a cluster-based marketing mix modeling approach to assess the impact of media on heterogeneous sales

In recent years, the field of marketing has witnessed an increased reliance on data-driven approaches to gain insights and make informed decisions. For years, by now, Marketing Mix Modeling (MMM) has been establishing itself on the business as one of the most powerful vehicles to quantify marketing and media effective- ness. MMM directly leverages on economic theories and econometrics techniques in order to provide statistically solid answers to many marketing question, such as assessing the effectiveness of a Media Plan, evaluating the return on investment (ROI) or optimizing the allocation of the marketing resources. With the goal of reaching statistical improved results and gaining a deeper knowledge and analysis of the impact of advertising on sales, leveraging on the scientific literature, this work of thesis wants to propose a methodology that resorts to both supervised and unsupervised machine learning techniques applied to marketing: marketing mix modeling (i.e. regression analysis) and statistical clustering (in particular, product segmentation). The whole analysis was conducted using some real data from a FMCG company: the data concerned both the sales and the media activity. The present thesis proved that clustering the temporal series representing different prod- ucts categories according to their reaction to media and then running a cluster-based (fixed-effects-like) MMM provide enhanced results compared to a traditional MMM. The improvement is not only in terms of statistical results (better goodness- of-fit metrics, better residuals) but also for what concerns the ability to better capture the real impact of advertising.

Negli ultimi anni, il settore del marketing ha assistito a un crescente ricorso ad approcci basati sui dati per ottenere maggiori dettagli e prendere decisioni più consapevoli. Da anni, ormai, il Marketing Mix Modeling (MMM) si è imposto sul mercato come uno dei mezzi più potenti per quantificare l'efficacia del marketing e dell'attività media. Il MMM si basa direttamente sulle teorie economiche e sulle tecniche di econometria per fornire risposte statisticamente solide a molte domande di marketing, come la valutazione dell'efficacia di un media plan, la valutazione del ritorno sugli investimenti (ROI) o l'ottimizzazione dell'allocazione delle risorse di marketing. Con l'obiettivo di raggiungere risultati statisticamente migliori e di approfondire l'analisi dell'impatto della pubblicità sulle vendite, facendo leva sull'attuale letteratura scientifica, questa tesi vuole proporre una metodologia che ricorre a tecniche di machine learning sia supervised che non unsupervised applicate al marketing: il marketing mix modeling (che rientra nella regression analysis) e lo statistical clustering (in particolare, la segmentazione dei prodotti). L'intera analisi è stata condotta utilizzando alcuni dati reali di un'azienda di beni di largo consumo: i dati riguardano sia le vendite che l'attività mediatica. Utilizzando un MMM tradizionale come base, l'applicare la metodologia proposta a dei dati reali ha confermato che il clustering delle serie temporali - rappresentanti diverse categorie di prodotti in diversi tipi di negozi in base alla loro reazione ai media - e la successiva esecuzione di un MMM basato su tali cluster ha effettivamente fornito risultati migliori, non solo in termini statistici, ma anche per quanto riguarda la capacità di catturare meglio l'impatto reale della pubblicità.