnologia facilita la creazione di cluster di audience basati su comportamenti, interessi e interazioni precedenti specifici, consentendo l’uso di algoritmi di intelligenza artificiale per arricchire e segmentare ulteriormente questi dati. Questo approccio non solo migliora la personalizzazione delle campagne pubblicitarie, ma abilita anche strategie di reach mirate per intercettare nuovi clienti ad alto potenziale, sfruttando le informazioni di prima parte per identificare profili simili a quelli dei clienti esistenti.

Nonostante la percezione di una presunta fine delle strategie basate sui lookalike, le aziende continuano a beneficiare di metodi evoluti come le audience predittive o le espansioni dell’audience, che rappresentano la naturale evoluzione del concetto di lookalike in un contesto in cui i dati di prima parte giocano un ruolo centrale. Piattaforme come LinkedIn e Google hanno introdotto algoritmi avanzati che sfruttano i dati di prima parte per potenziare queste strategie, dimostrando l’efficacia di tali approcci nel contesto delle moderne campagne pubblicitarie.

Parallelamente alla trasformazione delle strategie di targeting, diventa fondamentale adottare nuovi metodi per la misurazione delle performance e l’attribuzione delle conversioni.

In questo contesto, i Marketing Mix Models emergono come una soluzione efficace per valutare l’impatto incrementale delle campagne, offrendo alle aziende la possibilità di misurare con precisione il ritorno delle proprie iniziative di marketing, come dimostrato dall’esperimento condotto da Pace.

Marketing Mix Model

I Marketing Mix Models (MMM) sono un pilastro fondamentale nel campo dell’analisi di marketing, offrendo una visione dettagliata e quantitativa dell’efficacia delle diverse azioni di marketing su indicatori chiave di prestazione, come le vendite. Questi modelli affrontano un dilemma storico del marketing, espresso eloquentemente da John Wanamaker: “Metà del mio budget pubblicitario è sprecata, ma non so quale metà”.

Attravezzo l’uso degli MMM, le aziende cercano di sciogliere questa incertezza ottimizzando l’allocazione delle risorse pubblicitarie per massimizzare il ritorno sull’investimento.

Negli ultimi decenni, l’industria del marketing digitale ha assistito a un’evoluzione significativa, guidata dalla crescente adozione di modelli statistici avanzati. Questa tendenza si basa su tre pilastri principali: una notevole espansione delle capacità computazionali, un accesso senza precedenti a vasti set di dati, spesso disponibili quasi in tempo reale, e un crescente impegno delle aziende verso una cultura decisionale basata sui dati. In questo contesto, gli MMM si sono evoluti, integrando metodologie econometriche consolidate con innovazioni provenienti dall’intelligenza artificiale e dal machine learning.

La combinazione di modelli econometrici, originariamente sviluppati negli anni ’60, con algoritmi di ML e IA rappresenta un passo avanti significativo. Questo approccio ibrido non solo riduce al minimo il rischio di errore umano, garantendo risultati di analisi più accurati e affidabili, ma riduce anche drasticamente il tempo richiesto per l’elaborazione e l’interpretazione dei dati.

Mentre in passato l’analisi dei risultati di un Marketing Mix Model poteva richiedere fino a sei mesi o addirittura un anno, l’adozione di tecniche di ML e IA consente ora di eseguire queste analisi su base mensile. Ciò trasforma gli MMM in strumenti di analisi estremamente potenti, in grado di fornire insight operativi in tempi significativamente ridotti, e facilita l’adozione di strategie di marketing agili, in cui le decisioni possono essere prese e adattate rapidamente in risposta alle mutevoli dinamiche del mercato.

Come funzionano i Marketing Mix Model e quali informazioni ci forniscono

I Marketing Mix Models rappresentano una metodologia analitica avanzata e fondamentale nel campo del marketing quantitativo, progettata per misurare e isolare l’effetto di vari fattori sulle vendite di un brand, consentendo così l’identificazione precisa di quei componenti che contribuiscono all’aumento delle vendite. Questo approccio analitico permette alle aziende di capire nel dettaglio quale parte delle vendite sia attribuibile a specifiche azioni di marketing e quali elementi non siano sotto il loro controllo diretto.

La versatilità degli MMM li rende strumenti preziosi per analizzare un ampio spettro di variabili che influenzano le vendite, sia nel contesto del marketing online che offline. Considerano non solo le attività di marketing direttamente quantificabili, come la pubblicità su vari canali, ma anche quelle meno tangibili e difficili da attribuire a un costo specifico, come promozioni ed eventi. Importante è anche la capacità di questi modelli di tenere conto di fattori esogeni, come l’inflazione, che possono impattare sulle vendite indipendentemente dalle strategie di marketing attuate.

Isolando gli effetti di ogni variabile, gli MMM forniscono insight preziosi sul contributo incrementale di specifiche azioni di marketing al fatturato complessivo. Ad esempio, un’azienda potrebbe scoprire che il 92% dell’aumento del fatturato è attribuibile alle attività di marketing cartaceo, ottenendo così una valutazione quantitativa dell’efficacia di quel canale. Allo stesso tempo, i modelli sono in grado di “ripulire” l’effetto delle variabili non legate al marketing, fornendo una visione più chiara e nitida dell’impatto delle azioni di marketing sulle vendite.

Un vantaggio cruciale dell’utilizzo degli MMM è la capacità di determinare l’allocazione ottimale del budget pubblicitario tra i vari canali di marketing, massimizzando così l’incrementalità. Ciò si traduce in una gestione più efficiente delle risorse di marketing, consentendo alle aziende di ottimizzare i rendimenti degli investimenti pubblicitari e di adattare strategicamente le proprie campagne in base all’efficacia di ciascun canale.

In sintesi, gli MMM offrono:

• Un’analisi dettagliata del contributo di ogni canale di marketing.
• La capacità di ripulire l’effetto delle variabili esogene, offrendo un quadro più accurato dell’impatto delle attività di marketing.
• Insight sulla saturazione dei canali, consentendo alle aziende di identificare quando un ulteriore investimento in un determinato canale potrebbe non tradursi in un aumento proporzionale delle vendite.

Inoltre, gli MMM sono progettati con un approccio “privacy by design”, poiché si basano su dati aggregati a livello temporale (giornalieri, settimanali o mensili) piuttosto che su dati individuali. Questo aspetto li rende particolarmente preziosi nell’attuale contesto di crescenti preoccupazioni per la privacy. La loro capacità di operare senza fare affidamento su dati a livello individuale consente a questi modelli analitici di continuare a essere sfruttati anche di fronte alle sfide poste dalla limitazione del tracciamento dei dati degli utenti. La rilevanza e l’efficacia degli MMM sono ulteriormente evidenziate dall’investimento delle grandi aziende tecnologiche, che hanno iniziato a rilasciare codici open source per facilitare l’adozione e l’implementazione di questi modelli. È il caso di Google, che ha recentemente rilasciato Meridian. La mossa di Google nel rendere disponibile uno strumento di Marketing Mix Modeling (MMM) open source evidenzia la consapevolezza che la restrizione nell’accesso ai dati chiave, all’interno di ecosistemi esclusivi, ostacola la capacità degli inserzionisti di valutare accuratamente l’efficacia degli annunci digitali. Questo sforzo dimostra la crescente importanza degli MMM come strumento essenziale per l’analisi e l’ottimizzazione delle strategie di marketing nell’era digitale.

Lift Experiment

Nell’ambito dell’analisi delle performance pubblicitarie, i digital marketer utilizzano una varietà di strumenti per quantificare l’efficacia delle loro campagne. Oltre ai tradizionali Marketing Mix Models, esistono metodi sperimentali come i Lift Test (Lift Experiments), che offrono la possibilità di valutare l’impatto incrementale di una campagna pubblicitaria in modo preventivo e accurato. Questi esperimenti, focalizzati sulla misurazione dell’effetto incrementale, permettono di confrontare i risultati ottenuti dalla campagna con quelli che si sarebbero verificati in sua assenza.

L’adozione di modelli statistici avanzati è cruciale nell’implementazione dei Lift Test, in quanto consente di determinare con precisione la differenza di performance tra il gruppo esposto alla campagna e il gruppo di controllo. La selezione di questi gruppi si basa su criteri di targeting geografico, una pratica che consente una distribuzione strategica della visibilità della campagna. Prima di iniziare l’esperimento, viene condotta un’analisi preliminare per determinare come la variabile di interesse è distribuita geograficamente e decidere di conseguenza quali aree geografiche includere nel campione di trattamento (esposto alla campagna) e quali escludere (gruppo di controllo).

Per fare un esempio, si potrebbe decidere di lanciare una campagna pubblicitaria in specifiche regioni d’Italia, mentre altre rimangono senza esposizione alla campagna. Durante il periodo di trattamento, i dati sulle conversioni in entrambi i gruppi, esposto e di controllo, vengono raccolti e analizzati. Al termine dell’esperimento, l’applicazione di test statistici permette di valutare l’effettiva significatività della differenza osservata nelle conversioni, confermando o meno la presenza di un aumento reale.

I Lift Test si rivelano particolarmente utili per due ragioni principali: in primo luogo, permettono di testare l’effetto incrementale di una campagna su metriche specifiche come conversioni, vendite o ricavi con un budget limitato prima di investire risorse più consistenti.

In secondo luogo, offrono l’opportunità di confrontare l’efficacia di diverse strategie pubblicitarie, ad esempio valutando l’incrementalità generata da campagne con obiettivi di reach rispetto a campagne focalizzate sulla conversione utilizzando lo stesso contenuto pubblicitario.

Inoltre, l’approccio end-to-end dei geo-esperimenti garantisce una valutazione completa del potenziale di una campagna, ottimizzando l’allocazione del budget in modo efficace e rispettoso della privacy, poiché si basano su dati aggregati.

L’uso dei Lift Test nel contesto delle strategie di marketing digitale rappresenta quindi un’evoluzione significativa nella capacità delle aziende di misurare e ottimizzare l’efficacia delle proprie campagne pubblicitarie, guidando decisioni basate sull’evidenza e aumentando il ritorno sull’investimento pubblicitario.

Per quanto riguarda i Lift Test condotti direttamente dalle piattaforme, concentrandosi esclusivamente sui propri canali, rendono complesso il confronto delle performance di più campagne e diversi canali. Inoltre, questi test sono suscettibili di aggiornamenti tecnologici e cambiamenti nelle policy delle singole piattaforme, che possono compromettere l’accuratezza dei risultati. Di conseguenza, è consigliabile affidarsi a partner esterni per questi test.