Case study: data-driven marketing strategy

Il laboratorio: un budget da allocare con dati sporchi

Questo laboratorio cammina sul binario tabellare: si parte da tabelle disallineate, si ricostruisce la verità con quadrature e coorti, e solo allora si allocano i soldi. L’esercizio guida l’allocazione di un budget marketing trimestrale partendo da dati sporchi, passando per CAC di coorte, stime di incrementalità e tetti di saturazione.

Nordwind è una SaaS B2B inventata ma verosimile: 4,2 milioni di euro di ARR, ticket medio da 9.600 euro annui, ciclo di vendita di 47 giorni, un team marketing di sei persone e un trimestre che inizia male. Il termine ARR indica i ricavi ricorrenti annui. Il board ha congelato le assunzioni e chiede una cosa sola: il prossimo euro di budget deve lavorare più del precedente. Sul tavolo ci sono tre richieste in competizione. Il paid search chiede il 30% di budget in più perché il CPA è sceso. Il team lifecycle vuole fermarsi due settimane per ripulire il nurturing, reo di generare MQL che le vendite ignorano. Il CEO spinge sul brand, convinto che comprare solo domanda esistente stia rendendo l’azienda fragile. Tutti hanno un grafico che dimostra di avere ragione. Nessuno ha un controfattuale.

Questo è il punto in cui il marketing analytics smette di essere reportistica e diventa decisione. Il caso si risolve in quattro mosse: ricostruire numeri fidati da dati sporchi, misurare quanto costa davvero un cliente per canale, stimare quanta parte del risultato il marketing causa davvero e leggere dove il budget ha smesso di rendere. Ogni mossa ha una trappola, e ogni trappola ha un controllo.

La sequenza di lavoro in sette passi

Ecco il percorso che seguiremo, lo stesso che seguirebbe un analista serio:

1. Scrivi la decisione, il vincolo di payback e la copertura pipeline richiesta prima di aprire i dati.
2. Quadra la spesa per canale con l’estratto conto e i deal per segmento con il fatturato, entro l’1%.
3. Separa il brand dal non-brand e ancora le coorti alla data di attivazione con finestra di osservazione completa.
4. Calcola CAC fully-loaded, payback e rapporto LTV su CAC per segmento, solo su coorti mature.
5. Stima il lift incrementale con almeno due metodi indipendenti e registra l’intervallo, non il punto.
6. Traccia il costo marginale per cliente settimana su settimana e congela la spesa dove supera la soglia di payback.
7. Allega a ogni voce di budget il trigger numerico che la ucciderebbe e la data di rilettura.

Quando i numeri dicono cose opposte

La dashboard di Nordwind racconta tre storie incompatibili. Il paid search mostra un CPA da 310 euro, il migliore di sempre, mentre il blended CAC dell’azienda sale da 2.900 a 3.400 euro in due trimestri. Il tasso di conversione da MQL a opportunità è al 18%, in linea con lo storico, ma le vendite chiudono il 22% in meno di quelle opportunità e incolpano la qualità dei lead. Il traffico brand cresce del 40% su base annua mentre la quota di pipeline attribuita al brand cala, perché l’attribution last-touch assegna il merito ai click paid che intercettano chi cercava già il nome dell’azienda.

Nessuna di queste contraddizioni è un errore di lettura. È il comportamento normale di un sistema di misura che confonde tre piani diversi: il volume (quanti lead), l’attribuzione (a chi assegno il merito) e l’incrementalità (cosa sarebbe successo comunque). Il CPA basso misura efficienza di cattura, non creazione di domanda. Il blended CAC in salita misura l’economia complessiva. La conversione stabile con chiusure in calo segnala un cambiamento di mix verso lead che chiudono poco.

La prima mossa dell’analista è scrivere la decisione prima di aprire il notebook. Nordwind deve allocare 180.000 euro trimestrali tra search, social, content e brand, con un vincolo: il CAC payback medio deve restare sotto i 12 mesi e la pipeline coprire 3 volte il target di booking. Finché la domanda resta “dove performiamo meglio”, ogni canale vince con la sua metrica. Quando diventa “quale spostamento di 20.000 euro genera più margine incrementale entro il vincolo di payback”, quasi tutte le vanity metric escono dal tavolo da sole.

Il brief che arriva sul tavolo

The CMO consegna tre file e una minaccia gentile: niente analisi che richiedono tre mesi di dati nuovi, si decide con quello che c’è. Il primo file è l’export delle piattaforme adv: spesa giornaliera per campagna, impression, click, conversioni dichiarate. Il secondo è il CRM: lead, MQL, SQL, opportunità e deal vinti con timestamp, importo, segmento e owner. Il terzo è il product billing: attivazioni, fatturato e churn per coorte. Manca tutto ciò che servirebbe davvero: niente holdout storici, niente survey brand, niente log di consenso utilizzabile per il match tra cookie e CRM.

Il lavoro serio comincia elencando cosa non torna prima ancora di modellare. Il 34% dei deal vinti nel CRM non ha alcun touch paid associato e risulta da “direct” o “offline”, il che puzza di brand catturato male più che di miracolo. Il 12% dei click paid arriva da termini di ricerca che contengono il nome dell’azienda, quindi il canale più efficiente sta in parte comprando i propri clienti. Le date di MQL e di prima attività si contraddicono nel 6% dei record, segno di timezone o di integrazioni scritte in fretta. E la spesa del social è registrata per settimana mentre il CRM ragiona per giorno, dettaglio che falsifica qualsiasi analisi di lag se non lo si normalizza.

Qui conviene fissare le definizioni operative, perché metà dei litigi sul budget nasce da parole uguali con significati diversi. Un MQL è un lead che supera uno scoring comportamentale e demografico, ma lo scoring non è stato ricalibrato da quattordici mesi e premia molto l’apertura delle email, metrica gonfiata da un cambio di provider. Un’opportunità è una trattativa accettata dalle vendite, e l’accettazione dipende anche dall’umore del trimestre, non solo dalla qualità. Il CAC di canale è spesa del canale divisa per clienti acquisiti con primo touch in quel canale, misura utile ma arbitraria quando il percorso medio tocca 4,3 touchpoint. Il margine incrementale è il ricavo che non ci sarebbe stato senza la spesa, ed è l’unica metrica che risponde alla domanda del board. È anche l’unica che non si osserva direttamente e va stimata.

Mettere in ordine i dati prima di fidarsi

Con dati così, l’analista che modella subito produce cifre precise e sbagliate. La sequenza giusta è noiosa e rende tutto il resto possibile: deduplicare le identità, allineare i calendari, separare il brand dal non-brand e verificare che i totali tornino. A Nordwind questa pulizia porta via tre giorni e cambia ogni numero successivo di almeno il 15%. Questo dice tutto sul valore del lavoro invisibile.

Il primo controllo è il match tra identità. Cookie, indirizzi email e account aziendali non coincidono mai al primo colpo: la stessa persona compila due form con due email, l’azienda cambia dominio, il CRM crea duplicati a ogni import. La regola pratica è unire solo i record con almeno due segnali concordanti (stesso dominio aziendale più stesso telefono normalizzato, oppure stessa email normalizzata più stesso IP ricorrente). Il resto resta separato con un flag di incertezza. Fondere troppo crea customer journey finti che sovrastimano l’attribution multi-touch. Fondere poco lascia il brand invisibile. Dichiarare il tasso di match — qui il 71% dei deal vinti si aggancia ad almeno un touch digitale — è onestà metodologica, non debolezza.

Il secondo controllo è il grain temporale. Spesa settimanale, eventi giornalieri e fatturato mensile non si sommano senza una tabella ponte, e il join sbagliato duplica le righe in silenzio. La query di coorte corretta filtra prima la popolazione che ha avuto il tempo di manifestare l’evento, poi conta, mai il contrario. L’errore classico di Nordwind era calcolare la retention a 90 giorni includendo i clienti acquisiti 20 giorni fa, che risultavano “non retained” per anzianità e deprimevano il dato dei canali in crescita. La versione corretta ancora la coorte alla data di attivazione e richiede una finestra di osservazione completa:

-- Retention a 90 giorni per coorte di attivazione e canale di primo touch
-- Filtra prima chi ha avuto 90 giorni di tempo, poi misura: mai il contrario
WITH coorte AS (
    SELECT
        c.account_id,
        c.canale_primo_touch,          -- canale di acquisizione da CRM deduplicato
        MIN(b.data_attivazione) AS data_attivazione
    FROM crm_account c
    JOIN billing b ON b.account_id = c.account_id
    WHERE b.data_attivazione <= CURRENT_DATE - INTERVAL '90 days'
    GROUP BY c.account_id, c.canale_primo_touch
),
ritenuti AS (
    SELECT
        co.account_id
    FROM coorte co
    JOIN billing b ON b.account_id = co.account_id
    WHERE b.attivo_a_90_giorni = TRUE     -- flag a finestra chiusa, non a data odierna
)
SELECT
    co.data_attivazione AS mese_coorte,
    co.canale_primo_touch AS canale,
    COUNT(*) AS account_totali,
    COUNT(r.account_id) AS account_ritenuti,
    -- tasso di retention: ritenuti diviso coorte completa e matura
    ROUND(COUNT(r.account_id) * 1.0 / COUNT(*), 3) AS retention_90d
FROM coorte co
LEFT JOIN ritenuti r ON r.account_id = co.account_id
GROUP BY co.data_attivazione, co.canale_primo_touch
ORDER BY mese_coorte, canale;

Il terzo controllo è la separazione brand contro non-brand, che da sola ribalta la lettura del search. Dividendo le query che contengono il marchio da quelle generiche, il CPA “migliore di sempre” si scompone in due realtà: brand a 90 euro per lead che avrebbe in buona parte convertito comunque, generico a 620 euro in salita del 25% per l’asta competitiva. Senza questa scomposizione qualsiasi aumento di budget finisce per comprare più brand, gonfiando l’efficienza apparente mentre il costo marginale del cliente veramente nuovo cresce. Il sanity check finale è brutale e necessario: la somma della spesa per canale deve quadrare con l’estratto conto entro l’1%, e la somma dei deal per segmento deve quadrare con il fatturato. A Nordwind il primo giro sballava del 9% per doppi conteggi di rimborsi adv: trovato prima di decidere, è un dettaglio; trovato dopo, è una figuraccia davanti al board.

Quanto costa davvero un cliente

Con i dati puliti si può rispondere alla domanda economica, che è diversa da quella pubblicitaria. Il ROAS di piattaforma dice quanto rende un euro di spesa media. Il CAC payback dice in quanti mesi quel cliente ripaga tutto ciò che è costato acquisirlo, stipendi e tool inclusi. Per una SaaS che vive di ricavi ricorrenti, il secondo comanda e il primo decora.

Le formule sono semplici, le ipotesi no. Il CAC all-in di un segmento è la spesa media del periodo più la quota di costi fissi di marketing e vendite attribuibile a quel segmento, divisa per i nuovi clienti:

$CAC_{segmento} = \\frac{Spesa\\_media + Quota\\_costi\\_fissi}{Nuovi\\_clienti}$

Il payback è il CAC diviso per il margine mensile per cliente, che è ARPA per margine lordo. Il termine ARPA indica il ricavo medio mensile per account:

$Payback\\_mesi = \\frac{CAC}{ARPA \\times Margine\\_lordo}$

E il rapporto LTV over CAC, con churn mensile medio, chiude il quadro:

$LTV:CAC = \\frac{ARPA \\times Margine\\_lordo}{Churn\\_mensile \\times CAC}$

Applicato a Nordwind, il quadro si rovescia rispetto alla dashboard. Il search brand ha un payback apparente di 3 mesi che crolla appena si scorpora l’organico che avrebbe convertito comunque. Il search generico sta a 14 mesi, sopra il vincolo dei 12, e peggiora di trimestre in trimestre. Il social prospecting sta a 11 mesi ma con varianza alta: metà delle coorti chiude bene, metà non chiude mai, e la media nasconde questa bimodalità. Il content-driven, misurato su finestre di 180 giorni invece dei 30 delle piattaforme, sta a 8 mesi ed è l’unico in miglioramento, perché gli articoli enterprise attirano pochi lead che chiudono tanto.

Segment	CAC all-in	Payback	Lettura onesta
Search brand	1.100 €	3 mesi apparente	Efficienza gonfiata, cattura domanda esistente
Search generico	4.800 €	14 mesi	Sopra il vincolo, asta in salita
Social prospecting	3.900 €	11 mesi	Dentro il vincolo ma varianza alta
Content enterprise	2.700 €	8 mesi	Il migliore su finestra lunga, lento a partire

Il trade-off va detto esplicitamente: il payback premia i clienti che pagano subito e punisce quelli che pagherebbero per anni, quindi usato da solo uccide l’enterprise. Nordwind lo corregge affiancando al payback il rapporto LTV over CAC a 24 mesi per i segmenti con ciclo lungo. Scopre così che l’enterprise generico, impresentabile a 12 mesi, diventa il segmento migliore a 24. La decisione non è un numero solo, è una coppia di numeri con orizzonti diversi.

Separare ciò che il marketing causa da ciò che accompagna

Il passaggio più difficile del caso è anche quello che decide il budget: quanta parte delle conversioni attribuite al paid sarebbe avvenuta comunque. L’attribution assegna il merito, l’incrementalità misura la differenza rispetto al controfattuale. Il controfattuale è lo scenario senza campagna. Confondere le due cose porta a scalare i canali che intercettano domanda e a definanziare quelli che la creano, esattamente l’errore che Nordwind sta commettendo.

Senza la possibilità di un test geografico pulito — il traffico è troppo concentrato in tre mercati per spegnerne uno — l’analista usa tre stime indipendenti e cerca la convergenza invece della precisione. La prima è il brand search lift: sospendere il brand paid per due settimane in un solo mercato secondario e misurare quanto traffico organico assorbe la perdita. Il risultato tipico del settore, confermato qui, è che il 60-70% dei click brand a pagamento si sposta sull’organico gratuito: quei click costavano 90 euro l’uno per comprare ciò che si aveva quasi gratis. La seconda è il confronto tra coorti esposte e non esposte al social, appaiate per settore, dimensione aziendale e settimana di primo contatto, con un modello che controlla per il canale di primo touch. La terza è l’analisi degli spike: quando una campagna va in pausa per esaurimento budget a metà mese, la pipeline delle due settimane successive cala davvero o resta piatta.

La metrica che tiene insieme questi esercizi è il lift incrementale, il rapporto tra conversioni aggiuntive e conversioni totali osservate:

$Lift = \\frac{Conversioni\\_osservate - Conversioni\\_controfattuale}{Conversioni\\_osservate}$

A Nordwind i tre metodi convergono su un intervallo, non su un punto, ed è giusto così: il search brand è incrementale solo al 25-35%, il search generico al 55-65%, il social al 50-70% con alta incertezza, il content al 60-80% su finestra semestrale. Moltiplicando le conversioni attribuite per il lift si ottiene il margine incrementale per canale, e la classifica cambia di nuovo: il search generico resta costoso ma almeno porta clienti nuovi, il brand paid diventa il peggior uso del prossimo euro nonostante il CPA migliore, il content passa in testa. Il controllo onesto da allegare è la sensibilità: se il lift del social fosse al limite basso dell’intervallo, la decisione cambierebbe? Qui no, e poterlo dimostrare con una tabella di sensibilità a tre scenari è ciò che fa approvare un piano in consiglio.

Verdetto: il search brand è il peggior uso del prossimo euro nonostante il CPA migliore; il content vince su finestra semestrale e il generico resta solo entro il tetto di saturazione.

Leggere la saturazione prima di alzare il budget

Anche un canale incrementale smette di rendere oltre una certa spesa, e il search generico di Nordwind ha superato quel punto due mesi fa senza che nessuno lo notasse. La curva di risposta tipica cresce in fretta all’inizio e poi si appiattisce: i primi euro comprano le query migliori, gli ultimi comprano varianti marginali a prezzi d’asta più alti. Aumentare il budget del 30% su una curva piatta non aumenta i clienti del 30%: aumenta il costo del 30% e i clienti del 5%.

Il modo operativo per vederlo è tracciare il costo marginale per cliente aggiuntivo settimana su settimana, non il costo medio. Finché il marginale resta sotto la soglia di payback, scalare ha senso. Quando la supera per tre settimane consecutive, la spesa va congelata e il surplus spostato. A Nordwind il marginale del search generico è passato da 3.200 a 6.100 euro in otto settimane mentre il medio si muoveva appena, perché il medio è trascinato dalla storia e il marginale guarda solo l’ultimo euro. Il grafico che convince il board non è la retta del ROAS ma la curva che piega, con il punto di flesso evidenziato e annotato con le date degli aumenti d’asta dei concorrenti.

L’analisi si completa con un piccolo modello di diminishing returns stimato sui dati settimanali, anche un logaritmo semplice meglio di niente, purché dichiarato come euristica e non come legge fisica:

# Stima euristica della saturazione: clienti in funzione della spesa settimanale
# Dati: spesa e nuovi clienti per settimana, solo search generico, 26 settimane
import numpy as np

spesa = np.array(spesa_settimanale)      # euro spesi per settimana
clienti = np.array(nuovi_clienti)        # clienti con primo touch sul canale

# Modello logaritmico: ogni euro in piu' rende meno del precedente
# log(spesa) cattura l'appiattimento senza pretendere causalita' pulita
coef = np.polyfit(np.log(spesa), clienti, 1)

# Spesa oltre cui il costo marginale supera la soglia di payback (12 mesi)
# Si cerca il punto dove d(clienti)/d(spesa) scende sotto 1 / (payback_max * margine_mensile)
soglia_marginale = 1.0 / (12 * margine_mensile_per_cliente)
spesa_ottimale = coef[0] / soglia_marginale  # derivata del log: coef[0] / spesa

print(f"Spesa settimanale oltre cui fermarsi: circa {spesa_ottimale:.0f} euro")

Il risultato per Nordwind indica un tetto intorno ai 9.000 euro settimanali contro gli 11.500 spesi: i 2.500 in eccesso comprano quasi solo costo. Il limite del metodo va dichiarato: ventisei osservazioni con stagionalità e cambi creativi dentro non identificano una curva causale, ma il segnale è abbastanza forte da giustificare un tetto provvisorio e un test di riduzione, non un taglio definitivo. Quando il modello non funziona — pochi dati, shock esterni, mix di campagne eterogeneo — la regola di fallback è più semplice: congela la spesa per tre settimane e osserva il marginale, la realtà risponde meglio di qualsiasi regressione.

Dove il nurturing perde soldi senza far rumore

Il secondo fronte del caso è il nurturing, e qui il problema non è l’attribuzione ma la definizione di qualità. Il team lifecycle celebra un open rate in crescita e un MQL in linea con gli obiettivi. Le vendite rispondono che quegli MQL non diventano pipeline e smettono di lavorarli, il che deprime ulteriormente la conversione in un circolo vizioso. Entrambi hanno ragione con i loro numeri, perché misurano due stadi diversi dello stesso imbuto rotto.

L’analisi che sblocca la discussione segmenta gli MQL per comportamento reale invece che per punteggio. Dividendo gli ultimi seimila MQL in terzili di engagement profondo — pagine pricing e documentazione lette, non email aperte — emerge che il terzile alto converte in opportunità al 31%, quello medio al 14%, quello basso al 4%. Il basso rappresenta però il 52% del volume e consuma quasi tutto il follow-up commerciale. Lo scoring premia i gesti a costo zero e ignora i segnali costosi in tempo, esattamente al contrario di come si comporta un compratore serio. Peggio: il 38% degli MQL del terzile basso proviene da un ebook generalista promosso dal social, contenuto ottimo per il volume e pessimo per l’intento.

La correzione proposta non è “fare lead migliori” ma cambiare tre meccanismi. Primo, ricalibrare lo scoring dando peso ai comportamenti con costo in tempo e togliendo peso alle aperture email, con backtest sulle coorti storiche prima di metterlo in produzione. Secondo, introdurre una fase intermedia di qualifica automatica — sequenza di tre tocchi ad alto intento in sette giorni — prima di passare il lead alle vendite, così il commerciale riceve solo chi ha superato una soglia comportamentale osservabile. Terzo, chiudere il loop di feedback: ogni opportunità rifiutata torna al marketing con un motivo codificato, e i motivi si rileggono ogni due settimane. La query di monitoraggio confronta i tassi per terzile prima e dopo il cambio, con finestra di osservazione chiusa per non ripetere l’errore della retention:

-- Conversione MQL -> opportunita' per terzile di engagement profondo
-- Finestra chiusa a 45 giorni dal passaggio a MQL: coorti immature escluse
SELECT
    m.terzile_engagement,              -- alto, medio, basso da pagine pricing e docs
    COUNT(*) AS mql_totali,
    -- solo opportunita' create entro 45 giorni: evita di premiare i lead vecchi
    COUNT(o.opportunita_id) AS diventati_opp,
    ROUND(COUNT(o.opportunita_id) * 1.0 / COUNT(*), 3) AS tasso_conversione,
    ROUND(AVG(o.importo_stimato), 0) AS ticket_medio_stimato
FROM mql m
LEFT JOIN opportunita o
    ON o.mql_id = m.mql_id
    AND o.data_creazione <= m.data_mql + INTERVAL '45 days'
WHERE m.data_mql <= CURRENT_DATE - INTERVAL '45 days'
GROUP BY m.terzile_engagement
ORDER BY tasso_conversione DESC;

Il costo dell’errore va quantificato o nessuno cambierà processo: con un ticket medio di 9.600 euro e un tasso di chiusura del 20% sulle opportunità, ogni cento MQL del terzile basso lavorati come quelli alti costano circa quaranta ore commerciali per meno di un cliente. Tagliarli dal passaggio diretto non è perdere pipeline, è restituire tempo a chi chiude. Il rischio opposto esiste e va nominato: una soglia troppo severa affama le vendite nei trimestri lenti e spinge il team a riabbassarla di nascosto. Per questo la soglia proposta è mobile, agganciata alla copertura pipeline: sotto le 2,5 volte il target si allarga, sopra le 3,5 si stringe.

La decisione sul trimestre e come difenderla

A questo punto i pezzi si compongono in una proposta che il board può votare, perché ogni riga lega spesa, effetto incrementale atteso e controllo di verifica. Il budget da 180.000 euro si rialloca così: tetto al search generico a 9.000 euro settimanali liberando circa 30.000 euro nel trimestre, dimezzamento del brand paid con reinvestimento della differenza in content enterprise, congelamento dell’ebook generalista e spostamento di 15.000 euro verso due asset ad alto intento con landing separata e tracking dedicato. Il risparmio netto non torna al board ma finanzia la pausa di due settimane del nurturing per la ricalibrazione dello scoring, con copertura pipeline monitorata ogni lunedì.

Ogni voce porta con sé il criterio che la ucciderebbe, perché una raccomandazione senza condizione di falsifica è un’opinione costosa. Se il traffico organico non assorbe almeno il 50% dei click brand spenti entro tre settimane, il taglio al brand si rivede. Se il tasso MQL-opportunità del nuovo scoring non supera il 20% entro due coorti complete, si torna al vecchio con gli apprendimenti incorporati. Se il content enterprise non genera almeno sei opportunità entro 120 giorni, la scommessa si ridimensiona. Questi trigger vanno scritti nello stesso documento del budget, non in un’appendice, altrimenti evaporano alla prima pressione del trimestre.

La presentazione al board sta in una pagina di decisione più tre di prove: vincolo, tabella segmenti con CAC e lift, curva di saturazione col tetto, piano nurturing con soglie mobili. Le obiezioni si anticipano: alle vendite si risponde col conto delle ore restituite, al CEO col test a mercato singolo e rollback pronto, alla finanza con la tabella di sensibilità che mostra la decisione stabile salvo lo scenario peggiore, già presidiato dal trigger.

Verdetto: tetto al search generico, brand paid dimezzato verso content ad alto intento, nurturing in pausa ricalibrata; ogni voce vive solo con il suo trigger di falsifica e la sua data di rilettura.

Cosa portare al prossimo caso

Chiuso il trimestre, resta il metodo, che vale più della singola allocazione. Il primo strumento da riusare è la scheda decisione scritta prima di ogni analisi: una pagina con la scelta da prendere, la metrica primaria, la baseline, il rischio principale e l’azione prevista se il segnale supera la soglia. Una sola metrica primaria, non tre, e un owner nominato. Compilarla a Nordwind avrebbe impedito metà delle discussioni, perché molte vertevano su metriche che nessuna decisione avrebbe mosso.

Il secondo strumento è la tabella dei segmenti con spiegazioni rivali. Per ogni segmento si scrivono il segnale osservato, almeno una spiegazione alternativa plausibile e il controllo che discrimina tra le due prima di decidere. Il search brand che cala di CPA può essere efficienza vera oppure cannibalizzazione dell’organico; il controllo è la pausa in un mercato singolo. Il social che converte poco può essere targeting sbagliato oppure finestra di osservazione troppo corta; il controllo è la coorte a 90 giorni chiusi. Questo esercizio abitua a non accontentarsi della prima lettura e produce analisi che resistono alle domande difficili, quelle che iniziano con “ma hai controllato se”.

Il terzo strumento è il calendario di verifica: ogni decisione di budget nasce con una data di rilettura e un trigger numerico. Nordwind rilegge il tetto al search ogni tre settimane sul costo marginale, lo scoring ogni due coorti complete, il content a 120 giorni sulle opportunità generate. Senza calendario, le decisioni giuste marciscono: il tetto di spesa che oggi è ottimale tra due mesi è sbagliato, e nessuno se ne accorge perché la dashboard dei medi continua a sorridere.

Tre errori meritano un posto fisso nel checklist personale. Confondere correlazione e causalità resta il più costoso: due metriche che si muovono insieme non autorizzano alcuno spostamento di budget finché un holdout, un test o un controfattuale dichiarato non le lega. Ignorare la stagionalità è il più frequente: confrontare novembre con dicembre senza correzione anno su anno o senza medie mobili destagionalizzate produce insight festivi ma falsi. Non validare il grain dei join è il più silenzioso: una riga duplicata a ogni step gonfia i conteggi senza errori visibili, e l’unica difesa è contare le righe dopo ogni trasformazione e pretendere la quadratura con i totali noti.

Per replicare il caso bastano gli export adv, il CRM e il billing, anche sporchi: scomposizione brand contro non-brand, ricalcolo di payback e lift con le proprie ipotesi, test di tenuta al variare degli intervalli. La domanda che chiude ogni replica è l’unica che distingue un report da un’analisi: quale evidenza, se arrivasse domani, ti farebbe cambiare la raccomandazione di oggi.

Un holdout su scala industriale: il taglio di Procter and Gamble

Nel gennaio 2017 il chief brand officer di Procter and Gamble, Marc Pritchard, annuncia un taglio di circa 200 milioni di dollari di spesa digitale giudicata inefficace. Nei trimestri successivi la società dichiara pubblicamente di non aver subito cali di vendite né di copertura, avendo eliminato impression non viste e traffico non umano. È un holdout naturale su scala industriale: togli 200 milioni, osserva il controfattuale, rialloca ciò che resta sui canali con effetto misurato. La lezione per Nordwind è identica su scala minore: prima dimostri cosa succede senza la spesa, poi decidi dove rimetterla.

Domande per metterti alla prova

Prima di chiudere, mettiti alla prova con queste domande:

1. Perché il CPA del brand paid può scendere mentre il CAC aziendale sale?
2. Quale scomposizione rivela che il canale più efficiente sta comprando i propri clienti?
3. Quale intervallo di lift rende il content enterprise il miglior uso del prossimo euro?
4. Quale trigger numerico ti farebbe riaprire il taglio al brand paid entro tre settimane?