Negli articoli precedenti di questa serie dedicata alla Unified Marketing Measurement (UMM), abbiamo analizzato come UMM rappresenti un’evoluzione rispetto al tradizionale Marketing Mix Modeling (MMM), rispondendo alle principali sfide che i marketer si trovano ad affrontare oggi. Tra queste, troviamo il progressivo abbandono dei cookie, la crescente necessità di valutare le performance e l’urgenza di ottimizzare i budget marketing (Parte 1).
Abbiamo inoltre esaminato come l’integrazione dell’intelligenza artificiale, inclusa la generative AI, stia accelerando questa trasformazione (Parte 2).
Anche i dati sintetici rappresentano un ambito di applicazione promettente in cui l’AI può potenziare l’UMM ed estenderne la portata.
Cosa sono i dati sintetici e perché sono utili per l’UMM?
I dati sintetici sono set di dati generati artificialmente. Pur non essendo repliche esatte dei dati reali, ne riproducono fedelmente le caratteristiche statistiche fondamentali e risultano molto simili ai dataset effettivi.
Sebbene l’utilizzo dei dati sintetici non sia una novità, soprattutto nella ricerca, i recenti progressi nell’ambito della genAI ne hanno notevolmente aumentato la sofisticazione e l’efficacia.
I dati costituiscono le fondamenta del modello UMM. È necessario quindi utilizzare dataset di alta qualità, completi, che coprano più anni e contengano informazioni dettagliate per creare un modello solido e affidabile. Tuttavia, non sempre i dati disponibili risultano sufficienti.
Alcuni dati storici potrebbero aver perso rilevanza a causa di cambiamenti sostanziali nei canali utilizzati o nei sistemi di misurazione adottati. La granularità potrebbe essere inadeguata o limitata solo ad alcuni ambiti — spesso quelli legati ai canali digitali. In altri casi, i dati potrebbero semplicemente non esistere, ad esempio se si sta analizzando un mercato emergente o una nuova linea di business.
In situazioni come queste, i dati sintetici possono rappresentare una soluzione avanzata, capace di colmare i gap informativi e supportare in modo efficace la costruzione del modello UMM.
Opportunità e sfide nell’integrazione dei dati sintetici in un modello UMM
Un approccio basato sulla GenAI per la generazione di dati sintetici applicato all’UMM può offrire numerosi vantaggi:
- Arricchire i dati: consente di generare nuovi dati mantenendo le caratteristiche statistiche originali e integrando competenze di dominio. Questo è particolarmente utile nell’analisi di eventi rari o poco rappresentati nei dataset reali.
- Ribilanciare i dati: se il dataset originale presenta bias noti che potrebbero distorcere i risultati dell’analisi, l’integrazione di dati sintetici può correggere queste distorsioni. Ad esempio, può correggere errori di attribuzione che assegnano un numero eccessivo di conversioni a un singolo canale.
- Anonimizzare i dati: le restrizioni legate alla privacy, alla conservazione e all’accesso ai dati dei clienti possono limitare significativamente le capacità analitiche e il potenziale di monetizzazione. I dati sintetici rappresentano una soluzione a questo problema, offrendo dataset sicuri e molto più sofisticati rispetto ai metodi tradizionali di anonimizzazione.
- Condividere i dati: i dati correttamente anonimizzati possono essere condivisi con terze parti senza compromettere la riservatezza aziendale. Questo abilita forme di data monetization, permettendo a tutti gli attori coinvolti di sfruttare dataset ampi e affidabili per migliorare modelli e analisi.
Tuttavia, per utilizzare i dati sintetici in modo efficace all’interno di un progetto UMM, è necessario soddisfare alcune condizioni fondamentali e considerare attentamente diversi fattori critici:
- La produzione di dati sintetici di qualità richiede un’attenta progettazione e l’intervento umano, per incorporare conoscenze specifiche del dominio e particolarità del business.
- Esistono ancora casi in cui la base dati reale è troppo limitata: aggiungere dati sintetici in assenza di un nucleo solido di dati reali può compromettere l’accuratezza del modello e comportare conseguenze che vanno valutate e accettate come trade-off.
- Un dataset sintetico viene sempre generato con uno scopo preciso. Deve bilanciare fedeltà, utilità e privacy, ed è costruito sulla base di dati noti e conoscenze di dominio. Anche se può essere riutilizzato o venduto, è essenziale comprenderne a fondo le caratteristiche per conservarne il valore.
Nell’ultimo articolo di questa serie affronteremo la domanda chiave che emerge da questa riflessione: il tuo brand dovrebbe sviluppare un modello UMM proprietario?
