KPI trees per funzione: differenze e intersezioni

Questa lezione procede sul binario tabellare: alberi, foglie, owner e target sono il vocabolario con cui ragioniamo. Marketing, prodotto, finance e operations usano KPI diversi, ma influenzano spesso la stessa decisione. Un KPI tree è un albero di metriche che mostra dipendenze, conflitti e punti di raccordo, ed evita che ogni team resti chiuso nel proprio silo numerico. Letto bene, è l’architettura del linguaggio aziendale: chiarisce quando una metrica locale contribuisce a un risultato comune e quando crea incentivi contraddittori.

La definizione essenziale

Il KPI tree è la scomposizione gerarchica di una metrica di risultato nei driver operativi con owner e target assegnati. Tutto il resto della lezione è costruire, collegare e far vivere questa struttura.

La costruzione in quattro passi

1. Scegli la metrica North Star che unisce valore per il cliente e valore per l’azienda.
2. Scomponi la metrica in driver operativi con decomposizione esaustiva e senza sovrapposizioni.
3. Assegna a ogni foglia owner, target numerico, frequenza e fonte dati.
4. Collega le foglie tra funzioni e risolvi i conflitti sulla metrica che prevale.

Perché ti serve un albero

Un KPI tree è la decomposizione gerarchica di una metrica di outcome, tipicamente revenue o EBITDA, nei suoi driver operativi. Un outcome è il risultato finale; un driver è la leva operativa che lo muove. Parti dalla metrica del CEO e la scomponi in parti sempre più piccole, fino alle metriche che ogni team può influenzare direttamente. La domanda di fondo è operativa: quale funzione ottimizza una metrica che impatta le altre, quale nodo collega risultato e driver, come usare l’albero per risolvere un conflitto tra team.

Ecco come appare l’albero per un e-commerce:

Revenue Mensile
├── Nuovi Clienti × Ordine Medio × Gross Margin
│   ├── Traffico × Tasso di Conversione × AOV × GM
│   │   ├── Traffico
│   │   │   ├── Traffico Organico
│   │   │   ├── Traffico Paid
│   │   │   └── Traffico Direct
│   │   ├── Tasso di Conversione
│   │   │   ├── Visitatori → Pagina Prodotto: 45%
│   │   │   ├── Pagina Prodotto → Carrello: 12%
│   │   │   └── Carrello → Acquisto: 38%
│   │   ├── AOV (Average Order Value)
│   │   │   ├── Prezzo Medio × Unità per Ordine
│   │   └── Gross Margin
│   │       └── (Revenue - COGS - Shipping) / Revenue
│   └── Costi di Acquisizione (CAC)
└── Clienti Ritornati × Ordine Medio × Gross Margin
    ├── Clienti Totali × Tasso di Ritorno
    │   ├── Tasso di Retention D30
    │   ├── Frequenza di Acquisto
    │   └── Campagne di Remarketing
    └── (Stesse sotto-componenti di AOV e GM)

La forza del KPI tree è che ogni nodo ha un owner e un target. Senza owner resta un esercizio estetico; con un owner diventa un sistema operativo.

Verdetto: un albero senza owner e target per foglia resta un diagramma, non uno strumento decisionale.

I quattro passi, uno a uno

Il primo passo è selezionare la metrica North Star, quella che unisce valore per il cliente e valore per l’azienda. Per Airbnb sono le notti prenotate, con valore per host, guest e azienda; per Spotify è il tempo di ascolto, per utenti, artisti e azienda; per Stripe è il volume di pagamenti processati. Non usare il revenue come North Star in un marketplace o in un freemium: il revenue è un outcome, non il valore percepito dall’utente.

Il secondo passo è decomporre la metrica nei driver operativi. Per ogni nodo chiediti cosa deve succedere perché quel numero aumenti. La decomposizione deve essere MECE, cioè senza sovrapposizioni e senza buchi: ogni parte è indipendente e insieme le parti coprono tutto il nodo superiore. Per SaaS ed e-commerce la scomposizione più utile segue il ciclo di vita del cliente:

Revenue = Nuovi Clienti × ARPU + Clienti Esistenti × ARPU × (1 - Churn%)

Il terzo passo è assegnare owner e target a ogni foglia, cioè al livello più granulare. Ogni foglia ha un team owner, per esempio il Growth Team; un target numerico, come tasso di conversione sopra il 3,2%; una frequenza di misura, per esempio settimanale; e una fonte dati, per esempio il funnel checkout_completed su Amplitude.

Il quarto passo è collegare gli alberi delle funzioni. Marketing, prodotto, sales e finance possono avere alberi distinti, ma le foglie devono connettersi: il tasso di conversione del funnel marketing è l’input del funnel sales, il MRR nell’albero finance è l’output degli alberi marketing e prodotto.

Verdetto: North Star condivisa, scomposizione senza sovrapposizioni, owner per foglia e connessioni tra funzioni, in quest’ordine.

Il framework di Intercom come riferimento

Intercom, azienda di customer messaging da oltre 200M di ARR, ha documentato il proprio framework di metriche. La North Star è “conversazioni risolte con successo”. Non è il revenue e non sono gli utenti, perché misura il valore reale per il cliente. Da qui deriva l’albero:

Conversazioni Risolte
├── Conversazioni Avviate
│   ├── Utenti Attivi
│   └── Tasso di Inizio Conversazione
├── Tasso di Risoluzione Automatica (bot)
└── Tasso di Risoluzione con Agente Umano
    ├── Tempo di Risposta Agente
    └── Qualità Risposta (CSAT)

Ogni team ha un sotto-albero e ogni sotto-albero influenza il revenue: i clienti soddisfatti rinnovano e si espandono. Il marketing sa così che il suo lavoro non è generare lead, ma generare lead che avviano conversazioni risolte con successo. Questo allineamento verticale trasforma metriche astratte in missioni operative.

Verdetto: quando la North Star misura il valore per il cliente, ogni team sa quale lead, ticket o rilascio conta davvero.

Gli errori più comuni

Il primo errore è mettere troppi livelli: un albero con sette livelli è inutile, tre o quattro bastano, da outcome a driver, leva e azione operativa. Il secondo è scegliere metriche vanity invece che azionabili: le page views non dicono cosa fare, il tasso di click dalla home alla pagina prodotto sì. Il terzo è non collegare gli alberi tra loro, così marketing massimizza i lead, vendite il deal size e nessuno il profitto. Il quarto è dare metriche senza contesto temporale: un tasso di conversione del 3% significa poco senza sapere se il mese scorso era 2% o 4%. Ogni metrica deve avere trend e benchmark.

Verdetto: tre o quattro livelli, metriche azionabili con trend e alberi collegati tra funzioni.

Controlli prima di decidere

Prima di usare un KPI tree in una decisione, controlla completezza, duplicati, timezone, definizioni cambiate e segmenti esclusi. Molte analisi falliscono perché il dato misura un comportamento diverso da quello dichiarato. Ricorda che la media aggregata è solo il punto di partenza: se due segmenti si muovono in direzioni opposte, la media non rappresenta nessuno dei due. Per analizzare un albero conviene fissare unità di lavoro, segnale principale, baseline di confronto, decisione attesa e rischio:

Elemento	Specifica richiesta
Unità di analisi	metrica, nodo, funzione, owner o foglia dell’albero
Segnale principale	impatto sul revenue, conflitto tra team, qualità del dato
Baseline	periodo precedente, gruppo comparabile, benchmark o target
Decisione	dove allocare, quale metrica far prevalere, quale conflitto risolvere
Rischio	scambiare un numero disponibile per una prova sufficiente

L’esempio tipico chiarisce dove serve l’albero: il marketing ottimizza i lead, sales la pipeline, finance il margine e product l’activation. Il KPI tree è utile quando mostra dove queste metriche si rinforzano, dove si contraddicono e quale deve prevalere nella decisione specifica.

Il caso Intercom del 2021

Intercom ha documentato nel 2021 il proprio framework di metriche sull’engineering blog aziendale. L’azienda, con oltre 200M di ARR nel customer messaging, usa come North Star le conversazioni risolte con successo invece del revenue o degli utenti attivi. Da quella metrica decompone avviate, risoluzione automatica e risoluzione con agente umano con tempo di risposta e qualità misurata. Il caso mostra che una North Star centrata sul valore per il cliente allinea marketing, prodotto e supporto sulla stessa definizione di lavoro utile.

Domande per chiudere

1. Quale metrica del tuo albero è outcome e quale è driver operativo?
2. Quale foglia ha un owner e un target misurabile questa settimana?
3. Dove si contraddicono due metriche di funzioni diverse nel tuo caso?
4. Quale baseline rende confrontabile la tua North Star nel tempo?