dataMesh Podcast

Microsoft ha dato le licenze di Copilot a caso a circa metà degli oltre 6.000 dipendenti coinvolti in 56 aziende, e per almeno sei mesi ha misurato dalla telemetria le attività svolte. Chi aveva la licenza ha passato 12 minuti in meno a settimana a leggere email e ha chiuso i documenti di Word il 6% più in fretta. Solo il 38% di chi aveva la licenza la usava ogni settimana.È uno dei pochi numeri sull’AI che vengono da un esperimento con un gruppo di controllo. Quando è possibile fare confronti, i numeri sull’AI si restringono: questo è il filo conduttore di tutto quello che leggerete.Cosa è cambiato: due misure che non si parlanoIl 30 settembre BCG ha pubblicato l’Applied AI Index 2026: su 1.330 dirigenti, quasi metà delle aziende dichiara di ottenere dall’AI un valore reale. Un anno prima era il 5%.A ottobre è uscita la revisione di un paper NBER, firmato fra gli altri da Nick Bloom e Steven Davis, con un risultato molto più piccolo. Gli autori hanno intervistato quasi 9.000 CEO, CFO e altri dirigenti in sette paesi. Il 78% delle loro aziende usa l’AI, ma quando si chiede di quanto abbia fatto crescere la produttività del lavoro negli ultimi tre anni, la stima degli stessi dirigenti è dello 0,2% l’anno. Per i prossimi tre se ne aspettano lo 0,6%.Le due indagini rispondono a domande diverse. La prima chiede se l’AI genera valore, la seconda di quanto è cresciuta la produttività rispetto a prima. Chi lavora nella misurazione riconosce la distanza: è quella fra il ROAS che la piattaforma si attribuisce e l’effetto che resta quando togli quello che sarebbe successo comunque.Nessuna delle due, però, è una misura: sono entrambe stime dei dirigenti. E quando un’azienda deve decidere se comprare le licenze, la stima da cui parte quasi sempre è un’altra ancora, le ore.Le ore dichiarateQuasi tutti i business case dell’AI che vedo, che si tratti di ChatGPT Enterprise, Gemini per Workspace, Copilot o Claude, partono dalle ore: quanti minuti risparmia ogni persona, moltiplicati per il costo orario e per l’organico. Il numero è facile da produrre e si gonfia da solo.Si gonfia perché i minuti risparmiati li stimano le persone stesse, e anche chi lavora bene li stima male. Nello studio di METR, fatto con gli strumenti di inizio 2025, sviluppatori esperti al lavoro sui propri progetti hanno impiegato il 19% di tempo in più con l’AI. Alla fine erano convinti di aver fatto il 20% più in fretta. Se chi usa lo strumento sbaglia perfino il segno, un business case costruito sulle ore dichiarate parte già sbagliato.Il caso: 26 minuti al giorno, dichiaratiLo stesso schema, su scala molto più grande. Fra ottobre e dicembre 2024 il governo britannico ha dato una licenza di Microsoft 365 Copilot a 20.000 dipendenti di dodici amministrazioni. Il rapporto finale, uscito a giugno 2025, dice che ognuno risparmia in media 26 minuti al giorno, e il governo l’ha annunciato come “quasi due settimane l’anno”. Il numero viene da un questionario: ognuno ha scelto una fascia, da “meno di 5 minuti” a “più di un’ora”, e la media è calcolata sul punto centrale di ogni fascia. Gruppo di confronto, nessuno. Il rapporto stesso avverte che le cifre sono dichiarate e che non si sa come sia stato usato il tempo risparmiato.Il Department for Business and Trade, ha fatto un passo in più: un diario di una settimana e alcune prove osservate, con gli stessi compiti svolti da chi aveva Copilot e da colleghi senza licenza, e la qualità valutata alla cieca. Per riassumere un rapporto ci volevano 13 minuti invece di 42. Sull’analisi in Excel chi usava Copilot ci ha messo di più, 25 minuti contro 21, e ha consegnato un lavoro peggiore. Il 72% degli utenti era comunque soddisfatto. La conclusione del dipartimento: nessuna prova che il tempo risparmiato sia diventato produttività. E il 70% delle licenze era andato a volontari, cioè a chi si era fatto avanti per usare lo strumento: un campione già ben disposto verso Copilot.Le prove osservate erano undici, troppo poche per farne un numero da business case, e il rapporto lo scrive, ma bastano a vedere la distanza fra quello che si dichiara e quello che si misura.L’occasione: il rollout è già un esperimentoIl materiale più utile su come misurare un rollout viene, curiosamente, da un fornitore. A metà settembre Anthropic, che produce Claude, ha pubblicato una guida per chi dirige le vendite: Building an AI-native revenue organization. Uso Claude ogni giorno, e lo dico perché pesa su come leggo la fonte.Due indicazioni sono giuste. La prima: niente confronto prima/dopo. Si mettono fianco a fianco i team del pilota e il resto dell’organizzazione nello stesso periodo, perché vendono nello stesso mercato e nella stessa stagione. La seconda: un business case fatto solo di ore ha un tetto, perché il valore si ferma al costo di quelle ore. Il valore vero sta in quello che prima non si faceva: più clienti seguiti, più opportunità a parità di organico.Il problema è come vengono scelti i team. La guida consiglia di partire con due o tre team “con capi motivati”. È la scelta sensata per far riuscire un pilota, e quella sbagliata per misurarlo: la differenza con gli altri team contiene la motivazione del capo insieme all’effetto dell’AI, e non c’è modo di separarle dopo. È lo stesso errore del retargeting su chi avrebbe comprato comunque. Uno dei tre segnali indicati per passare alla fase successiva peggiora il quadro: i team pilota devono battere gli altri “anche se il divario è ancora piccolo”. Un divario piccolo su tre team può essere rumore.La correzione sta nella guida stessa, che descrive un rollout a ondate: 25 posti, poi 150, poi tutti. Se l’ordine delle ondate lo estrae un sorteggio invece dell’entusiasmo dei manager, ogni ondata ha un gruppo di controllo gratuito: quelli che non sono ancora entrati.Il metodo ha già funzionato. Erik Brynjolfsson, Danielle Li e Lindsey Raymond hanno misurato così un assistente AI introdotto a scaglioni fra 5.179 operatori di customer service: +14% di pratiche risolte all’ora, +34% per i meno esperti, quasi niente per i più esperti. Nessuna indagine l’avrebbe trovato: una media dichiarata non dice dove sta il guadagno. C’è anche una differenza rispetto alle licenze di Copilot: lo strumento era dentro il lavoro degli operatori, su un compito preciso, non una licenza in più da imparare a usare.Dove starei attentoSi contano tutte le licenze. Nello studio Copilot gli effetti per chi usava lo strumento erano il doppio o più di quelli per chi aveva solo la licenza. Il CFO paga tutte le licenze, anche quelle di chi non le apre: il ROI si calcola su tutti gli assegnatari, altrimenti si misura l’effetto sugli entusiasti e lo si proietta su chi non aprirà mai lo strumento.Troppi fattori esterni? È il motivo del gruppo di controllo. L’obiezione più forte a tutto questo: l’AI entra in cento attività, nelle ore non si vede, e sulle vendite pesano mercato, prezzi e stagione. Vero, ma quei fattori colpiscono allo stesso modo chi ha lo strumento e chi aspetta il turno, e nella differenza resta l’effetto dell’AI. È lo stesso ragionamento di un geo-test sul media. Due accorgimenti lo rendono praticabile: si misura prima dove il segnale è forte, sul compito e sul processo (pratiche chiuse, clienti seguiti per persona), e solo dopo sulle vendite; se non si può sorteggiare la persona, si sorteggiano sedi o team.I gruppi si contaminano. I team che aspettano il loro turno parlano con quelli che hanno già lo strumento, si passano prompt e abitudini. Con l’AI c’è un caso in più: chi non è nel gruppo di controllo può usare ChatGPT sul telefono. Il divario si comprime e il programma sembra valere meno di quanto vale. È un errore conservativo, ma va detto prima di presentare il numero.I numeri invecchiano in fretta. METR ha provato gli strumenti di inizio 2025, il governo britannico quelli di fine 2024: i modelli di oggi sono un’altra cosa, e gli stessi test potrebbero dare un altro risultato. Vale però in tutte e due le direzioni. Se uno studio di sei mesi f… This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

In riunione qualcuno chiede quanti acquisti sono arrivati su GA4 senza valore la settimana scorsa. Nessuno lo sa. Su Google Tag Manager i tag sono partiti tutti e il report del lunedì è uscito come sempre. Se l’errore c’era, poteva vederlo solo chi in quel momento aveva aperto l’anteprima di GTM, e non l’aveva aperta nessuno.Quando i dati li leggeva un analista, un martedì con lo scontrino medio dimezzato lo faceva fermare: prima di commentarlo, chiedeva se quel giorno gli acquisti erano arrivati senza valore. Un agente AI quel martedì lo mette nella media con gli altri giorni e scrive il commento senza farsi la domanda.Che cosa è cambiatoCon l’AI nella pipeline di analisi quella domanda non la fa più nessuno. Un modello non ha modo di accorgersi che valuearriva vuoto su una parte degli acquisti: per lui quel vuoto è un dato come gli altri, e lo mette nei conti. Ne ho scritto parlando dei guardrail dell’IA e dell’AI che guida fissando lo specchietto retrovisore: un’analisi sbagliata e ben scritta fa più danni di nessuna analisi.Per questo la qualità va controllata quando il dato viene raccolto, e gli errori vanno contati e conservati: chi analizza, persona o agente, deve poter sapere quali giorni non usare.Cosa fa GTM, e dove si fermaGTM fa bene il suo lavoro. L’anteprima mostra, per la tua sessione, quali tag partono e con quali valori. La diagnostica del container segnala i problemi di configurazione del Google tag. La versione 360 aggiunge i controlli che servono a un’azienda grande su chi pubblica cosa: approvazioni, zone, workspace senza limite.Nessuna delle due versioni però tiene un registro di cosa arriva in produzione dagli utenti veri, né verifica che il dataLayer contenga i campi previsti nel formato previsto. Una variabile che non trova il valore restituisce undefined, e l’opzione Format Value permette di trasformarlo in un valore a scelta: utile per non rompere i tag, ed è anche il modo più semplice per rendere invisibile un errore. Sul server-side Google rimanda a Cloud Logging, che mostra solo quello che hai deciso tu di scrivere nei log e non il contenuto delle richieste: se non l’hai previsto prima, non sai che cosa è arrivato.Google ha tracciato il perimetro così: GTM governa chi cambia cosa nel container, mentre quello che arriva in produzione resta fuori. Il buco è abbastanza noto da avere un mercato: Code Cube, Trackingplan e ObservePoint vendono proprio questo. Chi resta su GTM e vuole questo controllo deve aggiungere un fornitore: un tag di monitoraggio in più, dentro lo stesso container che dovrebbe controllare, e un’integrazione da mantenere.Dov’è l’occasione: errori di codice ed errori di contenutoSu un tag manager enterprise lo stesso controllo è dentro il prodotto. Prendo come esempio Commanders Act, che lo divide in due momenti: prima di pubblicare il container e mentre i dati arrivano. La distinzione vale anche per chi usa altro.Prima di pubblicare si cercano gli errori di codice. Ogni versione del container passa un test su otto combinazioni di browser e sistema operativo, con gli errori elencati per tag fino al numero di riga. Il test controlla che il JavaScript dei tag sia scritto bene e non vada in errore in un ambiente vuoto, dove le variabili di tc_vars, il data layer di Commanders Act, non esistono: per questo nei tag si scrivono controlli del tipo “se la variabile esiste”, che evitano errori come cannot read property of undefined. Una versione con errori non si pubblica finché l’errore non viene corretto o ignorato in modo esplicito, e i risultati del test restano salvati con ogni versione. Il test quindi dice se il codice si rompe su un browser, non se il valore che arriverà è giusto. La raccolta degli errori JavaScript sui browser degli utenti reali non c’è ancora: Commanders Act la sta valutando, senza una data.Mentre il dato entra si cercano gli errori di contenuto. Qui lavora la Event Specification: per ogni evento le proprietà attese, il tipo, quali sono obbligatorie e cosa fare quando mancano, cioè accettare l’evento, togliere la proprietà o rifiutare tutto. Ogni evento raccolto riceve uno stato: valido, non valido ma accettato, rifiutato, filtrato, fallito. Lo stesso valore mancante che su GTM finisce in un undefined qui diventa un conteggio, una percentuale per sorgente e, se lo si vuole, un alert.Quando i dati partono verso le destinazioni, cioè le piattaforme pubblicitarie e gli strumenti di analisi, il controllo si ripete: per ogni destinazione la quota di eventi consegnati, gli errori con la descrizione e la soluzione, un alert via email, Slack o Teams sotto una soglia scelta.Il terzo punto da controllare è la configurazione del container. Al DMEXCO di Colonia, a settembre, Alessandro Gambato di Commanders Act ha mostrato l’audit dei 15 container web di un cliente. Dei 417 trigger, 176 (il 42%) erano finiti nel cestino, e c’erano due casi in cui la stessa conversione poteva essere inviata due volte. L’audit fotografa la configurazione in quel momento, e per chi misura il dato che pesa di più è il secondo: una conversione inviata due volte entra in un modello come due vendite.Il connettore che legge la qualitàAd agosto ho scritto del server MCP di Commanders Act come strumento per documentare un container. Lo stesso connettore serve a una seconda cosa: chiedere a un agente lo stato della raccolta prima di chiedergli l’analisi.A ottobre 2026 il server è ancora in closed beta. Il tool sulla qualità della raccolta accetta un solo parametro, l’ID del sito, e restituisce sempre le ultime 24 ore, ora per ora: per ogni evento quelli raccolti, quelli validi e quelli accettati con un warning. Altri tool del server danno i totali per evento, gli alert aperti e il registro di chi ha modificato il container. L’agente non vede quale proprietà fallisce, che si consulta in piattaforma, né la consegna alle destinazioni né i risultati del test. Basta per mettere un controllo prima dell’analisi: se oggi purchase ha una quota di warning fuori dal normale, l’agente non fa l’analisi e una persona va a guardare.Dove starei attentoUn warning non è un dato rotto. Basta che un campo presente su tutti gli eventi, che con gli acquisti non c’entra niente, arrivi in un formato diverso da quello della specifica (per esempio “1” invece di vero/falso) e quasi tutti gli eventi del sito risultano non validi, acquisti compresi, anche quelli con valore e ID transazione perfetti. Se il controllo che ferma l’analisi guarda la quota di warning, a quel punto restano due strade. O blocca l’analisi ogni giorno, e dopo una settimana nessuno gli dà più retta. O si alza la soglia finché smette di scattare, e da lì in poi non si accorge più degli acquisti senza valore. In tutti e due i casi il controllo non serve più. Nella specifica renderei bloccanti solo valore, valuta e ID transazione, e sistemerei i warning sui campi che non servono alla misura finché un warning torna a voler dire che c’è un problema da guardare.Il 95% di consegna non basta. Nel report di consegna Commanders Act riassume lo stato di ogni destinazione con un’icona meteo, e mostra il sole quando arriva a destinazione più del 95% degli eventi. Una destinazione che perde 4 conversioni su 100 appare quindi in ordine. La soglia dell’alert si sceglie (l’esempio della documentazione usa il 90%): sulle destinazioni che alimentano le offerte automatiche e l’MMM la metterei al 98-99%.Lo storico dura poco. Le statistiche di consegna restano un mese, e l’agente vede sempre e solo l’ultimo giorno. Lo stato di qualità va salvato ogni giorno nel warehouse, accanto ai dati che descrive. Se per una settimana di ottobre metà degli acquisti arriva senza valore e nessuno lo registra, a gennaio quella settimana sembra solo un calo delle vendite online. Un MMM, che lavora su due anni di dati, la legge così e attribuisce il calo a qualche canale. Nel pezzo di giovedì su Safari 27il problema era lo stesso: meno dati raccolti, letti come risultati peggiori.Ogni correzione automatica va registrata.… This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Il 19 ottobre il team di WebKit ha pubblicato un post per spiegare una cosa che Safari faceva già da cinque settimane. Da iOS, iPadOS, macOS e visionOS 27 il browser blocca le chiamate verso i provider di identity resolution: i servizi che ricevono la tua email al login o all’iscrizione a una newsletter e restituiscono un codice che ti riconosce da un sito all’altro. Il codice per bloccare questa tecnologia è stato implementato in WebKit a febbraio. Chi lavora con queste tecnologie se n’è accorto prima dai report che dal blog.Prima di continuare leggere, prova il tuo browser. Ho misurato il blocco sul mio Mac. Per capire quanto è diffuso ho messo online un test di un minuto: ti dice che cosa blocca il tuo browser e raccoglie i risultati in forma anonima. Li pubblico qui nelle prossime settimane.Cosa è cambiatoDa quando i cookie di terze parti hanno cominciato a sparire, a partire da Safari nel 2020, il mercato ha spostato l’identità sull’email: si tiene per anni, la gente la digita da sola, e un fornitore esterno la trasforma in un codice valido ovunque. Apple ora blocca proprio quel fornitore esterno. Il blocco vale per l’intero dominio, quindi cambiare la forma della richiesta non serve.Apple non fa nomi e non pubblica la lista. Ho fatto la prova sul mio Mac, con Safari 27.0.1 e con Chrome come controllo, sulla stessa rete. Chrome raggiunge UID2, ID5, LiveRamp, Permutive e Audigent in 40-230 millisecondi. Safari li rifiuta prima che la richiesta esca, e nella console scrive Blocked by tracking protections. Stessa sorte per i due domini di The Trade Desk: Apple sembra averli resi di nuovo attiva nella beta iOS 27.2, ma la versione attuale li blocca. LiveIntent, Lotame, Meta, Microsoft, LinkedIn e Criteo passano, e passa anche Google Tag Manager. Quindi i tag di Meta Ads e di Google Ads si attivano in Safari come in Chrome.Poi la prova decisiva. Ho spento “Impedisci il tracciamento cross-site” e ho rifatto il test: tutti i domini bloccati sono tornati raggiungibili. Il blocco è legato a un’impostazione che Safari accende di fabbrica su ogni Mac, iPhone e iPad. Nessuno deve installare niente: chi usa Safari senza toccare le impostazioni ce l’ha già.Quanto pesa, e doveSafari vale il 15,7% del traffico web mondiale e il 17,6% di quello italiano (StatCounter, settembre 2026). Sono medie, e nascondono la realtà di tutti i giorni: la quota cambia parecchio da un settore all’altro. Su un brand di moda di lusso che seguo, Safari porta il 55% del traffico. Chi vende a un pubblico alto-spendente ha un’esposizione tre volte superiore alla media, e proprio sugli utenti che valgono di più.Cosa si rompe nella misuraChi compra media sull’open web raramente ha un contratto diretto con UID2 o LiveRamp. Ci arriva tramite la DSP, il publisher, il fornitore di audience. Per questo il blocco si vede in tre punti, e nessuno porta un’etichetta.L’audience. Un segmento costruito sulle email dei clienti e attivato tramite questi identificativi raggiunge meno utenti Apple. La campagna non si ferma: spende sul resto, e il report non dice chi manca.La misurazione. Collegare un’esposizione su CTV o streaming a una visita sul sito passa spesso da LiveRamp o UID2, come ricostruisce AdExchanger. Su Safari quel collegamento non si fa più.Il tempo. Le serie storiche hanno una rottura a metà settembre, quando iOS 27 ha cominciato a diffondersi. Nei report sembra un calo dei risultati su iPhone e Mac. In realtà si è ridotto il segnale, ed è la differenza fra tagliare una campagna e correggere un dato.Cosa resta apertoIl blocco ha un confine preciso: colpisce le richieste verso domini di terzi. Quelle verso il dominio del sito restano fuori, e le chiamate da server a server Safari non le vede. È la linea che Apple traccia anche a parole: “la personalizzazione in prima parte non è tracciamento”.Qui sta l’occasione per chi misura. A luglio ne avevo scritto parlando di gateway first-party: servire i tag dal proprio dominio. Google Tag Gateway lo fa per i tag di Google, e solo per quelli: Meta, TikTok, Snapchat, Bing e i partner di affiliazione come Awin continuano a caricarsi dai loro domini. Commanders Act Gateway serve da un unico path sul tuo dominio gli script di tutti i partner, compreso il passaggio verso Google Tag Gateway, e filtra i cookie all’uscita.Meta e gli altri non sono nella lista di Safari 27, quindi il gateway non sblocca niente: tiene tutti i tag fuori dagli ad blocker e lascia a te la decisione su che cosa esce verso ciascun partner. Dato raccolto dal sito, usato dal sito, con un controllo esplicito su chi riceve che cosa: è l’architettura che sta al momento dal lato giusto della linea di Apple. Vale lo stesso per i dati di conversione mandati dal server, come le Enhanced Conversions.Dove starei attentoIl server non è un nascondiglio. Dopo il blocco, la tentazione è spostare la chiamata al fornitore di identità sul server, dove Safari non arriva. Apple però ha già scritto come la pensa. Nel post spiega che un fornitore esterno di identity resolution resta un terzo anche quando lavora sui dati di una sola azienda, perché mette insieme dati di molti siti, dispositivi e aziende: crea "una capacità di tracciamento che nessuna prima parte ha da sola". Oggi il blocco colpisce il browser, ma lo stesso ragionamento vale per le chiamate fatte dal server. E Apple ha già uno strumento che non passa dalla rete: Hide My Email, che dà a ogni sito un indirizzo email diverso. Se l'email cambia da un sito all'altro, il fornitore non ha più niente da abbinare.I numeri d’impatto non ci sono. Quelli che circolano vengono dai fornitori colpiti. AdExchanger riporta che Apple vuole estendere la lista a centinaia di aziende, e Apple non l’ha confermato. Non costruirei una decisione di budget su nessuno dei due.Cosa farei questa settimanaGuarda la console di Safari sul tuo sito. Attiva gli strumenti per sviluppatori e apri le pagine di login, newsletter e carrello: Blocked by tracking protections è il blocco di Apple, Resource blocked by content blocker viene da un content blocker, di solito un’estensione che blocca la pubblicità. Segmenta i report per versione del sistema operativo da metà settembre e confronta con gli ordini del gestionale. Chiedi alla tua DSP quale parte dell’audience passava da questi identificativi.Filippo Trocca scrive di misurazione avanzata, attribuzione e infrastruttura di tracciamento first-party su dataMesh. Se vuoi capire quanto della tua misura passava da un fornitore di identità, scrivimi a [email protected]* Blocking Identity Resolution Infrastructure — WebKit, 19 ottobre 2026* Browser Market Share Italy — StatCounter, settembre 2026* Apple’s Safari crackdown threatens advertisers’ cross-channel measurement — eMarketer, 13 ottobre 2026* How data and ad tech vendors are preparing for the iOS 27 fallout — AdExchanger, 8 ottobre 2026* Apple has far-reaching plans to block hundreds of programmatic data companies from iOS — AdExchanger, 2 ottobre 2026* ADOTAT: ID5 stays on Safari blocklist as Trade Desk gets 13-day fix — PPC Land* IAB Tech Lab says Apple can block ad vendors remotely with no appeal — PPC Land* Safari 27 blocks adtech domains at the network layer — FASilytics* Google tag gateway for advertisers — Google for Developers* Tracking Optimisation: Commanders Act Gateway — Commanders Act Community This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Uno spot visto lunedì può spingere un acquisto la settimana dopo. Una campagna display chiusa quindici giorni fa porta ancora qualcuno sul sito oggi. Chiunque abbia lavorato su una pianificazione lo sa, eppure il modo più semplice di misurare la pubblicità lo cancella: mette in fila la spesa di oggi e le vendite di oggi, e dà per scontato che l’effetto di un euro si esaurisca nel periodo in cui lo spendi. È come dire che il termosifone scalda solo finché resta acceso, e che la temperatura crolla nell’istante in cui lo spegni.Questo “effetto memoria” ha un nome, adstock (o carryover), ed è uno dei pochi numeri che decide il risultato di un Marketing Mix Model: è il motivo per cui due MMM costruiti sugli stessi dati possono dire cose opposte sullo stesso canale. Una cosa da fissare subito: l’adstock è un’ipotesi. Un parametro che il modello stima, o peggio che qualcuno imposta a mano.Grazie per leggere dataMesh! Iscriviti gratuitamente per ricevere nuovi Post e sostenere il mio lavoro.Cos’è, in parole povereL’adstock distribuisce l’effetto di un’esposizione su una coda di periodi successivi, con un peso che cala nel tempo. Fa due cose insieme. Accumula, perché l’adstock di questa settimana è la spesa di questa settimana più il residuo non ancora svanito delle precedenti. E decade, perché quando smetti l’effetto non sparisce di colpo: si spegne piano.La metafora che uso con i clienti è un serbatoio con una piccola falla sul fondo. Ogni euro di pubblicità è acqua che versi dentro, e il livello di oggi non è quanto hai versato oggi: è quanto hai versato più ciò che è rimasto dal passato dopo che la falla ha fatto il suo lavoro. Il tasso di decadimento è la dimensione della falla.Quel tasso è un numero tra 0 e 1, e a un responsabile marketing un coefficiente di 0,7 non dice niente. Lo stesso numero si può dire in un modo che chiunque capisce al volo: la half-life, cioè dopo quanti periodi l’effetto si è dimezzato. È il modo in cui Recast suggerisce di leggerlo, e ha ragione: in riunione porti quella. Con un decadimento settimanale del 50% l’effetto si dimezza in una settimana, con il 70% in due, con il 90% in quasi sette.I canali più funzionali, come search e social, hanno di solito una coda corta; TV e video di brand la hanno più lunga, perché vendono molto dopo l’esposizione. E la coda pesa più di quanto sembri. Con un adstock geometrico l’effetto totale di un euro si ottiene dividendo quello della prima settimana per 1 meno il tasso di decadimento. A 0,7, cioè con una half-life di due settimane, il divisore è 0,3 e l’effetto totale vale più di tre volte quello immediato. Chi confronta la spesa e le vendite della stessa settimana ne vede meno di un terzo. Stessi dati, un canale che vale il triplo, per un parametro solo.Come scegliere la curva senza tirare a indovinareNon c’è un pulsante che ti dice quale half-life è giusta, ma c’è un ordine di lavoro. Si parte dal canale, non dal modello. Prima di guardare i dati, immagina quale potrebbe essere il risultato per te: questo canale ha un effetto che parte forte e cala, o uno che matura nel tempo? Search e social hanno effetto quasi immediato e coda breve, e per loro basta la forma più diffusa, quella geometrica, che ha il picco subito e da lì cala soltanto. Un canale a considerazione lunga ha il picco qualche periodo dopo: lì serve un adstock di tipo Weibull, che modella anche il ritardo, al prezzo di un secondo parametro che con uno storico corto non reggi. La forma decide quando arriva l’effetto, non solo per quanto dura — e tra due curve che spiegano i dati altrettanto bene, tieni la più semplice.Poi si lascia stimare ai dati, ma dentro paletti. Fissare la half-life a mano è una scommessa; lasciarla libera di vagare tra 0 e 1 è l’estremo opposto, e con poche decine di osservazioni il modello insegue il rumore. La via di mezzo è un intervallo plausibile o un prior, e tutti e tre gli strumenti open source più usati lo permettono: l’intervallo di theta in Robyn, il prior su alpha in PyMC-Marketing, quello sul decadimento in Meridian. Stai dicendo al modello: cercala qui dentro, non dove ti pare.Infine si valida su tre fronti. Stabilità: rifai la stima su finestre temporali diverse, e se la half-life salta da una settimana a sei stai guardando rumore, non un parametro. Sensibilità: muovi il decadimento di poco e guarda se la decisione di budget cambia, perché se cambia stai appoggiando migliaia di euro su un numero fragile. Riscontro esterno: confronta l’adstock con un lift test o un geo-test, l’unica prova causale che hai, a una condizione. Il test deve continuare a misurare dopo la fine del flight. Quello commerciale di solito si ferma due settimane dopo, proprio quando la coda comincia a vedersi, ed è per questo che il carryover è il parametro che la calibrazione standard misura peggio. Se il modello dice che la TV ha una coda di sei settimane ma un geo-test spento per un mese non mostra quel calo, a sbagliare è il modello.La curva giusta non è quella che riproduce meglio lo storico: è quella che regge fuori campione e non litiga con gli esperimenti.Adstock e saturazione non sono la stessa cosaLe due trasformazioni si confondono di continuo, e in un MMM moderno agiscono entrambe prima della regressione. Conviene tenerle separate: rispondono a domande diverse.L’ordine, in Robyn come in Meridian e PyMC, è: spesa, poi adstock che la spalma nel tempo, poi saturazione che le applica i rendimenti decrescenti, poi la regressione. Quando i risultati calano, è perché ho spinto troppo in alto sulla curva di saturazione o perché ho tagliato la spesa e la coda residua si è esaurita? Sono due diagnosi opposte.Perché ti riguarda anche se non costruisci MMMSembra un tecnicismo da data scientist, e invece decide su quale finestra giudichi un canale: un canale di brand con coda lunga sembra inefficace se lo valuti sui risultati immediati, ed è l’errore che condanna TV, video e branding, etichettati come “che non convertono” quando convertono più tardi. E pesa su come pianifichi: con coda corta le pause si pagano subito, con coda lunga l’effetto regge tra un flight e l’altro.E riguarda di chi ti fidi. Se l’adstock è stato imposto a mano, perché era l’impostazione predefinita dello strumento o perché “facciamo due settimane e via”, l’intero ROI poggia su un’ipotesi che nessuno ha verificato. Stimarlo dai dati è più difficile di quanto sembri: con un anno di dati settimanali hai una cinquantina di osservazioni per separare l’effetto immediato dalla sua coda, mentre si muovono stagionalità, promozioni e festività. Il modello troverà comunque un decadimento che ricalca benissimo lo storico, salvo ribaltarsi appena cambi una settimana di dati. È qui che servono regolarizzazione e prior, il lavoro che aprire la black box dell’MMM descrive in dettaglio.C’è infine il punto più sottile, il travaso con la baseline. Un adstock troppo corto lascia l’effetto residuo della pubblicità nella baseline, dove finisce scambiato per domanda organica. Un adstock troppo lungo fa l’opposto: attribuisce al media di mesi fa vendite che non gli appartengono. In entrambi i casi stai dando per organico ciò che era a pagamento, o viceversa, e nessuno se ne accorge guardando il ROI finale.Le tre domandePrima di credere al ROI che uno strumento ti tira fuori, fai tre domande su ogni canale. Qual è l’adstock ipotizzato. Come è stato scelto, stimato dai dati o messo a mano. E quanto cambiano i risultati se lo muovi di poco. Sono le stesse domande che separano un MMM che guida le decisioni da uno che guida fissando lo specchietto retrovisore: se chi ti ha venduto il modello non sa rispondere a tutte e tre, quel ROI in riunione non lo difendi. L’adstock decide quanto a lungo la tua pubblicità lavora dopo che l’hai pagata, e lasciarlo com’è uscito dalla scatola vuol dire lasciare quella decisione a chi ha scritto il software.Grazie per leggere dataMesh! Questo Post è pubblico, quindi sentiti libero di condividerlo.Filippo Trocca scrive di misurazione avanz… This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Partiamo dal fatto scomodo. Meridian è l’MMM di Google. Robyn è l’MMM di Meta. Entrambi open-source, gratuiti, ben documentati. Ed entrambi costruiti dalle due aziende che vendono lo spazio pubblicitario che quel Marketing Mix Model dovrebbe valutare. I due arbitri sono anche le due squadre in campo.Non voglio farne una requisitoria Google-contro-Meta. Mi interessa una cosa più utile: ogni MMM va testato, chiunque lo firmi. Testare significa calibrarlo e verificarlo con lift test di vario genere e mettere alla prova allocazioni di budget alternative. Il verdetto arriva da lì, da qualcosa che vive fuori dal modello.Prima di tutto, graziePrima di Robyn (open-source dal 2020) e Meridian (2024), l’MMM era rinchiuso in pochi laboratori: econometristi specializzati, vendor da centinaia di migliaia di euro l’anno, scatole nere. Questi due progetti hanno democratizzato la conoscenza e aperto il mercato su cui oggi prosperano anche i vendor indipendenti.Cosa sono, in due righeMeridian (Google): bayesiano, gerarchico a livello geografico, uncertainty-aware. Esigente su dati e competenze, pensato per l’ecosistema Google: Query Volume come variabile di controllo, reach e frequency di YouTube, export in Looker Studio.Robyn (Meta): ridge regression con tuning evolutivo degli iperparametri, decomposizione delle serie storiche via Prophet. Più automatizzato e accessibile: una catena end-to-end in meno di un giorno, su serie storiche, senza dimensione geografica.Due filosofie diverse. Stesso conflitto d’interessi alla radice.Open-source non vuol dire neutraleIl codice di entrambi è su GitHub, lo può leggere chiunque: l’accusa di scatola nera non regge. Il bias sta nelle scelte che il modello porta con sé.Primo: i default e i prior. Le assunzioni di partenza orientano i risultati, e quelle di fabbrica le ha scelte il fornitore, non tu. Secondo: le variabili di controllo. Meridian incorpora segnali dell’ecosistema Google, Robyn ha default Meta-centrici: ogni modello “vede” meglio il canale di casa. Terzo: la calibrazione. I primi due punti si possono correggere, ma solo se qualcuno sa di doverlo fare e sa come farlo. È questo terzo punto a decidere tutto, ed è lì che quasi tutti si fermano.Un MMM non è plug-and-playI modelli open-source hanno fatto credere che dare in input i valori a un framework equivalga a sviluppare un modello MMM. Non è così: una volta lanciato, il modello restituisce i default e i prior di fabbrica, che non sono quelli del tuo specifico business. Se questi strumenti sono così configurabili, è perché sono pensati per essere calibrati da un esperto.In Meridian puoi, e devi, impostare ROI prior personalizzati per canale e calibrarli sui risultati degli esperimenti, oltre ad inserire trend, stagionalità e carryover. La documentazione lo dice apertamente: non esiste una formula per tradurre un esperimento in un prior, si combinano dati, conoscenza di dominio e giudizio soggettivo. I prior esistono proprio perché i dati MMM sono pochi e rumorosi: con poca informazione il loro peso sul risultato è alto. Se nessuno li calibra, quello che ottieni è l’assunzione di fabbrica con l’aspetto di una misura.Con Robyn la sostanza non cambia: i lift test entrano via calibration_input e con 10 canali ti ritrovi 32 iperparametri da delimitare. Soprattutto, Robyn non restituisce un modello: ne restituisce decine, tutti statisticamente plausibili, e quale usare per allocare il budget lo decide una persona competente.La ricetta è la stessa per tutti: modello, specialista, calibrazione con esperimenti indipendenti. Il rischio vero è il set-and-forget: prendere il numero così com’è e scambiare la fiducia statistica per verità. La democratizzazione ha abbassato la barriera d’accesso allo strumento, non quella alla competenza per usarlo bene.Quando l’arbitro ospita la partitaFinché Meridian era codice da gestire in prima persona, il conflitto restava un’avvertenza. Adesso è architettura: Meridian dentro Google Analytics 360 è la versione ospitata da Google, con ingestione first-party, pull cross-channel e interfaccia agentica (ne ho scritto qui). E le Qualified Future Conversions, conversioni previste da Gemini addestrato sul comportamento dentro Google Ads, sono candidate a diventare input del modello. Un segnale che esiste solo per Google Ads e ne valorizza l’investimento, dato in pasto al modello che dovrebbe giudicarlo: doping legalizzato.Se l’MMM di Google è calibrato su una previsione di Google, neanche lo specialista basta: l’indipendenza del giudizio si è spostata dentro il modello. Lo sottolinea anche la critica tecnica di Aryma Labs: un buon modello, con un conflitto che nessuna eleganza statistica cancella.La via indipendenteIl terzo polo è PyMC-Marketing, toolbox bayesiano dei PyMC Labs: open-source ma vendor-neutral. Non vende media, quindi il bias del canale di casa non c’è per costruzione. Richiede competenze, ma non tifa per nessuna piattaforma.Tra i vendor il discrimine è uno: chi calibra con esperimenti causali indipendenti e chi resta a correlazione pura. Mutinex, Measured e Keen affiancano all’MMM esperimenti di geo-holdout: pausa della spesa in alcuni mercati, misura del lift, lift usato come prior. Se il modello dice ROAS 5 e l’esperimento dice 2, riconciliano.E i default contano. Recast racconta di un brand CPG con carryover del video a 12 settimane che, con l’adstock di default a 7 giorni, si vedeva sottostimato il contributo TV del 40%. Qualcuno deve sapere che la TV ha un decay basso, e impostarla di conseguenza.Cosa pretendere da un MMM credibileQuattro cose, sempre insieme. Indipendenza del validatore: calibrazione e verifica con esperimenti di incrementalità che nessuna piattaforma controlla (per partire: il Playbook del Primo Lift Test). Triangolazione: MMM, esperimenti e attribution insieme, mai una fonte sola (è il metodo del capitolo 4 di MMM Strategico). Trasparenza del metodo: prior dichiarati, variabili di controllo esplicite, intervalli di incertezza. Budget per la verità: misurare costa, ma è l’investimento che rende credibile il resto (ne ho scritto qui).Smettete di credere al modello e iniziate a testarloIl modo standard per verificare la qualità di un MMM, qualunque ne sia il motore, l’ha messo sul tavolo proprio Mutinex con mmm-eval: framework di validazione open-source e model-agnostic, stessi test su Meridian, PyMC, Robyn o una scatola nera proprietaria. Il dato di partenza del whitepaper: su 20 RFP recenti, il 70% non chiedeva alcun test di governance o stabilità. La proposta: rendere i test obbligatori in fase di RFP. Quattro prove con soglie esplicite:* Accuratezza predittiva (holdout): MAPE oltre il 15-20% o R² sotto 0,7 segnalano problemi strutturali.* Cross-validation: deviazione standard del MAPE sotto il 5-7% tra le finestre temporali.* Stabilità del ROI: oltre il 15-20% di oscillazione tra un refresh e l’altro, c’è da indagare.* Robustezza: si sporcano leggermente i dati di spesa (un 5% di scarto casuale, a simulare gli errori di tracciamento reali) e si controlla quanto si muove il risultato. Un modello solido cambia meno del 10-15%; aggiungendo un canale finto, che per costruzione non può aver prodotto vendite, il modello deve attribuirgli effetto zero.Questi test servono a evitare errori da milioni di euro, e il whitepaper ne porta uno concreto. Un brand CPG sposta 5 milioni dal digitale alla TV perché l’MMM gli dà un ROI TV altissimo, e la campagna manca gli obiettivi. Quel ROI non era affidabile, e i test l’avrebbero mostrato prima di muovere il budget: oscillava tra 3,5x e 0,8x da un refresh all’altro, e bastava sporcare i dati del 5% per farlo crollare a 1,2x. Un numero instabile preso per certezza. È lo stesso meccanismo del caso Recast citato prima, all’inverso: là il default sottostimava la TV, qui un modello fragile la sopravvalutava. In entrambi mancava chi validasse.L’MMM giusto non è quello di Google né quello di Meta. È quello che scegli tu, messo alla prova con esperimenti che nessuna piattaforma controlla. Me… This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Il 3 giugno Google ha annunciato i Search Generative AI performance report dentro Search Console: una vista dedicata che mostra quante volte le tue pagine compaiono in AI Overviews, AI Mode e nelle funzioni generative di Discover. Chi fa SEO lo chiedeva da due anni: dal giugno 2025 i dati delle risposte AI sono confluiti nei totali “Web” senza filtro, indistinguibili da quelli della ricerca classica. L’attesa era tale che a settembre circolò perfino uno screenshot falso del filtro, smentito da John Mueller.Ora il report esiste, al suo interno troviamo: impression, pagine, paesi, dispositivi e date, fino al dettaglio orario. Manca una colonna: i clic. Niente CTR, niente query, niente posizione.I primi feedback: la colonna che non c’èLa community SEO ha reagito in poche ore, con un tono solo: meglio di niente, ma il dato che serviva non c’è. Barry Schwartz ha chiesto a Google se i clic arriveranno; risposta: “introdurremo metriche aggiuntive nel tempo”. La sua chiosa: “Google non ci dirà quanti utenti cliccano dalle risposte AI verso i nostri siti, nessuna sorpresa”. Search Engine Journal taglia corto già nel titolo: “Still No Click Data For SEOs”. La frustrazione è fondata: il report dice quanto sei visibile, non quanti clic ti stanno costando le risposte AI. Con cali di CTR fino al 58% quando compare un AI Overview, è quel numero a decidere se la visibilità vale qualcosa. Google lo possiede, ma non vuole mostrarlo.Seconda critica: il rollout. Il report parte da un sottoinsieme di siti nel Regno Unito; l’AI Performance report di Bing Webmaster Tools è globale da febbraio. Anche Bing conta citazioni e non clic, ma il confronto nei commenti è impietoso: chi insegue ha reso leggibile la transizione ovunque, chi domina la concede a rate.Perché il Regno Unito? Lo stesso 3 giugno la Competition and Markets Authority ha imposto a Google il primo conduct requirement vincolante sotto il Digital Markets, Competition and Consumers Act: opt-out dalle funzioni AI per i publisher senza penalizzazioni sul ranking e, entro dicembre 2026, clic e CTR disaggregati. A febbraio Google definiva questi controlli “un enorme progetto di ingegneria”; quattro mesi e un ordine vincolante dopo, eccoli. I clic arriveranno perché un regolatore li ha messi per iscritto. Non perché Google abbia cambiato idea.E per chi i report li riceve in riunione: senza clic, le impression dalle risposte AI sono un KPI che può solo crescere. Aspettati dashboard in miglioramento mentre il traffico organico cala — convivono benissimo. Quando comparirà la riga “visibilità AI” in crescita, la domanda è una: misurata in cosa, e dove sono i clic.La prima pagella era arrivata due settimane primaIl quadro si era aperto al Google Marketing Live del 21 maggio con AI Performance Insights: una vista dentro Merchant Center che misura quanto spesso i tuoi prodotti vengono scoperti in AI Mode, nell’app Gemini e negli AI Overviews, e confronta la tua share of voice con quella dei competitor. È lo strumento di “AI share of voice” che fino a ieri compravi da vendor terzi — gratis e in casa Google. Tre viste:* I journey stages: dove sei visibile lungo il percorso d’acquisto (scoperta, valutazione, acquisto).* I product terms: i dettagli che contano per chi cerca prodotti come i tuoi (”montaggio facile” per le tende, “lunga durata della batteria” per le lampade portatili), sono le query conversazionali della categoria.* Gli structured attributes: le specifiche cercate dai clienti (dimensioni, peso, materiali, colori), con un completeness score che segnala le schede incomplete.Più le raccomandazioni su cosa sistemare, tipicamente quali attributi completare.Due avvertenze. Il rollout parte da USA, Canada, Australia, India e Nuova Zelanda: per l’Italia è una finestra di preparazione. E va distinto dai Conversational Attributes, i nuovi campi del feed con rollout globale: quelli sono cosa compili, questo è come ti vedono. Nel post sul feed come vetrina lo scrivevo: i dati prodotto pensati per le parole chiave non bastano più a farsi trovare dall’IA, AI Performance Insights misura quanto ti sta già costando.Sui numeri da palco — AI Mode a 1 miliardo di utenti mensili, AI Overviews a 2,5 miliardi — guardia alta: a fine maggio un censimento di Originality.ai trovava una ventina di implementazioni pubbliche dello Universal Commerce Protocol su oltre tre milioni di domini, nessuna dei brand del keynote. Quanto possiamo fidarci dei numeri annunciati da Google?Le due pagelle, lette insiemeGoogle misura la tua visibilità AI sui due lati del suo ecosistema e in entrambi sceglie le colonne. Sull’organico dà le impression e trattiene i clic. Sullo shopping regala la metrica più ricca, la share of voice, perché lì l’incentivo è suo: più vedi, più investi in campagne e feed. Lo stesso schema di Meridian: Google che ci dice quanto bene funziona Google.AI Performance Insights non è ancora disponibile, e al lancio il punto da guardare è il metodo: una share of voice vale quanto la formula e il denominatore che la generano. Cosa conta come “rilevante”? Su quale universo è calcolata la quota? Se il metodo resterà opaco, sarà un voto scritto dall’insegnante che ha interesse a promuoverti.Limite comune: vedono solo Google. Niente ChatGPT Shopping, niente Perplexity, niente Copilot, niente Rufus (l’assistente AI di Amazon). Misurare solo dentro Google è una parte spacciata per il tutto, e la misura cross-platform Google non può dartela: non vede fuori da casa propria.Il traffico, intanto, resta senza nomeDal 13 maggio GA4 ha il canale nativo “AI Assistant” nei Default Channel Group: riconosce il referrer di ChatGPT, Gemini, Claude, Copilot e Perplexity senza configurazione. Ma dentro le app mobile il referrer spesso si perde, e la sessione atterra come traffico diretto. Soprattutto, AI Mode e AI Overviews non passano attribuzione: proprio le superfici delle due pagelle qui restano invisibili. La riga “AI Assistant” è il minimo garantito del traffico da AI, mai il totale.Cosa farei adessoNiente di questo rende i due tool inutili: vanno verificati prima di finire in una slide. Per l’Italia, dove non sono ancora disponibili, è una finestra per prepararci. Le quattro mosse che vi consiglio.Controllerei subito le proprietà Search Console che servono il mercato UK: se rientrano nel campione, il report è già acceso. Lì leggi la visibilità; per stimare i clic persi dovrai incrociare quelle impression con i clic totali della proprietà.Mapperei gli account Merchant Center sui mercati del rollout: la dashboard si accenderà lì prima, e la leggi mentre i competitor non la guardano.Compilerei i Conversational Attributes partendo dai prodotti che fanno più fatturato, con descrizioni in linguaggio naturale scritte da un LLM, non incollate da una regola marca-modello-colore. È l’intervento che il tool stesso ti suggerirà: tanto vale partire ora.Soprattutto, costruirei una baseline esterna prima che le dashboard di Google si accendano: quanto vieni citato sui motori AI che Google non vede. Otterly, Peec e Profound mandano set di prompt sui modelli e contano le citazioni. Conta solo la frequenza — quante volte su cento compari, su un paniere ampio di query reali — mai il singolo tentativo.È il rank tracking trapiantato sugli LLM, con i suoi limiti: il paniere lo scegli tu, la metrica la definisce lo strumento. Il suo valore non è la precisione: è l’indipendenza da Google. Quando le dashboard si accenderanno, avrai qualcosa di tuo con cui confrontarle.La domanda è quella di sempre: chi misura la mia visibilità, e quanto guadagna dal voto che mi dà? Filippo Trocca scrive di misurazione avanzata, attribuzione e Marketing Mix Modeling su dataMesh. Se vuoi confrontarti su come impostare una baseline indipendente di visibilità AI, scrivimi a [email protected] citate* Introducing Search Generative AI performance reports in Search Console — Google Search Central Blog* New controls for website owners — blog.google* Google Search Console AI performance reports … This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Per anni il feed prodotto è stato la parte noiosa dell’e-commerce. Titolo, GTIN, prezzo, una tassonomia di base, e via verso i caroselli di Shopping. Lo gestiva il reparto tecnico, non lo guardava nessuno, e finché i prodotti restavano “approvati” andava bene così.Quel mondo sta finendo. Con gli aggiornamenti al Merchant Center arrivati nel 2026, il feed ha smesso di essere un archivio di metadati ed è diventato la base da cui l’intelligenza artificiale tira fuori le sue risposte. Quando chiedi a Gemini o ad AI Mode “qual è il portatile giusto per montare video sotto i 1500 euro?”, il modello non ti mostra più dieci link blu, dà una risposta, e la costruisce con le informazioni inserite nel feed. Se nel feed non c’è, in quella risposta tu non esisti.Qui c’è un cambio che pesa più di qualsiasi dettaglio tecnico. Per chi viene dalla misurazione, “dato” ha sempre significato numeri e dimensioni: sessioni, conversioni, ricavi. Adesso il significato si allarga: è un dato l’attributo di prodotto, è un dato una coppia domanda-risposta. Lo sono il PDF della garanzia, l’immagine ad alta risoluzione, il video, il modello 3D in formato .glb. Sono questi i dati su cui l’IA decide chi mostrare e chi consigliare. Il feed di Shopping è il primo posto dove questo principio smette di essere teoria e diventa una casella da compilare o lasciare vuota: da quella casella dipende la visibilità. Se continui a pensare ai dati come righe di un report, stai guardando metà di questo nuovo mondo.Tre cose da mettere a fuoco: cosa è cambiato, dov’è l’occasione, e dove starei attento. Una alla volta.Grazie per leggere dataMesh! Iscriviti gratuitamente per leggere nuovi post e supportare il mio lavoro.Cosa è cambiatoDa maggio 2026 Google ha lanciato in tutto il mondo un blocco di attributi conversazionali, che si affiancano ai campi di sempre senza sostituirli. Il più importante è question_and_answer: fino a 30 coppie domanda-risposta per prodotto, che finiscono dritte nel motore RAG. L’utente chiede “Supporta il Bluetooth 6.0?”, e l’IA risponde con la tua risposta invece di tirare a indovinare. Poi ci sono document_link (fino a 5 PDF — manuali, garanzie — che l’IA legge per estrarre dettagli che in una descrizione non ci starebbero mai), related_product per dirle cosa serve insieme al prodotto, variant_option per le varianti che vanno oltre taglia e colore, e popularity_rank, un numero da 0 a 100 che la orienta quando trova più prodotti che andrebbero bene.C’è poi un campo che esiste da anni ma che quasi nessuno ha mai compilato come si deve: product_detail. Ha una struttura rigida — sezione, attributo, valore — ed è esattamente quello che l’IA legge quando costruisce una tabella di confronto dentro la chat. Lascialo vuoto e il tuo prodotto da quel confronto sparisce. Non finisce più in basso: non c’è proprio.L’occasioneUna logica c’è, e regge. Il problema più serio dell’IA nello shopping sono le allucinazioni, e un modello che si inventa una specifica o un prezzo è una grana legale, non un dettaglio estetico. Darle fatti certi, scritti da te — è questo che fanno question_and_answer e document_link — abbassa di colpo il margine di errore. Il feed diventa la fonte verificata, e il Business Agent che Google sta lanciando può rispondere ai clienti con la voce del tuo marchio, non con il tono neutro di un LLM qualsiasi.Se vendi prodotti complessi — elettronica, attrezzatura, articoli tecnici — qui c’è un’occasione vera. Tutte le domande di nicchia che oggi ti arrivano via ticket o restano sepolte nelle recensioni puoi trasformarle in risposte che l’IA dà al posto tuo, al momento giusto, mentre il cliente sta ancora decidendo.Il titolo torna a vendereQuesto è il pezzo che quasi tutti si perdono, perché è travestito da burocrazia.Per dichiarare un contenuto scritto dall’IA, Google ti chiede due attributi dedicati: structured_title e structured_description. Funzionano uguali: dentro ci metti il testo nel sotto-attributo content (stesso limite del titolo classico, 150 caratteri, stesse regole) e segnali la provenienza con digital_source_type impostato su trained_algorithmic_media. Per le immagini lo stesso lavoro lo fanno i metadati IPTC DigitalSourceType (TrainedAlgorithmicMedia, CompositeSynthetic, AlgorithmicMedia), che non vanno mai cancellati dai file usciti da strumenti come Product Studio.A leggerla così sembra un adempimento per tenere buoni i legislatori. E in parte lo è. Ma chi si ferma qui non ha capito la mossa. Google sa benissimo che il feed di mezzo mondo è generato in automatico: una regola che mette insieme brand, modello, colore e taglia e produce “Nike Air Max 90 – Rosso – 42” per diecimila prodotti. Funzionale, freddo, identico a quello di tutti gli altri. Aprendo un canale apposta per i contenuti scritti dall’IA, Google sta chiedendo un’altra cosa: adesso voglio qualcosa che venda.Lo dice il suo stesso esempio ufficiale. Stesso prodotto, due titoli:* automatico: “Original Google shoes, mens, size 8, blue and orange”* scritto dall’IA: “Stride & Conquer: Original Google Men’s Blue & Orange Power Shoes (Size 8)”Il secondo ha un gancio, il primo è un’etichetta da magazzino. structured_title è la porta che fa rientrare nel feed il copy persuasivo che dieci anni di “titoli a regola” avevano escluso. Ed è qui che nasce la confusione che vedo ovunque. Non è “scritto a mano” contro “scritto da un software”, perché il feed lo genera sempre un software. È generativo (un modello che scrive) contro deterministico (una regola che combina i campi). Solo il primo va etichettato. Il secondo resta un title normale.Due avvertenze, perché qui gli errori si pagano.La prima è tecnica, e fa sprecare il lavoro a molti. Se vuoi che il titolo persuasivo venga usato davvero, devi mandare solo structured_title. Se gli lasci accanto anche il title classico, Google usa quello classico, e il tuo titolo — etichetta IA compresa — non lo vede nessuno.La seconda pesa di più. Un titolo che si legge meglio non è automaticamente un titolo che si posiziona meglio. Il titolo resta il segnale con cui il motore aggancia il prodotto alle ricerche: una stringa piena di keyword come “memory foam king size medium firm” prende più query, un titolo elegante ne prende meno. Solo che il motore sta cambiando sotto i piedi mentre fai questo ragionamento. Quel calcolo valeva quando posizionarsi voleva dire incrociare parole chiave. Dentro AI Mode, Gemini, il Business Agent, l’IA non cerca la corrispondenza esatta: legge e riassume. Lì un titolo che spiega davvero il prodotto può battere la stringa-keyword. Il titolo perfetto del 2024 e quello del 2026 potrebbero non essere lo stesso, e per un bel po’ ti toccherà ottimizzare per due motori che convivono.Dove starei attentoPrimo: la parola “facoltativo”. Google ripete che questi attributi sono opzionali e che senza non perdi l’approvazione del prodotto. Vero, e fuorviante. Facoltativo vuol dire che il prodotto resta a catalogo, in un catalogo che però l’IA smette di citare. Lo scrive la documentazione stessa: ometterli “garantisce quasi certamente un calo della visibilità nelle risposte generate dall’intelligenza artificiale”. È facoltativo come è facoltativo avere un sito che si carica. Tecnicamente sì, nella realtà no.Secondo: chi fa il lavoro? Tutta questa impalcatura scarica sul venditore il compito di rendere accurata l’IA di Google. Sei tu a spacchettare le schede tecniche, a scrivere 30 domande e risposte per ogni prodotto, a produrre i PDF. Google ti vende il beneficio — meno allucinazioni, più visibilità — ma il conto, su un catalogo da migliaia di referenze, lo paghi tu. E lo paghi nel modo peggiore: più il catalogo è ricco e tecnico, più la fatica si concentra proprio sui prodotti che avrebbero più da guadagnarci.Cosa farei se gestissi un e-commerceNon aspetterei la “fase di applicazione rigorosa”. Quando arriva, chi ha popolato il feed prima è già davanti.Partirei dai prodotti che contano. Prendi il 20% di referenze che fa l’80% del fatturato e su quelle compil… This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

Mercoledì 20 maggio, durante il Google Marketing Live, Google ha presentato due novità che, viste insieme, valgono più di tutto il resto del keynote: Meridian integrato dentro Google Analytics 360 e le Qualified Future Conversions, una metrica che usa Gemini per prevedere conversioni fino a sei mesi nel futuro.Sembra l’ennesima release di prodotto. Non lo è. È il cambio di paradigma più importante nella misurazione del marketing da quando è stato lanciato GA4. Per la prima volta un Marketing Mix Model — tool che fino a ieri vivevano solo data scientist e vendor da 200k all’anno — diventa un tool di business intelligence interrogabile in linguaggio naturale, integrato nativamente dentro Google Analytics 360.C’è una parte buona, e c’è una parte che mi preoccupa. Provo a raccontarvele entrambe.La parte buonaMeridian dentro GA360 non è un fork: il codice resta open-source su GitHub. Quello che Google ci ha messo sopra è la parte che ha sempre tenuto fuori dal gioco la maggior parte delle aziende: ingestione dei dati first-party (BigQuery, HubSpot, Shopify, Salesforce) attraverso il Data Manager — l’API unificata che dal 2025 alimenta Google Ads, Analytics e DV360 — pull cross-channel di spesa e impression da Meta, TikTok, Pinterest e Snap, e un’interfaccia agentica che ti permette di chiedere “se sposto 100k da Performance Max a TikTok, cosa cambia?” senza scrivere una riga di Python. Il demo sul palco mostrava un piano annuale che, ottimizzato dal modello, faceva +50% di ROAS sul baseline.Le Qualified Future Conversions sono un animale diverso. Non sono modeled conversion che riempiono buchi di tracking. Sono una stima probabilistica generata da Gemini su un evento non ancora accaduto, ancorata a comportamenti intermedi osservabili: ricerche brandizzate, like o subscribe su YouTube, add-to-cart, avvio di lead form.Il dato interno che le giustifica dovrebbe far rizzare le antenne a chiunque gestisca budget upper-funnel: solo il 70% delle conversioni Google Ads cade dentro la finestra standard 30-day click / 3-day engaged-view. Per Performance Max si scende al 50%. Per Demand Gen al 40%. Tradotto: per metà delle campagne di brand building, le finestre di attribuzione di oggi stanno tagliando via metà del valore reale. È il primo serio tentativo di metterci una pezza dentro la stessa piattaforma che vende il media.Da qui in poi, però, le cose si complicano.La parte che mi preoccupaIl piano dichiarato — scritto nei comunicati e ripreso da PPC Land — è che i segnali QFC verranno usati come input per Meridian. Cioè: Gemini, addestrato sul comportamento osservato dentro Google Ads, sputerà fuori una previsione che diventerà uno degli ingredienti del Marketing Mix Model che dovrebbe dirci se i nostri soldi su Google Ads stanno rendendo. Lo stesso Google che ci dice quanto bene sta funzionando Google.Jordan Taylor-Bartels, CEO di Prophet, intervistato da Mi3, l’ha sintetizzata meglio di come potrei fare io: “It wouldn’t be very Googley if Meridian recommends all spend goes to Meta.”Non è l’unico problema. Ne vedo altri due.Il primo è la stazionarietà. Lo dice la documentazione ufficiale: Meridian non modella l’efficacia dei canali come time-varying. Cioè assume che il rendimento di ogni canale resti costante nella finestra che stai osservando. Chiunque abbia gestito campagne sa che non è così — creative fatigue, saturazione dell’audience, stagionalità, lanci dei competitor, sono la regola. Michael Kaminsky di Recast, autore della critica tecnica più dettagliata su Meridian, indica questa come la lacuna principale.Su questo vale la pena guardare cosa fanno realtà con approccio metodologicamente diverso. AD cube — spinoff del Politecnico di Milano nato dal dipartimento DEIB — restituisce l’andamento di ciascun canale settimana per settimana, come serie storica. Differenza concettuale, non solo operativa: Meridian ti dà un coefficiente per canale valido per l’intera finestra modellata; AD cube ti mostra come quel coefficiente si muove nel tempo — quando un canale entra in saturazione, quando la creatività perde colpi, quando una campagna stagionale funziona e quando smette. Per chi rinfresca le creatività ogni due o tre settimane (chiunque venda online seriamente nel 2026), cambia la natura della decisione: non stai più validando la strategia di un trimestre, stai correggendo il portafoglio in corsa.Il terzo problema è il più sottile. È il conflitto di interesse strutturale, raccontato meglio di tutti da Aryma Labs e Keen Decision Systems: Google e Meta sono insieme i paladini dell’open-source MMM e i vendor dello spazio pubblicitario che quel MMM dovrebbe valutare. Aryma ha aggiunto un dettaglio statistico importante: i Bayesian MMM mostrano la media della distribuzione posteriore invece dell’Highest Density Interval, e per la natura lognormale questa scelta gonfia sistematicamente i ROI dei canali. Non è un bug, è una conseguenza matematica del modo in cui il modello è impacchettato.Nessuno di questi tre rischi rende Meridian inutilizzabile. Ma messi insieme, rendono la validazione indipendente una cosa che fino al 20 maggio era opzionale e da oggi è obbligatoria.Cosa farei se fossi un CMOPartiamo da un dato di realtà che la narrazione sull’agentic UI tende a nascondere: un MMM non si usa da solo, neanche se è dentro GA360 con un’interfaccia in linguaggio naturale. Un Marketing Mix Model è un modello statistico complesso, e perché restituisca valore vero — non solo dashboard belle — ti serve qualcuno che lo sappia leggere, calibrare, interrogare. Un consulente esterno, un’agenzia specializzata, o un data scientist in casa. Le agentic UI riducono la frizione della query, non quella dell’interpretazione.A quel consulente chiederei due cose insieme, non in alternativa. Una: portare avanti Meridian-in-GA360 come baseline, se l’azienda ha già la licenza. Due: girare in parallelo un MMM indipendente come strumento di verifica. È la stessa logica del doppio audit di bilancio: il secondo serve a esporre il bias del primo quando c’è.Il test specifico è semplice: prendi la stima di channel contribution dei due modelli e confrontala. Se i canali Google appaiono il 10-30% più incrementali in Meridian rispetto al modello indipendente, hai trovato la direzione del bias.E se non hai GA360? È la situazione della stragrande maggioranza delle aziende italiane. Tre opzioni realistiche.La prima: un MMM open-source girato da un partner o consulente. “Open-source MMM” non significa “Meridian”: c’è Robyn di Meta (R, ridge regression, community ampia), PyMC Marketing (Python, fully Bayesian, più flessibile di Meridian), Orbit di Uber per serie con stagionalità marcata. È nella scelta dello strumento che il consulente fa la differenza rispetto a chi “fa girare Meridian”.La seconda: una piattaforma MMM self-serve indipendente — AD cube, Cassandra, Mutinex Self-Serve, Recast, Measured, Sellforte — con il consulente che la pilota.La terza, per chi ha budget pubblicitari sotto i 500k all’anno: rinunciare all’MMM strutturato e costruire un setup minimo basato su esperimenti di incrementalità geografica e attribution model.In tutti e tre i casi, il pezzo non delegabile resta la persona che interpreta i risultati.Sulle QFC, attivale subito in un account pilota. Il tracking parte dal giorno dell’attivazione, e quando deciderai di usarle come segnale per le bidding strategy ti servirà uno storico di almeno sei mesi da validare contro l’LTV osservato. Meglio iniziarli oggi che fra sei mesi.Calibra sempre con esperimenti. Meridian GeoX è la risposta nativa quando arriverà; fino ad allora si scelgono i vendor — Haus, Measured, Sellforte, Lifesight (unified MMM + geo experimentation), INCRMNTAL (always-on via causal inference, senza geo holdout), LiftLab (disegno di esperimenti controllati), e Cassandra che integra incrementality testing nella sua piattaforma — oppure si costruisce un framework geo in casa su librerie open-source mature: GeoLift di Meta (Synthetic Control Methods end-to-end in R) … This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

l'Identity protocol: Smettete di investire su "Profili Fantasma".Se i dati non sono vivi il vostro margine è in pericolo: la checklist per arrestare l'emorragia.A: Il Board Da: The Revenue Architect Oggetto: Diagnostica Week 1 / Il Problema “Dead Data”La diagnosi della scorsa settimana è stata chiara: La vostra AI si sta addestrando su dati “morti”. State pianificando campagne su fantasmi, questo gonfia artificialmente il CAC e Rende il LTV una metrica di pura fantasia.Oggi programmiamo la soluzione: non si tratta di fare “pulizia dati”, ma di installare il sistema operativo per rendere i ricavi efficienti: il protocollo di Identity Resolution.L’Equazione Economica: Un Cliente, Dodici Costi.Il vostro cliente non è statico. Nel 2026, un utente high-value interagisce con voi ovunque: Laptop, App, Instagram, Negozio Fisico e molto altro.Nel vostro database grezzo, quella singola persona non esiste, esistono invece 12 frammenti scollegati:* Fantasma 1: Un cookie anonimo del browser (Utente X).* Fantasma 2: Una email da “guest checkout” (Utente Y).* Fantasma 3: Un ID del programma fedeltà del 2021 (Utente Z).* Fantasmi 4-12: ID Mobile, Email aziendali, IP della Connected TV, Cookie scaduti e Click ID di Facebook.Il Buco di Bilancio: Pagate per acquisire l’utente X. Pagate ancora per il retargeting sull’utente Y. Pagate una terza volta per inviare email all’utente Z.Pagate tre volte per acquisire la stessa persona.L’Identity Resolution ricuce questi 12 fantasmi in un unico Golden Record, ferma lo spreco; crea il segnale pulito di cui la vostra AI ha bisogno per prevedere il futuro.La Strategia: Eliminare la “Black Box”Fino a ieri, il problema si risolveva acquistando una CDP (Customer Data Platform) monolitica, una “Black Box”. Inviavate i dati a un fornitore esterno, loro li elaboravano, li rivendevano a voiQuesto modello è obsoleto.* Rischio: Inviate PII (Dati Personali) fuori dal perimetro aziendale.* Costo: Pagate un “doppio affitto” (Storage nel vostro cloud + Storage nel cloud del vendor).* Cecità: Non avete visibilità sul perché due profili siano uniti.Il Nuovo Standard: Warehouse-Native (Zero-Copy) Non spostate i dati verso lo strumento, ma lo strumento si connette ai vostri dati. I moderni motori di identità girano direttamente sulla vostra infrastruttura (Snowflake/Databricks/BigQuery/AWS ecc).* Sicurezza: I dati non lasciano mai la vostra governance.* Velocità: Risoluzione in tempo reale.* Costo: Zero-copy. Pagate per la logica, non per lo storage ridondante.La Decisione: scegliere il Vostro Profilo di RischioNon chiedete “Qual è il tool migliore?”. Chiedetevi: “Qual è il trade-off strategico che accettiamo?”. Esistono 4 architetture valide per il 2026, Sceglietene una.L’Esecuzione: Direttive OperativeUna volta definita la strategia, questo è il mandato operativo per il vostro Data Team:* Speed: Contrattualizzare una Composable CDP (es. Hightouch, Bytek Prediction Platform). Connetterla ai vostri dati. Dare al Marketing le chiavi per sincronizzare le audience direttamente su Meta/TikTok/Google Ads* Automated: Contrattualizzare un Vendor di AI Identity (es. Amperity). Ingerire tutte le tabelle legacy grezze. Lasciare che il loro modello costruisca il grafo. Non tentare sviluppo interno.* Control: Costruire un Private Graph usando AWS Entity Resolution. Le PII non devono lasciare il nostro VPC. Il Marketing richiede le audience tramite ticket.* Google: Centralizzare tutto in BigQuery. Utilizzare la risoluzione ID nativa di Google. Inviare i segmenti direttamente a Ads Data Hub.La Checklist Tecnica (Audit)Consegnatela al vostro Head of Data. Richiedete una risposta “Pass/Fail” entro fine giornata.Test 1: Il Muro del Login (The “Logged-In” Wall)* La Domanda: “Siamo in grado di identificare i visitatori del sito prima che effettuino il login?”* La Risposta Sbagliata: “No, tracciamo i cookie ma sappiamo chi sono solo dopo il login.”* Il Costo: State ignorando il 95% del vostro funnel. State facendo bid su sconosciuti.Test 2: Audit dei Costi Ridondanti (Double Rent)* La Domanda: “Stiamo pagando un vendor esterno per archiviare dati che sono già presenti nel nostro Warehouse?”* La Risposta Sbagliata: “Sì, il marketing cloud necessita di una propria copia dei dati per funzionare.”* Il Costo: State pagando due volte per lo storage e aumentando la superficie di attacco. Migrazione immediata a Warehouse-Native.Test 3: Rapporto Utenti/Profili* La Domanda: “Qual è il rapporto tra ‘User ID’ unici e ‘Profili di Fatturazione’ nel database?”* La Risposta Sbagliata: “Circa 5 a 1.” (o superiore)* Il Costo: State trattando un cliente fedele come fossero cinque estranei. Il vostro modello di LTV è un’allucinazione.RiepilogoL’Identity Resolution non è una pratica IT, è la differenza tra un’AI che prevede il fatturato e un’AI che ha allucinazione.Sistemate il livello dati, ricucite i profili fantasma: arrestate l’emorragia.Settimana Prossima: Valideremo tutto questo con l’unica persona a cui importano davvero i soldi: il CFO. Analizzeremo il Report McKinsey: conferma che il 90% dei budget marketing sta navigando alla cieca.Notizie Per me interessantiDinners are the new trade shows. Here’s how to run them well by Emily KramerHow to do AI analysis you can actually trust by Lenny Rachitsky This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com

È lunedì mattina, ore nove, la riunione del Consiglio di Amministrazione procede con quella familiarità rassicurante che caratterizza gli incontri di routine. Il Direttore Commerciale apre l’immancabile Excel per dimostrare che i target trimestrali sono stati raggiunti, il CMO indica una dashboard con il ROAS in verde, il CFO annuisce compiaciuto.Tutto sembra sotto controllo, eppure c’è un problema che nessuno percepisce: state guardando un referto autoptico. Celebrate transazioni chiuse settimane fa, costruite strategie su indicatori che per loro natura raccontano solo il passato. Che vendiate software enterprise o borse di lusso, gestire un’azienda affidandosi esclusivamente a CRM e report finanziari equivale a guidare a centocinquanta all’ora fissando lo specchietto retrovisore: sapete da dove venite, ma la strada davanti - dove il mercato sta andando, chi sta per lasciarvi - rimane invisibile.Il paradosso è che tutti corrono ad implementare l’AI, ma la maggior parte delle aziende la sta alimentando con dati già morti. Costruiscono modelli sofisticati su transazioni storiche e poi si stupiscono quando le “insight predittive” assomigliano alle tabelle pivot dell’anno scorso con una veste grafica più moderna. Il problema non è l’AI che avete scelto, ma quello che le date in pasto.Grazie per leggere dataMesh! Iscriviti gratuitamente per supportare il mio lavoro.Il Buco Nero dell’OfflineC’è una verità scomoda: il novanta percento del valore di un cliente non sta nella transazione finale, ma nel percorso comportamentale che la precede. Il CRM registra che Giulia ha comprato una borsa nel negozio di via Montenapoleone, ma non vede le cinque visite al sito, le ads su Instagram, le recensioni consultate nelle due settimane precedenti.Senza Identity Resolution, il team Digital vede zero conversioni e un costo per acquisizione alle stelle, il team Retail si prende tutto il merito, e il CFO taglia il budget digital perché “non performa” - segando il ramo su cui l’azienda era seduta. Con Identity Resolution, invece, scoprite che i touchpoint digitali hanno influenzato il quaranta percento del percorso d’acquisto di Giulia, e invece di difendere il budget alla prossima riunione vi trovate a chiedere investimenti aggiuntivi sulle campagne che portano clienti alto-spendenti in negozio.Nel B2B la cecità è altrettanto grave. Mentre leggete, tre ingegneri di un potenziale cliente potrebbero star studiando la vostra documentazione tecnica senza aver compilato alcun form. Per il vostro CRM non esistono. Nel frattempo un competitor con Identity Resolution ha già identificato il loro IP aziendale, sa cosa stanno valutando, e ha fatto partire l’outreach. Quando il vostro Sales si sveglia, la partita è già persa.Il Segnale: Dove l’AI Incontra l’IntenzioneÈ qui che l’intelligenza artificiale smette di essere una buzzword da presentazione e diventa un’arma competitiva concreta. Identity Resolution vi fornisce i dati giusti - quelli che collegano l’identità di un cliente attraverso i diversi touchpoint. L’AI vi dà la velocità e la scala per agire su quei dati prima che l’opportunità svanisca. Separati, nessuno dei due basta. Insieme, creano un sistema che non solo registra cosa è successo, ma prevede cosa sta per succedere e vi dice esattamente cosa fare.Considerate il rischio di abbandono nel B2B. Avete un cliente storico che paga puntuale e rinnova ogni anno - tutte le metriche sono verdi, ma collegando l’identità aziendale al comportamento di navigazione, l’AI vede una storia diversa: tre persone di quell’azienda hanno passato le ultime quarantotto ore sulle vostre pagine “Disdetta contratto” ed “Esportazione dati.” Non stanno curiosando, stanno preparando l’uscita.Il sistema riconosce il pattern—l’ha già osservato in centinaia di account che poi hanno disdetto - calcola una probabilità di abbandono del settantatré percento entro trenta giorni, e allerta automaticamente l’Account Manager con un piano d’intervento suggerito. Sapete che stanno per andarsene prima che loro stessi ve lo comunichino. Le aziende che usano questi segnali comportamentali potenziati dall’AI riducono il churn del 15%/25% - non perché abbiano Account Manager migliori, ma perché agiscono su intenzioni predittive invece di reagire a una PEC di disdetta.Lo stesso vale per l’attribuzione nel retail. Quando unite i dati della carta fedeltà con i cookie di navigazione e ci sovrapponete un layer di AI, le opinioni diventano fatti: il modello vi dice quali combinazioni di campagne generano conversioni in-store, quali segmenti rispondono all’awareness e quali alla performance, dove il prossimo euro investito avrà l’impatto maggiore. Smettete di litigare sull’attribuzione nelle riunioni e lasciate che sia il modello a darvi la risposta.“Ma con il GDPR si può fare?”L’obiezione sulla compliance emerge sempre, ma è qui che l’AI risolve il problema della privacy invece di aggravarlo.Il GDPR non è un muro, è un filtro qualitativo. Non potete tracciare il cento percento degli utenti, ma non vi serve: in un ecosistema sano ottenete il consenso dal 60%-75% dei visitatori. E questo basta!Il meccanismo: usate i dati di alta qualità degli utenti consenzienti per addestrare i modelli di machine learning, che imparano i pattern comportamentali di “Churner”, “High Spender”. Poi applicate quei modelli probabilistici al traffico anonimo. Non state identificando nessuno senza consenso - state riconoscendo comportamenti. L’AI dice: “Questa sessione anonima si comporta all’ottanta percento come i nostri High Spender conosciuti”. Personalizzate l’esperienza senza mai sapere chi sia quella persona.Non state aggirando la legge, state costruendo un motore predittivo conforme che diventa più intelligente a ogni interazione. Le aziende che trattano il GDPR come un ostacolo stanno perdendo terreno rispetto a quelle che lo usano come leva per una data strategy più solida.Da Archivio a Motore: Il Data Stack Pronto per l’AISe i vostri dati restano fermi in attesa del report mensile, avete un archivio polveroso - un centro di costo che produce slide per il CdA. Qui sta la verità che pochi vendor vi raccontano: potete montare l’AI più sofisticata del mercato su un archivio polveroso, ma otterrete solo polvere elaborata più velocemente. Garbage in, garbage out.Con l’Identity Resolution, quell’archivio diventa un motore predittivo in tempo reale. Create la base dati unificata di cui l’AI ha effettivamente bisogno per mantenere le promesse, e smettete di nutrire i modelli con le transazioni di ieri per dar loro le intenzioni di oggi.Le aziende che domineranno i prossimi tre anni non saranno quelle con i budget AI più grossi, ma quelle che avranno risolto prima il problema dei dati - quelle che hanno smesso di guidare fissando lo specchietto retrovisore e hanno iniziato a fidarsi di un GPS potenziato dall’AI che non si limita a mostrare il percorso, ma prevede il traffico, suggerisce scorciatoie, e vi fa cambiare corsia prima che vi accorgiate del problema.Da Dove PartireSe sospettate che la vostra azienda stia investendo in AI senza la base dati per farla funzionare, fate queste tre domande ai vostri team Sales e Data questa settimana:“Riusciamo a collegare un acquisto in negozio alla visita sul sito che lo ha generato?” Se no, avete un buco nell’attribuzione che falsa ogni decisione di investimento e qualsiasi AI implementiate erediterà quella distorsione.“Sappiamo quando un cliente esplora la sezione del sito come uscire dal contratto?” Se no, la vostra retention è reattiva, non predittiva, e state lasciando sul tavolo il caso d’uso AI a più alto ritorno.“Quale percentuale dei visitatori del sito riusciamo a identificare anche senza form compilati?” Se siete sotto il trenta percento, i vostri modelli AI si addestrano su una fetta distorta della realtà.Se avete risposto “no” a una qualsiasi di queste domande, non state facendo Business Intelligence: s tate facendo contabilità con un chatbot sopra.Cosa vi hanno risposto i vostri team… This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit filippotrocca.substack.com