Performance marketing analytics

Questa lezione appartiene al binario tabellare: il lavoro si svolge tra tabelle di metriche, segmenti e bande di controllo, più che tra modelli statistici. Il performance marketing sembra il regno della misurabilità. Una campagna può apparire efficiente sul CPA medio e peggiorare appena alzi frequenza, competizione d’asta o quota di ordini a basso margine. La sfida è distinguere crescita sana da acquisto di conversioni sempre più care.

Il collegamento tra spesa, conversioni e valore

Il performance marketing analytics collega spesa, conversioni e valore del cliente per decidere quale budget scalare, quale ridistribuire e quale spegnere senza confondere efficienza apparente e crescita reale.

Sei passi per analizzare le performance

1. Definisci la decisione di budget, la metrica primaria e il rischio da controllare prima di aprire qualsiasi report.
2. Scomponi CPA, ROAS e conversion rate per campagna, keyword, dispositivo, regione e fascia oraria.
3. Correggi ogni segmento per valore del cliente e margine, con un CPA target differenziato per fascia di LTV.
4. Confronta il risultato con una baseline credibile o un gruppo di controllo, mai con la sola media storica.
5. Sorveglia la stabilità delle metriche con bande mobili e indaga solo le anomalie confermate.
6. Trasforma l’esito in mossa verificabile con owner, soglia e data di ricontrollo.

Fundamental Metrics

Metric	Formula	What it is for
CPA (Cost Per Acquisition)	Spend ÷ Conversions	Misura l’efficienza pura
ROAS (Return on Ad Spend)	Revenue from ads ÷ Ad spend	Indica il ritorno sull’investimento
CTR (Click-Through Rate)	Clicks ÷ Impressions	Valuta la rilevanza dell’annuncio
CVR (Conversion Rate)	Conversions ÷ Clicks	Misura l’efficacia della landing page
CPC (Cost Per Click)	Spend ÷ Clicks	Indica il costo del traffico
Impression Share	Impressions received ÷ Impressions available	Share of voice

La tabella serve come vocabolario condiviso, non come verdetto. Ogni metrica descrive un anello diverso della catena tra spesa e incasso. Leggerne una sola equivale a giudicare l’intera catena da un singolo anello.

The average CPA mistake

The CPA medio nasconde variazioni importanti tra segmenti. Scomponilo per campagna, keyword, dispositivo, regione e orario. Un CPA medio di 50 dollari può nascondere 30 dollari su mobile e 120 su desktop. Tagliare il desktop e investire sul mobile può raddoppiare l’efficienza senza spendere un euro in più.

Lo stesso vale per il ROAS di piattaforma: mescola conversioni che sarebbero avvenute comunque con quelle generate dall’investimento. Finché non separi i segmenti e non correggi per il valore, ottimizzi una media che nessun cliente reale rappresenta.

Verdetto: il CPA per segmento corretto per valore decide mentre il CPA medio descrive soltanto, perché la media nasconde i segmenti che distruggono margine e quelli che lo creano.

Optimization: it’s not about cutting what costs

Eliminare le keyword con CPA alto senza guardare al valore è un errore. Serve un CPA target differenziato per LTV stimato. Per il segmento ad alto LTV puoi spingerti fino a 500 dollari, per quello medio fino a 200, per quello basso fino a 50. Tagliare una keyword da 300 dollari che porta clienti ad alto LTV per salvarne una da 40 che porta resi efficienta la spesa e affossa il margine.

La sequenza corretta parte dal valore. Stima LTV e margine per segmento. Fissa il CPA massimo sostenibile per ciascuno. Poi rialloca dai segmenti sopra soglia a quelli sotto soglia. Solo alla fine guarda le leve tattiche: creatività, bid, match type e pagina di destinazione. Chi parte dalle leve senza vincoli economici ottimizza il rumore.

SQL example: building a control view

Per analizzare il performance marketing in modo sistematico crea una vista che aggrega gli eventi per settimana, segmento e dispositivo. Calcoli così metriche chiave come tasso di conversione e attività utenti. La query seguente è un esempio generico su tabelle events with columns user_id, event_type ed event_time.

WITH base_events AS (
  SELECT
    user_id,
    account_id,
    event_type,
    event_time,
    DATE_TRUNC('week', event_time) AS week,
    source,
    device_type
  FROM events
  WHERE event_time >= CURRENT_DATE - INTERVAL '180 days'
    AND user_id IS NOT NULL
),
weekly_user_metrics AS (
  SELECT
    week,
    user_id,
    COALESCE(source, 'unknown') AS source,
    COALESCE(device_type, 'unknown') AS device_type,
    COUNT(*) AS total_events,
    COUNT(DISTINCT DATE(event_time)) AS active_days,
    COUNT(DISTINCT event_type) AS event_diversity,
    MAX(CASE WHEN event_type IN ('purchase', 'subscribe', 'activation') THEN 1 ELSE 0 END) AS reached_key_outcome
  FROM base_events
  GROUP BY week, user_id, source, device_type
)
SELECT
  week,
  source,
  device_type,
  COUNT(DISTINCT user_id) AS users,
  ROUND(AVG(active_days), 2) AS avg_active_days,
  ROUND(AVG(event_diversity), 2) AS avg_event_diversity,
  ROUND(AVG(reached_key_outcome) * 100, 2) AS key_outcome_rate
FROM weekly_user_metrics
GROUP BY week, source, device_type
ORDER BY week, source, device_type;

Da questa base osservi trend, segmenti e differenze tra canali. Parti da lì per ipotesi più precise.

Python example: checking stability and anomalies

Una metrica utile è stabile e sensibile insieme. Per non reagire a oscillazioni casuali, individua le anomalie statistiche settimana su settimana con media mobile e z-score per segmento.

import pandas as pd

df = df.sort_values(['segment', 'week']).copy()
df['previous_rate'] = df.groupby('segment')['key_outcome_rate'].shift(1)
df['wow_change_pp'] = df['key_outcome_rate'] - df['previous_rate']
df['rolling_mean'] = df.groupby('segment')['key_outcome_rate'].transform(lambda s: s.rolling(4, min_periods=2).mean())
df['rolling_std'] = df.groupby('segment')['key_outcome_rate'].transform(lambda s: s.rolling(4, min_periods=2).std())
df['z_score'] = (df['key_outcome_rate'] - df['rolling_mean']) / df['rolling_std']

anomalies = df[df['z_score'].abs() >= 2].sort_values('z_score')
print(anomalies[['week', 'segment', 'key_outcome_rate', 'wow_change_pp', 'z_score']])

Questo metodo segnala le variazioni che meritano approfondimento ed evita reazioni impulsive.

Errori tipici da evitare

Tre errori ricorrono spesso. Il primo è usare dati troppo aggregati che nascondono pattern opposti. Il secondo è non verificare la qualità: duplicati, tracking incompleto e timezone sbagliate. Il terzo è confondere correlazione e causalità. Ogni analisi include tre controlli: definizione esplicita della metrica, confronto per segmento, verifica contro baseline o gruppo di controllo.

L’errore più comune resta trattare il risultato come verità generale invece che evidenza condizionata. Prima di agire, controlla baseline, assunzioni e costo dell’errore. Chiediti: se il risultato fosse falso, quale decisione sbaglieresti.

Un caso reale: lo spegnimento di Uber

Nel 2019 Uber disattiva circa 100 milioni di dollari di spesa performance annua, tra installazioni e retargeting app, e osserva che le installazioni organiche compensano quasi interamente il volume perso. Le indagini interne attribuiscono lo scarto a frode su click e a installazioni che sarebbero avvenute comunque. Il caso resta il monito canonico contro il CPA medio di piattaforma: quando spegni la spesa e il fatturato non si muove, stavi comprando conversioni che avevi già.

Domande di autoverifica

1. Cosa nasconde un CPA medio di 50 dollari senza scomposizione per segmento?
2. Perché una keyword da 300 dollari può meritare più budget di una da 40?
3. Quando un calo delle conversioni dopo un deploy è tracking e non domanda?
4. Quale controllo separa una variazione reale dal rumore settimanale?