Nella sezione "Opinioni", Engage ospita articoli di approfondimento su temi caldi del mondo del digital scritti da esponenti dell'industria del settore. In questo contributo Filippo Trocca, Head of Data e AdTech Italia di Making Science, esplora le sfide della misurazione delle performance pubblicitarie nell'era della privacy, in cui l'uso di ad-blocker e browser privacy first riduce l'accesso ai dati degli utenti, e invita a riflettere sulla necessità di ripensare il framework di misurazione attraverso modelli innovativi.
Si stima che nel nostro Paese la perdita dei dati si attesti attorno al 40% (fonte Didomi October 2024).
L’utilizzo di ad-blocker (che interessa il 28% degli utenti, fonte backlinko Settember 2024), i browser privacy first (circa il 32% - quota di utenti che non utilizza Google Chrome + utenti di Google Chrome su iOS), e la scelta consapevole degli utenti di non condividere i propri dati di navigazione - altro dato in crescita - pongono i marketer di fronte a sfide importanti nel tracciamento e nella misurazione delle performance delle campagne pubblicitarie, soprattutto durante la peak season, periodo chiave in cui si concentra il maggior volume di vendite (e traffico di dati) per gli e-commerce.
Di fronte a questo scenario, è necessario ripensare il framework di misurazione. Una delle nuove metodologie è il modello Trifecta che fa leva su tre approcci: l’attribution che permette di misurare in tempo reale i dati di business - l’obiettivo è usare attribution per inviare il maggior numero di informazioni possibili alle piattaforme di advertising al fine di permettere ai loro modelli di bidding di ottimizzare su più segnali possibili. All’attribution si uniscono le analisi di incrementalità, che permettono di verificare in modo statistico se una specifica azione/canale/campagne ha raggiunto gli obiettivi di business, e il marketing mix model, per rilevare in che modo tutti i canali stanno lavorando insieme per generare conversioni e pianificare il budget usando modelli di prediction basati sui dati storici.
Per quanto riguarda l’attribution, questo approccio permette di far leva su più azioni, a partire dall’utilizzo dei dati di prima parte per fornire più informazioni di conversione (ad esempio Google ADS enhanced conversion), che affiancati al Tracking Servers side permettono di recuperare un’altra parte di informazioni sulla navigazione utenti (ad esempio Meta Conversion API e Google Tag Manager Server Side).
Lo step successivo è l’utilizzo di test di incrementalità per verificare in modo statisticamente rilevante se una campagna, una fonte di traffico o una strategia ha raggiunto gli obiettivi di business. Ne esistono di tre tipi: Brand lift per misurare l’efficacia di strategie in awareness, Search lift per verificare strategie di consideration e Conversion lift per misurare le performance, individuando quante conversioni incrementali una campagna di advertising ha generato rispetto a non avere attività di advertising.
Nell’ultimo step fa la sua comparsa il Marketing Mix Model per analizzare insieme i dati di prima parte e fattori esogeni come inflazione, stagionalità, tassi di interesse per determinare come hanno contribuito a generare valore per l’azienda. Ma attraverso questa analisi è possibile simulare diversi scenari di budget e attraverso modelli di prediction basati su serie storiche vedere i possibili risultati.
Ogni elemento del framework trifecta nasconde diversi fattori di complessità: non possiamo pensare di risolvere tutti i problemi di misurazione in un unico momento, ma dobbiamo utilizzare l’approccio del maratoneta che individua la velocità adatta per portare a termine 42km, e lungo il percorso decide quando e come accelerare a seconda delle sensazioni che gli restituisce il suo corpo e in base all’andatura dei suoi competitor.
Il primo step è individuare i KPI che guideranno la nostra corsa al raggiungimento degli obiettivi di business; a quel punto potremo consolidare i dati di prima parte conoscendo la strada che vogliamo percorrere per potenziare l’attribution. Poi potremmo accelerare ed attraverso i test di incrementalità capire se la nostra azienda è pronta alle nuove metriche e KPI che la metodologia introduce e, solo con la consapevolezza che il nostro corpo può farcela, potremo introdurre il MMM per completare la visione aziendale.
Lungo la strada non dovremmo perdere di vista quello che succede attorno a noi: la misurazione non è l’unico supporto al business che possiamo adottare, e diventa fondamentale la capacità di sfruttare le potenzialità di strumenti basati su intelligenza artificiale per permettere all’azienda di accelerare.
Making Science ha sviluppato un layer sopra ai diversi Large language model Trust generative AI. I possibili impieghi? Ad esempio, l’individuazione diversi cluster per i contenuti di un sito internet e la generazione di nuovi title per ogni cluster con strategie diverse al fine di individuare quale di esse ci permette di migliorare ranking - i CTR per esempio -. Una volta individuata la giusta combinazione è fondamentale lavorare con i copywriter per ottenere il miglior risultato possibile: l’obiettivo non è infatti quello di sostituire l’essere umano, ma di potenziarlo.