2026-08-03

Perché il Marketing Mix Modeling non torna con i dati di GA4

Hai appena finito il modello di Marketing Mix Modeling e i numeri non tornano: il MMM attribuisce al canale display un contributo che GA4 non vede da nessuna parte, oppure la somma delle conversioni "platform-reported" di Meta e Google Ads supera abbondantemente il totale delle conversioni in GA4. Il cliente ti guarda e chiede "quale dei due è giusto?". Non sei tu che hai sbagliato il modello: è che stai confrontando tre sistemi che misurano cose diverse per definizione.

Perché succede

Le cause sono quasi sempre queste, in ordine di frequenza:

1. Finestre temporali diverse. GA4 usa attribution window e lookback window (tipicamente 30 giorni per i click, 1 giorno per le view) diverse da quelle di Meta Ads (7 giorni click, 1 giorno view di default) e da quelle usate come input aggregato nel MMM, che spesso lavora su base settimanale o mensile senza vincoli di lookback.
2. Modelli di attribuzione incompatibili per natura. Il MMM è un modello top-down basato su spesa e serie storiche aggregate, che stima effetti incrementali e di saturazione/adstock. GA4 e i platform report sono bottom-up, basati su tracking a livello di sessione/utente con modelli data-driven o last-click. Non stanno misurando la stessa cosa: uno stima l'incrementalità, gli altri contano touchpoint osservati.
3. Perdita di dati lato tracking. Consent Mode, blocco cookie di terze parti, ITP/ETP dei browser e ad blocker riducono la visibilità di GA4 sulle sessioni provenienti da ads, gonfiando artificialmente il canale "(not set)" o "Direct" e sottostimando i canali paid nel dato osservato.
4. Duplicazione tra piattaforme. Meta, Google Ads e TikTok possono tutti rivendicare la stessa conversione se l'utente ha visto/cliccato più annunci nella finestra di attribuzione. Il MMM, se costruito su spesa e non su conversioni auto-riportate, non eredita questa duplicazione — mentre chi confronta i "totali platform" con GA4 sta somministrando mele con pere.
5. Granularità e allineamento delle date. Il MMM spesso usa la data di spesa (impression/click date), GA4 usa la data dell'evento di conversione. Con ciclo di acquisto lungo, uno spostamento di anche 3-4 giorni tra le serie crea disallineamenti che nel modello sembrano "il canale non converte" quando in realtà converte con ritardo.
6. Conversioni offline o cross-device non integrate. Se il MMM include dati di vendita offline (retail, telefono, CRM) e GA4 no, la discrepanza è strutturale e non è un errore di misurazione.

Come intervenire, passo dopo passo

1. Documenta le finestre di attribuzione di ogni fonte: GA4 (Reporting attribution settings), Meta Ads Manager (Attribution setting per campagna), Google Ads (Conversion window per singola azione di conversione). Metti tutto in una tabella condivisa con il cliente prima di discutere i numeri.
2. Nel MMM, verifica se la variabile input è spesa (spend-based) o conversioni riportate dalla piattaforma (platform-reported). Se è spend-based, il confronto corretto è con l'incrementalità, non con il volume grezzo di GA4.
3. Controlla il tasso di eventi "(not set)" o sessioni senza source/medium in GA4 sul periodo del modello: se supera il 15-20%, il gap è in parte spiegato da perdita di tracking, non da inefficacia del canale.
4. Riallinea le serie temporali usando la data di spesa/impression sia per il MMM che per l'estrazione GA4, non la data di conversione, per evitare falsi ritardi di effetto.
5. Se possibile, incrocia con dati offline/CRM per capire quanta parte della discrepanza è dovuta a conversioni che GA4 non vede per natura (telefonate, negozio fisico).
6. Prepara il confronto non come "chi ha ragione" ma come tre lenti complementari: MMM per l'incrementalità di budget, GA4 per il comportamento osservato sul sito, platform report per l'ottimizzazione tattica in-piattaforma.

Template pronto: checklist di riconciliazione per il cliente

CHECKLIST RICONCILIAZIONE MMM vs GA4 vs PLATFORM REPORT

[ ] Finestra attribuzione GA4: ___ giorni click / ___ giorni view
[ ] Finestra attribuzione Meta Ads: ___ giorni click / ___ giorni view
[ ] Finestra attribuzione Google Ads: ___ giorni (per conversion action)
[ ] Input MMM: spend-based [ ]  oppure  platform-reported conversions [ ]
[ ] % sessioni "(not set)" / senza source-medium nel periodo: ____%
[ ] Date allineate su: data spesa/impression [ ]  data conversione [ ]
[ ] Conversioni offline/CRM incluse nel MMM ma non in GA4: sì [ ] no [ ]
[ ] Duplicazione cross-platform verificata (somma platform > totale GA4?): sì [ ] no [ ]
[ ] Delta finale MMM vs GA4 spiegato per: attribuzione / tracking loss / offline / duplicazione
[ ] Messaggio al cliente: "MMM misura l'incrementalità di budget, GA4 misura
    il comportamento osservato, i platform report ottimizzano in-piattaforma.
    Non devono coincidere al 100%, devono essere coerenti in direzione."

Come verificare che ha funzionato

Sai di aver risolto la discrepanza quando riesci a spiegare ogni punto di gap con una causa specifica della checklist sopra — non con "il tracking non è preciso". Se dopo aver riallineato finestre, date e input il trend direzionale (quale canale sta crescendo o calando) coincide tra MMM e GA4, anche se i valori assoluti restano diversi, la riconciliazione è riuscita: l'obiettivo non è far coincidere i numeri, è far coincidere le decisioni che ne derivano.

Quando gestisci più account e questi confronti si ripetono ogni mese, avere un posto dove incrociare export GA4, dati piattaforma e note di riconciliazione senza rifare la checklist da zero fa risparmiare ore: è esattamente il tipo di lavoro che Next Action Analyst automatizza, trasformando gli export CSV in azioni prioritarie invece che in nuove tabelle da spiegare al cliente.