MARKETING
Il data driven marketing è un modo di decidere: ogni scelta di marketing parte da un dato misurato, non da un’opinione o da quello che fa un concorrente. Si formula un’ipotesi, la si mette alla prova e si scala solo quello che i numeri confermano. Il primo passo non è uno strumento: è avere dati affidabili.
Cos’è il data driven marketing, in pratica
Vuol dire rispondere con i numeri a quattro domande, sempre in questo ordine:
- Dove si trova il problema?
- Come succede?
- Perché succede?
- Cosa facciamo per risolverlo?
La differenza tra un progetto che cresce e uno che non cresce sta nelle decisioni. E la qualità delle decisioni dipende dalla qualità dell’analisi che c’è dietro.
| Marketing a opinioni | Data driven marketing | |
|---|---|---|
| Da dove parte una scelta | “Lo fa il competitor” | Dai dati del proprio funnel |
| Come si giudica | Dal fatturato di fine mese | Da un modello che isola cosa ha generato il risultato |
| Quando si aumenta il budget | Quando le vendite calano | Quando i numeri dicono che l’azione rende |
| Cosa resta dopo | Iniziative isolate | Test che si sommano nel tempo |
Da dove partire: cinque passi
1. Scomponi l’obiettivo
Un obiettivo come “più fatturato” non si può attaccare. I suoi pezzi sì.
- Fatturato = AOV × numero di ordini. L’AOV è il valore medio dell’ordine.
- Ancora più a fondo: ordini dei nuovi clienti più ordini dei clienti di ritorno, ciascuno con il suo AOV.
- Ordini = sessioni × tasso di conversione.
- ROAS = fatturato / budget speso. È il ritorno sulla spesa pubblicitaria.
Quando l’obiettivo è scomposto, sai quale pezzo guardare. Si lavora sulla metrica più lontana dall’obiettivo.
2. Metti in ordine i dati prima di ottimizzare
È il passo che tutti vogliono saltare. Nel caso Phi Beach la prima stagione è servita a questo: costruire il tracciamento e la raccolta dei dati su tutti i punti di contatto. Solo dopo sono arrivati dynamic pricing e forecast. Quella stagione si è chiusa con il 54% di ricavi da ticketing in più rispetto all’anno prima.
Senza dati affidabili non conosci il business, non sai cosa ottimizzare e non puoi misurare l’effetto di quello che fai. È il tema del nostro servizio di data quality.
3. Conosci i limiti dei tuoi numeri
I dati non sono la verità: sono misure, ognuna con le sue regole. Due avvertenze valgono per quasi tutti.
- Google Analytics 4 vede solo una parte. Se sulla property non è attivo il Behavioral Modeling, GA4 traccia solo sessioni e acquisti di chi ha accettato i cookie.
- Ogni piattaforma attribuisce a modo suo. Il modello di attribuzione di GA4 è diverso da quello di Google Ads e di Meta. Meta oggi usa di default 7 giorni dal click e 1 giorno dalla visualizzazione. Il tag di Google Ads usa 30 giorni dal click.
Per questo i totali delle piattaforme non coincidono mai con quelli di Analytics. Non è un errore: è una differenza di regole. La spieghiamo nella guida ai modelli di attribuzione.
4. Trova il collo di bottiglia
Il tasso di conversione è il prodotto dei passaggi del funnel. Ogni passaggio ha un valore di riferimento.
| Passaggio | Valore buono |
|---|---|
| Utente o click in uscita → view_content | 35-50% |
| view_content → add_to_cart | 7-15% |
| add_to_cart → begin_checkout | 50-70% |
| begin_checkout → purchase | almeno 20% |
Il collo di bottiglia è il passaggio più lontano sotto il suo benchmark, oppure quello che peggiora di più rispetto al periodo precedente. Non è semplicemente il tasso più basso: un add_to_cart al 9% è sano, un passaggio da carrello a checkout al 40% no.
Poi si scende con i “perché”. Il calo riguarda tutti i device o solo il mobile? Tutte le pagine o una sola landing? Spesso un crollo che sembra generale nasce da un solo device o da una sola pagina. Il metodo completo è in Analisi del funnel e CRO.
5. Ipotizza, prova, scala
Trovato il dove e il perché, si scrive un’ipotesi e la si mette alla prova. Si scala quello che funziona. Si ferma quello che non rende.
Il ciclo è questo: misuri, capisci, ipotizzi, testi, ottimizzi. Poi ricominci.
Due esempi di decisioni che i dati hanno ribaltato
SaaS & Software. Il cliente voleva scalare oltre i 400.000 € di spesa mensile, ma i volumi non si muovevano. L’intuito diceva “serve più budget”. Un Marketing Mix Model, cioè un modello statistico che stima il contributo di ogni canale alle vendite, ha mostrato il contrario: si stava già investendo oltre il livello efficiente. Spostando il budget dove il rendimento marginale era ancora positivo sono arrivate più conversioni, con 0 € di budget in più.
E-commerce & Streaming. Il motore di raccomandazione massimizzava le conversioni immediate. I numeri di breve periodo erano buoni. Guardando il valore dei clienti a 12 mesi, i più esposti mostravano un crollo di interesse. Con un 15% di raccomandazioni fuori target, inserite apposta, la fidelizzazione a 12 mesi è salita del 22%.
In tutti e due i casi il dato “ovvio” portava nella direzione sbagliata. Essere data driven vuol dire anche scegliere il dato giusto e l’orizzonte giusto.
Gli errori più comuni
- Partire dallo strumento. Una dashboard nuova su dati sporchi dà risposte sbagliate più in fretta.
- Guardare tutto allo stesso modo. Conta quello che ha inciso di più sul risultato, non quello che è cambiato di più.
- Isolare i numeri. Ogni dato va letto nel suo contesto.
- Fermarsi alla descrizione. Un’analisi che non porta a un’azione è solo un racconto.
Come lavora Dataz
Siamo una growth & data agency di Milano. Il nostro metodo ha tre passaggi.
- Audit & Target. Analizziamo i dati e fissiamo un obiettivo misurabile.
- Lab Deployment. Mettiamo in ordine tracciamento e base dati e attiviamo i moduli del Dataz Lab, tra cui Sherpaz.
- Execution & Scaling. Lanciamo gli esperimenti e scaliamo quello che funziona.
Se vuoi capire da dove partire con i tuoi dati, guarda il servizio di data analytics. Se il tuo problema oggi è il costo per ordine, leggi Come abbassare il CPO.
Domande frequenti
Cosa significa data driven marketing? Significa prendere le decisioni di marketing partendo da dati misurati. Si formula un’ipotesi, la si prova e si scala solo quello che i numeri confermano.
Da dove si parte? Dall’obiettivo scomposto in metriche e da un tracciamento affidabile. Gli strumenti vengono dopo.
Servono molti dati o un team di data scientist? Per iniziare no. Servono dati corretti su funnel, ordini e spesa, e un metodo per leggerli. I modelli avanzati arrivano quando la base è solida.
Perché i numeri di Meta, Google Ads e GA4 non coincidono? Perché usano regole di attribuzione e finestre diverse. E perché GA4, senza Behavioral Modeling, vede solo chi ha accettato i cookie.
Qual è la prima metrica da guardare? Quella più lontana dall’obiettivo. Di solito si parte da costo per ordine, valore medio dell’ordine e costo per click.
