Il problema del digital manager e il decision making data-driven

Il digital manager è colui che guida la macchina e deve capire costantemente come farla
andare più veloce. Per fare ciò ha a disposizione diversi strumenti di marketing:

Per capire quale strumento è il migliore, bisogna seguire i dati. Per fare ciò è fondamentale
definire gli obiettivi di business con una data annessa: Ho un ecommerce che fattura 100k
l’anno e l’obiettivo è arrivare a 500k l’anno di fatturato.

Quello che bisogna fare è costruire un ciclo di decision making data driven:
Raccolta dati-> analisi dati-> identificazione aree critiche e ottimizzazione-> definizione di un
piano d’azione-> AB test-> monitoraggio dei risultati-> se risultato positivo, allora
implementarlo.

Per poter iniziare questo ciclo, è fondamentale un setup:

1.​ come già detto, definizione obiettivo
2.​ definire KPI, metriche per capire se sto andando verso l’obiettivo o no
3.​ dotarsi di un sistema per raccogliere i dati
4.​ visualizzare i dati in maniera semplice, veloce ed efficace
5.​ dotarsi di un sistema per analizzare i dati ed estrarre insight
6.​ dotarsi di un sistema per testare soluzioni
7.​ se possibile, integrare i dati in una pipeline di utilizzo automatizzata (marketing
automation)

Analisi dei dati: esempio introduttivo

Per questo esempio utilizziamo una dashboard di prova in cui sono riportati i dati principali
che un manager vorrebbe vedere per avere un’idea di come sta andando il business, questi
dati sono:
sessioni-> una sessione (chiamata anche "visita") è l'insieme delle azioni che un utente
compie sul tuo sito web in un determinato arco di tempo, come visualizzazioni di pagine, clic
sui prodotti, aggiunte al carrello e acquisti.
transazioni
entrate
conversion rate-> rapporto tra conversioni e visite al sito
AOV
Quantità media
frequenza di rimbalzo-> La frequenza di rimbalzo (in inglese Bounce Rate) indica la
percentuale di visitatori che abbandonano il tuo e-commerce dopo aver visto una sola
pagina, senza compiere alcuna azione. Indica la capacità del mio sito di attrarre il target
aggiunta a carrello

Di sotto ai numeri, possiamo vedere la variazione percentuale rispetto all’anno precedente

(sono dati annuali).

Nella sezione successiva, possiamo vedere gli stessi dati ma settimanali su un grafico
annuale. Utile per capire la stagionalità, offerte relative a festività.
I KPI globali non bastano, infatti, molto utile è andare a vedere i canali di traffico da cui
provengono gli utenti:
Direct-> traffico diretto generato da awareness. Gli utenti già sanno che esiste il brand e
vanno sul sito cercandolo dalla barra di ricerca google senza cliccare su ads.
Paid search-> traffico generato da google ads
influencers-> traffico generato grazie a collaborazioni con influencer
Bing ads

L’analisi da fare è capire se la spesa fatta sui vari canali è valsa il ritorno e successivamente
capire il motivo: l’influencer non era giusto o le keyword erano sbagliate.

Un’altra sezione interessante è il funnel di acquisto-> schema step by step che ci fa vedere i
punti di dispersione ogni volta che si passa a una fase diversa del funnel. Da questa analisi,
posso capire se devo intervenire su remarketing con email, oppure cambiare le ads di
vendita, ecc…
Cosa sono le metriche e i KPI
Il traguardo che ci siamo posti, deve essere quantitativo, misurabile e con una data di tempo
prefissata. Per arrivarci, possiamo usare vari strumenti di digital marketing. Per capire quali
strumenti performano meglio dobbiamo analizzare le metriche di interesse provenienti da
questi strumenti. Una parte di queste metriche di interesse (KPI) sono da vedere tutti i giorni
perchè aiutano a capire al volo cosa sta succedendo, poi se voglio andare più deep allora
dovrò andare a vedere altri KPI. Ecco un esempio di KPI da avere sempre d’occhio:

I KPI devono essere definiti in base al tipo di business ed obiettivi. Ad esempio per
ecommerce:
●​ Fatturato, transazioni, quantità vendute
●​ AOV, quantità media per transazione-> grazie a queste riesco a capire quali di
queste due componenti sta influenzando maggiormente il fatturato
●​ Utenti, sessioni, CR-> qual è il livello di traffico che entra nel sito. CR è un indicatore
di efficienza, così come l’AOV e il valore medio per sessione (cioè ogni sessione
quanto fatturato genera).
●​ costi adv, ROAS, MER-> il ROAS è il rapporto tra fatturato derivante da adv e costo
di advertising, mentre il MER è il rapporto tra fatturato totale e costo di advertising

Le KPI sono le metriche di interesse più importanti, ma le metriche di interesse sono tutte le
quantità numeriche che ci servono per poter capire ogni aspetto del mio business.

ESEMPIO ALTRE METRICHE DI INTERESSE

●​ Tasso di aggiunta a carrello, tasso di aggiunta alla wishlist
●​ Tasso di prosecuzione e di abbandono ad ogni step del checkout
●​ Pagine per sessione, durata media della sessione, frequenza di rimbalzo
●​ CPM, Cost per Click, Click Through Rate, Cost per Lead, ecc.-> io potrei avere un
CPM ma avere un CTR basso perchè le mie creative non convertono bene.
Definire metriche e KPI
Per definire metriche e KPI, bisogna cercare di scomporre il dato macro in componenti più
piccole in modo da capire cosa sta influenzando il mio business tramite le singole
componenti.

Esempio: Ecommerce - il KPI da definire è il fatturato. Gli step per fare ciò sono:
1.​ Andare a vedere il fatturato
2.​ Il fatturato come viene generato nel mio business? Nel caso dell’ecommerce il
fatturato si genera con:
●​ traffico al sito (sessioni) * fatturato medio per sessione
Una volta scomposto il fatturato in due metriche, posso capire quale delle due sta
performando meglio e perchè. Il numero di sessioni dipende dalla creatività delle mie ads e
SEO, mentre il fatturato medio per sessione dipende dalle tecniche di CR che ho messo nel
sito.
3.​ Il fatturato lo si può scomporre anche in:
●​ Fatturato medio per transazione * numero di transazioni
Posso cercare di aumentare il numero di transazioni oppure mantenere stabile il numero di
transazioni e alzare l’AOV. Allo stesso tempo, bisogna stare attenti a non abbassare troppo
l’AOV (tramite sconti, offerte) per favorire il numero di numero transazioni che però non si è
alzato sufficientemente.
4.​ Numero di transazioni= (Numero di transazioni / Sessioni) * Sessioni
Il numero di transazioni equivale al CR ma non in forma percentuale. Transazioni = quante
persone entrano × quante di queste comprano. Le “sessioni” sono le visite al sito. Il
rapporto numero di transazioni / sessioni è la percentuale di visite che diventano acquisti.
Immagina:
100 persone entrano nel sito e 5 comprano
Hai:
100 sessioni e 5 transazioni
Se fai:
5 / 100 × 100 = 5, non stai cambiando niente. Stai solo riscrivendo il numero 5 in un modo
che ti aiuta a capire meglio da dove arriva.
La formula serve a mettere a confronto il numero di transazioni e le sessioni per capire il
possibile motivo per cui il numero di transazioni è tale. La formula serve a capire se il motivo
per cui ho poche transazioni: se per il poco traffico (sessioni) oppure se per via delle poche
vendite (numero di transizioni) o entrambi i motivi.
5.​ Fatturato per transazione (AOV)= Quantità medie per transazione * Prezzo medio dei
prodotti
L’AOV può aumentare sia perché può aumentare la quantità media per transazione sia per
l’aumento del prezzo medio dei prodotti, oppure perchè anche solo una delle due grandezze
aumenta. Allo stesso modo funziona per le diminuzioni. Quindi capire se l’AOV aumenta o
diminuisce se le persone stanno acquistando più o meno prodotti oppure se perchè i prezzi
sono più o meno alti. Quantità medie per transazione = Quantità totale di prodotti
venduti / Transazioni. Prezzo medio= Fatturato / quantità totale di prodotti venduti

Esempio Adv per lead generation - Obiettivo è lead, mantenendo un costo per lead
massimo di 10 euro (KPI: numero di Lead e CPL)
1.​ Andare a vedere il CPL attuale, che è CPL= Costo adv / Numero di lead.
Da questa formula capisco che bisogna andare ad analizzare Costo adv e numero di lead
per capire il motivo dietro al CPL.
2.​ Costo adv= (Costo adv / click) * click
Click= numero di click che gli utenti fanno sulle mie ads. In questa formula prima si calcola il
CPC (che sarebbe: Costo adv / click) per capire quanto mi stanno costando i click che ho,
successivamente lo si moltiplica per il numero di click. Quindi la formula completa dice:
spesa totale = costo per click × numero di click. La formula serve a capire che il costo
adv totale dipende da due cose: quanto paghi ogni click e quanti click compri. In questo
modo puoi capire da dove cambia la spesa totale di adv, se il suo cambiamento è dovuto a
un costo per click superiore o inferiore o se è dovuto all’ottenimento di più o meno click
3.​ Numero di Lead= (n. di lead/click) * click
Il numero di lead è il risultato tra la moltiplicazione tra CR per i lead (n. di lead/click) e il
numero di click ottenuti. Grazie a questa scomposizione riesco a capire se il numero di lead
sale o scende per via di variazione di CR per i lead oppure a causa dell’aumento o
diminuzione del numero di click
4.​ costo adv= (costo adv/impressions) * impressions
Il costo di adv è divisibile in CPM (costo adv / impressions) e il numero di impressions. Tale
divisione ci aiuta a capire quale variazione delle due grandezze sta condizionando il costo
adv
5.​ n. di click = (n. di click/impressions) * impressions
Il numero di click è scomponibile in CTR (n. di click/impressions) e n. di impressions. Tale
divisione ci aiuta a capire quale variazione delle due grandezze sta condizionando il n. di
click

Cosa sono le dimensioni di interesse

Le dimensioni di interesse sono tutti gli elementi dai quali vogliamo misurare i KPI e metriche
di interesse. Esempi di dimensioni di interesse sono:
●​ Genere (maschio/femmina), età, provenienza geografica
●​ Tipologia cliente (nuovo, di ritorno), interesse primario (es. tecnologia, sport, ecc.)
●​ Pagina di entrata sul sito, canale di provenienza (es. social, ricerca organica, ricerca
a pagamento, email, ecc.)
Ogni dimensione contiene degli elementi, di cui possiamo andare ad analizzare i dati al fine
di capire come direzionare gli sforzi pubblicitari. Questi elementi (detti anche macro leve)
sono a loro volta divisibili in micro leve. Alcuni esempi di macro e micro leve nella
dimensione di interesse Paid ads sono:

Dimensione di interesse: paid ads

●​ Macro leva: Google Ads
○​ Micro leve: Geolocalizzazione, device, campagne, gruppi di annunci, copy
annunci, posizione annunci, keyword, cpc di bidding, landing page, ecc.
●​ Macro leva: Display Ads
○​ Micro leve: Piattaforme, campagne, gruppi di annunci, copy annunci, formato
banner, creatività banner, landing page, device, geolocalizzazione, interessi,
ecc.
●​ Macro leva: Email Marketing
○​ Micro leve: Lista utenti, oggetto, copy email, call to action, landing page,
giorno e ora di invio, ecc.
Come definire le dimensioni di interesse
La definizione di dimensioni di interesse è fondamentale al fine di avere chiarezza nei report,
fare confronti ed estrarre insight. Definiamo le dimensioni di Meta ads:

La prima dimensione corrisponde al nome della campagna (il quale deve essere parlante in
base all’obiettivo).

La seconda dimensione è proprio l’obiettivo della campagna (traffico, interazioni,

generazione lead, ecc…)

La terza dimensione sono gli ads group, contenuti nelle campagne. Per ogni campagna è
possibile creare più ads group. Il nome dell’ad group scelto deve essere parlante in base alle
sue caratteristiche (luogo, età, genere, ecc…)

La quarta dimensione è il singolo annuncio, contenuti negli ads group. Il nome dell’annuncio
deve essere parlante in base alle sue caratteristiche (testo, immagine, angolo, ecc…)

Grazie a questa divisione, sarà molto più semplice andare a scomporre le dimensioni e
capire se c’è qualcosa che sta performando meglio o peggio del previsto.

Analizzare i dati di un funnel di lead generation

Per analizzare i dati di un funnel di lead generation, la prima cosa da fare è capire: qual è il
nostro obiettivo e quali sono le leve utilizzabili per raggiungerlo.

Per questo esempio, l’obiettivo è incrementare i lead acquisiti del 30% entro fine anno,
mantenendo il CPL attuale e le leve che abbiamo a disposizione sono: advertising sui social
network, ottimizzazione delle landing page

Partendo dall’obiettivo, capiamo quali sono i KPI e le metriche che mi permettono di

misurare le performance in base all’obiettivo.
I KPI si dividono in:
assoluti-> che aiutano a misurare il valore assoluto di una quantità. Nel caso di lead
generation, tra i KPI assoluti da misurare sono: lead, costo adv, utenti e sessioni.
efficienza-> che aiutano a capire quanto sono bravo a convertire una risorsa di input in un
output efficiente. Nel caso di lead generation, tra i KPI di efficienza ci sono: % lead / sessioni
(valore percentuale che indica il tasso di conversione da sessione a lead-> Su 100 sessioni,
quanti lead riesco ad ottenere) e CPL (costo adv / n. di lead acquisiti).

Accanto ai KPI (metriche da monitorare tutti giorni), andrò ad analizzare anche alcune
metriche di interesse, suddivise in base allo strumento utilizzato per acquisire lead (in questo
esempio sono LP e ADV):
Landing page:
●​ frequenza di rimbalzo-> persone che sono entrate sulla LP e sono uscite senza fare
nulla
●​ tempo medio di permanenza in pagina-> uso questa metrica per confrontarla con
altre dimensioni. Il mio obiettivo diretto non è massimizzare il tempo medio di
permanenza. Ad esempio, se so che in media la mia LP trattiene le persone per 1
minuto e coloro che lasciano il lead si trattengono in media per 2 minuti, il tempo
medio di permanenza per essere giudicato efficace dovrà essere il più vicino
possibile ai 2 minuti.
●​ avvio di visualizzazione del video/carousel-> mi aiuta a capire quanto è attraente il
video/carousel
●​ tasso di completamento del video/carousel-> mi aiuta a capire quanto il
video/carousel è attraente una volta avviato e se le info sono utili
●​ visualizzazione del form di contatto-> ad esempio nel caso di una LP verticale in cui il
form è in basso, è importante capire quanti utenti arrivano fino a quel punto
●​ avvio compilazione del form di contatto-> se poche persone compilano il form,
potrebbe essere ad esempio a causa di troppe caselle

ADV:
●​ Impressioni-> quante volte il banner pubblicitario è stato visto dagli utenti
●​ CTR-> quante persone hanno cliccato sul banner
●​ CPM-> quanto pago ogni mille impressioni. Più pago le impressioni, più il costo del
funnel di acquisizione sarà alto poiché il target è ambito.
●​ CPC-> Anche se ho un CPM basso, la campagna può non funzionare. E’ necessario
dunque andare a vedere quanto ho pagato per ogni click che ho ricevuto.
●​ CTR-> La percentuale di persone che cliccano sul tuo annuncio dopo averlo visto.
Un CTR alto significa che il testo e l'immagine sono molto interessanti per il pubblico
target.

Una volta analizzate le metriche di interesse, passo all’analisi delle dimensioni di interesse in
modo da avere un quadro completo degli strumenti che sto utilizzando (le leve):

LP:
●​ Titolo del video
●​ variante della pagina-> fare AB test per cercare di capire quale elemento sta
abbassando le performance della LP. Se ho sempre avuto una singola LP che non
cambia mai, è una limitazione perché non so cosa potrebbe essere migliorato. Ad
esempio, se nella mia landing ho un video con un tasso di apertura basso, posso
cambiare leva o cercare di renderlo più attrattivo.
●​ sorgente di traffico-> Una sorgente di traffico di una Landing Page (LP) indica
l'origine esatta dei visitatori, ossia il luogo digitale in cui l'utente si trovava prima di
cliccare e atterrare sulla tua pagina. Traffico a pagamento, organico, diretto, social
organico.
●​ device-> vedere se la LP ha differenze di performance se visualizzata da mobile o
PC
●​ città di provenienza-> vedere se il numero di click o impressioni cambia in base alla
città. Magari il mio prodotto piace di più nelle grandi città del Sud
 ●​ data e ora-> periodi specifici in cui ho performance migliori e fare in modo che la
gente le veda di più in determinate ore

ADV:
●​ Piattaforma
●​ posizionamento
●​ campagne
●​ gruppo di annunci
●​ annuncio
●​ copy, creatività e formato

Esempio risultato di AB test su due varianti della stessa LP

Utenti divisi in modo random nelle due versioni della LP. Ciò che cambia è il video. A parità
di traffico, la LP 1 è migliore poichè ha preso più lead. Tuttavia, la LP 2 ha una percentuale
di avvio migliore ma un completamento più basso. SOLUZIONE-> riprendere lo stile della
thumbnail del video della LP 2 ma rimanere con il contenuto del video della LP 1.

Esempio risultato di due creatività differenti girate su Meta ads

Il budget è uguale per entrambe. Il risultato è che il CPL è più basso nella 1 grazie al CTR
maggiore, nonostante un CPM leggermente maggiore.
Analizzare i dati di un e-commerce
Immaginiamo di dover analizzare un sito con struttura base, con pagina: home, categoria
prodotti, pagina prodotto, carrello, checkout

La prima cosa da fare è capire l’obiettivo e le leve.

Nel nostro esempio, Obiettivo:incrementare fatturato del 30% entro fine anno
Leve: ottimizzazione del funnel di acquisto

La seconda cosa da fare è definire e monitorare che ci servono per un’analisi corretta.
Suddividere i KPI in:
assoluti-> utenti, sessioni, transazioni, fatturato, quantità acquistate
efficienza-> Conversion Rate (CR), Average Order Value (AOV), Quantità media per
transazione

Una volta definiti i KPI, andiamo a definire anche altre metriche di interesse nel funnel di
acquisto:

●​ Frequenza di rimbalzo
●​ durata media della sessione-> quanto tempo le persone passano sull’ecommerce
●​ visualizzazioni schede prodotto
●​ aggiunte a carrello
●​ checkout avviati
●​ % aggiunte a carrello / visualizzazioni di schede prodotto-> qual è la percentuale di
persone che aggiungono al carrello una volta giunte alla scheda prodotto
●​ % checkout avviati / visualizzazioni carrello-> qual è la percentuale di persone che
avvia il checkout una volta aggiunta al carrello.
●​ % purchase / checkout avviati-> percentuale di persone che completano l’acquisto
una volta giunte al checkout
●​ % (checkout_step_x+1) / (checkout_step_x)-> tasso di prosecuzione da ciascun set
al successivo, per capire in che passaggio gli utenti abbandonano maggiormente

Una volta analizzate le metriche di interesse, passo all’analisi delle dimensioni di interesse in
modo da avere un quadro completo degli strumenti che sto utilizzando (le leve):

●​ Nome step del funnel-> ogni pagina ha un obiettivo, che corrisponde ad uno step del
funnel, ad esempio: visualizzazione pagina prodotto, aggiunta al carrello, avvio
checkout
●​ Sorgente di traffico
●​ Device
●​ Città di provenienza
●​ Data, Ora, ecc
Esempio di analisi di confronto dello stesso ecommerce in base al device
Già il primo numero ci dà un’indicazione-> il mobile ad oggi conta maggiormente (i social si
usano prettamente da mobile), quindi è fondamentale che il sito sia ottimizzato.
Nonostante il traffico sia maggiore, le conversioni da mobile sono parecchio inferiori. Questo
comporta l’inizio di AB test su mobile per cercare di migliorare il traffico.