Il digital manager vive ogni giorno nel suo lavoro.

Un dilemma incredibile.

Si alza la mattina con una serie di domande perché non sa bene come prendere le sue decisioni.

Infatti il digital manager deve guidare una macchina che è il business che lui deve amministrare verso degli obiettivi che si è imposto oppure che gli ha dato il proprio capo.

E questi obiettivi deve raggiungerli tendenzialmente entro una certa scadenza.

Per guidare questa macchina ha a disposizione una serie di leve tipiche del digital marketing.

Ad esempio ha a disposizione le leve dell'advertising online, quindi può allocare del budget per attivare campagne pubblicitarie, ad esempio su Google Ads, oppure su Facebook Ads Meta su Tik Tok e così via.

Oppure può investire nel Fort di Search Engine Optimization, magari aggiungendo un'ulteriore risorsa team, oppure semplicemente ingaggiando un'agenzia per ricevere della consulenza.

Può investire nel marketing, dell'influencer marketing, nel blog e così via all'interno di ognuna di queste leve.

Il digital manager ha una serie di micro leve che può muovere, ad esempio, se sta organizzando campagne di Google Has, può definire la strategia con cui queste campagne sono organizzate.

La tipologia su quali piattaforme vanno a visualizza, da quali gruppi di annunci.

Ciascuna campagna è composta quali utenti va a targati dove sono residenti a livello geografico, oppure per interessi su quali dispositivi e così via.

E poi all'interno di ciascun gruppo di annunci può definire i singoli annunci, le creatività, il testo, il copy, eccetera eccetera.

Questo è solo un esempio molto base di quali sono tutte le micro leve che lui ha a disposizione su Google has, ma queste le leve poi sono altrettante in tutte le altre macro leve che ha a disposizione.

Quindi ce ne saranno altrettante per Facebook as e per TikTok, altrettante nelle email marketing e così via.

Di fatto quindi, il cruscotto di un digital manager assomiglia a quello di un aeroplano molto complicato da guidare in cui, muovendo ciascuna di queste micro leve, il digital manager può far variare la rotta del proprio business verso il proprio obiettivo, oppure può deviare completamente e andare a finire fuori rotta.

Ma come fa quindi il digital manager, con tutte queste variabili a disposizione a prendere decisioni il più possibile corrette? Una possibile via che è quella che oggi le aziende cercano di sfruttare il più possibile è di costruire un ciclo di decisioni il più possibile guidato dai dati o in tutto cioè completamente automatizzato.

Oppure in buona parte, ovvero le decisioni le prende comunque il manager, ma sono basate in buona parte sui dati, il cosiddetto ciclo decisionale data driven guidato dai dati.

Innanzitutto, però, per poter creare un ciclo decisionale data driven bisogna aver definito e avere ben chiari gli obiettivi di business.

Altrimenti come facciamo a guidare la nostra macchina verso una direzione se non l'abbiamo definita in maniera chiara? Allo stesso modo un'azienda ha necessità di definire in maniera chiara, quantitativa e misurabile uno o più obiettivi di business.

L'ideale sarebbe anche definire una data entro la quale si vuole raggiungere quell'obiettivo.

Ad esempio immaginiamo che noi siamo a capo di un e-commerce e già oggi fattura.

Facciamo un esempio centomila euro all'anno il nostro capo ci ha dato un obiettivo che è quello di arrivare a un fatturato di cinquecento mila euro l'anno entro tre anni a partire da oggi.

A questo punto, quindi, noi abbiamo un obiettivo che è quantitativo, cioè passare da centomila a cinquecentomila euro l'anno abbiamo una data di scadenza che entro tre anni l'obiettivo chiaramente è misurabile, è il fatturato, quindi abbiamo tutto quello che ci serve per sapere dove dobbiamo andare ora.

Il problema però è capire come fare arrivare a questo obiettivo entro la data stabilita per poter arrivare a questo obiettivo nella maniera più probabile più possibile.

Quello che vogliamo fare è cercare di costruire un ciclo decisionale data tipo quello che vediamo qui in questa slide.

In questo ciclo c'è una fase in cui vengono raccolti i dati, una fase in cui vengono analizzati una fase in cui dall'analisi dei dati, si estraggono degli insight e quindi si identificano quelle che sono le aree critiche del nostro processo.

Le aree di ottimizzazione in generale, quali sono le leve che stanno andando stanno portando la nostra macchina verso l'obiettivo e quali sono invece quelle che stanno funzionando male? Sulla base di questa analisi definiamo un piano di azione e questo piano di azione potrebbe essere una serie di test, oppure direttamente l'implementazione di azioni effettive.

Nel caso dei test, noi idealmente dividiamo i nostri utenti in due o più gruppi.

Ad alcuni utenti, cioè il primo gruppo, noi facciamo vedere quella che è la situazione attuale.

Immaginiamo il nostro sito web esattamente così come ora a un altro gruppo di utenti potremmo far vedere un sito web modificato in cui all'interno del sito abbiamo implementato delle azioni correttive che noi immaginiamo ci portino un beneficio rispetto all'obiettivo che dobbiamo raggiungere.

Questo è un esempio di test.

A quel punto, facendo il test, andiamo a misurare le performance di entrambi i gruppi di utenti e se la nostra varietà, quindi quella in cui abbiamo ipotizzato la soluzione, produce dei benefici, allora decideremo di metterla in produzione.

Quindi la faremo vedere a tutti gli utenti.

Questo che ho appena descritto è un esempio di test.

Non sempre però abbiamo la fortuna o la possibilità di poter testare le nostre ipotesi.

In alcune circostanze siamo costretti a implementare direttamente la soluzione che abbiamo ipotizzato su tutti gli utenti.

Quindi in questo caso noi andremo a implementare la soluzione su tutti e a monitorare i risultati ottenuti in sequenza, ovvero prima c'era il risultato basato su quella che era la versione vecchia implementazione e da quel momento in poi tutti gli utenti vedranno la soluzione modificata e noi cercheremo, sulla base dei risultati del prima e del dopo, di capire se la nostra modifica ha portato i benefici sperati.

In questo secondo caso, quindi, senza passare per il test è molto più complicato andare a vedere se la nostra soluzione è quella che sta portando i benefici perché contemporaneamente oltre la nostra soluzione, stanno agendo tutti gli altri fattori che concorrono a formare quello che è il nostro ambiente di business.

Viceversa, nel caso del test, sia per la variante che per l'originale, tutti i fattori che concorrono sono tendenzialmente identici, tranne proprio la soluzione che noi stiamo sperimentando.

Quindi è come se mettessimo a fattor comune sia la situazione attuale sia la situazione con la variante, quindi con l'ipotesi di soluzione.

E ipotizziamo quindi che l'unica, cosa che fa differenziare le performance sia soltanto la variante che abbiamo introdotto in generale.

Quindi che sia attraverso un test che sia attraverso l'implementazione su tutti gli utenti, noi andiamo a inserire l'ipotesi di soluzione e poi andiamo a monitorare i risultati e a quel punto il ciclo continua e riparte.

Avremo dunque un nuovo periodo di raccolta dati, una nuova analisi cercheremo di identificare delle nuove aree critiche e così via, in un processo che non finisce mai e che di fatto dovrà guidare da adesso in poi, per sempre tutte le nostre decisioni.

Questo processo può essere appunto gestito da un manager, da uno o più manager, oppure può essere in tutto o in parte automatizzato in ad esempio, un'azienda tipo Amazon col sistema di raccomandazioni in cui l'utente vede i prodotti suggeriti e questi prodotti di fatto vengono inseriti all'interno del sito totalmente sulla base dell'analisi automatizzata dei dati.

Questo quindi è lo scenario che noi vogliamo andare a ottenere.

Per poter avviare questo ciclo decisionale data driven è necessaria una fase iniziale di setup e in questa fase di setup noi dobbiamo innanzitutto aver definito bene oltre all'obiettivo di business che dobbiamo raggiungere e alla data entro la quale vorremmo raggiungerlo.

Questo chiaramente è fondamentale, altrimenti non potremo poi definire se stiamo andando bene o male rispetto all'obiettivo.

Però immaginando di aver definito l'obiettivo, a quel punto dobbiamo definire una serie di k P i o key performance indicator, ovvero un insieme di quantità numeriche, le più importanti, che ci fanno capire se stiamo andando bene o male rispetto al nostro obiettivo, cioè le performance ci stanno portando la nostra macchina verso il nostro obiettivo oppure no e di quanto ci stiamo scostando nel caso non stiamo andando verso la direzione voluta rispetto a quella che dovrebbe essere la traiettoria ideale.

I K P i.

Sono un sottoinsieme di quantità numeriche che voglio misurare.

Però in realtà complessivamente io voglio anche avere a disposizione tutta una serie di altre metriche, quindi di quantità numeriche.

Poi più avanti vedremo esattamente nel dettaglio cosa sono e come definirle però giusto per darvi una panoramica iniziale dobbiamo quindi definire tutte quelle che sono le nostre quantità numeriche, che vogliamo misurare, quelle più importanti ma anche quelle meno importanti, per essere sicuri comunque di avere tutti il quadro a disposizione.

Nel momento in cui vogliamo effettuare eventuali approfondimenti oltre le quantità numeriche, noi vogliamo andare a misurare anche serie di dimensioni di interessi.

Immaginiamo ad esempio i nostri utenti, vogliamo sapere se sono maschi o femmina, qual è la loro fascia di età, quali sono i loro interessi.

Vogliamo sapere se sono entrati sul nostro sito web o sulla nostra app mobile e nel caso del sito web, se erano da desktop, da device come mobile o da tablet, da quali campagne sono arrivati, da quali soggetti traffico e così via.

Ognuno di questi attributi è quello che in gergo si chiama una dimensione di interesse poi lo vedremo nel dettaglio.

Però è fondamentale avere definito che ci serve raccogliere questo tipo di informazioni per poter prendere decisioni, perché se noi non lo facciamo, poi ovviamente nel momento in cui vorremmo fare delle analisi su una determinata leva che abbiamo mosso, ci mancherà l'informazione per capire se effettivamente l'abbiamo mossa in una direzione o nell'altra.

E una volta che abbiamo definito insomma tutto quello che ci serve la ricetta.

Dovremo poi dotarci di un sistema che ci permette di raccogliere tutti i dati che abbiamo definito al punto uno tutti i K, i, tutte le metriche e tutte le dimensioni di interesse e quindi dovremo fare una strategia di tracciamento.

Poi vedremo nel dettaglio come farla e implementare sul nostro sito web o sulla nostra app mobile tutto quello che ci serve raccogliere i dati che effettivamente abbiamo definito essere necessari.

Non solo dobbiamo raccoglierli, ma dobbiamo anche dotarci di un modo per visualizzarli e visualizzarli in maniera semplice, veloce, efficace, in maniera tale che sia noi tutto il resto del nostro team.

Possiamo vedere questi dati e al volo accorgerci di che cosa sta succedendo o in ogni caso nella maniera più semplice ed efficace possibile poter effettuare delle analisi dati che possano permetterci di estrarre gli insite che stiamo cercando.

Quindi non solo abbiamo bisogno di un sistema per visualizzare e analizzare questi dati, ma anche di una procedura di una metodologia per poter poi effettivamente estrarre gli insite che vogliamo.

Una volta che abbiamo identificato degli insite e delle ipotesi di soluzione, vogliamo anche però avere la possibilità di testare ove possibile, queste soluzioni.

E quindi nel caso di un sito web a B Test, oppure nel caso delle campagne, potete effettuare effettivamente dei test sulle campagne di advertising e così via.

Ove possibile, vogliamo sempre testare le soluzioni e monitorare i risultati per ciascuna variante che stiamo testando.

Dove questo invece non è possibile.

Dobbiamo ovviamente cercare di implementare nella maniera più rapida possibile le soluzioni che stiamo ipotizzando e raccogliere i dati che ci permettono di confrontare le performance tra il prima e il dopo in generale, ove possibile, vogliamo cercare di automatizzare tutta questa di raccolta analisi, estrazione degli insite ipotesi testing in un sistema di marketing automation che sia il più possibile a sé stante e automatico.

Questo chiaramente sarà possibile in generale per alcune aree, non tutte per la parte restante.

Ci affideremo a dei manager capaci degli analisti che potranno effettivamente analizzare i dati degli e degli insight.

Quanto più noi riusciamo a integrare in tutto il processo decisionale che sia umano, che sia automatico un ciclo decisionale data Riven, tanto più saremo efficaci nel prendere decisioni e riusciremo a guidare la nostra macchina verso i nostri obiettivi di business, nonostante tutte le incertezze e tutto l'ambiente competitivo, i cambiamenti di scenario che si possono andare a verificare.