l'Identity protocol: Smettete di investire su "Profili Fantasma".Se i dati non sono vivi il vostro margine è in pericolo: la checklist per arrestare l'emorragia.A: Il Board Da: The Revenue Architect Oggetto: Diagnostica Week 1 / Il Problema “Dead Data”

La diagnosi della scorsa settimana è stata chiara: La vostra AI si sta addestrando su dati “morti”. State pianificando campagne su fantasmi, questo gonfia artificialmente il CAC e Rende il LTV una metrica di pura fantasia.

Oggi programmiamo la soluzione: non si tratta di fare “pulizia dati”, ma di installare il sistema operativo per rendere i ricavi efficienti: il protocollo di Identity Resolution.

L’Equazione Economica: Un Cliente, Dodici Costi.

Il vostro cliente non è statico. Nel 2026, un utente high-value interagisce con voi ovunque: Laptop, App, Instagram, Negozio Fisico e molto altro.

Nel vostro database grezzo, quella singola persona non esiste, esistono invece 12 frammenti scollegati:

* Fantasma 1: Un cookie anonimo del browser (Utente X).

* Fantasma 2: Una email da “guest checkout” (Utente Y).

* Fantasma 3: Un ID del programma fedeltà del 2021 (Utente Z).

* Fantasmi 4-12: ID Mobile, Email aziendali, IP della Connected TV, Cookie scaduti e Click ID di Facebook.

Il Buco di Bilancio: Pagate per acquisire l’utente X. Pagate ancora per il retargeting sull’utente Y. Pagate una terza volta per inviare email all’utente Z.

Pagate tre volte per acquisire la stessa persona.

L’Identity Resolution ricuce questi 12 fantasmi in un unico Golden Record, ferma lo spreco; crea il segnale pulito di cui la vostra AI ha bisogno per prevedere il futuro.

La Strategia: Eliminare la “Black Box”

Fino a ieri, il problema si risolveva acquistando una CDP (Customer Data Platform) monolitica, una “Black Box”. Inviavate i dati a un fornitore esterno, loro li elaboravano, li rivendevano a voi

Questo modello è obsoleto.

* Rischio: Inviate PII (Dati Personali) fuori dal perimetro aziendale.

* Costo: Pagate un “doppio affitto” (Storage nel vostro cloud + Storage nel cloud del vendor).

* Cecità: Non avete visibilità sul perché due profili siano uniti.

Il Nuovo Standard: Warehouse-Native (Zero-Copy) Non spostate i dati verso lo strumento, ma lo strumento si connette ai vostri dati. I moderni motori di identità girano direttamente sulla vostra infrastruttura (Snowflake/Databricks/BigQuery/AWS ecc).

* Sicurezza: I dati non lasciano mai la vostra governance.

* Velocità: Risoluzione in tempo reale.

* Costo: Zero-copy. Pagate per la logica, non per lo storage ridondante.

La Decisione: scegliere il Vostro Profilo di Rischio

Non chiedete “Qual è il tool migliore?”. Chiedetevi: “Qual è il trade-off strategico che accettiamo?”. Esistono 4 architetture valide per il 2026, Sceglietene una.

L’Esecuzione: Direttive Operative

Una volta definita la strategia, questo è il mandato operativo per il vostro Data Team:

* Speed: Contrattualizzare una Composable CDP (es. Hightouch, Bytek Prediction Platform). Connetterla ai vostri dati. Dare al Marketing le chiavi per sincronizzare le audience direttamente su Meta/TikTok/Google Ads

* Automated: Contrattualizzare un Vendor di AI Identity (es. Amperity). Ingerire tutte le tabelle legacy grezze. Lasciare che il loro modello costruisca il grafo. Non tentare sviluppo interno.

* Control: Costruire un Private Graph usando AWS Entity Resolution. Le PII non devono lasciare il nostro VPC. Il Marketing richiede le audience tramite ticket.

* Google: Centralizzare tutto in BigQuery. Utilizzare la risoluzione ID nativa di Google. Inviare i segmenti direttamente a Ads Data Hub.

La Checklist Tecnica (Audit)

Consegnatela al vostro Head of Data. Richiedete una risposta “Pass/Fail” entro fine giornata.

Test 1: Il Muro del Login (The “Logged-In” Wall)

* La Domanda: “Siamo in grado di identificare i visitatori del sito prima che effettuino il login?”

* La Risposta Sbagliata: “No, tracciamo i cookie ma sappiamo chi sono solo dopo il login.”

* Il Costo: State ignorando il 95% del vostro funnel. State facendo bid su sconosciuti.

Test 2: Audit dei Costi Ridondanti (Double Rent)

* La Domanda: “Stiamo pagando un vendor esterno per archiviare dati che sono già presenti nel nostro Warehouse?”

* La Risposta Sbagliata: “Sì, il marketing cloud necessita di una propria copia dei dati per funzionare.”

* Il Costo: State pagando due volte per lo storage e aumentando la superficie di attacco. Migrazione immediata a Warehouse-Native.

Test 3: Rapporto Utenti/Profili

* La Domanda: “Qual è il rapporto tra ‘User ID’ unici e ‘Profili di Fatturazione’ nel database?”

* La Risposta Sbagliata: “Circa 5 a 1.” (o superiore)

* Il Costo: State trattando un cliente fedele come fossero cinque estranei. Il vostro modello di LTV è un’allucinazione.

Riepilogo

L’Identity Resolution non è una pratica IT, è la differenza tra un’AI che prevede il fatturato e un’AI che ha allucinazione.

Sistemate il livello dati, ricucite i profili fantasma: arrestate l’emorragia.

Settimana Prossima: Valideremo tutto questo con l’unica persona a cui importano davvero i soldi: il CFO. Analizzeremo il Report McKinsey: conferma che il 90% dei budget marketing sta navigando alla cieca.

Notizie Per me interessanti

Dinners are the new trade shows. Here’s how to run them well by Emily Kramer

How to do AI analysis you can actually trust by Lenny Rachitsky

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

È lunedì mattina, ore nove, la riunione del Consiglio di Amministrazione procede con quella familiarità rassicurante che caratterizza gli incontri di routine. Il Direttore Commerciale apre l’immancabile Excel per dimostrare che i target trimestrali sono stati raggiunti, il CMO indica una dashboard con il ROAS in verde, il CFO annuisce compiaciuto.

Tutto sembra sotto controllo, eppure c’è un problema che nessuno percepisce: state guardando un referto autoptico. Celebrate transazioni chiuse settimane fa, costruite strategie su indicatori che per loro natura raccontano solo il passato. Che vendiate software enterprise o borse di lusso, gestire un’azienda affidandosi esclusivamente a CRM e report finanziari equivale a guidare a centocinquanta all’ora fissando lo specchietto retrovisore: sapete da dove venite, ma la strada davanti - dove il mercato sta andando, chi sta per lasciarvi - rimane invisibile.

Il paradosso è che tutti corrono ad implementare l’AI, ma la maggior parte delle aziende la sta alimentando con dati già morti. Costruiscono modelli sofisticati su transazioni storiche e poi si stupiscono quando le “insight predittive” assomigliano alle tabelle pivot dell’anno scorso con una veste grafica più moderna. Il problema non è l’AI che avete scelto, ma quello che le date in pasto.

Grazie per leggere dataMesh! Iscriviti gratuitamente per supportare il mio lavoro.

Il Buco Nero dell’Offline

C’è una verità scomoda: il novanta percento del valore di un cliente non sta nella transazione finale, ma nel percorso comportamentale che la precede. Il CRM registra che Giulia ha comprato una borsa nel negozio di via Montenapoleone, ma non vede le cinque visite al sito, le ads su Instagram, le recensioni consultate nelle due settimane precedenti.

Senza Identity Resolution, il team Digital vede zero conversioni e un costo per acquisizione alle stelle, il team Retail si prende tutto il merito, e il CFO taglia il budget digital perché “non performa” - segando il ramo su cui l’azienda era seduta. Con Identity Resolution, invece, scoprite che i touchpoint digitali hanno influenzato il quaranta percento del percorso d’acquisto di Giulia, e invece di difendere il budget alla prossima riunione vi trovate a chiedere investimenti aggiuntivi sulle campagne che portano clienti alto-spendenti in negozio.

Nel B2B la cecità è altrettanto grave. Mentre leggete, tre ingegneri di un potenziale cliente potrebbero star studiando la vostra documentazione tecnica senza aver compilato alcun form. Per il vostro CRM non esistono. Nel frattempo un competitor con Identity Resolution ha già identificato il loro IP aziendale, sa cosa stanno valutando, e ha fatto partire l’outreach. Quando il vostro Sales si sveglia, la partita è già persa.

Il Segnale: Dove l’AI Incontra l’Intenzione

È qui che l’intelligenza artificiale smette di essere una buzzword da presentazione e diventa un’arma competitiva concreta. Identity Resolution vi fornisce i dati giusti - quelli che collegano l’identità di un cliente attraverso i diversi touchpoint. L’AI vi dà la velocità e la scala per agire su quei dati prima che l’opportunità svanisca. Separati, nessuno dei due basta. Insieme, creano un sistema che non solo registra cosa è successo, ma prevede cosa sta per succedere e vi dice esattamente cosa fare.

Considerate il rischio di abbandono nel B2B. Avete un cliente storico che paga puntuale e rinnova ogni anno - tutte le metriche sono verdi, ma collegando l’identità aziendale al comportamento di navigazione, l’AI vede una storia diversa: tre persone di quell’azienda hanno passato le ultime quarantotto ore sulle vostre pagine “Disdetta contratto” ed “Esportazione dati.” Non stanno curiosando, stanno preparando l’uscita.

Il sistema riconosce il pattern—l’ha già osservato in centinaia di account che poi hanno disdetto - calcola una probabilità di abbandono del settantatré percento entro trenta giorni, e allerta automaticamente l’Account Manager con un piano d’intervento suggerito. Sapete che stanno per andarsene prima che loro stessi ve lo comunichino. Le aziende che usano questi segnali comportamentali potenziati dall’AI riducono il churn del 15%/25% - non perché abbiano Account Manager migliori, ma perché agiscono su intenzioni predittive invece di reagire a una PEC di disdetta.

Lo stesso vale per l’attribuzione nel retail. Quando unite i dati della carta fedeltà con i cookie di navigazione e ci sovrapponete un layer di AI, le opinioni diventano fatti: il modello vi dice quali combinazioni di campagne generano conversioni in-store, quali segmenti rispondono all’awareness e quali alla performance, dove il prossimo euro investito avrà l’impatto maggiore. Smettete di litigare sull’attribuzione nelle riunioni e lasciate che sia il modello a darvi la risposta.

“Ma con il GDPR si può fare?”

L’obiezione sulla compliance emerge sempre, ma è qui che l’AI risolve il problema della privacy invece di aggravarlo.

Il GDPR non è un muro, è un filtro qualitativo. Non potete tracciare il cento percento degli utenti, ma non vi serve: in un ecosistema sano ottenete il consenso dal 60%-75% dei visitatori. E questo basta!

Il meccanismo: usate i dati di alta qualità degli utenti consenzienti per addestrare i modelli di machine learning, che imparano i pattern comportamentali di “Churner”, “High Spender”. Poi applicate quei modelli probabilistici al traffico anonimo. Non state identificando nessuno senza consenso - state riconoscendo comportamenti. L’AI dice: “Questa sessione anonima si comporta all’ottanta percento come i nostri High Spender conosciuti”. Personalizzate l’esperienza senza mai sapere chi sia quella persona.

Non state aggirando la legge, state costruendo un motore predittivo conforme che diventa più intelligente a ogni interazione. Le aziende che trattano il GDPR come un ostacolo stanno perdendo terreno rispetto a quelle che lo usano come leva per una data strategy più solida.

Da Archivio a Motore: Il Data Stack Pronto per l’AI

Se i vostri dati restano fermi in attesa del report mensile, avete un archivio polveroso - un centro di costo che produce slide per il CdA. Qui sta la verità che pochi vendor vi raccontano: potete montare l’AI più sofisticata del mercato su un archivio polveroso, ma otterrete solo polvere elaborata più velocemente. Garbage in, garbage out.

Con l’Identity Resolution, quell’archivio diventa un motore predittivo in tempo reale. Create la base dati unificata di cui l’AI ha effettivamente bisogno per mantenere le promesse, e smettete di nutrire i modelli con le transazioni di ieri per dar loro le intenzioni di oggi.

Le aziende che domineranno i prossimi tre anni non saranno quelle con i budget AI più grossi, ma quelle che avranno risolto prima il problema dei dati - quelle che hanno smesso di guidare fissando lo specchietto retrovisore e hanno iniziato a fidarsi di un GPS potenziato dall’AI che non si limita a mostrare il percorso, ma prevede il traffico, suggerisce scorciatoie, e vi fa cambiare corsia prima che vi accorgiate del problema.

Da Dove Partire

Se sospettate che la vostra azienda stia investendo in AI senza la base dati per farla funzionare, fate queste tre domande ai vostri team Sales e Data questa settimana:

“Riusciamo a collegare un acquisto in negozio alla visita sul sito che lo ha generato?” Se no, avete un buco nell’attribuzione che falsa ogni decisione di investimento e qualsiasi AI implementiate erediterà quella distorsione.

“Sappiamo quando un cliente esplora la sezione del sito come uscire dal contratto?” Se no, la vostra retention è reattiva, non predittiva, e state lasciando sul tavolo il caso d’uso AI a più alto ritorno.

“Quale percentuale dei visitatori del sito riusciamo a identificare anche senza form compilati?” Se siete sotto il trenta percento, i vostri modelli AI si addestrano su una fetta distorta della realtà.

Se avete risposto “no” a una qualsiasi di queste domande, non state facendo Business Intelligence: s tate facendo contabilità con un chatbot sopra.

Cosa vi hanno risposto i vostri team? Scrivetemi: leggo ogni messaggio, e le conversazioni più interessanti diventano spesso i prossimi articoli.Per approfondire scarica il mio ebook Non Puoi Fare AI se i tuoi dati sono nel caos

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

La promessa della nuova “Agentic Era” è seducente. L’idea di agenti autonomi in grado di costruire i tuoi modelli, acquistare i tuoi spazi media e modificare le tue creatività sembra la soluzione perfetta per qualsiasi leader. Ma se guardi da vicino come funziona l’automazione, questa promessa non dovrebbe solo entusiasmarti: dovrebbe preoccuparti.

Il pericolo sta nel fatto che l’IA è, essenzialmente, un acceleratore: è una macchina progettata per ottimizzare esattamente l’obiettivo che le assegni. Se la nutri con dati distorti o metriche sbagliate, non si limiterà a commettere errori, ma scalerà quegli errori a una velocità che nessun team umano potrà mai gestire.

Negli ultimi dieci anni, siamo stati ossessionati dalla ricerca di una “Single Source of Truth”, questa ricerca ci ha lasciato con strumenti disconnessi e dipartimenti in conflitto. Per sopravvivere al passaggio verso processi decisionali guidati dall’AI, dobbiamo smettere di cercare: non abbiamo bisogno di una verità unificata; abbiamo bisogno di un sistema di Decisioni Unificate, dove il Marketing Mix Model (MMM) e l’Attribution smettono di farsi la guerra e iniziano a collaborare sotto il controllo della Sperimentazione.

Grazie per leggere dataMesh! Iscriviti per ricevere nuovi post e supportare il mio lavoro

La Guerra Civile: Strategia contro Comfort

Abbiamo passato anni a combattere una guerra civile tra due metodologie che avrebbero dovuto essere alleate:

* Da una parte c’è il CFO e il consiglio di amministrazione, che preferiscono il Marketing Mix Model. Lo vedono come una bussola strategica perché parla la lingua della finanza, tiene conto della stagionalità e resiste a esami approfonditi. Tuttavia, per i team operativi, l’MMM spesso appare troppo lento, troppo “macro” e scollegato dal lavoro quotidiano di ottimizzazione delle campagne.

* Dall’altra parte, i team Growth e Media si aggrappano alla Digital Attribution. La amano non perché sia precisa, ma perché è facile: agisce come un calmante per la nostra ansia, fornendoci numeri immediati e dettagliati che sembrano azionabili. Ma conosciamo il segreto: l’attribuzione standard è sbilanciata verso il “bottom of the funnel”, adora prendersi il merito per ricavi che sarebbero arrivati comunque.

Nell’era dell’IA, dobbiamo renderci conto che queste sono semplicemente due facce della stessa medaglia: non puoi avere una strategia senza esecuzione, ma non puoi nemmeno lasciare che un agente IA ottimizzi il tuo budget basandosi solo sull’attribuzione. Se lo fai, la macchina smetterà di acquistare annunci per nuovi clienti e spenderà tutto il budget per fare retargeting su persone che stavano già per acquistare: ottimizzerà l’efficienza fino a uccidere la tua crescita.

La Rivoluzione Meta: Ottimizzare per la Causalità (Il Caso Zalando)

Questa non è solo teoria. La più grande “Black Box” del settore , Meta, ha recentemente validato questo cambiamento, utilizzando l’IA per spostare l’obiettivo dalla correlazione alla causalità.

Per anni, lo standard è stato ottimizzare il ROAS basandosi sull’attribuzione per eventi, ma come sappiamo, un clic ti dice che qualcuno era interessato, non che l’annuncio ha causato l’acquisto. È qui che il business case di Zalando cambia la narrazione.

Zalando non voleva solo misurare il lift (l’incremento); voleva ottimizzare per esso. Per farlo hanno utilizzato l’Attribuzione Incrementale di Meta, un’impostazione avanzata che cambia il modo in cui l’algoritmo apprende.A differenza dell’attribuzione standard, che conteggia qualsiasi conversione avvenuta dopo una visualizzazione o un clic, l’Attribuzione Incrementale utilizza modelli di machine learning per prevedere se una conversione è stata veramente causata dall’annuncio. Rimuove il “rumore” ,le persone che avrebbero comprato comunque, e concentra il motore solo su quelle conversioni che non sarebbero avvenute senza l’inserzione.

Il risultato è enorme: sposta l’obiettivo da “Chi cliccherà?” a “Chi ha bisogno di questo annuncio per convertire?”.Zalando ha così allineato il proprio media buying con il reale impatto di business, generando conversioni incrementali vere invece di limitarsi a gonfiare delle vanity metrics.

La Sperimentazione è la Rete di Sicurezza

Tutto questo implica un massiccio cambiamento operativo: non puoi indovinare la causalità. L’IA è un motore di predizione , prevede chi è probabile che acquisti basandosi su pattern, ma senza i giusti dati, le manca il contesto per capire perché hanno acquistato. Qui la Sperimentazione diventa lo strato più importante del tuo stack tecnologico. È il guardrail che impedisce ai tuoi agenti automatizzati di vedere successi dove non ce ne sono.

Pensa alla tua architettura dati come a un tribunale: l’Attribution è solo un testimone, che offre un resoconto soggettivo e limitato degli eventi da un’unica angolazione. L’MMM è la giuria, che soppesa le prove per formare un consenso. Ma la Sperimentazione? La Sperimentazione è il test del DNA: è la scienza che batte le opinioni e fornisce la vera prova del valore.

La Nuova Architettura per il 2026

Per costruire una revenue stack in grado di utilizzare l’IA in sicurezza, il flusso di lavoro deve cambiare da un processo lineare a un ciclo continuo.

* Usa l’econometria e l’MMM per soddisfare il board e definire il tuo macro-budget, ottenendo il supporto strategico per operare.

* Lascia che le piattaforme e i loro agenti IA gestiscano l’esecuzione e il buying, ma abilita funzionalità come l’Attribuzione Incrementale per assicurarti che inseguano l’obiettivo giusto.

* Infine, costruisci un livello di validazione dedicato. Questo significa destinare una percentuale fissa del tuo budget esclusivamente ai test: devi eseguire Geo-Lift test sui nuovi canali e mantenere gruppi di controllo (holdout groups) sulle tue campagne “best performing”.

In futuro, gli architetti della crescita di maggior successo non saranno quelli con l’IA più potente. Saranno quelli che forniranno ai propri modelli le regole e i dati con qualità più alta.

Non lasciare che la macchina si dia i voti da sola: sii tu l’insegnante.

Notizie che hanno destato il mio interesse

The state of Marketing Measurement in 2026 and Beyond by Aryma Labs

Incremental Attribution - Optimizing ad delivery for incremental conversions by Meta

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Da settembre a oggi ho scelto il silenzio. Dopo la pubblicazione dei lavori su Lift Test e Marketing Mix Modeling, ho sentito la necessità di fare un passo indietro.Non mi sono fermato. Mi sono messo in osservazione.

Ho passato l’ultimo trimestre del 2025 a guardare il mercato — dai grandi brand alle scale-up più aggressive — farsi travolgere dall’onda d’urto dell’Intelligenza Artificiale.Ho partecipato a meeting dove l’unica urgenza sembrava essere tecnica: “Quale modello usiamo? GPT? Claude? Gemini?”.Ma grattando la superficie, l’obiettivo reale era quasi sempre un altro: diminuire il numero di dipendenti.

C’è l’illusione diffusa che l’AI possa sostituire le persone da un giorno all’altro,

tagliando i costi fissi come con una bacchetta magica: una visione strategicamente miope.L’errore che ho visto commettere ovunque è considerare l’AI come uno strumento di Cost Saving (tagliare teste), invece che di Revenue Expansion: l’obiettivo non deve essere fare le stesse cose con meno persone, deve essere diventare più efficienti e veloci per fare molto di più, con le stesse persone, aumentando il fatturato.

Eppure, in tutte quelle stanze, c’era un elefante che nessuno voleva guardare.Tutti cercavano il motore più potente (l’AI) per correre, ma nessuno si preoccupava della benzina (i Dati).

Ho visto aziende pianificare di potenziare il Customer Service o i Data Analyst con software collegati a infrastrutture dati frammentate, sporche, tenute insieme con lo scotch. Il risultato che stavano costruendo non era “Efficienza”, era quello che io chiamo Garbage In, Speed Out.Se applichi l’Intelligenza Artificiale a un’azienda che non ha il controllo dei propri dati, non ottieni crescita, ottieni errori stupidi, ma commessi a una velocità e su una scala che nessun umano potrebbe mai eguagliare.

L’AI non è una strategia: è un moltiplicatore di velocità. Accelerare mentre stai guidando verso un muro non è una buona idea.Per questo ho rotto il silenzio. Ho passato questi mesi a decostruire questo errore sistemico e a definire un metodo per chi vuole costruire un’azienda solida, non solo “veloce”.Il risultato non è un altro manuale tecnico su come configurare un software: ho scritto un documento strategico, pensato per chi ha la responsabilità del conto economico.Si intitola: “Non puoi fare AI se i tuoi Dati sono nel Caos”.

È un Executive Briefing che sposta il focus dalla tecnologia al Patrimonio; parlo di come:

* Smettere di “affittare” l’intelligenza da terze parti e costruire una “Banca Centrale” dei dati di proprietà dell’azienda.

* Smettere di ottimizzare le campagne su metriche vanitose e iniziare a guardare la Unit Economics reale.

* Attivare l’AI non come sostituto delle persone, ma come strumento di Predizione Finanziaria per proteggere la cassa e scalare i ricavi.

Se in questi mesi hai avuto la sensazione che la tua azienda stesse correndo molto forte, ma senza una mappa chiara, queste pagine sono state scritte per te.

* L’AI è il dividendo.

* I Dati puliti sono il capitale.

* Senza capitale, non ci sono dividendi.

Puoi leggere il documento qui: [Link all’Ebook]

A presto,

Filippo Trocca

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Siamo alla fine del percorso. Abbiamo visto come pianificare un test, come leggerne i risultati e come finanziare questa capacità. Ora, uniamo i puntini. Un singolo test vi dà una risposta. Un programma di test costituisce un vantaggio competitivo.

Le aziende che vincono non sono quelle che fanno test quando hanno un dubbio. Sono quelle che hanno un programma di sperimentazione proattivo e strategico . Questa è una guida su come usare la sperimentazione per allocare il capitale in modo più intelligente della concorrenza.

Vi mostrerò come costruire una Roadmap di Sperimentazione Annuale, l'asset che trasforma la misurazione da esercizio reattivo a motore di crescita finanziaria.

1. Allineamento Strategico: Partire dagli Obiettivi di Business (e dalla Politica Interna)

Una roadmap di test deve essere legata agli obiettivi aziendali. Ma la strategia aziendale non è un documento neutrale; è un campo di battaglia di priorità, reparti e lotte politiche. Per avere successo, dovete essere politicamente astuti.

Come Ottenere il "Sì": Vendi le Risposte, non i Test

Non andate mai dal management con una "lista di test che il marketing vuole fare". Fallirete. Andateci con una "proposta di risposte a domande strategiche che voi, come leader, vi state ponendo".

* Non dire: "Voglio testare TikTok."

* Di' invece: "L'obiettivo di crescita sugli U30 è la nostra priorità #1. Attualmente non sappiamo quale sia il canale più efficiente per raggiungerli. Propongo un test di 90 giorni per scoprire, con dati causali, se il budget incrementale va allocato su Meta o su TikTok per massimizzare il ROI su questo segmento."

Inquadrate ogni test come uno strumento al servizio di una decisione del management. State offrendo di ridurre il loro rischio e aumentare la loro certezza. Nessun leader rifiuterebbe un'offerta simile.

Hai bisogno di supporto per al misurazione del successo delle tue campagne?Contattami ora

2. Dal Calendario Rigido al Backlog Agile: Come Lavora un Team Moderno

Dimenticate i calendari tematici trimestrali. Il business è troppo fluido. Adottate invece un sistema preso in prestito dallo sviluppo software: il Backlog di Sperimentazione.

È un elenco vivo e prioritizzato di tutte le ipotesi di test che volete lanciare, derivate dagli obiettivi strategici.

Framework d'Azione:

* Create il Vostro Backlog: Elencate tutte le domande di business emerse (es. "Il canale X è profittevole?", "La creatività Y batte la Z?").

* Prioritizzate con una Matrice Impatto/Sforzo: Assegnate a ogni ipotesi nel backlog un punteggio su due assi:

* Impatto Potenziale sul Business (da 1 a 5): Se il test ha successo, quanto valore (in €) può generare o far risparmiare?

* Costo/Complessità del Test (da 1 a 5): Quanto è difficile, costoso e lungo da eseguire?

* Pianificate per "Capacità", non per "Tema": Ogni trimestre, il management non approva un tema, ma una capacità di testing (es. "questo trimestre abbiamo budget per eseguire due test ad alto impatto e uno a basso sforzo"). Il vostro team attinge dal backlog i test con il punteggio più alto, garantendo di lavorare sempre sulle cose più importanti e mantenendo la flessibilità per adattarsi alle nuove priorità.

3. L'Archivio delle Conoscenze: Il Vostro Portfolio Finanziario

Un test non documentato è uno spreco di tempo e denaro. L'archivio dei test non è una biblioteca, ma il registro del valore finanziario che il vostro team sta creando.

Framework d'Azione:

Create un repository centrale (basta un Notion o un Google Drive) e per ogni test compilate un "Referto di Valore" di una pagina.

Template del Referto di Valore:

* Ipotesi di Business: Quale domanda strategica abbiamo affrontato?

* Metodologia: Come abbiamo testato? (Canale, budget, durata).

* Risultato Netto: Qual è stato il lift? (Es. +15% conversioni incrementali).

* Decisione Presa: Cosa abbiamo fatto? (Es. Stoppata la campagna, aumentato budget del 30%).

* IMPATTO FINANZIARIO STIMATO: Questa è la riga più importante.

* Esempio A (Fallimento): Risparmio Annualizzato Stoppando la Campagna X = 400.000€.

* Esempio B (Successo): Profitto Incrementale Stimato Scalando la Campagna Y = +150.000€ nel trimestre.

Alla fine dell'anno, il report del vostro team non sarà "abbiamo fatto 10 test", ma "il programma di sperimentazione ha generato un impatto positivo di X milioni di euro sul conto economico". Questo è il linguaggio che crea budget e carriere.

Conclusione: Il Vantaggio Competitivo non è Astratto. È Matematico.

Siamo arrivati alla fine. Abbiamo unito strategia, politica, agilità e finanza. Un programma di sperimentazione non serve solo a "imparare". Serve a vincere.

Il vostro vantaggio competitivo sulla concorrenza si riduce a due fattori brutali:

* Velocità di Apprendimento: Imparate più in fretta dei vostri rivali dove allocare il prossimo euro.

* Efficienza del Capitale: Smettete di sprecare soldi prima e meglio di loro. In un mercato dove tutti hanno accesso agli stessi canali, l'azienda che alloca il proprio capitale in modo più efficiente vince. Non è marketing, è matematica finanziaria.

Smettete di fare test sporadici. Iniziate oggi a costruire il vostro programma di sperimentazione. È l'investimento più spietatamente efficace che possiate fare per la crescita della vostra azienda.

Grazie per aver letto dataMesh! Sentiti libero di condividere questo post.

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

MMM Isn’t Always the Answer: What Early-Stage Brands Should Prioritize First

Just do it

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Nei primi due articoli vi ho mostrato come pianificare un test e come non farvi ingannare dai risultati. Ora la domanda da un milione di euro: chi paga per tutto questo? E come?

La risposta standard è un errore strategico: vedere la misurazione come un costo accessorio, la prima cosa da tagliare. La verità è che la misurazione non è un costo, è l'investimento che protegge tutti gli altri. È l'assicurazione contro lo spreco di budget.

Questa non è una guida su come costruire la cattedrale perfetta in un mondo ideale. Questa è una roadmap pratica per posare il primo mattone, anche se avete solo un cacciavite e risorse limitate. Vi mostrerò come far crescere la vostra capacità di misurazione attraverso tre livelli di maturità, con stime di costo reali e soluzioni per il problema più grande: trovare le persone giuste.

Grazie per leggere DataMesh! Registrati per non perdere nessuna dei miei contenuti.

Un Percorso in 3 Livelli: Trovate il Vostro Punto di Partenza

Nessuno costruisce un "Centro di Eccellenza" in un giorno. Siate onesti su dove vi trovate oggi e iniziate da lì.

Livello 1: Le Fondamenta (Partire con Poco)

* Chi siete: Una startup, una PMI o un team marketing con risorse limitate e senza un analista dedicato.

* Obiettivo: Smettere di basarsi solo sull'attribuzione last-click e provare che la misurazione causale ha valore.

* Azioni Chiave:

* Attribuzione di Base: Assicuratevi che il tracciamento di base su GA4 sia pulito e affidabile.

* Il Vostro Primo Lift Test: Non cercate di testare tutto. Identificate la singola campagna più costosa o più strategica del trimestre e lanciate un solo, singolo, lift test (es. Conversion Lift su Meta o Google).

* Il "Team": Il "team" è una persona curiosa (un marketing manager, uno specialista) che dedica il 20% del suo tempo a questo progetto.

* Stima dell'Investimento:

* Costo Persone: Tempo (il bene più prezioso).

* Costo Test: Circa il 5-10% del budget media della campagna che state testando. Se la campagna ha un budget di 50.000€, mettete in conto 2.500-5.000€ come "costo della verità".

Livello 2: La Sistematizzazione (Creare un Processo)

* Chi siete: Un'azienda in crescita, con almeno un analista o una persona dedicata ai dati.

* Obiettivo: Rendere la sperimentazione un processo continuo, non un evento sporadico.

* Azioni Chiave:

* Creare il "Fondo per la Scoperta": Istituite un budget annuale separato per la sperimentazione (es. "Budget Test & Learn"). Questo fondo non appartiene a nessuna campagna specifica e serve a finanziare 2-4 lift test strategici all'anno.

* Migliorare i Dati di Attribuzione: Investite in un tracciamento più robusto, come l'implementazione del tracciamento Server-Side, per migliorare la qualità dei dati che alimentano l'ottimizzazione quotidiana.

* Formalizzare il Processo: Create un documento semplice che definisca come si richiede un test, come si analizza e dove si archiviano i risultati.

* Stima dell'Investimento:

* Costo Persone: Stipendio di 1-2 analisti.

* Costo Test: Il vostro "Fondo per la Scoperta" annuale (es. 40-80k€).

* Costo Tecnologia: Eventuali costi per tool di tracciamento o CDP.

Livello 3: Il Vantaggio Competitivo (Dominare l'Informazione)

* Chi siete: Un'azienda matura con un team dati e un forte commitment da parte del management.

* Obiettivo: Utilizzare un ecosistema di misurazione completo per ottenere un vantaggio competitivo duraturo.

* Azioni Chiave:

* Istituire il Budget Unificato: Qui entra in gioco la ripartizione del budget per l'intelligence basata sulle domande di business:

* ~70% per le Domande Tattiche ("Stiamo operando in modo efficiente oggi?"): Copre il team di analisi, i tool di attribuzione, l'ottimizzazione quotidiana.

* ~20% per le Domande di Validazione ("Questa nuova campagna da 1M€ funzionerà davvero?"): Copre la roadmap di Lift Test continui.

* ~10% per le Domande Strategiche ("Come allochiamo i 20M€ del prossimo anno tra online e offline?"): Copre l'investimento in Marketing Mix Modeling (MMM).

* Creare il Centro di Eccellenza: Un team centrale di analisti e data scientist che riporta funzionalmente sia al Marketing sia alla Finanza, garantendo oggettività e rigore.

* Stima dell'Investimento:

* Costo Persone: Stipendi di un team di 3-5+ persone (analisti, data scientist, ingegneri).

* Costo MMM: Un progetto una tantum con un consulente può costare da 40k a 150k€. Un team e software interni rappresentano un costo ricorrente ben più alto.

La Domanda Cruciale: Dove Trovare le Competenze?

Avere un budget non serve a nulla senza le persone giuste. La realtà è che i talenti sono scarsi. Avete tre opzioni strategiche:

* Costruire (Build): Formare persone promettenti già presenti in azienda.

* Pro: Conoscono già il business, sono più fedeli.

* Contro: Richiede molto tempo per sviluppare competenze avanzate.

* Comprare (Buy): Assumere esperti dal mercato.

* Pro: Velocità, si acquisiscono subito competenze di alto livello.

* Contro: Estremamente costoso.

* Prendere in Prestito (Borrow): Affidarsi a consulenti, freelance o agenzie specializzate.

* Pro: Flessibilità, si accede a competenze specialistiche on-demand senza appesantire i costi fissi.

* Contro: Meno integrazione con la cultura aziendale, costo ricorrente, la conoscenza non rimane interamente all'interno.

La scelta migliore è spesso un mix: usate consulenti esterni per avviare progetti complessi (come il primo MMM) mentre formate le vostre risorse interne.

Nel Prossimo Articolo: Da Test a Vantaggio Competitivo

Ora che avete un budget e una struttura (o un piano per arrivarci), come si trasforma questa capacità in un processo di apprendimento che genera vantaggio competitivo? Nell'ultimo articolo di questa serie, vi mostrerò come costruire una roadmap di sperimentazione annuale che allinei ogni test agli obiettivi di business.

Conclusione: Smettete di Chiedere il Permesso, Iniziate a Costruire

Questa guida vi mostra che non esiste una scusa per non iniziare. L'approccio alla misurazione causale è scalabile. Se avete poche risorse, partite dal Livello 1: scegliete una battaglia, vincetela con un singolo test di successo e usate quella vittoria per giustificare il passaggio al livello successivo. Non aspettate di avere il budget perfetto o il team ideale. Iniziate oggi a costruire la vostra capacità di misurare la verità. È l'investimento con il ROI più alto che possiate fare.

Grazie per leggere dataMesh! Questo post è pubblico, condividilo!

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

Il valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore reale

Data Visualization Tips & Tricks: What Not To Do!

Hai bisogno di supporto per al misurazione del successo delle tue campagne? Contattami ora

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Nel primo articolo vi ho guidato nel pianificare e lanciare il vostro primo lift test. Quella era la parte facile. Adesso inizia il lavoro difficile: dare un senso ai risultati.

I dati non parlano da soli e un report di un test non è un semplice "promosso" o "bocciato". È un pezzo di un puzzle complesso. Il vostro compito non è solo leggere un numero, ma capire la storia che racconta per prendere decisioni che impattano il budget.

Questa guida è un decodificatore per i quattro scenari più comuni, più uno bonus che molti ignorano. Vi mostrerò come trasformare ogni risultato, anche il peggiore, in un'azione intelligente.

Scenario A: Il Successo Netto (Lift Positivo e Significativo)

Cosa significa: I dati sono chiari. La campagna ha causato un aumento delle conversioni o delle metriche di brand. L'investimento ha prodotto valore incrementale.

La trappola: Aumentare il budget del 100% e sperare in un raddoppio dei risultati. Non funzionerà.

Framework d'Azione:

* Scalare in Modo Controllato: Aumentate il budget della campagna del 20-30%, non di più. Lanciate una nuova misurazione e monitorate una metrica chiave: il Costo per Acquisizione Incrementale (iCPA). Se questo valore inizia a salire rapidamente, avete raggiunto il punto di saturazione e un ulteriore aumento di spesa sarebbe inefficiente.

* Sezionare il Successo: I risultati positivi nascondono ottimizzazioni. Ponetevi domande precise e cercate le risposte nei report della piattaforma (se disponibili):

* Quale specifica creatività ha generato più lift?

* Quale segmento di pubblico ha risposto meglio?

* Ci sono state differenze di performance tra posizionamenti (es. Stories vs. Feed)? Usate queste risposte per riallocare il budget all'interno della campagna, massimizzando l'efficienza.

* Standardizzare la Tattica: Se il test era su una nuova strategia, il risultato la valida. Sistematizzatela e integratela nel vostro marketing mix di base.

Scenario B: Il Fallimento Chiaro (Lift Nullo o Negativo)

Cosa significa: La campagna non ha aggiunto valore. Nel peggiore dei casi (lift negativo), ha cannibalizzato altri canali. Avete sprecato soldi.

La trappola: Incolpare il team o l'agenzia.

Framework d'Azione:

* Festeggiare la Scoperta: Avete appena dimostrato con dati certi che un'attività non funziona. Avete fermato uno spreco di budget. Questa è una vittoria per l'intelligenza aziendale, non un fallimento del team.

* Tagliare la Spesa. Subito: Interrompete la campagna o riallocate il budget immediatamente. Ogni giorno di attesa è un costo.

* Eseguire un'Analisi Post-Mortem (Checklist): Usate questo schema per capire il "perché" del fallimento:

* L'Audience era Sbagliata? (Es. Stavamo parlando a clienti esistenti che avrebbero comprato comunque?).

* La Creatività era Debole? (Es. Il messaggio non era chiaro o rilevante?).

* L'Offerta era Inadeguata? (Es. Il prodotto/prezzo non era competitivo in quel momento?).

* Il Canale era Inappropriato? (Es. Stiamo cercando di vendere un prodotto complesso con un annuncio su TikTok?). Questa analisi è cruciale per non ripetere l'errore.

* Riallocare il Budget Risparmiato: Spostate le risorse su canali con lift incrementale provato o usatele per finanziare il prossimo test su un'ipotesi più solida.

Scenario C: La Zona Grigia (Risultato Non Statisticamente Significativo)

Cosa significa: È il risultato più comune. Vedete una piccola differenza tra i gruppi, ma il test vi dice che potrebbe essere puro caso. Il risultato è inconcludente.

La trappola: Dire "beh, è quasi positivo, continuiamo". No. Significa "non lo so".

Framework d'Azione:

* Valutare la Potenza del Test: Chiedetevi se il test era abbastanza "potente" da rilevare un effetto. La potenza statistica è come la magnificazione di un microscopio: se è troppo bassa (a causa di budget o durata insufficienti), non riuscirete a vedere un effetto piccolo anche se esiste. Rivedete la checklist di fattibilità del primo articolo.

* Applicare la Regola di Default: In assenza di un segnale chiaro, la decisione più sicura è considerare l'ipotesi "non provata". Non aumentate l'investimento. L'onere della prova era a carico della campagna, e ha fallito nel fornirla.

* Rilanciare il Test su Larga Scala: Se l'ipotesi è strategica, l'unica via d'uscita è ripetere il test con più "potenza": budget più alto, durata maggiore, audience più ampia. Questo vi costringerà a ottenere un risultato definitivo, positivo o negativo che sia.

Scenario D: L'Effetto "Halo" (Brand Lift Alto, Conversion Lift Basso)

Cosa significa: Una campagna video ha aumentato la notorietà del brand, ma non ha generato vendite immediate.

La trappola: Valutarla con le stesse metriche di una campagna Google Search e bollarla come un fallimento.

Framework d'Azione:

* Confrontare con l'Obiettivo Primario: Se lo scopo era il branding, il test è un successo. State misurando l'efficacia rispetto all'obiettivo corretto.

* Quantificare l'Impatto a Lungo Termine: Questo è difficile, ma necessario. Ecco come iniziare a misurare l'impatto indiretto:

* Analisi di Coorte: Tracciate il gruppo Test nel tempo. Mostra tassi di conversione più alti o un valore medio più alto nei 30-90 giorni successivi, anche su altri canali?

* Misurare il Search Lift: Il Brand Lift ha generato un aumento dimostrabile delle ricerche organiche per il vostro brand? Questo è un effetto a cascata diretto e misurabile.

* Usare Strumenti Avanzati: Questo tipo di impatto è il dominio dei Marketing Mix Model (MMM). Se il branding è al centro della vostra strategia, questi risultati sono la giustificazione perfetta per investire in un MMM che possa quantificare il valore a lungo termine del brand.

Scenario E (Bonus): Il Test Invalido o "Sporco"

Cosa significa: Qualcosa è andato storto a livello tecnico. I dati sono inaffidabili.

Come individuarlo: Picchi di dati totalmente anomali; tassi di conversione del gruppo di controllo irrealistici (es. 20% quando la media è 1%); errori segnalati dalla piattaforma.

Framework d'Azione:

* NON Interpretare i Dati: La prima regola è non fidarsi. Qualsiasi conclusione sarebbe basata su spazzatura.

* Indagare la Causa Tecnica: Lavorate con i team tecnici o i partner per un'analisi forense. Il problema era un pixel di tracciamento? Una configurazione errata dell'audience di controllo?

* Invalidare e Ripianificare: L'unica azione è dichiarare il test nullo, risolvere il problema tecnico alla radice e pianificare un nuovo test da zero.

Nel Prossimo Articolo: Budgeting per la Verità

Ora che sappiamo come interpretare i risultati, sorge una domanda cruciale: come finanziamo questa ricerca della verità? Nel prossimo articolo, parlerò di soldi: come strutturare il budget per il vostro ecosistema di misurazione, allocando le risorse in modo strategico tra Attribuzione, Lift Test e altri strumenti per massimizzare l'intelligenza di marketing.

Conclusione: Il Costo della Non-Interpretazione

Interpretare i risultati di un lift test non è un esercizio accademico. È una disciplina con un impatto diretto sul conto economico. Sbagliare l'interpretazione ha un costo:

* Interpretare male un successo costa crescita mancata o budget bruciato oltre il punto di saturazione.

* Interpretare male un fallimento costa la perpetuazione dello spreco su attività inutili.

* Interpretare male la zona grigia costa immobilità strategica, paralizzati dall'incertezza.

* Interpretare male l'effetto halo costa la distruzione di asset a lungo termine, uccidendo campagne di branding vitali.

Ogni risultato, se letto correttamente, è un'indicazione chiara su dove allocare il prossimo euro.

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

Il valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore reale

James & James Is Using MMM To Keep Its AI-Based Ad Buying ‘Honest’

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Nel marketing digitale moderno, siamo sommersi dai dati. Click, impression e tassi di conversione promettono una visione chiara sull'efficacia delle campagne. Eppure, una domanda fondamentale rimane spesso senza una risposta certa: i nostri investimenti stanno realmente generando un impatto aggiuntivo, o stiamo semplicemente pagando per risultati che avremmo ottenuto comunque?

La soluzione per distinguere la correlazione dalla causalità è l'adozione di una metodologia scientifica: il Lift Test (o Test di Incrementalità). Questo approccio permette di misurare l'impatto causale e incrementale delle attività di marketing confrontando un gruppo esposto alla campagna (Test) con uno non esposto (Controllo).

Molti conoscono la teoria, ma esitano di fronte alla pratica. Questa guida è il vostro manuale operativo per colmare questo divario. Vi accompagnerò passo dopo passo nel processo di pianificazione ed esecuzione del vostro primo lift test, trasformando la conoscenza in un'azione concreta e misurabile. Seguirò un framework pratico in quattro fasi, pensato per allineare Marketing e Finanza e garantire che il vostro primo test non sia solo un esercizio analitico, ma una vera leva decisionale.

Fase 1: La Riunione di Allineamento (Marketing + Finance) - Definire la Domanda Strategica

Il punto di partenza di ogni lift test di successo non è una piattaforma, ma una domanda di business chiara e condivisa. Il primo passo è una riunione dedicata che veda seduti allo stesso tavolo i leader del Marketing (CMO) e della Finanza (CFO).

Obiettivo dell'incontro: Andare oltre le metriche operative e concordare quale decisione strategica il test deve verificare. L'alleanza tra CMO e CFO è cruciale: unisce l'esigenza di crescita del marketing con il rigore finanziario, creando un linguaggio comune basato sulla causalità e su metriche come il ROI incrementale.

Agenda Pratica della Riunione:

* Identificare l'Incertezza: Qual è l'area di spesa marketing su cui abbiamo più dubbi o che pesa di più a budget?

* Esempio: "Stiamo investendo 2 milioni di euro all'anno su campagne video, ma non siamo sicuri del loro reale contributo alle vendite".

* Formulare un'Ipotesi Specifica: Trasformate il dubbio in un'ipotesi da validare o confutare.

* Esempio: "Crediamo che le nostre campagne su YouTube stiano generando un aumento incrementale delle vendite e non stiano semplicemente raggiungendo utenti che avrebbero comprato comunque".

* Scegliere la Campagna da Testare: Selezionate una campagna specifica che sia rappresentativa dell'investimento e sufficientemente grande da poter essere misurata.

* Esempio: "Testiamo la prossima campagna video Q3 su Meta, che ha un budget dedicato di 80.000 €".

* Definire la Decisione Conseguente: Cosa faremo con i risultati? Concordare questo prima del test previene interpretazioni di comodo a posteriori.

* Esempio: "Se il test mostrerà un lift positivo e significativo, confermeremo il budget per il Q4. Se il lift sarà nullo o negativo, dirotteremo il 50% di quel budget sul canale Search, che ha già dimostrato la sua efficacia".

Output della Fase 1: Un documento di una pagina con la domanda di business, l'ipotesi chiara, la campagna selezionata e le azioni che verranno intraprese a seconda dell'esito.

Fase 2: La Scelta del Test e del KPI - L'Albero Decisionale

Con una domanda strategica chiara, dovete scegliere lo strumento di misurazione corretto. Non tutti i lift test sono uguali. La scelta dipende dall'obiettivo primario della campagna che state analizzando.

Usate questo semplice albero decisionale per selezionare il test più adatto:

* Il vostro obiettivo primario è costruire il brand? (Migliorare notorietà, ricordo pubblicitario, considerazione, preferenza).

* ➡️ Test da scegliere: Brand Lift.

* KPI da misurare: Aumento percentuale del ricordo dell'annuncio (Ad Recall), della considerazione del brand o dell'intenzione d'acquisto, misurato tramite sondaggi.

* Il vostro obiettivo primario è generare un'azione di valore economico diretto? (Vendite, lead, iscrizioni, download).

* ➡️ Test da scegliere: Conversion Lift (o Sales Lift).

* KPI da misurare: Numero di vendite o lead incrementali; Costo per Acquisizione (CPA) Incrementale; Ritorno sulla Spesa Pubblicitaria (ROAS) Incrementale.

* Il vostro obiettivo è capire se un canale "upper-funnel" (es. Video, TV) influenza l'interesse attivo degli utenti?.

* ➡️ Test da scegliere: Search Lift.

* KPI da misurare: Aumento percentuale delle ricerche (organiche o a pagamento) del vostro brand o di parole chiave di categoria da parte del gruppo esposto alla campagna.

Questa scelta assicura che stiate misurando ciò che conta davvero per rispondere alla vostra domanda iniziale.

Fase 3: Il Controllo di Fattibilità - La Checklist della Realtà

Avete una domanda e avete scelto il test. Ora dovete assicurarvi che sia concretamente realizzabile. Un test senza validità statistica è inutile. Usate questa checklist per un controllo di fattibilità.

Checklist di Validità Statistica:

* ☐ Budget e Durata: L'investimento e l'orizzonte temporale della campagna sono sufficienti?. Le piattaforme come Google e Meta richiedono soglie minime di spesa e durata (spesso diverse settimane) per garantire che il "segnale" del lift emerga dal "rumore" statistico. A seconda della piattaforma e della scala, le soglie minime di spesa possono variare da poche migliaia a decine di migliaia di euro; è un dato cruciale da verificare.

* ☐ Volume di Dati (Impression / Utenti): La campagna raggiungerà un numero sufficientemente ampio di persone? Campagne su nicchie di pubblico troppo piccole potrebbero non generare dati sufficienti per un'analisi affidabile.

* ☐ Volume di Conversioni Attese: (Per i Conversion Lift) Ci aspettiamo un numero adeguato di conversioni durante il periodo del test? Se il tasso di conversione è molto basso, potrebbe essere necessario un periodo di test più lungo per raccogliere un numero di eventi significativo.

* ☐ Disponibilità della Piattaforma: La funzionalità di lift test che vi serve (Brand, Conversion, Search) è disponibile per il vostro account, nel vostro mercato e per il tipo di campagna scelto sulla piattaforma pubblicitaria (es. Google Ads, Meta Ads)?.

Se la risposta a una di queste domande è "no" o "non siamo sicuri", il rischio di lanciare un test inconcludente è alto. Ricordate che questo processo può essere iterativo: un "no" in questa fase potrebbe richiedere di tornare alla Fase 1 per ridefinire l'ipotesi o la campagna da testare.

Fase 4: L'Azione - Dialogo con i Partner e Lancio

Siete pronti a partire. Gli ultimi passi sono operativi, ma non meno importanti.

* Dialogate con i Partner: Questo è un passo fondamentale. Contattate i vostri account manager di Google, Meta o della piattaforma che utilizzerete. Coinvolgete la vostra agenzia media. Sono loro gli esperti dello strumento specifico. Questo passaggio, sebbene presentato come un singolo punto, può richiedere tempo e diversi incontri: avviatelo con anticipo. Chiedete supporto per:

* Confermare i requisiti di fattibilità.

* Assistervi nella corretta configurazione tecnica del test.

* Aiutarvi a interpretare correttamente i risultati una volta concluso il test.

* Lanciare il Test: Avviate la campagna con la configurazione del lift test attiva.

* Analizzare e Agire: Una volta concluso il test, analizzate i risultati alla luce delle regole che avete stabilito nella Fase 1. Il lift è positivo e statisticamente significativo? È nullo? Mettete in atto le decisioni concordate.

Il Vostro Primo Passo Verso una Crescita Basata sull'Evidenza

Pianificare ed eseguire il vostro primo lift test è più di un semplice esercizio di misurazione; è il primo passo verso una trasformazione culturale che porta a prendere decisioni più intelligenti e a investire con maggiore fiducia. Non lasciate che la perfezione sia nemica del progresso. Iniziate con una domanda chiara, un test mirato e l'impegno a usare i risultati per migliorare. Questo è il modo per costruire un motore di crescita non basato su correlazioni, ma sull'impatto causale reale.

Nel Prossimo Articolo: Risultati Arrivati. E Adesso?

Lanciare il vostro primo test è un passo fondamentale, ma la vera sfida inizia quando arrivano i dati. Cosa significa un risultato "statisticamente non significativo"? Come si agisce di fronte a un lift nullo? E come si scala un successo?

Nel prossimo appuntamento di questa serie, affronterò proprio queste domande. Vi fornirò una guida pratica per interpretare i diversi scenari di risultato – dal successo netto alla zona grigia dell'incertezza – per trasformare ogni dato in una decisione di business informata.

Link Utili di questa settimana:

Demystified MMM: Una guida essenziale per CMO e CFO

Il valore dell’incrementalità: dal dubbio alla prova il marketing che genera valore reale

Analyzing the CEO–CMO relationship and its effect on growth

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Dalle Stime all'Impatto Concreto

Nei capitoli precedenti abbiamo navigato le complessità del Marketing Mix Model: dalla distinzione fondamentale tra correlazione e causalità, agli errori comuni da evitare, fino a cosa pretendere per ottenere analisi più robuste. Ora sappiamo che un MMM ben costruito può fornire stime preziose per orientare la strategia, basandosi sull'analisi del passato. Ma come possiamo tradurre queste stime, per quanto raffinate, in decisioni operative sicure oggi, focalizzate sulla crescita reale e misurabile? Come passiamo dall'analisi all'azione con fiducia?

L'MMM Non Vive nel Vuoto: Il Potere della Validazione

Il primo passo è riconoscere che l'MMM, per quanto sofisticato, è solo una lente sulla realtà. Basare decisioni importanti esclusivamente sulle sue stime, senza confrontarle con altre fonti, è un rischio strategico. Le stime del modello devono essere validate. Cosa significa?

Significa confrontare le indicazioni dell'MMM con altre evidenze:

* I risultati dei vostri esperimenti e test A/B coincidono o contraddicono le stime del modello per quel canale?

* Le ricerche di mercato confermano le tendenze indicate?

* Il feedback qualitativo dei team di vendita o del customer service è allineato?

* Le performance storiche di campagne simili in passato suggeriscono la stessa direzione?

Un MMM le cui conclusioni sono grossolanamente smentite da altre fonti attendibili è un campanello d'allarme che non potete ignorare. Vi fidereste di una sola fonte di intelligence per una decisione critica di business in altri ambiti? Probabilmente no. Lo stesso vale per la misurazione del marketing.

Il Ruolo Cruciale dei Test (Lift Test): La Prova della Causalità

Se l'MMM stima la causalità analizzando correlazioni passate, esiste un modo per misurarla direttamente? Sì, attraverso la sperimentazione controllata. I Lift Test (o test di incrementalità) sono l'applicazione del metodo scientifico al marketing.

Il concetto è semplice:

* Si definisce un'azione di marketing specifica da testare (es. una campagna display su un certo segmento).

* Si divide il pubblico target in due gruppi statisticamente equivalenti: uno esposto all'azione (gruppo di test) e uno non esposto (gruppo di controllo).

* Si misura il comportamento desiderato (es. acquisti, lead, ricerche del brand) in entrambi i gruppi per un periodo definito.

* La differenza nel comportamento tra il gruppo di test e quello di controllo rappresenta l'impatto causale (il "lift") dell'azione di marketing.

Questi test sono la "prova del nove", il modo più rigoroso per rispondere alla domanda: "Questa specifica attività ha causato un cambiamento nel comportamento dei consumatori?".

MMM + Test = Visione Strategica + Prova Tattica

È fondamentale capire che MMM e Test non sono alternativi, ma complementari. Lavorano su scale e con obiettivi diversi, ma insieme forniscono una visione molto più potente:

* L'MMM offre la visione d'insieme (la foresta): Analizza l'intero marketing mix nel tempo, aiuta a comprendere le dinamiche tra canali diversi, supporta l'allocazione strategica del budget su larga scala.

* I Test offrono la prova tattica (gli alberi): Validano l'impatto causale di specifiche iniziative, campagne o modifiche, fornendo una misura precisa dell'efficacia di una leva particolare in un dato momento.

Idealmente, i risultati dei Lift Test dovrebbero essere usati per calibrare e affinare le stime dell'MMM nel tempo. Se un test dimostra che l'impatto reale della vostra campagna display è inferiore a quanto stimato dall'MMM, questa informazione può rendere il modello futuro più accurato. Si crea così un circolo virtuoso di apprendimento. (Esempi di cosa si può misurare con i test includono Conversion Lift, Search Lift, Brand Lift, ecc. - approfondiremo le metodologie in futuro).

La Metrica Regina: l'Incrementalità

Tutto questo ci porta al concetto chiave che dovrebbe guidare la vostra strategia di misurazione: l'incrementalità. Cosa significa esattamente?

Incrementalità = L'impatto aggiuntivo generato da un'attività di marketing, al netto di ciò che sarebbe accaduto comunque.

In altre parole: quante vendite, lead, conversioni o altri risultati di business avete ottenuto grazie a quella specifica campagna o attività, che non avreste ottenuto se non l'aveste realizzata?

Questo è il vero contributo del marketing alla crescita del business. L'MMM stima l'incrementalità passata basandosi su modelli statistici; i Lift Test la misurano direttamente per azioni specifiche, fornendo una base più solida per le decisioni future.

Guidare il Cambiamento verso un Marketing Basato sull'Incrementalità

Adottare un approccio focalizzato sull'incrementalità non è solo una questione tecnica, ma un cambiamento culturale e strategico. Come leader, potete guidare questa trasformazione:

* Promuovendo il Mindset: Incoraggiate i vostri team a chiedersi non solo "questa campagna ha funzionato?", ma "quale valore aggiunto ha portato questa campagna?".

* Nei Processi di Budgeting: Allocare le risorse non solo in base al ROI storico stimato, ma anche in base al potenziale di lift incrementale validato dai test.

* Nella Definizione degli Obiettivi: Includere metriche di incrementalità nei KPI chiave.

* Nella Valutazione delle Performance: Premiare team e agenzie che dimostrano di saper generare un impatto incrementale misurabile, non solo quelli che gestiscono grandi budget o ottengono metriche di vanità elevate. Stiamo incentivando i nostri team e partner a massimizzare l'incrementalità o solo a gestire budget e campagne?

Siamo giunti alla fine di questo percorso iniziale nel mondo del Marketing Mix Modeling. Abbiamo visto come distinguere la correlazione dalla causalità sia fondamentale, come navigare i rischi di un MMM non gestito criticamente, cosa pretendere per analisi più affidabili e, infine, come l'MMM debba integrarsi in un ecosistema più ampio di validazione e misurazione focalizzato sull'incrementalità.

L'MMM rimane uno strumento strategico potente, ma solo se usato con consapevolezza dei suoi limiti, validato costantemente attraverso la sperimentazione e orientato a misurare ciò che conta davvero: l'impatto causale aggiuntivo sul vostro business.

Questa serie ha gettato le basi. Ma come si implementano e interpretano efficacemente i Lift Test? Come si costruisce un framework robusto per la misurazione dell'incrementalità nella pratica? Esploreremo queste domande operative nella nostra prossima serie.

Prima di lasciarvi, una domanda guida finale per la vostra riflessione strategica:

"Il nostro attuale processo di budgeting e valutazione delle performance marketing è realmente basato sull'identificazione e sulla massimizzazione dell'incrementalità?"

Link Utili

Demystified MMM: Una Guida Essenziale per CMO e CFO

CRO in 2025: How AI, personalization, and micro-conversions are changing the game

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Da Committenti Passivi a Partner Strategici

Negli articoli precedenti abbiamo visto la differenza cruciale tra correlazione e causalità e i rischi concreti di un'analisi MMM imprecisa o mal interpretata – dal budget sprecato alle decisioni strategiche errate. La buona notizia? Potete influenzare significativamente la qualità e l'affidabilità di queste analisi.

Non dovete diventare esperti di econometria o statistica. Il vostro ruolo è diverso: evolvere da semplici committenti a partner strategici informati ed esigenti nel processo di modeling. Come? Sapendo cosa chiedere, cosa pretendere e quali sono gli elementi che distinguono un'analisi MMM superficiale da una realmente utile per guidare il business. Vediamo i punti chiave.

Il Vostro Input è Fondamentale: L'Importanza del Contesto di Business

Un errore comune è pensare che l'MMM sia un processo puramente tecnico che parte dai dati grezzi. Niente di più sbagliato. Un modello efficace non può nascere nel vuoto; deve essere radicato nella vostra realtà operativa e strategica.

Il vostro input, la vostra conoscenza del mercato e le vostre ipotesi di business sono fondamentali prima ancora che l'analisi inizi. Pensate che un modello possa funzionare senza sapere:

* Quali sono state le vostre priorità strategiche in passato?

* Ci sono stati lanci di prodotto importanti, cambi di prezzo o modifiche alla distribuzione?

* Quali grandi campagne o azioni dei competitor avete osservato?

Fornire questo contesto è come dare le coordinate giuste a un navigatore prima di partire. Senza di esso, il modello rischia di interpretare male i segnali nei dati.

* Cosa pretendere: Assicuratevi che ci sia una fase preliminare di allineamento strategico in cui condividete ipotesi, eventi chiave e obiettivi con chi realizzerà l'analisi. Il modello deve riflettere il vostro business, non essere un esercizio statistico astratto.

Come l'MMM Cerca di Isolare l'Impatto (Spiegazione Semplice)

Abbiamo detto che l'MMM tenta di stimare la causalità. Ma come ci prova, in termini semplici? Usa tecniche statistiche per "controllare" l'effetto delle diverse variabili. Immaginate che voglia stimare l'impatto della spesa TV sulle vendite. Il modello cercherà di farlo tenendo conto statisticamente dell'effetto concomitante di altri fattori noti, come:

* La stagionalità (es. il picco natalizio).

* Le promozioni attive nello stesso periodo.

* La spesa pubblicitaria dei competitor (se disponibile).

* Eventuali trend di mercato generali.

È un tentativo di "pulire" il segnale della vostra attività dal "rumore" di fondo, basandosi sui pattern e le correlazioni osservate nei dati storici.

* I Limiti Chiave: Capire questo processo aiuta anche a comprenderne i limiti.

* Il modello può controllare solo ciò che misura. Se un fattore importante non è nei dati (es. un passaparola virale improvviso), il suo effetto potrebbe essere attribuito erroneamente a qualcos'altro.

* Le relazioni osservate nel passato potrebbero non valere in futuro. Il mercato si evolve, i consumatori cambiano, no? Un MMM è una fotografia del passato, non una previsione certa.

La Qualità e Completezza dei Dati è Strategica

Questo ci riporta a un punto cruciale già sfiorato: la qualità dei dati non è un dettaglio tecnico, è un prerequisito strategico. Ricordate l'Errore #3: "Garbage In, Garbage Out". Potete avere il modello statisticamente più avanzato del mondo, ma se si basa su dati scadenti, i risultati saranno inaffidabili.

Non bastano i dati di investimento marketing. Per funzionare bene, un MMM ha bisogno di un quadro informativo ricco:

* Vendite: Accurate, alla giusta granularità (settimanale? giornaliera?) e distinte (volume/valore).

* Prezzi: Storico delle vostre variazioni di prezzo e, se possibile, di quelle dei competitor.

* Distribuzione: Cambiamenti nella copertura geografica o nei canali di vendita.

* Attività dei Competitor: Stime della loro spesa media, lanci importanti.

* Investimenti Marketing Completi: Online e offline, tracciati correttamente.

* Fattori Macro: Indicatori economici rilevanti, eventi particolari.

* Cosa pretendere: Trattate la raccolta e la validazione dei dati come un'attività strategica. Chiedete al vostro team/agenzia: "Come è stata verificata la qualità e la completezza di questi dati? Quali fonti sono state utilizzate?". Investire in dati migliori è investire in decisioni migliori.

Oltre il Singolo Numero (ROI): Valutare la Robustezza del Modello

Spesso l'output principale di un MMM è una serie di ROI per canale. Ma fermarsi qui è riduttivo e potenzialmente fuorviante. Un singolo numero non dice tutta la storia. Per valutare la reale affidabilità delle stime, dovete pretendere di più:

* Stabilità: I risultati cambiano drasticamente se si modifica leggermente il periodo di analisi (es. togliendo le ultime 4 settimane)? Risultati molto instabili indicano un modello poco affidabile.

* Plausibilità (Business Sense): I risultati hanno senso rispetto alla vostra esperienza di mercato? Se un canale storicamente secondario ottiene un ROI esorbitante o un canale chiave risulta dannoso, bisogna capire perché. Il modello sfida la logica o la vostra logica ha bisogno di un aggiornamento basato sui dati? Serve approfondire.

* Intervalli di Confidenza (Range di Incertezza): Nessuna stima statistica è perfetta. Chiedete qual è il margine di errore o l'intervallo di confidenza attorno al ROI stimato. Un ROI del 150% è impressionante, ma se l'intervallo di confidenza va da -50% a +350%, significa che il modello è molto incerto su quel numero. Meno incertezza (un intervallo più stretto) significa maggiore affidabilità.

* Diagnostica del Modello (Controllo Qualità): Senza entrare nei tecnicismi, chiedete conferma che siano stati eseguiti i controlli standard per verificare la "salute statistica" del modello. È una forma di due diligence interna.

Takeaway per il Leader & Checklist di Domande Essenziali

Chiedere queste cose non vi trasforma in statistici, ma in committenti strategici che pretendono trasparenza e rigore. Il vostro obiettivo è capire se potete fidarvi delle indicazioni del modello per prendere decisioni importanti.

Ecco una checklist di domande essenziali da porre al vostro team o agenzia quando discutete i risultati di un MMM:

* "Quali ipotesi di business chiave sono state inserite nel modello prima di avviarlo?"

* "Quali dati esterni (competitor, macroeconomici, ecc.) state utilizzando e come ne avete validato l'accuratezza?"

* "Come è stata assicurata la qualità e la completezza dei nostri dati interni (vendite, investimenti, prezzi)?"

* "Quanto sono stabili questi risultati? Avete provato a variare leggermente il periodo di analisi?"

* "Qual è il margine di incertezza (es. intervallo di confidenza) attorno a queste stime di ROI? Possiamo ritenerle affidabili?"

* "Avete eseguito i controlli diagnostici standard per validare la robustezza statistica del modello?"

Queste domande vi aiuteranno a "illuminare" la black box e a costruire maggiore fiducia (o a identificare aree critiche) nei risultati che vi vengono presentati.

Ma anche un MMM robusto e ben costruito si basa su dati passati. Come possiamo essere sicuri che le sue indicazioni siano valide oggi e misurare l'impatto reale delle nostre azioni future? Ne parleremo nell'ultimo articolo, introducendo la validazione esterna e il concetto chiave di incrementalità.

Link Utili

Demystified MMM: Una guida essenziale per CMO e CFO

Google annuncia le certificazioni per non tecnici sulla Generative AI

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com