Qualità dei dati MMM: usare porte bloccanti, non una media rassicurante.
Stato della prova
Che cosa è stato riprodotto e che cosa non dimostra.
Il CSV e Python verificano i sei controlli, i tre esiti bloccanti, la media illustrativa del 96,1 % e il divieto di allocazione. Non misurano una qualità reale, un MMM né una causalità.
- Specifica tecnica del registro qualità 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.
Riconciliazione con la fonte
Le spese devono essere confrontate con la fonte finanziaria con regole documentate per commissioni, imposte, sconti, note di credito e produzione. Uno scarto inspiegato diventa un rischio di rendimento artificiale.
Continuità semantica
Un nome di canale stabile può nascondere un cambio di perimetro, di strumento o di acquisto. Le rotture di tassonomia e di misurazione sono eventi del modello, non semplici problemi di pulizia.
Correzione tracciabile
Ogni imputazione o riclassificazione conserva valore iniziale, regola, autore, data e impatto. Una correzione opaca impedisce la riproduzione e rende impossibile la sorveglianza futura.
Metodo
Costruire un controllo qualità che possa davvero fermare il modello
- 01Definire i controlli
Per ogni tabella, scrivere dimensione, formula, soglia, frequenza, responsabile e azione; separare controllo informativo, allerta e porta bloccante.
- 02Rigiocare lo storico
Applicare i controlli a tutti i periodi e localizzare rotture, ritardi, duplicati, valori impossibili e scarti di riconciliazione; misurare l’effetto delle correzioni.
- 03Decidere per uso
Uno scarto può essere accettabile per una tendenza complessiva e bloccante per un rendimento settimanale per piattaforma; collegare ogni difetto all’uso colpito.
- 04Sorvegliare i nuovi caricamenti
Automatizzare i controlli stabili, registrare le eccezioni e attivare una revisione a un cambio di fonte, di definizione o al superamento di una soglia.
Il quadro di controllo con tre porte bloccanti
Sei dimensioni sono controllate, ma riconciliazione finanziaria, rotture di serie e stabilità tassonomica possono bloccare il modello da sole.
Scenario didattico: una qualità media del 96,1 % resta un no-go
In questo registro didattico fittizio, il set copre 104 settimane. Completezza: 99,8 %. Riconciliazione delle spese: 98,7 %. Stabilità di tassonomia: 94 %. Freschezza: 92 %. Sette rotture di serie non sono documentate.
La media semplice delle quattro percentuali raggiunge il 96,1 %, ma tre porte falliscono: riconciliazione richiesta al 99 %, tassonomia al 97 % e al massimo due rotture irrisolte. Lo scarto finanziario illustrativo rappresenta 52 k€.
Il modello esplorativo può servire a preparare i dati, ma l’allocazione è bloccata. La decisione attende la riconciliazione dei 52 k€, la documentazione delle rotture e una tassonomia superiore al 97 %.
Condizioni di accettazione
Le condizioni per agire.
- 01
Ogni controllo possiede una formula, una soglia, un proprietario e un’azione.
- 02
Le porte bloccanti non sono compensate da una media.
- 03
Le correzioni conservano il valore iniziale e la loro giustificazione.
- 04
Gli usi autorizzati sono esplicitamente collegati ai difetti residui.
Limiti
Ciò che questa analisi non dimostra.
- Dati tecnicamente puliti possono restare causalmente insufficienti.
- Le soglie devono variare con l’esposizione della decisione.
- Un’automazione rileva male i cambiamenti di significato di business non dichiarati.
Riferimenti
Opere citate.
- Wang, R. Y. & Strong, D. M. (1996), « Beyond Accuracy: What Data Quality Means to Data Consumers », Journal of Management Information Systems, 12(4), 5–33.
- Batini, C. & Scannapieco, M. (2016), Data and Information Quality.
- Chan, D. & Perry, M. (2017), « Challenges and Opportunities in Media Mix Modeling », Google Research.