C’è una scena che si ripete sempre più spesso nelle riunioni marketing: qualcuno chiede “da dove arrivano davvero le vendite?” e, subito dopo, cala un silenzio strano. Non perché manchino dati, anzi. È che dal 2026 in poi la domanda suona diversa, quasi più adulta: come attribuire valore alle leve di marketing quando il segnale è frammentato, i cookie di terze parti sono un ricordo e i walled garden custodiscono gelosamente ciò che sanno?
Il post-cookie non è un’apocalisse, è un cambio di fisica. Fino a ieri ci siamo mossi in un mondo “newtoniano” fatto di tracciamenti puntuali e percorsi utente ricostruiti con una certa disinvoltura. Oggi assomiglia più a una meccanica quantistica: osservi un fenomeno (una campagna, un picco di domanda, un cambio prezzo) e l’interpretazione dipende dal contesto, dalle ipotesi e dalla qualità dell’esperimento. È qui che entrano in gioco tre parole che stanno tornando centrali nelle conversazioni dei team più maturi: AI applicata al Marketing Mix Modeling (MMM), causal inference e clean room.
MMM: il ritorno del “meteo” del marketing, ma con l’AI
Il Marketing Mix Modeling non è nuovo: nasce ben prima dell’era dei pixel, quando i CMO ragionavano per canali macro (TV, radio, stampa, promozioni) e cercavano di capire quanto ogni leva muovesse davvero la domanda. La differenza, oggi, è che l’MMM non è più un modello rigido da data warehouse e trimestrali: con l’AI e una migliore disponibilità di segnali (spesa media, pressione competitiva, stagionalità, pricing, distribuzione, search trend) diventa un sistema vivo, capace di aggiornarsi e di raccontare storie più credibili.
In molte analisi che vediamo sul campo, l’MMM funziona quando smette di inseguire la precisione chirurgica del singolo utente e abbraccia la logica dell’insieme: non “chi ha cliccato cosa”, ma “quale combinazione di stimoli ha generato domanda, e con che inerzia nel tempo”. È un approccio che si sposa bene con i segnali aggregati e con le indicazioni di piattaforme e publisher, come spesso emerge nelle riflessioni di Think with Google, dove il tema della misurazione si sta spostando da attribuzione deterministica a modelli statistici robusti.
Il punto cieco più comune: confondere correlazione e causa
Qui entra la seconda parola, quella che sembra accademica ma in realtà è tremendamente pratica: causal inference. Perché un MMM può dirti che “quando aumenta il paid social aumentano le vendite”, ma se nello stesso periodo hai lanciato una promo, un nuovo assortimento o ti sei preso una settimana di attenzione mediatica, il rischio è scambiare una coincidenza per un effetto.
La causal inference prova a fare una cosa semplice da dire e difficile da fare: costruire un controfattuale credibile, cioè rispondere alla domanda “cosa sarebbe successo se non avessimo fatto questa campagna?”. In un mondo ideale faresti sempre test controllati, ma il marketing reale è più simile a un romanzo corale che a un laboratorio. E allora si ricorre a disegni quasi-sperimentali (geo experiment, synthetic control, difference-in-differences) e a modelli che tengono conto di confondenti e dinamiche temporali. È un terreno che negli ultimi anni ha guadagnato attenzione anche fuori dal perimetro data science, complice la diffusione di strumenti e framework discussi da community e player come Semrush, dove la misurazione è sempre più intrecciata con scelte di budget, creatività e go-to-market.
Clean room: la diplomazia dei dati tra brand e piattaforme
Se MMM e causal inference sono i “modelli mentali”, le clean room sono spesso l’infrastruttura politica del nuovo ecosistema. Perché il dato oggi è come una valuta: tutti lo vogliono, nessuno lo lascia davvero circolare. Le clean room nascono per permettere analisi su dati combinati (tipicamente first-party del brand e dati di piattaforme o publisher) senza che nessuna parte esponga l’identità degli utenti. Si lavora su matching e aggregazioni, con regole rigide su soglie minime, anonimizzazione e output consentiti.
Non è soltanto una questione di compliance, anche se il tema privacy resta centrale. È soprattutto un modo per tornare a fare domande sensate: qual è l’incrementalità di una campagna video su un segmento di clienti già attivi? Che differenza c’è tra spingere prospect freddi e recuperare utenti a metà funnel? Come cambiano le frequenze “utili” quando il contesto economico stringe e l’attenzione cala? Domande che, senza ambienti protetti e dataset governati, restano appese a metriche di piattaforma difficili da confrontare tra loro. Non a caso, il dibattito su governance e qualità del dato è sempre più presente anche nelle letture di settore di Content Marketing Institute, dove measurement e fiducia stanno diventando due facce della stessa medaglia.
Post-cookie non significa “meno misurazione”, significa “misurazione diversa”
Il 2026, per molte aziende, non sarà l’anno in cui si “perde” la misurazione: sarà l’anno in cui diventa evidente che misurare richiede una sintesi nuova tra dati, statistica e decisioni. Chi si affida solo all’ultimo click rischia di guidare guardando lo specchietto retrovisore; chi si affida solo a un modello black box rischia di non saper spiegare le scelte al board. La direzione più solida sta nel tenere insieme più livelli (MMM per la visione macro, causal inference per l’incrementalità, clean room per lavorare con partner e piattaforme) e nel trattare la misurazione come un sistema, non come un report.
In FilRouge ci capita spesso di vedere brand con ottime campagne e risultati “percepiti”, ma con una fragilità latente: quando cambiano i segnali, cambia anche la narrativa interna su cosa funzioni. E senza una narrativa fondata, i budget diventano oscillanti, le creatività vengono giudicate con parametri sbagliati e la crescita perde continuità. Se state cercando un modo per leggere il post-cookie 2026 senza nostalgia e senza fumo negli occhi, vale la pena fermarsi a ragionare su quali domande volete poter rispondere tra dodici mesi (e con quali dati). Se vi va di confrontarci su questo percorso, la conversazione giusta spesso inizia molto prima del modello.
Approfondimenti e contesto, per chi vuole tenere il polso del cambiamento, si trovano anche nelle linee guida e nei ragionamenti su privacy e misurazione pubblicati da Google Developers, utili per capire come sta evolvendo l’ecosistema digitale oltre il solo advertising.
