Cheat sheet di marketing analytics

Quando una campagna è attiva e il board chiede un numero, non serve una lunga teoria. Serve sapere quali metriche sono affidabili, quali sono solo proxy e quali vanno accompagnate da un caveat. Questa pagina raccoglie controlli, definizioni e domande pratiche da usare prima di trasformare un report in una decisione.

Come usare questa pagina

Tienila come postazione di lavoro. Torna qui per controllare naming, attribuzione, funnel, marginalità, dashboard o audience activation, e per evitare risposte brillanti ma non verificate. Prima di condividere un numero, chiediti quale metrica rischia di essere letta fuori dal suo perimetro, quale controllo minimo hai fatto e quale checklist useresti domani in una review di marketing.

Oltre il last-click: l’attribuzione moderna

Per decenni il marketing digitale ha vissuto sotto la tirannia del last-click. Questo modello assegna tutto il merito dell’acquisto all’ultimo touchpoint e ignora il percorso che porta un utente dalla scoperta alla conversione. Il risultato è che sottovaluta i canali di awareness e consideration e sovrastima quelli di intent.

I modelli basati su regole, come first-click, lineare o time decay, migliorano un po’ la situazione ma restano arbitrari. La svolta vera sono i modelli data-driven, che usano il machine learning per stimare il contributo marginale di ogni canale analizzando migliaia di percorsi di conversione.

Il gold standard è l’applicazione dei valori di Shapley, presi dalla teoria dei giochi cooperativi. Ogni canale è un giocatore e il modello calcola il suo contributo medio su tutte le combinazioni possibili. Richiede dati granulari e potenza di calcolo, ma restituisce la stima più equa.

Booking.com ha documentato il passaggio dai modelli a regole a un approccio data-driven con valori di Shapley. Ha scoperto che i modelli tradizionali sottostimavano display e social e sovrastimavano la ricerca brand. Ridistribuendo il 18% del budget verso mid e upper funnel, ha aumentato il ROAS del 7% a parità di investimento.

L’equazione del valore: LTV e CAC

LTV e CAC sono i due pilastri per valutare la sostenibilità di un business digitale. Il CAC è il costo totale per acquisire un cliente, e non si limita alla spesa pubblicitaria: comprende anche stipendi, software, commissioni e altri costi operativi. Con 50.000€ in ads, 30.000€ in stipendi e 5.000€ in tool per 1.000 clienti, il CAC è 85€, non 50€.

Il LTV è il valore totale che un cliente genera nel suo ciclo di vita. I modelli predittivi come “Buy ‘Til You Die” lo stimano a partire dai primi acquisti e dal comportamento RFM (recency, frequency, monetary), il che permette di personalizzare in anticipo le campagne di retention.

Il rapporto LTV/CAC misura il ritorno per cliente. Sopra 3:1 il modello è sano e scalabile. A 1:1 si perde, mentre 5:1 o più giustifica investimenti aggressivi. Conviene segmentare il rapporto per canale, coorte e persona, perché è lì che emergono le vere opportunità.

L’anatomia di un data stack moderno

Per analisi sofisticate serve un’infrastruttura solida, il Modern Data Stack, che si articola su quattro livelli.

Il primo è l’ingestion e collection. Strumenti ETL/ELT come Fivetran o Airbyte estraggono dati da Google Ads, Meta Ads, GA4, CRM e piattaforme email. Le CDP come Segment raccolgono i dati comportamentali in tempo reale e creano profili utente unificati.

Il secondo è il warehousing. I dati confluiscono in un Cloud Data Warehouse come Snowflake, BigQuery o Redshift, che diventa l’unica fonte di verità per le analisi cross-canale.

Il terzo è la transformation. dbt trasforma i dati grezzi in modelli puliti e aggregati, costruendo livelli di staging, intermediate e marts ottimizzati per casi d’uso specifici. Un esempio è il modello intermedio int_marketing_spend_daily, che unisce le spese di Google Ads e Facebook Ads: per Google Ads si aggregano costo, impression e click per giorno, campagna e gruppo di annunci; per Facebook Ads si fa lo stesso adattando i nomi dei campi; e i dati delle due piattaforme si uniscono con UNION ALL in un’unica tabella.

Il quarto è il consumption e activation. Gli strumenti BI come Looker, Tableau o Power BI creano dashboard interattivi collegati al warehouse. Il Reverse ETL riporta segmenti e dati arricchiti negli strumenti operativi per automazione e personalizzazione, chiudendo il cerchio tra analisi e azione.

Dal funnel alla flywheel

Il funnel tradizionale (Awareness, Interest, Desire, Action) è lineare e transazionale, e mal si adatta a un mondo digitale in cui la relazione con il cliente è continua. La flywheel di HubSpot propone invece un ciclo che si autoalimenta, fatto di Attract, Engage e Delight: i clienti soddisfatti diventano promotori che attraggono nuovi prospect.

L’ottimizzazione, di conseguenza, si sposta dall’aumento delle metriche di conversione al miglioramento dell’incrementalità. La domanda chiave diventa: questa campagna ha generato risultati che non si sarebbero verificati comunque?

Il metodo principe per rispondere è la sperimentazione controllata, dagli A/B test ai test di lift, che confrontano un gruppo di trattamento e uno di controllo per misurare il vero lift incrementale. Netflix è un buon esempio: testa decine di varianti di thumbnail per massimizzare il view-through rate e usa test geografici per misurare l’incremento di abbonamenti. Questo approccio ha aumentato l’engagement oltre il 20%, che si traduce in miliardi di dollari di LTV salvato.

Applicazioni pratiche

Il primo esercizio riguarda la tassonomia UTM. Definisci parametri coerenti e scalabili per tre casi: un annuncio Google Search per “costumi da bagno donna”, un post organico Facebook per “occhiali da sole” e il link nel banner principale della newsletter settimanale. Pensa a una struttura logica per utm_source, utm_medium, utm_campaign, utm_content e utm_term.

Il secondo esercizio ti chiede di calcolare LTV e CAC da dati grezzi. Parti da un dataset semplificato con clienti acquisiti da Google Ads e Facebook Ads, con spesa rispettiva di 10.000€ e 8.000€. Calcola il CAC per canale, il LTV medio a 12 mesi e il rapporto LTV/CAC, poi chiediti quale canale è più efficiente e perché.

Il terzo esercizio è sull’attribuzione multi-touch. Confronta le conversioni attribuite dal modello last-click e da quello data-driven con Shapley, individua i canali che il last-click sopravvaluta e sottovaluta, e proponi una riallocazione preliminare del budget.

Canale	Conversioni (Last-Click)	Conversioni (Data-Driven)
Ricerca Brand (Paid)	1.200	750
Ricerca Generica (Paid)	800	950
Social (Paid)	300	650
Display (Paid)	50	250
Email Marketing	450	400
Direct	200	100

I principi da tenere a mente

Questa pagina è un framework strategico, non una lista di numeri. L’attribuzione è una scelta: passare da modelli arbitrari a modelli data-driven significa decidere di investire nella domanda futura. La sostenibilità si misura con il rapporto LTV/CAC, non con i volumi o il numero di lead. Il data stack moderno è un asset che abilita automazione e sperimentazione. E l’ottimizzazione è un processo continuo che misura l’incrementalità, non i soli volumi di vendita. Chi padroneggia questi principi smette di essere un esecutore di report e diventa un interlocutore capace di guidare la crescita con metodo.

Esercitarsi sulla cheat sheet

Comincia stretto: scrivi in cinque righe una decisione reale legata a questa pagina, con obiettivo, metrica primaria, baseline, rischio principale e azione prevista. Poi allarga, costruendo una tabella con almeno tre segmenti o scenari, ognuno con il suo segnale, una spiegazione alternativa e il controllo da fare prima di decidere. Infine, quando te la senti, disegna un piano di validazione completo: ipotesi, dati necessari, criterio di esclusione, soglia decisionale, controllo post-decisione e la condizione che ti farebbe cambiare idea.

Per i dati usa export campagne, costi media, eventi web o app, CRM, transazioni, survey brand e log di consenso. In assenza di dati reali, un dataset sintetico di 200-500 righe con colonna temporale, segmento, metrica di outcome e variabile di esposizione basta per esercitarsi.

Errore tipico

L’errore è usare questa cheat sheet come una definizione da ricordare invece che come un protocollo decisionale. Presentare metriche senza baseline, grafici senza ipotesi o raccomandazioni senza pesare il costo dell’errore porta dritti a decisioni fragili. Il controllo che salva è una domanda: se questo risultato fosse falso o instabile, quale decisione sbaglierei? Se non sai rispondere, non hai ancora applicato davvero la lezione.

Verificare di aver capito

Qual è la decisione concreta che questa pagina dovrebbe migliorare. Quale baseline rende interpretabile il risultato. Quale assunzione, se sbagliata, ribalterebbe la conclusione. E quale controllo minimo metteresti prima di portare la raccomandazione al tavolo.

Riepilogo operativo

Questa cheat sheet vale quando tiene insieme concetto, dato e decisione. Usala partendo da un problema reale, formalizza il segnale, cerca una baseline credibile, costruisci un esempio concreto e chiudi con un controllo pratico.