Chi spende in pubblicità prima di testare paga due volte

L’80% delle conversioni sarebbe arrivato comunque da traffico organico o direct

Un ROAS aggregato del 400% può nascondere un dettaglio scomodo: l’80% delle conversioni sarebbe arrivato comunque da traffico organico o direct. È il vuoto di incrementalità che abbiamo osservato più volte smontando dashboard patinate, ed è la ragione per cui spendere subito tanto, sperando che l’algoritmo impari più in fretta, resta la scorciatoia più costosa del performance marketing.

L’analisi pubblicata su Search Engine Land, basata su un’analisi di quasi 1.000 account pubblicitari, è un raro controcanto all’impazienza del mercato: chi carica il budget prima di aver isolato un segnale di conversione pulito ottiene quasi sempre costi di acquisizione più alti e un’ottimizzazione più lenta. Il motivo è strutturale, non creativo.

La calibrazione che precede l’incendio

Jim Collins, in Great by Choice, lo chiamava il principio “fire bullets then cannonballs”: prima spari proiettili per calibrare la mira, poi, solo quando hai colpito qualcosa di reale, carichi il cannone. Nel paid media, quel proiettile è un test a budget contenuto in cui la variabile dipendente non è il costo per clic, ma il contributo marginale ai ricavi contabilizzato in modo incrementale.

Senza questa fase, si finisce per raccontare storie con le metriche sbagliate: il last-click premia canali che intercettano domanda già formata, non quelli che la creano.

Le eccezioni in cui un lancio aggressivo ha senso sono, appunto,: inventory altamente prevedibile, marginalità unitaria così larga da assorbire inefficienze nel breve, assenza totale di pressione competitiva. Condizioni che chi lavora in SaaS B2B o e-commerce mid-market non vede quasi mai.

Il caso di una startup da 250 milioni di dollari è emblematico: gran parte del capitale è bruciato in advertising senza aver prima definito e misurato KPI di profittabilità a livello cliente.

All’estremo opposto, le startup Clio e SuccessFactors hanno costruito la loro traiettoria con budget pubblicitari iniziali nell’ordine delle poche migliaia di dollari al mese, crescendo solo quando il rapporto tra customer lifetime value e costo di acquisizione era diventato statisticamente stabile. Persino il seed round di Uber – 1,25 milioni di dollari su una valutazione di 4 milioni – ricorda che la scala arriva dopo la validazione, non come suo sostituto.

Quando l’algoritmo predittivo brancola nel buio

La tentazione di delegare la fase di calibrazione agli strumenti di bidding automatico si scontra con un limite noto: gli algoritmi di bidding predittivo con segnali scarsi funzionano male quando i dati di conversione e valore sono rarefatti. Significa che senza un volume sufficiente di eventi reali – non quelli modellati in assenza di segnale – il sistema ottimizza verso il rumore. E il rumore, oggi, ha un nome preciso: traffico fantasma da campagne broad match o Performance Max lanciate senza conversion tracking robusto alle spalle.

La contraddizione è evidente: Google stesso, tramite il suo Ads Liaison, ha ribadito che gli inserzionisti devono adottare le soluzioni di targeting AI-powered di Google – Broad Match, Performance Max, Shopping – per essere elegibili agli AI Overviews e alla modalità AI. Ma se queste stesse soluzioni vengono attivate prima di aver impostato un conversion tracking corretto e aver concordato gli obiettivi di revenue con gli stakeholder, il segnale che alimenta il modello è viziato a monte.

Si crea un cortocircuito tra la necessità di inviare segnali all’algoritmo e l’impossibilità di interpretare quei segnali senza un framework di misurazione che isoli la causalità dalla correlazione. Per questo, prima ancora di aprire un account, bisognerebbe disegnare i test di incrementalità geografica – isolando campagne in regioni specifiche o confrontando due periodi temporali – e presentare i risultati con la trasparenza metodologica con il team di leadership, spiegando i limiti degli holdout quando i gruppi di controllo sono troppo piccoli per raggiungere significatività.

Il punto cieco che resta

La disciplina del “fire bullets then cannonballs” non è retroguardia, è la precondizione perché l’automazione spinta funzioni senza divorare margini. Tuttavia, copre solo metà del problema. La parte che ancora ci sfugge è come misurare l’incremento puro quando il percorso di conversione è sempre più spezzato tra pagine web, app e superfici generative in cui il clic scompare. I modelli di attribution data-driven e i marketing mix model stanno convergendo, ma nessuno dei due risponde ancora alla domanda più scomoda: quanta della crescita che attribuiamo al paid search sarebbe accaduta anche senza? Finché non avremo metodo per misurarlo dentro gli ecosistemi chiusi, la calibrazione resterà, in parte, un atto di fede informata.