L’illusione della precisione si reggeva su dati deterministici ormai polverizzati
Abbiamo misurato un incremento del 34% nelle conversioni assistite su una pagina prodotto perfettamente ottimizzata per mobile. Peccato che il 70% di quegli utenti non abbia mai aggiunto nulla al carrello: era traffico bot mascherato da utente reale.
È il momento di ammetterlo: l’attribuzione tradizionale è un’illusione statistica costruita su segnali che si stanno sgretolando.
Un white paper pubblicato su Adexchanger evidenzia come i fattori normativi e il cambiamento della privacy stiano erodendo i match rate. Jacob Cohen ha quantificato il danno: la soglia delle due cifre persa nei match rate. Senza corrispondenze deterministiche, ogni report basato sull’ultimo clic mente.
Il paradosso del calo delle impression in un ecosistema che esplode
Un’ulteriore crepa nel racconto del controllo granulare arriva dai numeri di traffico. Il benchmark Google Ads di Optmyzr del Q1 2026 registra un calo dell’11% delle impression anno su anno. Nel frattempo, il dato di Microsoft sul traffico automatizzato mostra una crescita otto volte più rapida rispetto a quello umano. Meno occhi reali, più agenti: la precisione millantata dalle piattaforme si scontra con la realtà di un inventario sempre più sintetico.
Eppure Google insiste sulla promessa predittiva. Marvin ha dichiarato che per apparire nelle AI Overviews e nella AI Mode servono soluzioni di targeting basate sull’intelligenza artificiale: le soluzioni di targeting AI di Google come Broad Match, Performance Max e Demand Gen. Contemporaneamente, l’azienda introduce le Qualified Future Conversions, una metrica predittiva che stima conversioni fino a 180 giorni dopo l’interazione con un annuncio. Il 50% delle conversioni di Performance Max e il 40% di Demand Gen, stando a, avverrebbe in quel lasso di tempo.
Quando l’algoritmo ti chiede un atto di fede
Il problema non è la modellistica predittiva in sé. È l’asimmetria informativa: Google ti impone di ottimizzare per un obiettivo che non puoi verificare con metodi indipendenti mentre i segnali deterministici spariscono. Cohen avverte che lo spostamento della ricerca no-click verso i siti tramite AI accelererà il problema del deprezzamento dei cookie, erodendo ulteriormente i match. L’effetto collaterale è che il programmatic display puro diventa insostenibile: Jacob Cohen afferma che Idea Peddler ne fa pochissimo perché la critica al programmatic display puro lo bolla come profondamente inefficace.
Tradotto per chi fa CRO: basare le decisioni di ottimizzazione su metriche la cui catena causale è oscurata da modelli probabilistici equivale a testare il colore di un pulsante mentre ignori che l’80% del traffico della pagina è generato da agenti. Non è un problema di dimensione del campione, è un problema di validità dei dati.
L’alternativa non è un altro algoritmo
Cohen indica una via d’uscita: l’adozione di brand lift study e modelli MMM sostituirà gli attuali sistemi di attribuzione. Non è una rivoluzione, ma un ritorno alla misurazione dell’impatto sul contesto, non sui clic. Il test A/B non sparisce, ma si sposta a monte: misurare la variazione reale di awareness o di vendita incrementale, non il delta di conversioni «qualificate future» dipinto da un modello che non puoi ispezionare.
L’illusione della precisione si reggeva su un fragile castello di dati deterministici ormai polverizzato. La domanda che resta aperta per chi fa CRO non è se abbandonare le metriche black-box, ma con quali esperimenti sostituirle per misurare davvero l’efficacia quando i segnali sono sempre più sporchi.
