Dati MMM: testare l’identificabilità prima di assemblare altre righe.
Stato della prova
Che cosa è stato riprodotto e che cosa non dimostra.
Il CSV e Python verificano i tre indici di triage, i loro usi autorizzati e la priorità illustrativa della TV. Non convalidano né un MMM, né l'endogeneità, né la causalità, né una performance di mercato.
- Specifica tecnica della matrice di identificabilità MMM, specifica in francese (si apre in una nuova scheda)
v1, 31 agosto 2026 · CC BY 4.0 · specifica in francese · Documento di metodo redatto da marketing-mix.net. Le cifre sono illustrative: non sono misurazioni di mercato.
Cosa occorre distinguere
Tre condizioni prima di ogni calcolo.
Variazione sfruttabile
La variazione utile è quella non interamente spiegata da stagione, prezzo, promozioni, distribuzione o altri media. Un coefficiente di variazione elevato può restare inutilizzabile se segue esattamente un altro canale.
Grana coerente
Spese, esposizioni, risultati e controlli devono condividere una geografia, un periodo e una definizione stabile. Imputare un canale nazionale in ogni regione crea righe senza aggiungere informazione indipendente.
Decisione proporzionata
La fattibilità dipende dall’uso. Dei dati possono bastare per un effetto media complessivo ma non per separare due piattaforme. Il livello di decisione autorizzato deve essere più grossolano del livello di incertezza.
Metodo
Valutare ciò che i dati possono davvero separare
- 01Scrivere il modello decisionale
Elencare risultato, canali, controlli, grana, finestra e decisioni attese; scartare le variabili che non possono essere definite in modo stabile su tutto il periodo.
- 02Misurare la variazione
Calcolare settimane non nulle, coefficiente di variazione, cambi di livello, variazione geografica e quota del supporto vicina alla spesa attuale.
- 03Testare la separazione
Esaminare correlazioni, inflazione della varianza, condizionamento e allineamento con promozioni o stagione; raggruppare le variabili la cui separazione dipende da un’ipotesi fragile.
- 04Prescrivere la prova mancante
Associare a ogni debolezza un’azione — tassonomia, raccolta geografica, variazione pianificata, esperimento, prior o raggruppamento; pubblicare il livello d’uso autorizzato.
La matrice variazione × separazione × geografia
Tre canali che dispongono dello stesso storico ricevono livelli di fattibilità diversi secondo la loro variazione, la loro correlazione e la loro eterogeneità geografica.
| Canale | Settimane attive | Variazione | Correlazione mass. | Indice | Decisione |
|---|---|---|---|---|---|
| Search | 100 % | 0,28 | 0,82 | 0,030 | Raggruppare |
| Social | 95 % | 0,32 | 0,77 | 0,049 | Calibrare |
| TV | 45 % | 0,65 | 0,45 | 0,129 | Modellare |
Scenario didattico: 156 settimane non bastano a separare tre canali
In questa matrice didattica fittizia, Search possiede il 100 % di settimane attive, un coefficiente di variazione di 0,28 e una correlazione massima di 0,82. Social raggiunge 0,32 e 0,77. TV è attivo solo il 45 % del tempo ma la sua variazione vale 0,65 e la sua correlazione massima 0,45.
Indice di triage = quota attiva × variazione × (1 − correlazione) × fattore geografico. Search: 1 × 0,28 × 0,18 × 0,6 = 0,030. Social: 0,95 × 0,32 × 0,23 × 0,7 = 0,049. TV: 0,45 × 0,65 × 0,55 × 0,8 = 0,129.
L’indice non è un test statistico formale, ma rivela dove indagare. TV offre la migliore variazione indipendente; Search e Social devono essere raggruppati, calibrati o separati da un esperimento prima di un’allocazione fine.
Condizioni di accettazione
Le condizioni per agire.
- 01
La grana di spese, risultati e controlli è coerente.
- 02
Ogni canale possiede una variazione distinta dalle altre decisioni commerciali.
- 03
Il livello di allocazione richiesto corrisponde al livello realmente identificabile.
- 04
Ogni variabile debole riceve un raggruppamento o un piano di prova.
Limiti
Ciò che questa analisi non dimostra.
- L’indice di triage proposto non sostituisce le diagnosi del modello.
- Una correlazione debole non elimina l’endogeneità della spesa.
- La granularità geografica non aiuta se poggia su imputazioni nazionali.
Riferimenti
Opere citate.
- Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.
- Sun, Y. et al. (2017), « Geo-Level Bayesian Hierarchical Media Mix Modeling », Google Research.
- Zhang, Y. et al. (2024), « Media Mix Model Calibration With Bayesian Priors », Google Research.