Diagramma del flusso di dati da Analytics, CRM e piattaforme pubblicitarie verso un sistema AI, con informazioni su metriche, attribuzione e qualità dei dati.

Analisi dei dati di marketing con l’AI: quali condizioni servono per ottenere risultati affidabili?

Qualche tempo fa mi è capitato di confrontarmi con un collega su un assessment SEO. A distanza di qualche giorno dalla sua presentazione, il cliente aveva restituito un documento apparentemente elaborato con l’aiuto di un assistente AI, nel quale venivano messe in discussione alcune delle osservazioni e delle proposte contenute nell’assessment.

Questo episodio mi ha portato a farmi alcune domande sull’utilizzo dell’intelligenza artificiale nelle attività di analisi. L’assistente AI aveva a disposizione tutte le informazioni necessarie per valutare correttamente quanto era stato proposto? Oppure mancava una parte del contesto che aveva portato a formulare quelle considerazioni?

È una questione che va ben oltre la SEO e che riguarda direttamente l’utilizzo dell’intelligenza artificiale nell’analisi dei dati di marketing.

Immaginiamo un’azienda che utilizza BigQuery per raccogliere i dati provenienti da Google Analytics 4 e chiede a un sistema di intelligenza artificiale di analizzare le cause di una diminuzione del conversion rate.

L’AI interroga il database, confronta i risultati dei diversi periodi e individua una riduzione delle conversioni rispetto alle sessioni. Dall’analisi emerge che il peggioramento riguarda soprattutto alcuni canali di acquisizione e il sistema suggerisce di intervenire sulle campagne o sulle pagine di destinazione.

Ma cosa succederebbe se, nel periodo analizzato, fossero intervenute modifiche al form di contatto che hanno compromesso la registrazione di una parte delle conversioni?

L’AI potrebbe aver interpretato come una diminuzione delle performance quello che, almeno in parte, era un problema di misurazione.

Situazioni simili possono verificarsi anche quando il tracking sta funzionando correttamente e le metriche vengono calcolate secondo definizioni differenti oppure mancano informazioni sul contesto in cui i dati sono stati generati.

Un sistema AI può quindi elaborare correttamente i dati disponibili e arrivare comunque a conclusioni che non descrivono adeguatamente ciò che è accaduto.

Per utilizzare l’intelligenza artificiale nelle attività di Digital Analytics occorre capire quali informazioni devono accompagnare i dati e quali verifiche sono necessarie prima di trasformare i risultati dell’analisi in decisioni operative.

Quando l'AI interpreta male risultati apparentemente corretti

Un sistema di intelligenza artificiale può individuare correttamente una variazione nelle performance e suggerire un intervento che, alla luce del contesto, potrebbe risultare poco utile.

Questa volta prendiamo in considerazione un’azienda che utilizza campagne pubblicitarie per raggiungere sia utenti che conoscono già il brand sia persone che entrano in contatto con l’azienda per la prima volta.

Durante il periodo analizzato aumenta la quota di traffico proveniente dalle campagne rivolte al secondo gruppo, composto da utenti che potrebbero avere una propensione alla conversione inferiore rispetto a chi conosce già l’azienda.

Il conversion rate complessivo potrebbe quindi diminuire anche se, all’interno di ciascun segmento, i risultati sono rimasti sostanzialmente invariati.

La diminuzione del conversion rate sarebbe reale e correttamente misurata, ma dipenderebbe dalla diversa composizione del traffico anziché da un peggioramento delle performance dei singoli segmenti.

Un sistema AI che analizza soltanto i dati aggregati potrebbe interpretare questa variazione come un problema di efficacia delle campagne o delle landing page, suggerendo interventi che non affrontano la causa del fenomeno.

Per comprendere cosa sia realmente accaduto, sarebbe necessario confrontare i tassi di conversione dei diversi segmenti e verificare quanto ciascuno abbia contribuito alla variazione complessiva.

L’esempio mostra un limite che riguarda direttamente l’utilizzo dell’AI nelle attività di marketing: anche quando i dati sono corretti, le conclusioni dipendono dalle informazioni disponibili e dal modo in cui vengono interpretate.

La capacità del sistema di elaborare i dati deve quindi essere accompagnata dalla conoscenza delle metriche utilizzate e del contesto in cui sono state generate.

Quali informazioni servono all'AI per comprendere i dati di marketing

Un database può contenere informazioni complete e correttamente elaborate, ma questo non significa che un sistema AI sia in grado di interpretarle secondo le regole utilizzate dall’azienda.

Pensiamo, per esempio, a un’azienda che raccoglie in BigQuery i dati delle campagne pubblicitarie e quelli del CRM, con informazioni sui lead acquisiti e sulla loro eventuale qualificazione commerciale.

Se chiedessimo all’AI di individuare le campagne con il miglior tasso di conversione, quale indicatore dovrebbe utilizzare?

Potrebbe calcolare il rapporto tra lead generati e sessioni, oppure considerare la percentuale di lead che hanno raggiunto lo stato di MQL. Entrambi i calcoli possono essere corretti, ma rispondono a domande differenti.

Se l’obiettivo è valutare la capacità delle campagne di generare contatti commercialmente qualificati, utilizzare il numero complessivo dei lead potrebbe portare a conclusioni poco utili per le decisioni aziendali.

Il sistema AI deve quindi conoscere le definizioni delle metriche e le regole adottate dall’azienda per calcolarle.

La stessa attenzione è necessaria quando i dati sono stati trasformati prima di essere resi disponibili per l’analisi. In BigQuery, per esempio, potrebbero essere state applicate regole di deduplicazione o criteri di attribuzione personalizzati. Senza conoscere queste elaborazioni, l’AI potrebbe interpretare una metrica come se corrispondesse esattamente a quella disponibile nella piattaforma di origine.

Il problema riguarda anche l’integrazione tra fonti differenti. GA4 e le piattaforme pubblicitarie possono utilizzare modelli di attribuzione diversi, come spiegato nell’articolo sulle differenze tra i dati delle piattaforme di marketing. Confrontare questi valori senza conoscerne le regole di calcolo può portare a interpretazioni sbagliate.

Per ridurre questo rischio, le informazioni sul significato delle metriche dovrebbero essere documentate e rese disponibili al sistema AI.

È un approccio già previsto in alcune soluzioni di analisi assistita dall’intelligenza artificiale. Microsoft, per esempio, consente di associare ai modelli semantici di Power BI istruzioni specifiche per Copilot, attraverso le quali è possibile descrivere definizioni aziendali e indicare come utilizzare determinate informazioni.

Documentare il significato dei dati permette all’AI di utilizzare le stesse regole interpretative adottate dall’azienda, riducendo il rischio che scelga autonomamente definizioni inappropriate. Rimane comunque necessario verificare che le istruzioni vengano applicate correttamente.

Come preparare i dati per ottenere analisi AI affidabili

Per utilizzare l’AI nelle attività di Digital Analytics è necessario che i dati siano stati verificati e che le informazioni utili alla loro interpretazione siano accessibili al sistema.

Il primo controllo riguarda la raccolta. Per esempio, in un sito lead generation è possibile confrontare le conversioni registrate in GA4 con gli invii effettivamente ricevuti dal CRM, tenendo conto delle differenze legittime dovute al consenso o alle regole di registrazione degli eventi. Quando i dati vengono elaborati in BigQuery, occorre verificare anche le trasformazioni successive alla raccolta. Una procedura di deduplicazione o una join configurata in modo errato potrebbero alterare i risultati senza che il sistema AI sia in grado di riconoscere il problema. Questi controlli dovrebbero far parte delle normali attività di verifica dell’affidabilità dei dati di tracking, indipendentemente dall’utilizzo dell’intelligenza artificiale. Una volta verificati i dati, bisogna renderne comprensibile il significato. Per una metrica come il tasso di qualificazione dei lead, per esempio, si potrebbe predisporre una documentazione di questo tipo:
Informazione Definizione
Metrica
Tasso di qualificazione dei lead
Formula
Lead qualificati / lead acquisiti appartenenti alla stessa coorte
Fonte
CRM aziendale
Data di riferimento
Data di acquisizione del lead
Regola di conteggio
Ogni lead viene contato una sola volta
Limite interpretativo
Le coorti più recenti potrebbero non aver completato il processo di qualificazione
Criterio di confronto
Utilizzare finestre di osservazione equivalenti

Queste informazioni consentono all’AI di conoscere la formula da utilizzare e di riconoscere una possibile criticità nei confronti temporali.

Se, per esempio, confrontassimo i lead acquisiti nel mese corrente con quelli di diversi mesi prima, il tasso di qualificazione potrebbe risultare inferiore semplicemente perché una parte dei contatti più recenti non ha ancora completato il processo di valutazione commerciale.

La disponibilità di una definizione corretta della metrica, da sola, non sarebbe quindi sufficiente per interpretare il risultato. Occorre conoscere anche le condizioni che rendono confrontabili i dati.

Un’attenzione analoga va riservata ai cambiamenti intervenuti nel tempo. Una modifica alla configurazione del tracking o ai criteri di qualificazione dei lead può influire sulle serie storiche senza produrre anomalie immediatamente riconoscibili.

Registrare questi interventi, indicando quando sono avvenuti e quali metriche potrebbero essere state interessate, permette di fornire all’AI informazioni utili per contestualizzare le variazioni osservate.

L’obiettivo è rendere disponibili al sistema dati verificati, definizioni condivise e informazioni sui cambiamenti che possono influenzarne l’interpretazione. La documentazione deve naturalmente essere collegata al processo di analisi, affinché l’AI possa effettivamente consultarla quando ne ha bisogno.

Quando l'AI suggerisce cosa fare: quali verifiche servono

Utilizzare l’intelligenza artificiale per interrogare i dati e individuare variazioni nelle performance è diverso dal chiederle di suggerire quali interventi mettere in atto.

Una diminuzione del conversion rate, per esempio, può essere rilevata attraverso un confronto tra periodi. Per stabilirne le cause e decidere come intervenire, però, servono informazioni aggiuntive.

Riprendiamo il caso delle campagne rivolte a pubblici differenti. Se l’AI rileva una diminuzione del conversion rate complessivo e suggerisce di modificare le landing page, dobbiamo verificare sulla base di quali elementi viene fatta questa raccomandazione.

Il sistema ha analizzato i risultati dei singoli segmenti? Ha considerato la variazione nella composizione del traffico? Dispone di informazioni sufficienti per collegare il fenomeno osservato all’intervento suggerito?

Individuare correttamente una variazione non significa averne identificato le cause.

Per questo motivo, quando utilizziamo l’AI per ottenere raccomandazioni operative, è utile poter ricostruire il percorso seguito durante l’analisi. Se il sistema ha generato query SQL per BigQuery, per esempio, dovremmo poter verificare quali tabelle ha interrogato e quali criteri ha utilizzato per calcolare gli indicatori.

La verifica deve riguardare anche le conclusioni. Un risultato numerico può essere corretto, mentre la spiegazione proposta potrebbe basarsi su un’ipotesi che i dati disponibili non permettono di confermare.

Possiamo fornire al sistema istruzioni affinché distingua i risultati osservati dalle possibili interpretazioni e segnali quando le informazioni disponibili sono insufficienti per formulare una raccomandazione.

Nel nostro esempio, una risposta adeguata potrebbe essere:

Il conversion rate complessivo è diminuito nel periodo analizzato. Prima di attribuire questa variazione all’efficacia delle landing page, è necessario verificare se sia cambiata la distribuzione del traffico tra i diversi segmenti di pubblico.

Queste istruzioni possono aiutare a ottenere risposte più utili, ma non garantiscono che l’AI le rispetti sempre o che tutte le conclusioni siano corrette.

Quanto maggiore è l’impatto delle decisioni che intendiamo prendere sulla base dell’analisi, tanto più importante diventa verificare le evidenze che sostengono le raccomandazioni.

Il sistema AI può quindi supportare il lavoro dell’analista anche nell’individuazione delle possibili cause di un fenomeno, purché rimanga chiaro quali conclusioni sono dimostrate dai dati e quali richiedono ulteriori verifiche.

Conclusioni

L’intelligenza artificiale può rendere più rapido il lavoro di analisi dei dati di marketing, facilitando l’individuazione di variazioni nelle performance e la ricerca di possibili spiegazioni. L’affidabilità dei risultati dipende però anche dalla qualità delle informazioni disponibili e dalla conoscenza delle regole con cui vengono costruite le metriche.

Per ottenere analisi realmente utili alle decisioni aziendali, è necessario che l’AI possa accedere a dati verificati e al contesto necessario per interpretarli correttamente. Rimane poi indispensabile valutare se le conclusioni e le raccomandazioni prodotte siano effettivamente supportate dalle informazioni analizzate.

FAQ sull'utilizzo dell'AI nell'analisi dei dati di marketing

L'intelligenza artificiale può analizzare direttamente i dati di Google Analytics 4?

Sì, attraverso strumenti e integrazioni che consentono di accedere ai dati di GA4 o alle informazioni esportate in BigQuery. Le possibilità dipendono dalla soluzione utilizzata. Per ottenere risultati affidabili è necessario che il sistema conosca le definizioni delle metriche e le regole con cui vengono calcolate.

Perché l'AI può fornire analisi sbagliate anche quando i dati sono corretti?

Perché un dataset potrebbe non contenere tutte le informazioni necessarie per interpretare correttamente i risultati. Una variazione delle performance, per esempio, potrebbe dipendere da cambiamenti nella composizione del traffico o nel contesto aziendale che il sistema AI non è in grado di ricostruire dai soli dati disponibili.

Quali controlli effettuare prima di utilizzare l'AI per analizzare i dati di marketing?

Occorre verificare la correttezza della raccolta e delle eventuali trasformazioni applicate ai dati. È poi utile documentare le definizioni delle metriche e rendere disponibili le informazioni sui cambiamenti che possono influenzare i confronti tra periodi.

È necessario utilizzare BigQuery per analizzare i dati di marketing con l'AI?

No. BigQuery è una delle piattaforme che permettono di raccogliere ed elaborare dati provenienti da sistemi differenti. È possibile utilizzare altre soluzioni, purché siano disponibili integrazioni adeguate e le informazioni necessarie per interpretare correttamente i dati.

Le raccomandazioni generate dall'AI possono essere utilizzate per prendere decisioni di marketing?

Sì, ma è necessario verificarne il fondamento. Le raccomandazioni dovrebbero essere riconducibili ai dati utilizzati e distinguere le conclusioni supportate dalle evidenze disponibili dalle ipotesi che richiedono ulteriori verifiche.

Vuoi rendere più affidabili i dati utilizzati per le tue analisi?

La qualità delle analisi dipende dall’affidabilità dei dati e dalla corretta definizione delle metriche. Posso aiutarti a verificare il tuo sistema di misurazione e a organizzare le informazioni provenienti da GA4, BigQuery e CRM, affinché possano essere utilizzate per prendere decisioni più consapevoli.

LeadGen-MQL | Valuta il tuo sistema dati

VALUTA IL TUO SISTEMA DATI

Torna in alto