Marketing funnel and unit economics

Il lead non paga le fatture: il cliente sì

Questa lezione cammina sul binario tabellare: ogni stadio del funnel si legge come una tabella di tassi, e ogni tasso va collegato al margine che genera a valle. L’obiettivo è collegare ogni stadio del funnel al margine generato a valle, usando CAC fully-loaded, LTV di coorte e payback per decidere se scalare.

Un report che celebra un costo per lead di 3 euro può nascondere un business che perde soldi su ogni cliente acquisito. Il problema non è il report, è l’unità di analisi: il lead non paga le fatture, il cliente profittevole sì. Collegare traffico, conversioni, margine e costo di acquisizione nello stesso modello è l’unico modo per capire se il marketing sta creando valore o sta comprando crescita in perdita.

Questa distinzione è diventata critica perché i funnel moderni sono frammentati: stesso budget diviso tra search, social, organico e referral, ognuno con qualità diversa, tempi di chiusura diversi e costi nascosti diversi. Guardare solo il volume per stadio — impression, click, lead — premia i canali che portano contatti economici e punisce quelli che portano clienti che restano. Le unit economics ribaltano il punto di vista: ogni stadio del funnel vale solo in rapporto al margine che genera a valle.

Il protocollo operativo in sette passi

Ecco la sequenza che lega il funnel al conto economico:

1. Scomponi il funnel per stadio e segmento prima di guardare qualsiasi totale.
2. Attribuisci clienti e spesa alla coorte di acquisizione con finestra di chiusura esplicita.
3. Calcola il CAC fully-loaded includendo stipendi, tool, contenuti e agenzie del periodo.
4. Stima LTV su coorti mature e affianca sempre il payback in mesi per il vincolo di cassa.
5. Rialloca verso il segmento con il miglior rapporto a parità di payback e riverifica alla scala.
6. Testa un solo collo di bottiglia alla volta con metrica di stadio e metrica di guardia a valle.
7. Dichiara cosa sai, cosa assumi e quale controllo farai quando i dati non bastano.

Perché il costo per lead da solo mente

Il costo per lead si calcola in dieci secondi: spesa diviso numero di lead. Ed è proprio questa semplicità a renderlo pericoloso quando diventa la metrica decisionale. Due campagne con lo stesso CPL possono avere destini opposti: una porta lead che chiudono al 25% e restano due anni, l’altra porta lead che chiudono al 3% e abbandonano dopo il primo mese. Il report le mostra uguali, il conto economico no.

Il secondo inganno è il costo invisibile. Il CPL guarda quasi sempre solo la spesa media, mentre il costo vero include persone, tool, contenuti, agenzie e tempo operativo. Un canale con CPL di 20 euro che richiede due settimane di lavoro del team per ogni campagna può costare più di un canale con CPL di 35 euro che gira in autonomia. Senza un CAC fully-loaded, confronti mele con pere e sposti budget nella direzione sbagliata.

Il terzo inganno è la finestra temporale. I lead di oggi diventano clienti tra trenta, sessanta o novanta giorni, ma il report mensile confronta la spesa di marzo con i clienti di marzo. Nei business con cicli lunghi questo sfasamento fa sembrare costoso ciò che sta funzionando e conveniente ciò che sta peggiorando. La correzione è ragionare per coorti — i lead nati a gennaio, cosa hanno prodotto entro aprile? — invece che per mesi solari.

Come leggere un funnel a stadi senza farti ingannare dai totali

Un funnel è una catena di tassi di conversione moltiplicati tra loro. Ogni stadio trattiene una frazione del precedente, e il risultato finale è il prodotto di tutte le frazioni. Questo ha una conseguenza pratica poco intuitiva: un piccolo miglioramento a metà funnel vale quanto un grande aumento di traffico in cima, ma costa molto meno.

Prendi un funnel SaaS tipico con numeri realistici. Con 10.000 euro di spesa e un CPM di 20 euro ottieni 500.000 impression. Con un CTR dell’1,5% diventano 7.500 click; con un passaggio click-visita del 95% restano 7.125 visite reali; con un tasso visita-lead del 4% ottieni 285 lead; con un passaggio lead-MQL del 70% restano circa 199 MQL; con un MQL-SQL del 40% arrivi a 80 opportunità; con un win rate del 25% chiudi 20 clienti. La formula generale è:

$Clienti = Spesa \times \frac{1.000}{CPM} \times CTR \times CVR_1 \times CVR_2 \times \dots \times WinRate$

Il punto interessante è la sensibilità. Se il tasso visita-lead passa dal 4% al 5% — un punto percentuale — i clienti finali passano da 20 a 25, cioè +25%, senza un euro di spesa in più. Se invece vuoi lo stesso risultato aumentando il traffico, devi aggiungere 2.500 euro di media. Per questo la diagnostica inizia sempre scomponendo il funnel per stadio invece di guardare il totale: il collo di bottiglia vero raramente sta dove sembra.

La scomposizione va poi incrociata con i segmenti, perché il tasso medio mente quasi sempre. Lo stesso funnel letto per canale, device e geografia racconta storie diverse: la search converte poco in cima ma chiude bene in fondo, il social porta tanto traffico mobile che si ferma al carrello, il desktop organico ha pochi ingressi ma un checkout efficiente. Finché guardi il funnel aggregato, ottimizzi la media e peggiori i segmenti che contano.

Lettura	Cosa vedi	Cosa rischi di decidere
Funnel aggregato	CVR totale stabile	Nulla da correggere, scala tutto
Per canale	Social con CTR alto ma visita-lead bassa	Disallineamento tra annuncio e landing
Per device	Mobile con molto add-to-cart e poco acquisto	Checkout con frizioni su schermi piccoli
Per coorte	Lead di gennaio che chiudono ad aprile	Il report mensile sottostima il canale

Verdetto: mai decidere sul funnel aggregato; il collo di bottiglia vero emerge solo per canale, device e coorte.

Dal costo per lead al CAC fully-loaded

The CAC risponde a una domanda diversa dal CPL: quanto mi costa un cliente pagante, tutto incluso. La formula base è semplice:

$CAC = \frac{Spesa\ marketing\ totale\ in\ un\ periodo}{Nuovi\ clienti\ acquisiti\ nello\ stesso\ periodo\ (per\ coorte)}$

La parte difficile è il numeratore. Il CAC da slide divide la sola spesa media per i clienti e produce numeri rassicuranti e inutili. Il CAC fully-loaded somma spesa media, quota di stipendi del team growth e sales coinvolti, tool e licenze, produzione contenuti, agenzie e costi operativi attribuibili all’acquisizione. Nell’esempio precedente, 10.000 euro di media che portano 20 clienti danno un CAC apparente di 500 euro. Se aggiungi 8.000 euro di costi di personale, tecnologia e produzione, il CAC reale è 18.000 / 20 = 900 euro. La differenza tra 500 e 900 non è un dettaglio contabile: è la differenza tra scalare e bruciare cassa.

Tre regole operative evitano gli errori più comuni. Primo, attribuisci i clienti alla coorte di acquisizione, non al mese di chiusura: i clienti chiusi a marzo ma generati a gennaio appartengono alla spesa di gennaio. Secondo, separa acquisizione da retention nel numeratore: il customer success che riduce il churn non va caricato sul CAC, altrimenti penalizzi i canali che portano clienti di lungo periodo. Terzo, esplicita il periodo di ammortamento dei costi fissi — stipendi e tool annuali spalmati su coorti mensili — altrimenti i mesi a basso volume sembrano disastrosi e quelli ad alto volume miracolosi.

Un controllo rapido: se il CAC fully-loaded è più del doppio del CAC da sola spesa media, il tuo collo di bottiglia non è il prezzo dei click ma la macchina operativa. In quel caso ottimizzare le bid abbassa il CPL di qualche punto percentuale mentre semplificare il processo — form più corti, follow-up più rapidi, meno passaggi manuali — può dimezzare il costo reale.

LTV senza magia: margine, retention e payback

Il Lifetime Value stima quanto margine un cliente genererà prima di abbandonare. Nella versione a margine costante e churn costante, la formula chiusa è:

$LTV = \frac{ARPA \times Margine\ lordo}{Churn\ rate\ per\ periodo}$

where ARPA è il ricavo medio per account nel periodo e il churn è la frazione di clienti persi nello stesso periodo. Con 150 euro al mese di ARPA, margine lordo dell’80% e churn mensile del 2%, il calcolo è $(150 \times 0{,}8) / 0{,}02 = 6.000$ euro. Ogni decimale del churn pesa moltissimo: se il churn passa dal 2% al 3%, l’LTV crolla da 6.000 a 4.000 euro senza che ARPA o margine siano cambiati.

Questa formula è un punto di partenza, non un verdetto, perché fa tre ipotesi forti. Assume margine costante, mentre nella realtà i costi di servizio variano per segmento e i clienti grandi hanno sconti e assistenza dedicata. Assume churn costante, mentre il rischio di abbandono è alto nei primi mesi e si stabilizza dopo: usare il churn medio dei primi 90 giorni sottostima sistematicamente l’LTV. Assume ricavo piatto, mentre espansione e upsell alzano l’ARPA nel tempo nei modelli subscription. Quando una di queste ipotesi non regge, la strada corretta è il calcolo per coorte — margine cumulato reale dei clienti nati in un mese, osservato a 3, 6 e 12 mesi — invece di proiettare all’infinito un singolo mese.

Accanto all’LTV serve il tempo di recupero, perché un LTV alto che arriva tra tre anni non paga gli stipendi di quest’anno. Il CAC payback conta in quanti mesi il margine cumulato ripaga il costo di acquisizione:

$Payback\ (mesi) = \frac{CAC}{ARPA \times Margine\ lordo}$

With CAC di 900 euro e margine mensile di 120 euro, il payback è di 7,5 mesi. Sotto i 6 mesi hai spazio per scalare anche con cassa limitata; tra 6 e 12 mesi devi pianificare il fabbisogno finanziario; oltre i 12-18 mesi stai scommettendo che il churn resti basso a lungo, e ogni punto di churn in più trasforma la scommessa in perdita.

Il rapporto che decide se scalare: quanto vale un euro di acquisizione

The ratio LTV:CAC compatta le due metà in un numero solo: quanti euro di margine lifetime genera ogni euro speso per acquisire. Nell’esempio — LTV di 6.000 euro contro CAC fully-loaded di 900 — il rapporto è circa 6,7. La regola pratica più usata è considerare sana la zona sopra 3, critica quella sotto 1,5 e da indagare la fascia intermedia. Ma il numero da solo non basta: va letto con il payback e con la varianza tra segmenti.

Un rapporto medio di 4 può nascondere un canale a 7 e uno a 1,2. Scalare il budget in proporzione al volume esistente amplifica il canale peggiore. La mossa corretta è riallocare verso il segmento con il rapporto migliore a parità di payback, poi verificare che il rapporto tenga quando il volume cresce — perché oltre una certa soglia il costo marginale sale e la qualità marginale scende.

C’è poi il caso in cui il rapporto mente per eccesso di ottimismo: quando il CAC è sottostimato o l’LTV è proiettato. I segnali d’allarme sono sempre gli stessi: CAC senza costi di personale, LTV calcolato sul churn dell’ultimo mese migliore, coorti troppo giovani per aver osservato l’abbandono reale. Un test semplice è ricalcolare il rapporto usando solo coorti con almeno sei mesi di anzianità e costi fully-loaded: se crolla sotto 2, il problema non è la formula ma la qualità dei clienti che stai comprando. A quel punto la leva non è spendere di più, ma cambiare targeting, messaggio o prezzo.

Verdetto: rapporto sopra 3 con payback sotto i 12 mesi per scalare; sotto queste soglie si cambia targeting o prezzo, non si alza il budget.

Diagnostica con SQL e Python: dove perde davvero il funnel

La diagnosi inizia dalla tabella eventi, non dalla dashboard. Ti serve una tabella con almeno utente, timestamp, evento e canale di provenienza — tipicamente user_events con eventi come view_ad, click_ad, visit_landing e submit_form. La query conta gli utenti unici per stadio e canale, poi deriva i tassi sequenziali. Il confronto tra canali rivela il collo di bottiglia: un canale con CTR alto e conversione visita-lead bassa quasi sempre segnala un disallineamento tra promessa dell’annuncio e contenuto della landing.

-- Tassi di conversione per stadio e canale, su utenti unici
-- Sostituire gli intervalli di data in base alla coorte analizzata
WITH per_stadio AS (
  SELECT
    canale,
    COUNT(DISTINCT CASE WHEN evento = 'view_ad' THEN utente_id END) AS visti,
    COUNT(DISTINCT CASE WHEN evento = 'click_ad' THEN utente_id END) AS click,
    COUNT(DISTINCT CASE WHEN evento = 'visit_landing' THEN utente_id END) AS visite,
    COUNT(DISTINCT CASE WHEN evento = 'submit_form' THEN utente_id END) AS lead
  FROM user_events
  WHERE data_evento BETWEEN '2026-01-01' AND '2026-03-31'
  GROUP BY canale
)
SELECT
  canale, visti, click, visite, lead,
  -- CTR e passaggi intermedi: ogni rapporto usa lo stadio precedente
  ROUND(1.0 * click / NULLIF(visti, 0), 4) AS ctr,
  ROUND(1.0 * visite / NULLIF(click, 0), 4) AS click_to_visit,
  ROUND(1.0 * lead / NULLIF(visite, 0), 4) AS visit_to_lead
FROM per_stadio
ORDER BY lead DESC;

Il passaggio a Python serve quando vuoi la granularità per coorte e device, che in SQL diventa verbosa. Il pattern è lo stesso: utenti unici per stadio, pivot per segmento, tassi sequenziali.

# Funnel per coorte mensile e device: utenti unici e tassi sequenziali
import pandas as pd

# df atteso: utente_id, evento, data_evento, utm_source, device_type
STADI = ["view_course_page", "add_to_cart", "start_checkout", "purchase"]

df["data_evento"] = pd.to_datetime(df["data_evento"])
df["coorte"] = df["data_evento"].dt.to_period("M").astype(str)

# utenti unici per coorte, device e stadio
base = (
    df[df["evento"].isin(STADI)]
    .groupby(["coorte", "device_type", "evento"])["utente_id"]
    .nunique()
    .unstack(fill_value=0)
    .reindex(columns=STADI, fill_value=0)
)

# tassi sequenziali: ogni stadio diviso il precedente
for i in range(1, len(STADI)):
    base[f"cvr_{STADI[i]}"] = (base[STADI[i]] / base[STADI[i - 1]].replace(0, pd.NA)).round(4)

# esempio di lettura: tanto add_to_cart mobile che muore al checkout
print(base.sort_values("coorte").to_string())

In una startup EdTech tipica questo schema mostra sempre lo stesso film: perdita forte tra visualizzazione corso e carrello (intorno all’85-90%), checkout desktop efficiente e checkout mobile che perde i lead arrivati da social. L’ipotesi da verificare con dati UX — registrazioni di sessione, tempi di caricamento, metodi di pagamento disponibili — è che il checkout mobile abbia frizioni specifiche, non che il traffico social sia scarso. La raccomandazione conseguente non è tagliare il social, ma testare un checkout mobile semplificato e misurare l’effetto sul completamento, segmento per segmento.

Testare il funnel stadio per stadio senza rompere la misura

L’ottimizzazione funziona quando ogni stadio ha il suo test e la sua metrica, perché ciò che alza il CTR spesso abbassa la qualità a valle. In cima al funnel testi creatività, copy, segmenti e inviti all’azione per alzare il CTR a parità di audience. A metà funnel testi headline, lunghezza del form, prova sociale e offerta per alzare il tasso visita-lead. In fondo testi nurturing via email, script commerciali e struttura dei prezzi per alzare il win rate. Mescolare gli obiettivi — per esempio giudicare una creatività dal win rate finale senza passare per i tassi intermedi — rende ogni test illeggibile.

Due discipline separano i test utili da quelli decorativi. Primo, misura sempre l’effetto fino al cliente e al margine, non solo allo stadio testato: una landing che raddoppia i lead dimezzandone la qualità è un peggioramento travestito da successo. Per questo ogni A/B test sopra il fondo del funnel deve avere una metrica primaria di stadio e una metrica di guardia a valle — lead subito, MQL o SQL entro la finestra di chiusura tipica. Secondo, segmenta i risultati prima di dichiarare vincitori: un checkout semplificato può vincere su mobile e perdere su desktop, e la media nasconde entrambe le informazioni.

L’errore più costoso è testare tutto contro tutto. Con traffico limitato, testare quattro varianti su tre stadi contemporaneamente significa non avere potenza statistica da nessuna parte e leggere rumore come segnale. La sequenza che funziona nella pratica è: prima ripara il collo di bottiglia più grande emerso dalla diagnostica, poi passa al successivo. Un solo test alla volta sullo stadio critico batte cinque test paralleli distribuiti a caso.

Quando il funnel non basta: freemium, frizioni utili e casi limite

Ci sono funnel che le formule standard leggono male, e vanno trattati con modelli dedicati. Il primo è il freemium biforcato, dove il prodotto gratuito è al tempo stesso servizio e canale di acquisizione. La logica economica cambia: il CAC va calcolato sui clienti paganti finali, spalmandoci sopra il costo di servire anche gli utenti gratuiti. Se servire un milione di utenti free costa poco e uno su dieci converte a pagamento, il CAC effettivo resta basso anche con una spesa marketing alta in assoluto — a patto di includere i costi infrastrutturali nel numeratore e di misurare la conversione free-to-paid per coorte, non in aggregato mensile, perché le coorti giovani non hanno ancora avuto il tempo di convertire.

Il secondo caso limite è la frizione deliberata. Aggiungere un passaggio — eliminare una prova gratuita, chiedere la carta prima del trial, qualificare i lead con domande extra — fa crollare i volumi in cima e migliorare la qualità in fondo. Letto con il CPL sembra un disastro, letto con LTV:CAC è spesso un miglioramento: meno clienti, ma con churn più basso e payback più corto. La decisione corretta dipende dal vincolo reale: se il vincolo è la capacità commerciale, filtrare in alto vale più che riempire il funnel; se il vincolo è il volume per raggiungere massa critica, la frizione va rimossa anche a costo di qualità inferiore.

Il terzo caso è il funnel che non chiude nel periodo osservato. Nei cicli lunghi — B2B, alta formazione, servizi ad alto ticket — confrontare spesa e clienti dello stesso mese punisce sistematicamente i canali nuovi. La correzione è lavorare su coorti chiuse e finestre di attribuzione esplicite: i lead nati a gennaio hanno prodotto quanti clienti entro giugno, con quale CAC di coorte. E quando i dati non bastano, la mossa onesta è dichiararlo: meglio una tabella con cosa sai, cosa assumi e quale controllo farai — baseline mancante, holdout da costruire, soglia economica da applicare — che un numero secco presentato come verità. Il funnel smette di essere un grafico da slide e diventa quello che dovrebbe essere: un protocollo che lega ogni euro speso a una decisione verificabile sul margine.

Verdetto: freemium, frizioni deliberate e cicli lunghi chiedono modelli dedicati; la regola resta una, coorti chiuse e margine a valle, mai medie di periodo.

Il caso che ha spostato la leva a valle del checkout: Amazon Prime

Nel febbraio 2005 Amazon lancia Prime negli Stati Uniti a 79 dollari l’anno, con spedizione veloce illimitata come promessa centrale. L’abbonamento trasforma clienti occasionali in acquirenti abituali: la frequenza d’ordine sale, il churn scende e il valore lifetime cresce senza toccare il costo di acquisizione. È unit economics in azione: stesso CAC, LTV più alto, payback più corto e margine per finanziare nuova acquisizione. La lezione per il funnel è che la leva più forte spesso sta a valle del checkout, nella retention che moltiplica ogni euro speso a monte.

Domande per metterti alla prova

Prima di chiudere, mettiti alla prova con queste domande:

1. Perché due campagne con lo stesso costo per lead possono avere destini economici opposti?
2. Quale voce del numeratore trasforma un CAC da slide in un CAC fully-loaded?
3. Quando un LTV alto nasconde comunque un rischio di cassa mortale?
4. Perché un checkout mobile semplificato può vincere su mobile e perdere su desktop?