CRM and email marketing analytics

Il canale proprietario dove ogni contatto ha una storia

Questa lezione si muove sul binario tabellare: l’email si legge come un imbuto di tabelle — recapito, clic, conversione, ricavo — e ogni stadio ha la sua metrica onesta e il suo denominatore. L’obiettivo è leggere il funnel email dal recapito al ricavo, proteggere la deliverability e misurare l’incrementalità reale di ogni invio.

Una sequenza di email può mostrare open rate alti, clic discreti e ricavi bassi. La reazione istintiva è riscrivere l’oggetto per la terza volta, quando il problema sta altrove: il messaggio arriva alla persona sbagliata, nel momento sbagliato, con una promessa che non regge il confronto con il prezzo o con la frizione del checkout. L’email è l’unico canale proprietario dove ogni contatto ha una storia — cosa ha comprato, cosa ha ignorato, da quanto tace — e l’analisi serve a usare quella storia per decidere chi contattare, con cosa e quando stare zitti.

Il protocollo operativo in sette mosse

Ecco la sequenza che tiene l’email marketing ancorato ai ricavi:

1. Misura l’imbuto in ordine: recapito, clic, conversione e ricavo per email, con reclami e disiscrizioni accanto ai ricavi.
2. Allinea SPF, DKIM e DMARC e monitora reclami e volumi prima di scalare gli invii.
3. Isola i dormienti oltre i 180 giorni senza interazioni e spostali in un flusso di riconquista separato.
4. Segmenta per comportamento e recenza, riservando incentivi e frequenza in base al valore osservato.
5. Applica un tetto di frequenza globale con priorità esplicita tra transazionale, trigger e campagne massive.
6. Dimensiona ogni test prima del lancio e leggilo a ciclo settimanale completo sulla metrica primaria dichiarata.
7. Trattieni un holdout dal 5 al 10% su ogni campagna massiva e calcola il lift contro il controllo.

Perché l’email inganna chi guarda le metriche sbagliate

L’open rate è stata per anni la metrica regina, ma dal 2021 ha perso gran parte del suo significato. Con la Mail Privacy Protection, Apple pre-carica le immagini delle email tramite proxy prima ancora che l’utente le apra: il tracking pixel si attiva comunque e registra aperture mai avvenute. Su un database con molti utenti iOS, un open rate del 40% può essere per metà traffico di robot. Chi ottimizza su quel numero finisce per premiare oggetti clickbait e orari casuali, perché il segnale non distingue più tra interesse reale e rumore infrastrutturale.

Il secondo inganno è il volume. Inviare a 500.000 contatti invece che a 200.000 fa quasi sempre salire i ricavi assoluti della campagna, ma dice poco sull’efficienza: se i 300.000 aggiunti sono dormienti da un anno, il ricavo marginale per invio crolla e il costo si paga altrove, in deliverability. Ogni invio a chi non interagisce segnala ai provider — Gmail, Outlook, Yahoo — che le tue email non sono desiderate. Nel tempo la reputazione del dominio scende e anche gli utenti attivi iniziano a trovarti nello spam. Il trade-off è concreto: spremere la lista oggi contro poter recapitare domani.

Il terzo inganno è l’attribuzione last-click. Il report del provider email mostra 46.800 euro “generati” da una campagna, ma una parte di quegli acquisti sarebbe avvenuta comunque: l’utente aveva già il prodotto nel carrello, o avrebbe comprato via ricerca diretta il giorno dopo. Senza un gruppo di controllo che non riceve l’email, il contributo incrementale resta ignoto. L’email risulta così sistematicamente sovrastimata rispetto a canali che lavorano più in alto nel funnel, e il budget segue il miraggio.

La via d’uscita è trattare ogni invio come un esperimento economico: quanto ricavo per email inviata, a quale costo di reputazione, rispetto a cosa sarebbe successo senza invio. Le tre domande che tengono ancorata l’analisi sono sempre le stesse: quale decisione cambia se questo numero è alto o basso, rispetto a quale baseline lo interpreto, e cosa mi farebbe ricredere.

Le metriche che contano davvero, dal recapito al ricavo

Una campagna email è un imbuto e ogni stadio ha la sua metrica onesta. Saltarne uno significa attribuire al contenuto un problema di recapito, o al targeting un problema di offerta. L’ordine è obbligato: consegnate, clic, conversioni, ricavi.

Tutto parte dal delivery rate, email consegnate / email inviate. Un valore sotto il 95% indica problemi tecnici o di lista: rimbalzi, blocchi, spam trap. Poi viene il click-through rate, clic unici / email consegnate × 100, che misura l’intenzione esplicita: qualcuno ha trovato il messaggio abbastanza rilevante da interrompere quello che stava facendo. Il click-to-open rate, clic unici / aperture uniche × 100, isola invece la qualità del contenuto una volta aperto — ma va letto con cautela proprio perché il denominatore è inquinato dalla Mail Privacy Protection.

Il conversion rate, ordini / clic unici × 100, sposta lo sguardo dal messaggio all’offerta: pagina prodotto, prezzo, spedizione, fiducia. Infine la revenue per email, ricavi totali / email inviate, riporta tutto a un numero confrontabile tra campagne, segmenti e persino canali. Due metriche derivate chiudono il quadro economico: il ricavo per mille invii e il tasso di disiscrizione e reclami per invio, che quantificano il costo nascosto in reputazione.

Un confronto tipico mostra perché l’open rate da solo porta fuori strada. Un retailer invia due campagne a 200.000 iscritti ciascuna:

Campaign	Open rate	CTR	CTOR	Conversion rate	Scontrino medio (€)	Ricavi (€)	RPE (€)
A, sconto aggressivo generico	35% (gonfiato da MPP)	2,0% (4.000 clic)	5,7%	5,0% (200 ordini)	40	8.000	0,04
B, selezione personalizzata	22%	4,5% (9.000 clic)	20,5%	8,0% (720 ordini)	65	46.800	0,23

La campagna A sembra vincere all’apertura e perde quasi sei a uno sui ricavi. Il CTOR racconta la differenza di pertinenza, il conversion rate e lo scontrino raccontano la differenza di offerta: chi riceve la selezione personalizzata compra più spesso e spende di più. Ottimizzare per l’open rate avrebbe premiato la campagna peggiore.

Vale anche il confronto inverso: una RPE alta ottenuta inviando solo ai 5.000 clienti migliori non scala. La domanda corretta è sempre marginale — cosa succede alla RPE e ai reclami se allargo il segmento di altri 50.000 contatti — non media sul segmento più facile.

Verdetto: la campagna B vince quasi sei a uno sui ricavi; ottimizza per ricavo per email e tasso di conversione, mai per aperture.

Come la deliverability decide prima del contenuto

Se l’email non arriva in inbox, il miglior copy del mondo vale zero. La deliverability si regge su tre pilastri e il primo è tecnico: autenticazione. SPF è il record DNS che elenca quali server possono inviare a nome del dominio, DKIM è la firma crittografica che garantisce che il messaggio non sia stato alterato, DMARC è la policy che dice ai provider cosa fare con le email che falliscono i due controlli. Senza i tre allineati, una parte del traffico viene scartata o marchiata come sospetta prima ancora di guardare il contenuto. La verifica è banale — un controllo DNS e i report DMARC aggregati — eppure resta la causa più comune di crolli improvvisi del recapito dopo una migrazione di provider.

Il secondo pilastro è la reputazione di dominio e IP. Gmail e Outlook calcolano per ogni mittente un punteggio basato su reclami per spam, engagement e consistenza dei volumi. La soglia critica sui reclami è intorno allo 0,1%: sopra lo 0,3% iniziano i blocchi sistematici verso lo spam. L’engagement pesa perché i provider osservano se le email vengono aperte, cliccate, risposte o cancellate senza lettura. Un picco improvviso di volume — da 20.000 a 300.000 invii in un giorno per il Black Friday — assomiglia al comportamento di uno spammer compromesso e deprime la reputazione. Per questo gli IP nuovi vanno scaldati gradualmente, aumentando i volumi su settimane e partendo dagli utenti più attivi.

Il terzo pilastro è l’igiene della lista, quello che l’analista controlla con le query. I bounce hard — indirizzi inesistenti o chiusi — vanno rimossi subito: insistere segnala trascuratezza. I bounce soft ripetuti, le caselle piene o i blocchi temporanei su tre o quattro invii consecutivi meritano la stessa sorte. E poi ci sono le spam trap: indirizzi mai appartenuti a persone reali, disseminati dai provider per individuare chi compra liste o non pulisce mai il database. Colpirne una non fa danni visibili, colpirne molte affossa la reputazione in giorni.

Quando smettere di inviare è la decisione più redditizia

La sunset policy è la regola che decide quando un contatto smette di ricevere email commerciali. Sembra controintuitivo — perché rinunciare a potenziali acquirenti — ma i numeri sono testardi: un segmento dormiente da oltre sei mesi converte tipicamente sotto lo 0,1% per invio e genera la maggior parte dei reclami. Tenerlo in lista deprime la reputazione e quindi il recapito verso chi invece comprerebbe.

Una diagnostica standard identifica gli iscritti da oltre 90 giorni senza alcuna interazione negli ultimi 180:

-- Individua i contatti dormienti candidati alla sunset policy
SELECT
  u.user_id,
  u.email,
  u.subscription_date,
  MAX(e.event_timestamp) AS ultima_interazione
FROM users AS u
-- LEFT JOIN: mantiene anche chi non ha mai interagito
LEFT JOIN email_events AS e
  ON u.user_id = e.user_id
  AND e.event_type IN ('open', 'click') -- solo segnali di interesse reale
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 -- mai interagito
   OR MAX(e.event_timestamp) < CURRENT_DATE - INTERVAL '180 day';

Prima di cancellarli, la prassi seria prevede un tentativo di riconquista: una o due email con oggetto esplicito e incentivo reale, possibilmente con preferenze di frequenza. Chi non risponde va soppresso dalle campagne massive — resta nel CRM per gli eventi transazionali, ma non riceve più il commerciale. Chi invece riapre rientra nei segmenti attivi. L’errore da evitare è trattare la sunset come pulizia annuale: va automatizzata come flusso continuo, altrimenti la lista si risporca in un trimestre.

La segmentazione che sposta i ricavi è comportamentale

La segmentazione demografica — età, genere, città — spiega poco del comportamento d’acquisto via email. Quella che sposta CTR e conversioni è comportamentale: cosa ha fatto l’utente, quando, con quale frequenza e con quale valore. Le dimensioni utili sono poche e concrete: stadio del ciclo di vita, recenza e frequenza d’acquisto, categoria merceologica vista o comprata, sensibilità al prezzo osservata, engagement email recente.

Il framework RFM resta il punto di partenza più solido per l’e-commerce: recency (giorni dall’ultimo ordine), frequency (ordini negli ultimi 12 mesi), monetary (speso totale). Incrociando le tre dimensioni emergono segmenti azionabili: campioni ad alto valore recente, clienti fedeli ma in raffreddamento, nuovi acquirenti da consolidare con il secondo ordine, dormienti da riattivare o sopprimere. Ogni segmento ha la sua offerta e la sua frequenza: i campioni tollerano anteprime e lanci, i raffreddati rispondono a prove di novità, i dormienti solo a incentivi forti o al silenzio.

Accanto a RFM servono i trigger event-based: carrello abbandonato, prodotto visto senza acquisto, compleanno, anniversario del primo ordine, calo di attività dopo una soglia di giorni. Questi flussi automatici generano di solito una quota sproporzionata dei ricavi email — spesso oltre la metà — con volumi piccoli ma pertinenza altissima. Il motivo è semplice: arrivano quando l’intenzione esiste già, invece di doverla creare da zero come fa la newsletter settimanale.

I flussi automatici che reggono metà dei ricavi

Le lifecycle campaign si valutano flusso per flusso, non come blocco unico. Quattro famiglie coprono quasi tutto il ciclo di vita. L’onboarding parte al momento dell’iscrizione o del primo acquisto: una serie breve che spiega il valore, raccoglie le preferenze e spinge verso la prima o seconda conversione. I KPI sono il tasso di attivazione e il tempo al secondo ordine, non gli open rate delle singole tappe.

Il carrello e la navigazione abbandonata sono il flusso dal ROI più alto e il più delicato sul piano della misura. Una sequenza tipica prevede tre tocchi: promemoria neutro dopo poche ore, assistenza con recensioni o costi di spedizione espliciti dopo un giorno, incentivo mirato dopo due o tre giorni solo per i segmenti che ne hanno bisogno. Dare il 10% a tutti dal primo messaggio abitua i clienti ad abbandonare apposta: meglio riservare lo sconto a chi non ha mai comprato o a carrelli sopra una certa soglia.

La riattivazione intercetta il raffreddamento prima che diventi dormienza: scatta dopo 30, 60 o 90 giorni senza acquisto a seconda della frequenza naturale della categoria. Funziona quando cambia davvero la proposta — novità di catalogo, formati diversi, sondaggio sulle preferenze — non quando ripete lo stesso messaggio ignorato per mesi. Infine il post-acquisto trasforma la transazione in relazione: conferma, tracking, guida all’uso, richiesta di recensione al momento giusto, cross-sell coerente con l’acquisto. Misurare questi flussi richiede coorti, non aperture: quota di carrelli recuperati sul totale, tempo mediano al recupero, margine al netto degli sconti erogati.

Un punto operativo spesso trascurato è il frequency capping globale. Ogni flusso ragiona per sé e nessuno si accorge che lo stesso utente riceve in una settimana newsletter, carrello abbandonato, back-in-stock e riattivazione. Senza un tetto e una priorità tra flussi, i più attivi — proprio i migliori clienti — sono quelli più bombardati. La regola pratica è un limite settimanale per segmento e una gerarchia esplicita: transazionale sopra trigger comportamentali, trigger sopra campagne massive.

Fare A/B test sulle email senza farsi ingannare dal caso

L’A/B test email sembra facile — il provider ha il pulsante integrato — ma la maggior parte dei test dichiarati “vinti” non regge un controllo statistico. Gli errori ricorrenti sono tre: campioni troppo piccoli, test fermati al primo giorno favorevole, e metriche di successo scollegate dai ricavi. Testare l’oggetto su 2.000 invii per gruppo e proclamare vincitore un CTR del 3,1% contro 2,8% significa leggere rumore: con quei volumi l’intervallo di confidenza ingloba entrambe le stime.

Un test solido parte da un’ipotesi falsificabile — “la personalizzazione con la categoria vista alza il CTR del flusso di abbandono” — e dichiara prima la metrica primaria, in genere CTR o RPE, e la dimensione minima d’effetto che giustifica il cambio. La randomizzazione deve avvenire a livello di utente con split stabile nel tempo, altrimenti lo stesso contatto vede entrambe le varianti. E la durata deve coprire almeno un ciclo settimanale completo, perché il comportamento email varia molto tra feriali e weekend.

Il calcolo della dimensione campionaria va fatto prima, non dopo. Per confrontare due proporzioni con potenza dell’80% e p<0.05, bastano poche righe:

import math
# Stima del campione per gruppo nel confronto di due tassi di clic
p1 = 0.030  # CTR atteso del controllo (3%)
p2 = 0.036  # CTR minimo che giustifica il cambio (+20% relativo)
alpha_z = 1.96  # soglia per p<0.05 a due code
beta_z = 0.84   # potenza dell'80%
p_medio = (p1 + p2) / 2  # proporzione media sotto l'ipotesi nulla
# Formula standard per il confronto di due proporzioni
n = (2 * p_medio * (1 - p_medio) * (alpha_z + beta_z) ** 2) / (p2 - p1) ** 2
print(f"Invii per variante: {math.ceil(n):,}")  # circa 20.000 con questi tassi

Con tassi di conversione bassi servono decine di migliaia di invii per variante: chi non li ha deve testare differenze grandi — layout, offerta, segmentazione — non sfumature di punteggiatura nell’oggetto. E deve resistere alla tentazione di guardare i risultati ogni ora: il peeking ripetuto gonfia i falsi positivi, meglio fissare in anticipo durata e regola di lettura.

Quanto dell’acquisto è merito davvero dell’email

La domanda più costosa è l’ultima: quanti di questi ordini ci sarebbero stati comunque. L’attribuzione last-click assegna tutto all’ultimo tocco e sovrastima sistematicamente l’email, che spesso intercetta domanda già formata. Tre approcci danno risposte più oneste, in ordine di rigore crescente.

Il più semplice è l’holdout sistematico: trattenere ogni settimana una piccola quota casuale di utenti — tipicamente il 5-10% — da ciascuna campagna massiva e confrontare acquisti pro capite tra inviati e trattenuti. Il lift incrementale è (tasso_inviati − tasso_holdout) / tasso_holdout. Se il gruppo inviato converte allo 0,8% e l’holdout allo 0,5%, il lift è del 60% e solo tre ottavi degli ordini attribuiti sono davvero incrementali. Il costo è rinunciare a una fetta di ricavi immediati; il beneficio è sapere quale fetta era reale.

Il secondo approccio è la coorte temporale su flussi sempre attivi come il carrello abbandonato: confrontare finestre con flusso acceso e spento, o rampe di attivazione progressiva, correggendo per stagionalità e promozioni concomitanti. Meno pulito dell’holdout, ma applicabile dove spegnere il flusso fa paura.

Il terzo è collegare l’email agli unit economics: margine incrementale per invio al netto di sconti e costi di piattaforma, payback sul costo di acquisizione via lead magnet, valore del cliente a 12 mesi per coorte di iscrizione. Un database che cresce di 10.000 contatti al mese con sconto di benvenuto del 15% va giudicato sul margine a un anno di quella coorte, non sulla RPE della welcome email. Se la coorte da sconto riacquista metà rispetto a quella organica e con scontrini più bassi, il canale sta comprando volumi che erodono valore.

Dentro questa cornice si sciolgono anche gli errori classici: confondere correlazione e causalità leggendo i report del provider come verità, ignorare la stagionalità confrontando dicembre con agosto senza normalizzare, fidarsi di query con il grain sbagliato — join che duplicano gli utenti e gonfiano i denominatori. La disciplina minima prima di presentare una raccomandazione resta la stessa: baseline dichiarata, assunzione più fragile esplicitata, controllo post-decisione fissato. Un report utile chiude sempre con la prossima mossa — quale segmento allargare, quale flusso spegnere per due settimane di holdout, quale soglia di reclami fa scattare la pausa — e con il nome di chi decide. L’email premia chi misura poco ma bene, e punisce chi invia tanto e capisce poco.

Verdetto: holdout sistematico dal 5 al 10% su ogni campagna massiva; senza controllo, il report del provider resta un’opinione.

Il cancello dei provider: le regole di Google e Yahoo

Da febbraio 2024 Google e Yahoo applicano ai mittenti bulk, sopra i 5000 messaggi al giorno verso le loro caselle, tre requisiti non negoziabili: autenticazione SPF e DKIM, allineamento DMARC e tasso di reclami per spam sotto lo 0,3%, con obiettivo sotto lo 0,1%. Chi supera la soglia vede le proprie email recapitate nello spam o rifiutate, indipendentemente da oggetto e creatività. La lezione è che la deliverability ha smesso di essere igiene facoltativa ed è diventata un cancello di ingresso misurato dai provider. Prima di scrivere la prossima campagna, controlla autenticazione, reclami e quota di dormienti: è l’audit da poche ore che decide se il resto del lavoro verrà mai letto.

Domande per metterti alla prova

Prima di chiudere, mettiti alla prova con queste domande:

1. Perché l’open rate non può più essere la metrica primaria dopo il 2021?
2. Quale metrica confronta davvero due campagne inviate a volumi diversi?
3. Quando smettere di inviare a un segmento dormiente aumenta i ricavi futuri?
4. Quale holdout misura la quota incrementale di una campagna massiva?