CRM and email marketing analytics

Una sequenza di email può avere open rate alti, clic discreti e ricavi bassi. La tentazione è mettersi a limare l’oggetto della mail, quando il vero problema sta altrove: segmentazione sbagliata, timing infelice o una promessa commerciale che non convince. Conviene trattare il canale email come una relazione misurabile nel tempo, non come una raffica di invii isolati.

Il problema reale

L’analisi su CRM ed email serve a trasformare budget, canali, creatività e audience in decisioni misurabili, senza confondere volume, attribuzione e incrementalità. La domanda utile non è se il concetto sia interessante in astratto, ma quale decisione migliora quando lo applichi con dati affidabili e una soglia di errore dichiarata.

È materiale operativo. Devi saper inquadrare il problema analitico e il contesto della decisione, e applicare esempi, metriche e controlli a casi reali. Finché non colleghi il concetto a una scelta concreta, resta conoscenza decorativa.

Conceptual model

flowchart LR
    A["Business question"]
    B["Measurable hypothesis"]
    C["Reliable data"]
    D["Incremental analysis"]
    E["Budget decision"]
    A --> B
    B --> C
    C --> D
    D --> E

Il modello mentale è sequenziale. Prima formuli la domanda, poi la traduci in unità osservabili, quindi valuti la qualità del dato e solo alla fine decidi. Saltare un passaggio porta ad analisi eleganti e fragili.

Step	Guiding question	Expected output
Framing	Which decision needs to change?	A concrete choice, not a curiosity
Measure	Which signal represents the phenomenon?	Metric, source, and granularity
Comparison	Compared to which baseline do I interpret the result?	Benchmark or plausible counterfactual
Action	What do I do if the signal exceeds the threshold?	Decision, owner, and next check

Formalizzare l’analisi

Conviene pensare all’analisi come a una relazione tra quattro elementi: unità di analisi, segnale, baseline e decisione. L’unità può essere una campagna, una coorte, un touchpoint o un segmento cliente. Il segnale dovrebbe agganciarsi a qualcosa di economicamente rilevante, come margine incrementale, CAC payback, conversion rate corretto, lift o retention generata. La baseline può essere il periodo precedente, un gruppo holdout, un mercato comparabile o un benchmark storico.

Element	Operational Definition
Unit	campaign, cohort, touchpoint, or customer segment
Signal	incremental margin, CAC payback, corrected conversion rate, lift, or generated retention
Baseline	previous period, holdout group, comparable market, or historical benchmark
Decision	shift resources, change message, stop a tactic, or scale an experiment
Risk	confusing correlation, data quality, and causal decision-making

La regola pratica è semplice: una misura serve solo se riduce l’incertezza su una decisione specifica. Se non cambia nessuna scelta è documentazione, se cambia una scelta senza controlli è rischio.

Dalla metrica di vanità all’impatto sul business

L’analisi email si appoggia troppo spesso a metriche di vanità come l’open rate, che ha perso affidabilità da quando Apple ha introdotto la Mail Privacy Protection (MPP) nel 2021. La MPP pre-carica le email tramite server proxy e gonfia artificialmente le aperture registrate.

Conviene quindi spostare l’attenzione su metriche che legano la campagna a un impatto economico reale. Il click-through rate, calcolato come (Clic unici / Email consegnate) * 100, segnala un’intenzione esplicita. Il click-to-open rate, (Clic unici / Aperture uniche) * 100, è un proxy della pertinenza del messaggio. Il conversion rate misura la quota di utenti che completano l’azione desiderata dopo il clic. La revenue per email, Ricavi totali / Numero di email inviate, riporta tutto all’impatto finanziario.

Esempio: due campagne a confronto

Un retailer invia due campagne a 200.000 iscritti:

Campaign	Open Rate	CTR	CTOR	Conversion Rate	AOV (€)	Ricavi (€)	RPE (€)
A (”🔥 50% DI SCONTO SU TUTTO! 🔥“)	35% (gonfiato)	2% (4.000)	5.7%	5% (200 acquisti)	40	8.000	0.04
B (“Nuovi arrivi selezionati per te, [Nome]“)	22%	4.5% (9.000)	20.5%	8% (720 acquisti)	65	46.800	0.234

Letta in superficie, la campagna A sembra vincere per via dell’open rate. In realtà la campagna B genera quasi 6 volte più ricavi, perché è più pertinente e converte meglio. L’obiettivo è massimizzare il valore per invio, non il numero di aperture.

Anatomia della deliverability

La deliverability è la capacità delle email di arrivare nella casella principale. Se un messaggio finisce nello spam o non viene consegnato, tutte le altre metriche perdono significato. Si regge su tre pilastri.

Il primo è l’autenticazione tecnica. SPF è il record DNS che autorizza certi IP a inviare per il dominio, DKIM è la firma digitale che garantisce l’integrità del messaggio e DMARC è la policy che dice ai provider come trattare le email non autenticate.

Il secondo è la reputazione di dominio e IP. Qui pesano il tasso di lamentele per spam, con una soglia critica intorno allo 0.1%, l’engagement degli utenti tra aperture, clic e risposte, le spam trap usate per individuare le liste sporche e la consistenza del volume di invio, che richiede una fase di warm-up.

Il terzo è l’igiene della lista. Significa rimuovere subito i bounce hard e applicare una sunset policy agli utenti inattivi da oltre 180 giorni.

Query diagnostica per la lista

Identifica gli utenti iscritti da più di 90 giorni senza alcun engagement negli ultimi 180 giorni:

SELECT
  u.user_id,
  u.email,
  u.subscription_date,
  MAX(e.event_timestamp) AS last_engagement_date
FROM users u
LEFT JOIN email_events e ON u.user_id = e.user_id AND e.event_type IN ('open', 'click')
WHERE u.is_subscribed = TRUE
  AND u.subscription_date <= CURRENT_DATE - INTERVAL '90 day'
GROUP BY u.user_id, u.email, u.subscription_date
HAVING MAX(e.event_timestamp) IS NULL
   OR MAX(e.event_timestamp) < CURRENT_DATE - INTERVAL '180 day';

Questa query è uno strumento strategico: protegge la reputazione del dominio e la capacità di arrivare in inbox.

Segmentazione e ciclo di vita del cliente

Una volta garantita la deliverability e scelte le metriche giuste, l’analisi si sposta sulla pertinenza, che passa per la segmentazione comportamentale e per il marketing legato al ciclo di vita del cliente.

Spotify è un buon esempio, perché usa le email come estensione naturale dell’esperienza nell’app. Nella fase di onboarding e attivazione invia serie guidate da trigger come il primo ascolto o la creazione di una playlist, misurate con KPI di attivazione e retention. Per l’engagement manda email personalizzate sui nuovi album e campagne virali come “Spotify Wrapped”, che arrivano a un CTOR fino al 250% più alto di una newsletter generica. Per la riattivazione colpisce gli utenti inattivi da 30 giorni con offerte personalizzate e KPI di win-back. Per la monetizzazione propone i benefici Premium a partire da comportamenti specifici, misurando la conversione da Free a Premium.

Il punto è che la segmentazione più efficace è comportamentale, non demografica, e richiede infrastrutture dati capaci di reagire agli eventi quasi in tempo reale.

A/B testing e inferenza causale

Per stabilire una causalità tra modifica e risultato serve un approccio scientifico. Un A/B test valido è un esperimento controllato e randomizzato. Parte da un’ipotesi chiara e falsificabile, che definisce la variabile da testare e la metrica di successo. Usa randomizzazione e gruppo di controllo per garantire l’equivalenza statistica tra i gruppi. Richiede significatività statistica, di solito un p-value inferiore a 0.05 per rifiutare l’ipotesi nulla. E richiede potenza statistica adeguata, con un calcolo della dimensione del campione fatto a priori per non incorrere in errori di tipo II.

Oltre all’A/B test classico, il test multivariato permette di valutare più modifiche combinate nello stesso esperimento.

Esercitarsi

Puoi lavorare a profondità diverse. Per cominciare, scrivi in cinque righe una decisione reale: obiettivo, una sola metrica primaria, baseline, rischio principale e azione prevista. Salendo di un gradino, costruisci una tabella con almeno tre segmenti o scenari, indicando per ciascuno il segnale, una possibile spiegazione alternativa e il controllo necessario prima di decidere. Per la versione più completa, disegna un piano di validazione con ipotesi, dati necessari, criterio di esclusione, soglia decisionale e controllo post-decisione, dichiarando anche cosa ti farebbe cambiare idea.

Come materiale usa export delle campagne, costi media, eventi web o app, CRM, transazioni, survey di brand e log di consenso. Se non hai dati reali, crea un dataset sintetico con 200-500 righe e almeno una colonna temporale, una colonna segmento, una metrica di outcome e una variabile di esposizione.

Common Mistakes and How to Avoid Them

Tre errori ricorrono più di altri. Confondere correlazione e causalità, quando per stabilire un nesso servirebbe un A/B test o un’analisi controfattuale. Ignorare la stagionalità, perché confronti senza correzione producono insight fuorvianti. E non validare il grain della query, dato che join o filtri sbagliati restituiscono numeri credibili e falsi.

C’è poi un errore più sottile: trattare il risultato come una verità generale invece che come evidenza condizionata. Prima di agire, controlla baseline, assunzioni e costo dell’errore. Tieni a portata di mano le domande di verifica: qual è la decisione concreta che questa analisi dovrebbe migliorare, quale baseline rende interpretabile il risultato, quale assunzione cambierebbe la conclusione se fosse sbagliata e quale controllo minimo metteresti prima di presentare la raccomandazione.

Operational Summary

L’analisi su CRM ed email paga quando collega concetto, dato e decisione. Parti da un problema reale, formalizza il segnale, cerca una baseline credibile, costruisci un esempio e chiudi con un controllo pratico.

---