Ottimizzazione del marketing mix: scegliere su una frontiera, non un ottimo fragile.
Stato della prova
Che cosa è stato riprodotto e che cosa non dimostra.
Il CSV pubblico e l'esecuzione Python verificano i sei piani e il loro stato di dominanza secondo i tre criteri documentati. Non verificano né gli scenari, né le risposte media, né l'ottimalità di un'allocazione di mercato.
- Specifica tecnica della frontiera di ottimizzazione didattica, 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.
Frontiera anziché classifica
Un piano è dominato se un altro offre più contributo con meno rischio. I piani non dominati formano la frontiera; la scelta tra essi dipende da propensione al rischio, reversibilità e capacità di esecuzione.
Vincoli espliciti
Minimi di presenza, capacità, contratti, inventario, copertura e ritmo di cambiamento appartengono al modello. Un vincolo aggiunto dopo il calcolo rende l’ottimo teorico ineseguibile e ne nasconde il costo reale.
Robustezza
Lo scenario centrale è insufficiente quando curve e sinergie sono poco note. Minimax rimpianto, ottimizzazione robusta o scenari ponderati mostrano quali piani restano accettabili senza pretendere di conoscere una distribuzione perfetta.
Metodo
Costruire una raccomandazione ottimizzata e governabile
- 01Definire obiettivo e guardrail
Scegliere contributo, clienti o valore di lungo termine e precisare l’orizzonte; aggiungere limiti di rischio, capacità, esposizione per canale, coerenza del mix e apprendimento minimo.
- 02Generare gli scenari
Far variare risposta, adstock, margine, costi, concorrenza e sinergie; conservare le correlazioni plausibili per evitare uno stress composto da ipotesi incompatibili.
- 03Tracciare la frontiera
Ottimizzare sotto ogni livello di rischio ed eliminare i piani dominati; calcolare contributo atteso, limite inferiore, rimpianto massimo, numero di cambiamenti e distanza dal supporto osservato.
- 04Selezionare e sequenziare
Scegliere il punto il cui guadagno marginale compensa il rischio aggiuntivo; dispiegare per tranche, seguire i vincoli attivi e aggiornare le curve prima di attraversare una zona non osservata.
La frontiera contributo–rischio delle allocazioni
Sei piani sono confrontati per contributo atteso, perdita nello scenario basso, complessità e rimpianto massimo; un piano robusto domina lo status quo.
Rinunciare a 38 k€ attesi protegge 210 k€ nello scenario basso
Sei allocazioni ripartiscono 1,5 M€ tra video, ricerca, social, CRM e retail. Il piano «massimo centrale» prevede 520 k€ di contributo, una perdita di 160 k€ nello scenario basso e un rimpianto massimo di 245 k€. Il piano «robusto» prevede 482 k€, un guadagno minimo di 50 k€ e un rimpianto massimo di 118 k€.
Costo atteso della robustezza: 520 − 482 = 38 k€. Protezione nello scenario basso: 50 − (−160) = 210 k€. Rapporto protezione/costo atteso = 210 ÷ 38 = 5,53. Il piano robusto richiede tre cambiamenti superiori al 20 %, contro cinque del massimo centrale, e resta nel supporto osservato su quattro canali su cinque.
Il massimo centrale non è adottato. Il piano robusto sacrifica il 7,3 % di guadagno centrale per eliminare la perdita estrema, ridurre il rimpianto e facilitare l’esecuzione. Una tranche di apprendimento è riservata al canale fuori supporto.
Condizioni di accettazione
Le condizioni per agire.
- 01
Ogni piano dominato è scartato prima della discussione.
- 02
Lo scenario basso, il rimpianto massimo e la distanza dal supporto sono pubblicati.
- 03
I vincoli operativi appartengono al modello, non alla correzione finale.
- 04
Le decisioni fuori supporto sono sequenziate come esperimenti.
Limiti
Ciò che questa analisi non dimostra.
- La frontiera dipende dagli scenari e può omettere un rischio strutturale.
- Le funzioni di risposta instabili producono una precisione di ottimizzazione illusoria.
- La complessità organizzativa è difficile da convertire in un’unica penalità.
Riferimenti
Opere citate.
- Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009), Robust Optimization.
- Bertsimas, D. & Sim, M. (2004), « The Price of Robustness », Operations Research, 52(1), 35–53.
- Savage, L. J. (1951), « The Theory of Statistical Decision », Journal of the American Statistical Association, 46(253), 55–67.