I 5 errori “data” da non fare quando si fa un MMM
Un modello econometrico è tanto buono quanto i dati che lo alimentano. Dopo più di 15 anni di modeling e centinaia di progetti completati, abbiamo identificato cinque errori ricorrenti nella preparazione dei dati che, se non corretti, compromettono la qualità delle analisi prima ancora che il modello venga stimato.
Errore #1: Granularità temporale inconsistente
I dati di vendita arrivano con frequenza giornaliera, quelli TV settimanale e la spesa digitale mensile. Se non si armonizza la granularità prima di costruire il modello, si introducono distorsioni sistematiche. La regola: la granularità massima del modello è quella del dato più approssimativo. Se hai dati TV solo settimanali, il modello lavorerà su base settimanale. È preferibile avere dati coerenti a frequenza minore piuttosto che dati misti a una frequenza apparente maggiore.
Errore #2: Confondere investimento con pressione
Il costo di un GRP o di un CPM varia nel tempo. Se inserisci nel modello la spesa media in euro anziché le unità di pressione (GRP, impression, click), stai mescolando due cose: quanto hai speso e quanto sei stato visto. Un aumento della spesa potrebbe riflettere un aumento dei costi, non un aumento della visibilità. Il modello deve lavorare su metriche di esposizione, non di costo. Il costo può essere usato solo per calcolare il ROAS finale derivante dall’incrementale calcolato dal MMM.
Errore #3: Ignorare i fattori esogeni
Le vendite di gelati salgono d’estate. Le prenotazioni di viaggi calano durante una crisi economica o un conflitto. Se il modello non include queste variabili esogene (meteo, stagionalità, indicatori macro, eventi speciali), attribuirà ai media effetti che in realtà appartengono al contesto. In Core Analytics utilizziamo una libreria proprietaria di variabili esogene calibrate per il mercato italiano.
Errore #4: Dati digital da fonte unica
Affidarsi ai dati esportati da una singola piattaforma (solo Google Ads o solo Meta) crea dei silos. Le conversioni attribuite da ciascuna piattaforma si sovrappongono: la stessa vendita può essere contata due o tre volte. Il modello ha bisogno di una fonte di verità unica per le conversioni (tipicamente il tracking o CRM proprietario) e dei dati di investimento e pressione per ciascun canale separatamente.
Errore #5: Serie storiche troppo corte
Un modello robusto ha bisogno di una sufficiente varianza nei dati. Se hai sempre investito le stesse proporzioni sugli stessi canali, il modello fatica a distinguerne gli effetti. La regola empirica: almeno 2 anni di dati, idealmente 3. Se la serie è più corta, gli approcci bayesiani che incorporano prior informativi da studi precedenti o benchmark di settore diventano essenziali per compensare la limitata varianza campionaria.
Il punto
La data integration non è un passaggio tecnico da delegare e dimenticare. È il fondamento su cui si regge la credibilità di ogni analisi. Investire tempo nella qualità dei dati prima di costruire il modello non è un costo: è la singola azione con il più alto ritorno sulla qualità dei risultati.
Leave a comment