Vediamo ora un esempio pratico su come definire K P i dimensioni e metriche di interesse per un sito di lead generation.

La prima cosa che dobbiamo fare è capire bene e definire qual è il nostro obiettivo o obiettivi se sono più di uno e quali sono le leve che abbiamo a disposizione per guidare la nostra macchina verso l'obiettivo che ci siamo prefissi, partiamo dall'obiettivo.

Immaginiamo che per la nostra attività delle generation o il nostro capo, oppure noi stessi ci siamo dati l'obiettivo di aumentare i LED acquisiti dalla nostra attività del trenta percento entro la fine, dell'anno però con il vincolo di mantenere lo stesso costo per LED attuale.

Dopodiché, per guidare questa nostra macchina e raggiungere questo obiettivo, noi abbiamo a disposizione due leve che possiamo muovere.

Questo chiaramente è un esempio ipersemplificato però per capire il ragionamento una leva è quella dell'advertising sui social network, da cui appunto deriva il nostro costo che spendiamo.

La seconda leva è l'ottimizzazione della landing page per fare in modo che questa diventi sempre più capace di trasformare le visite in lead acquisiti.

A questo punto, partendo da questo obiettivo e da queste leve, dobbiamo definire i nostri K P i metri di interesse e dimensioni di interesse.

Partiamo dai K P I I k P i.

Abbiamo detto sono quelle metriche, le più importanti, che io voglio misurare, che mi aiutano a capire che cosa sta succedendo a monitorare le performance di tutta l'attività e eventualmente individuare le macro aree critiche di ciò appunto, che io sto muovendo.

I K P i in generale si dividono in due tipologie ci sono i K P, i assoluti, quelli che mi aiutano a misurare un valore assoluto, un livello assoluto di una quantità che adesso vedremo nel caso di Generation quali sono.

E poi ci sono i K P i di efficienza che invece mi aiutano a capire quanto sono bravo a convertire una mia risorsa di input in quello che mi serve avere in output.

Più questi k p di efficienza sono buoni e più io sono bravo a utilizzare le mie risorse di input per ottenere l'output che mi serve.

Nel caso della generation tra i K P i assoluti io ovviamente voglio misurare innanzitutto il numero dei D.

Questo è fondamentale perché chiaramente è legato al mio obiettivo primario, che è proprio l'acquisizione l'aumento dell'acquisizione dei led del trenta percento.

Quindi i LED ovviamente devo misurarli un'altra, cosa che io voglio sicuramente misurare.

Poiché una delle mie leve è l'advertising è quanto spendo, ovvero il costo a D V, quindi LED e costo a D V.

Sicuramente ci devono essere tra i miei k p i.

Perché rappresentano l'output che voglio ottenere e l'input che io ci metto dentro.

Altri due k p i che io normalmente voglio misurare il caso della generation sono utenti e sessioni.

Non è obbligatorio misurare entrambe le cose, però in questo esempio li riporto entrambi.

In ogni caso mi serve un indicatore che mi faccia capire qual è la quantità di traffico o di persone che arriva sul mio sito web o sulla mia bandi.

Quindi utilizzerò utenti e o sessioni per misurare questa quantità di traffico o di persone.

Questi quindi sono i miei k p i assoluti.

A questo punto vado a introdurre ulteriori k P i di efficienza che mi aiutano a capire come sto utilizzando le mie risorse.

Un k P i di efficienza sarà il tasso di conversione da sessioni a LED, ovvero il rapporto percentuale tra i LED acquisiti e le sessioni che sono entrate sul sito.

Questo quindi mi aiuta a capire, ad esempio, ogni cento sessioni quanti riuscirò a ottenere, e io vorrei idealmente che questo k p i.

Avesse il valore massimo possibile i nel mondo ideale, io vorrei che tutte le mie sessioni si trasformassero in D e quindi che questo K P i.

Avesse il valore del cento per cento.

Al contrario, se io andrò a misurare un valore dello zero percento la mia macchina, per quanto traffico porterò dentro comunque non produrrà alcun LED e quindi sarò totalmente inefficiente.

Questo K P I.

Quindi tasso di conversione, avrà due estremi lo zero situazione più tragica e peggiore possibile, e il cento per cento, ovvero il valore ideale che io vorrei ottenere a regime.

Io so questo lo so per esperienza, potrei trovarlo online da altri siti di riferimento e così via.

Però so che ci sarà un certo range fisiologico in cui io teoricamente andrò a stare che, ad esempio, in un caso di Generation, io potrei avere un tasso di conversione del tre percento del cinque percento dell'otto percento del dieci percento.

Se sono particolarmente bravo, tutto quello che ho di più ovviamente è guadagnato.

Però tipicamente i valori tipici sono questi dipendono dai casi, dal business, dal target che sto raggiungendo e così via.

Il secondo K P.

E di efficienza che io voglio andare a misurare sarà ovviamente il costo medio per LED, ovvero la divisione tra costo che io ho speso e i LED che ho ottenuto nello stesso periodo.

Questo secondo K P I.

Io voglio invece che sia il più basso possibile, perché ovviamente io, a parità di ottenuti, voglio spendere il meno possibile e quindi misurerò questo secondo K P I.

Per capire quanto sono efficiente nel riuscire a trasformare la mia leva di costo in LED che io sono riuscito a generare.

Idealmente potrei aggiungere ulteriori K P i.

Però in questo esempio semplificato, manteniamo le cose semplici e già avendo a disposizione la possibilità di monitorare in maniera frequente questi K P i già posso avere un buon quadro di ciò che sta succedendo nella mia attività delle Generation.

Accanto a questi K P i.

Io andrò a aggiungere una serie di metriche aggiuntive che non sono magari quelle che voglio monitorare frequentemente tutti i giorni o quelle che magari che voglio andare a riportare ai miei capi o al mio team, però voglio misurarle, perché nel momento in cui io voglio fare delle analisi più approfondite, voglio avere la possibilità di misurare ulteriori quantità che mi aiutano a capire nel dettaglio che cosa sta succedendo.

Anche qui andrò a dividere le mie metriche di interesse in due fasce.

La mia prima fascia sarà metriche legate alla landing page, cioè di fatto io ho due leve uno è l'advertising l'altro è la landing page.

Iniziamo a identificare le metriche legate alla seconda leva, cioè quella della landing page.

Allora andrò a misurare la frequenza di rimbalzo, che è definita come la percentuale di sessioni o visite al sito che sono entrate sulla landing e sono uscite immediatamente senza fare niente, senza interagire proprio con la landing.

Ovviamente la frequenza di rimbalzo più alta è e peggio è, perché se immaginavo che fosse il cento per cento vorrebbe dire che tutte le visite che sono entrate sulla Lenin sono uscite immediatamente senza fare assolutamente niente.

E questo chiaramente è male.

Io vorrei che loro almeno leggessero la pagina, compissero il form e laggia e lasciassero il led.

Questo nel mondo ideale.

Quindi la frequenza del rimbalzo è come se fosse una metrica che mi aiuta a capire qual è la prima impressione che fa la landing page al target che ho raggiunto.

Se questa prima impressione è cattiva, le persone entreranno e usciranno immediatamente e ciò si rifletterà nella frequenza del rimbalzo, che avrà un valore molto elevato.

Dopodiché andrò a misurare ad esempio, il tempo medio di permanenza in pagina.

Immaginiamo che io abbia una landing che magari c'ha un video che presenta un qualcosa c'ha, un testo descrittivo, c'ha delle immagini, una galleria delle recensioni e così via.

È chiaro che io assumo che se una persona va a leggere tutti i contenuti che io ho creato ci passerà del tempo e quindi misurando il tempo medio di permanenza, io cercherò di capire se la gente legge mediamente quello che io ho scritto nella mia landing page oppure no.

Dovrei avere quindi un valore di riferimento che io magari ho calcolato di quanto tempo mediamente ci si ci si mette a leggere i contenuti, a fruire tutti i contenuti che ho inserito nella mia landing page qui.

Nel caso del tempo medio di permanenza non c'è un valore ottimale, nel senso che una potres- una persona ci potrebbe mettere magari un po' di più a leggere i contenuti e poi non potrebbe non diventare led.

Una persona potrebbe essere veloce a leggere e convincersi rapidamente a diventare lead, quindi quello di cui sono alla caccia, più che altro sono valori estremi e in generale anche la capacità di caratterizzare questo k p i sulla base di vari valori per diverse dimensioni, per capire cosa cambia in base alle mosse che io faccio.

In altre parole io qui non sono alla ricerca di massimizzare il tempo medio di permanenza, ma più che altro uso questo questa metrica per aiutarmi a confrontare le performance tra vari valori per una o più dimensioni.

Immaginiamo ad esempio che faccio una campagna e questa campagna un tempo medio di permanenza di cinque secondi, ma io so che la media di quella landing page è un minuto, allora la capisco che la mia campagna è negativa.

Se invece al contrario facciamo un caso più estremo, la mia campagna mi porta un tempo medio di permanenza un minuto ma io so che la media del tempo di permanenza sono dieci minuti e la gente che lascia il generalmente ci passa dieci e qualcosa minuti allora in quel caso quel minuto, cioè che pass- quella campagna che mi porta un tempo media di permanenza di un minuto, probabilmente avrà delle performance più negative perché è e enormemente inferiore alla media dell'altro traffico che io porto sul sito.

Quindi tempo medio di permanenza lo uso più che altro per confrontare vari valori e per capire quali sono gli estremi e formarmi un'idea sul range medio di questa quantità.

Dopodiché immagino che nella mia landing io abbia un video, andrò a misurare quante sono state le a gli avvii di visualizzazione di quel video e anche qual è il ta- qual è stato il tasso di completamento del video, ovvero il numero di completamenti diviso gli avvii in percentuale questi due metri, quindi mi aiutano a capire.

Uno il video quant'è appealing quanto è attraente, magari la gente entra sulla landing e lo ignora completamente.

In quel caso in quel caso avrò zero avvii o pochissimi avvii rispetto alle sessioni.

La seconda metrica invece mi aiuta a capire una volta che l'utente ha avviato il video, quanto lo porta a completamento e quindi è più che altro un indicatore che mi aiuta a capire quanto il video stesso una volta avviato è attraente e interessante per gli utenti.

Capite quindi, come io sto cercando di formarmi una serie di metriche che scompongono il processo complessivo, cioè il fatto che l'utente entra sulla landing e c'è il led in step più piccoli che sono legati alla alle componenti che io sono andato a inserire all'interno della landing page.

Quindi, ad esempio, se c'è un video, io voglio cercare di capire la gente quante volte l'ho avviato e quante volte poi, a parità di avvii l'ho completato se avrò messo altri contenuti, magari vorrò vorrò inserire altre tipologie di metriche.

Per esempio, se ci ho messo un carol di immagini vorrò misurare quante volte quel casel è stato visto dagli utenti.

Cioè immaginate che gli utenti scrollano la pagina e a un certo punto il casel si ferma, cioè arriva nella finestra del loro browser.

Io potrei misurare ad esempio le di quel casel se quel carol è rimasto nel browser per uno o due secondi nella parte visibile appunto della finestra dell'utente e poi potrei voler misurare quanti click l'utente ha fatto su quello stesso caser in maniera tale poi da misurare il tra click e impressioni che quel cars ha generato sempre per lo stesso obiettivo, cioè quello di capire innanzitutto quel carousel quanto era attraente per gli utenti quanto si sono soffermati sopra e questo lo misura con l'impression.

E poi una volta che l'hanno visto quante volte l'hanno cliccato e questo lo misuro attraverso i click e i click sul retro, spesso qui questa è la logica con cui io cerco quindi di capire quali metri che andare a misurare scomponendo tutte le singole parti che io ho inserito ad esempio in un ning page per andarne a misurare l'efficacia.

Dopodiché ci sarà un form di contatto e ovviamente anche lì voglio capire quante volte quel form di contatto è stato visto.

Immaginate una ning verticale col form di contatto in basso voglio vedere quante volte gli utenti sono arrivati a vedere quel di contatto e quindi misurò misurerò le impression del form di contatto quante persone poi hanno iniziato a compilarlo? Quindi magari quanti hanno cliccato sul primo campo quanti poi sul secondo, quanto sul terzo e così via, quindi andrò a misurare delle mezze che mi aiutano a capire, diciamo l'avvio delle compilazioni e poi il tasso magari di completamento del form, cioè qua il numero di campi compilati nelle varie sessioni.

Questa seconda cosa, magari leggermente troppo complicata semplifichiamo la vita, andiamo a misurare semplicemente gli avvii di compilazione del form di contatto che già ci dà un'idea l'utente per esempio potrebbe vedere il form, ma non compilarlo perché magari questo form contiene tanti campi e quindi molti magari di questi sono obbligatori.

Gli utenti si spaventano e non vogliono andare a compilare tutti quei campi.

Allora io avrò magari tante impression del form, ma pochi avvii di compilazione oppure magari io ho tanti avvii di compilazione del form, ma pochi perché? Perché magari c'è un problema tecnico sul sito o magari c'è un caps criptico che la gente non riesce poi a compilare e quindi nonostante la gente prova a compilare il form, alla fine schiaccia il pulsante per inviarlo, il forno non si invia.

Io questo quando faccio le analisi di dettaglio voglio saperlo e quindi devo dotarmi di metriche che mi aiutano a capire questa parte del processo avvii della compilazione e completamento, quindi e quindi acquisito dal forno questo legato alla landing page per la parte di advertising.

Anche qui dovrò dotarmi di una serie di metriche che tipicamente vengono in generale prodotte dai pannelli di advertising che si si utilizzano di solito.

Però io devo sapere che queste mete che ci sono e devo sapere anche come interpretarle nel caso dell'advertising io cosa avrò? Normalmente avrò dei banner o dei video o dei case che vengono visualizzati in determinate piattaforme.

Immaginiamoci ad esempio su facebook o su Instagram.

L'utente scrolla il suo feed e a un certo punto passa il nostro banner.

La prima cosa che devo capire è se quel banner è attraente o meno per gli utenti, perché se gli utenti scrollano e neanche lo guardano, ovviamente io diciamo ho c'è qualcosa, cosa che non va rispetto a quello che ho creato.

Quindi per fare questo innanzitutto devo misurare le impressioni.

Cioè quante volte il banner è stato visto dagli utenti? Se se nessun utente vede il banner è chiaro che c'è un problema a monte, cioè non sto mostrando la mia pubblicità a un numero sufficiente di persone.

Se invece tanti utenti hanno visto il mio banner, però nessuno ci ha cliccato.

Allora vuol dire che il mio banner evidentemente non è stato attraente o interessante per i miei utenti.

Quindi in questo caso per capire questa cosa qui è misurare da una parte le impressioni e dall'altra parte i click che sono una misura dell'eme dell'attrazione che il mio banner suscita nei confronti degli utenti.

Quindi impressioni, click e click che è il rapporto percentuale tra click e impressioni.

Cosa mi dice il ct? Mi dice che a parità di impressioni io quanti click ho ottenuto? Ogni cento impressioni in particolare mediamente quanti click ottengo? Perché mi serve questa metrica? Click? Perché spesso io ho delle campagne o degli annunci che generano un numero diverso di impressioni, perché magari sto spendendo di più su una campagna di meno su un'altra e quindi per poterle confrontare a livello di, cioè per dire okay tra queste due campagne qual è quella che suscita più engagement e più attrazione per gli utenti? Per poterle confrontare ho bisogno di metterle a parità di impressioni, perché altrimenti se vado a confrontare solo i click, i click sono influenzati da quanto io ho speso su ciascuna campagna.

Quindi non non mi servono per per confrontare questo tipo di performance di per confrontare le e ho bisogno di una metrica di efficienza che le mette che le metta a parità di impressioni e questa metrica è proprio il ct, dopodiché, immaginando di spendere cioè i soldi che spendo in advertising, tendenzialmente su molte piattaforme vengono spese, vengono spesi a cioè io pago un una certa cifra ogni mille che genero questo costo si esprime col c p m, cioè costo per mille impression che è la metrica tipica di io appunto pago impression.

Immaginiamo che magari su una campagna io posso pagare dieci euro ogni mille impression su un'altra quindici euro ogni mille impression e così via.

È chiaro che più io pago ogni mille impression e più io avrò un costo elevato a prescindere da quello che succede dopo, perché è come se io pagassi tanto proprio la base del fan la parte iniziale del mio fan di acquisizione.

Quello che vorrei idealmente è pagare il meno possibile e in ogni caso io voglio tenere sotto controllo questo aspetto del mio advertising, cioè quanto pago per o per mille.

Quindi ho tra le mie metriche di interesse, ovviamente il c p m.

Dopodiché però non basta sapere quanto io pago l'emp perché può essere che io magari abbia una campagna e sviluppa delle a un costo basso.

Quindi un c p m basso.

Però poi la gente non ci clicca perché? Perché il target è sbagliato perché gli annunci sono sbagliati.

Questo non lo so.

Però in generale sapere che io pago poco non mi basta per dire se una campagna sta funzionando o meno.

Devo vedere anche, ovviamente, e di conseguenza il costo per click che è un'altra metrica di mio interesse.

Cioè devo capire mediamente io quanto pago anche i click che questa campagna sviluppa e quindi andrò a misurare il costo per click, cioè il costo in generale nel periodo diviso i click che io ho acquisito nel periodo.

Una campagna, ad esempio potrebbe avere un c p m alto perché magari sono andato a prendere un target su cui c'è molta concorrenza.

Però poiché il target che io sono andato a individuare è molto buono, cioè è molto potenzialmente interessato a quello che io ho da dire e avrò allora un click sul rate molto alto perché generalmente a parità di impressioni questo target ci cliccherà tanto e quindi di conseguenza il costo per click che io vado a sviluppare potrebbe essere più basso di quello di altre campagne che magari hanno un c p m più basso, ma anche un c t r più basso.

Quindi diciamo questi mezzi che mi aiutano a capire sostanzialmente quello che sta succedendo è ovvio io che alla fine di tutto quello a cui sono veramente interessato è il costo per led che è l'esito di tutto il processo che parte dalla passa per il click e arriva fino alla visualizzazione della page e la compilazione del form, il c p l.

Quindi il costo per d e il k p i infatti l'ho messo tra k p i.

Però per arrivare a questo costo per led ci sono vari passaggi che l'utente deve fare e di cui io voglio andare a misurare tutte le singole metriche che mi rappresentano le performance di ciascun passaggio.

Ed è per questo che vado a misurare impressioni click c p m c p c c t r proprio per avere un'idea delle performance di ogni singolo step di tutta questa catena e sulla base di confronti di tutte queste metriche io capisco cosa sta succ cosa sta succedendo e quindi ad esempio capire che c'è una campagna che ha un c p m elevato, quindi potenzialmente costosa ma che ha delle performance di buone che mi abbassano.

Poi il resto del costo che si sviluppa nella parte restante del quindi un c p c più basso e di conseguenza un costo del basso.

Okay, ora che ho parlato di metriche, parliamo di dimensioni, quindi io devo capire partendo dalle leve che ho a disposizione, quali sono le varie dimensioni che sono interessato a misurare, a monitorare anche qui vado a dividere per lending page e per advertising la la nin page.

Immaginiamo che io chiaramente se c'ho una singola nige che non cambia mai io non ho leve, cioè non posso cambiare nulla sulla ning, quindi non ho leve a mia disposizione.

Questo chiaramente sarebbe una limitazione.

Generalmente, quando io faccio le generation e ho una landing page io vado a cambiare qualcosa, vado magari a cambiare il video, vado a cambiare il titolo, vado a cambiare il forum per fare questi cambiamenti generalmente mi conviene fare degli a b test, cioè non cambiare direttamente la cosa sulla mia pagina principale, provare a testare questo cambiamento facendo vedere a un gruppo di persone la pagina così com'era prima, cioè la pagina originale e un altro gruppo di persone.

Invece la pagina con una modifica apportata secondo me va a risolvere un determinato problema.

Facciamo un esempio immaginiamo che c'è una landing con un video e ho l'impressione vedendo i dati che la gente questo video lo ignori, non lo non lo veda, non lo vada ad avviare oppure una volta avviato, magari lo interrompa subito.

Allora io nella mia ipotesi penso che il video non funziona e lo vado a sostituire con un altro video.

Però come farò questa sostituzione? Farò una b test, quindi avrò una landing dove ci sarà il video vecchio un'altra landing dove avrò il video nuovo? Quello che secondo me va a risolvere il problema tutto il resto uguale e tutte le persone che faccio entrare le vado a dividere in maniera randomico casuale tra la landing originale e quella modificata.

Dopodiché vado a misurare tutti i miei k p i e le mie metriche andando a fare questa misura.

Quindi andrò a cercare di capire se i miei k p i.

Hanno una performance migliore nella landing con il video nuovo, quello appunto di test e andrò a misurare anche le mie metriche di dettaglio per capire il perché effettivamente la landing modificata c'ha delle performance migliori.

Quindi se è veramente il video portato un beneficio, mi dovrei aspettare da una parte di vedere i k p i migliori, quindi più led a parità di traffico, costo più basso e così via.

Dall'altra mi aspetterei di vedere anche delle metriche legate al video in questione migliore per esempio più avvii a parità di impression del video oppure più avvii a parità di visualizzazione di pagine più tasso di completamento per il video migliore.

Quindi a parità di avvii più completamenti del video.

Quindi ho bisogno dunque di non solo andare a definire una serie di metriche, ma anche di definire una serie di dimensioni che saranno quelle che io posso andare a modificare e tendenzialmente cercherò di farlo attraverso gli a b test caso dell'esempio che ho appena fatto il video quindi sarà una delle mie dimensioni che andrò a misurare.

Quindi che ne so sarà nome video sarà valore video uno oppure video due.

Quindi avrò immaginate una tabella dove la dimensione sarà video e le mie righe saranno video uno video due e poi per ogni riga c'avrò tutte le metriche che sto misurando.

Sarà proprio il confronto tra video uno e due per le varie metriche che mi aiuterà a capire cosa sta succedendo, così come ho il video come possibile leva e quindi dimensione di interesse.

Ci potrebbero essere ulteriori dimensioni di interesse, sempre legata alla landing che io sono interessato a monitorare.

Ad esempio la mela potrebbe avere delle buone performance su desktop, ma avere delle scarse performance da mobile, magari perché si legge male o perché il format è troppo per i campi troppo piccoli e quindi si compila fatica e quindi il device diventa per me una dimensione di interesse che mi aiuta a capire se quella landing sta performando bene o male rispetto ai diversi device da cui gli utenti accedono un'altra possibile dimensione legata sempre alla landing page, in questo caso in senso più ampio.

Adesso vedremo che cosa vuol dire è la città di provenienza degli utenti.

Quindi immaginiamo ci sono utenti magari che vengono sulla navigando da roma, altri da milano, altri da napoli, altri da palermo e così via.

E io potrei chiaramente vedere delle differenze performance in termini di tasso di conversione o costo complessivo a seconda della città di provenienza degli utenti.

La città di provenienza quindi per me è una leva perché? Perché io poi posso direzionare i miei fort, ad esempio nell'aver per indirizzare le mie campagne, per puntare più su una città dove ho risultati migliori piuttosto che su un'altra dove ho risultati peggiori.

In questo caso io la dimensione città di l'ho inserita nell'area di analisi landing page.

In realtà avrei potuto inserirla tranquillamente anche su advertising, proprio perché potrei decidere di andare ad analizzare le performance l'advertising anche rispetto alla città di provenienza, sul pannello direttamente della piattaforma di advertising l'ho divisi in questa maniera, più che altro perché normalmente succede che io non ho soltanto l'advertising come leva, cioè magari sulla lenin mi può arrivare anche traffico da diretto c'ho, traffico da organico, traffico da siti web che puntano la mia stessa landing e così via.

E dunque quando voglio analizzare le performance per città di provenienza, non voglio limitarmi soltanto alla componente dell'advertising, ma magari voglio fare un'analisi complessiva su tutte le tipologie di traffico che potrebbero entrare sulla landing.

È per questo che in questo schemino la dimensione della città di provenienza l'ho inserita nell'area di analisi landing page perché mi sono immaginato che poi potrei guardare un pannello dati in cui non ho soltanto il traffico che proviene l'advertising, ma magari altre fonti di traffico.

E quindi voglio vedere le performance per città di provenienza a livello globale, non soltanto limitato all'asi lo stesso discorso anche per la data, per l'ora, eccetera eccetera.

Ulteriori dimensioni di interesse magari potrei avere delle ore o degli dei giorni della settimana o delle date specifiche in cui ho avuto delle performance molto buone, altre peggiori.

E mi interessa confrontare performance appunto per data, per ora, per ora, per giorno della settimana e così via.

Devo quindi esserne cosciente e queste sono potenziali leve, perché io poi posso riformulare magari il mio advertising con le mie campagne o le mie promozioni per fare in modo che la gente le veda in determinate ore.

Oppure ancora magari posso scoprirle che la gente va alla sera, solo la mia landing page e io lì magari posso attivare il mio customer care per restare attivo, magari fino alle dieci di sera, perché so che poi la gente continua a compilare il form fino alle dieci di sera.

Solo un esempio, però, per far capire che tutte le cose che io poi posso muovere a livello di leva devono io dovrei cercare di avere qualche dimensione corrispondente che mi aiuta a capire se io muovo quella leva in quella determinata direzione, cosa cambia a livello di performance o in generale sapere che in quell'area che io posso muovere c'ho delle performance variabili tra questo o quell'altro valore? Stesso ragionamento si può fare proprio per l'advertising specifico versi chiaramente io posso normalmente decidere qual è la piattaforma su cui fare advertising, ad esempio Instagram, Facebook, LinkedIn, Tik Tok, Google e così via.

Posso all'interno di ciascuna piattaforma, decidere il posizionamento, quindi fare apparire su Instagram e advertising, nelle stories, nei nei feed e così via.

E ovviamente a seconda di dove appari potrei avere performance differenti.

Quella è una leva che io ho a disposizione, quindi voglio essere in grado di confrontare le performance per posizionamento.

Le campagne, come le strutture, sono una leva, perché io posso avere una, due, dieci campagne, cento campagne, ciascuna con un suo, un suo obiettivo e così via.

Voglio mettermi in condizione di poter misurare le performance per ciascuna campagna.

Quindi la campagna per me è una dimensione di interesse all'interno di ogni campagna c'ho dei gruppi di annunci, ciascuno dei quali ha alcune caratteristiche specifiche con cui l'ho configurato e quindi voglio mettermi poi in condizione di misurare e quindi monitorare le performance per ciascun gruppo di annunci.

Allo stesso modo, in ciascun gruppo di annunci avrò diversi singoli annunci e all'interno di ciascun annuncio.

Magari avrò gli annunci che possono differenziarsi per il lungo, corto, motivazionale, freddo, eccetera, eccetera.

Per la creatività magari ho vari banner, varie tipologie, vari soggetti e così via per il formato immagine, casel, video e così via.

Quindi ognuna di queste caratteristiche, che io posso decidere a livello di advertising, per me è una dimensione di interesse.

Perché poi, quando io voglio vedere i dati, voglio confrontare i miei K P e le mie metriche sulla base dei valori per ciascuna di queste dimensioni, in maniera tale da capire cosa sta andando bene e cosa sto andando male e prendo le mie decisioni seguenti.

A questo punto facciamo una analisi di esempio Iniziamo dalla parte di landing page, quindi tendenzialmente, quando noi facciamo le analisi.

Poiché il flusso generalmente è abbastanza ampio, si compone di tante componenti.

Spesso uno si trova ad analizzare le cose in maniera sia globale sia di dettaglio.

Quindi in questo esempio, sto immaginando di fare un'analisi un po' più di dettaglio sulla landing page, quindi, trascurando un secondo la parte ti voglio isolare un secondo quello che succede sulla landing page per cercare di capire le varie varianti che io ho messo fuori, che sto testando come stanno performando.

Quindi immaginiamo di avere una b test in corso dove c'ho due landing page, una che ha il video uno e uno che c'ha un secondo video che io ipotizzo sia migliorativo.

Lo chiamo video due l'advertising è uguale per entrambe le lending, nel senso che attraverso l'advertising io porto utenti.

Gli stessi utenti vengono smistati alcuni sulla landing uno, altri sulla landing due.

Quindi si ipotizza che di fatto tutta la parte di campagne abbia portato su entrambe le landing lo stesso tipo di target con lo stesso tipo di caratteristiche.

Non a caso gli a b test tendenzialmente fanno proprio questa assunzione, cioè che tutte le condizioni sono uguali, a parte la singola cosa che io sto testando.

Quindi anche nel nostro esempio la parte advertising, ipotizziamo che sia identica sulle landing ciò che cambia tra le dolenti è soltanto il video che io ho fatto differente sulla Lenin uno rispetto alla lenin due andiamo a misurare, quindi per le due landing, le varie metriche c'avrò le sessioni.

Se la bist è fatto bene, io avrò più o meno lo stesso numero di sessioni tra la landing uno e la landing due.

Perché? Perché io voglio di norma avere la stessa quantità di utenti che arriva sulle mie landing in fase di test.

Altrimenti potrei avere delle metriche diciamo di errore diverse tra i due lanning se io avessi delle basi un campione dati molto differente in grandezza tra le varie varianti, ma non non addentriamoci su questo dettaglio.

La cosa importante è che le sessioni mi aspetto che siano sostanzialmente molto simili come quantità.

Vado a misurare anche i led.

Mi accorgo che i led sono un po' di più sul video uno sulla land in uno, un po' di meno sulla land in video due andando a misurare così però questo mi dice poco.

Perché? Perché chiaramente i livelli di sessioni, per quanto simili, sono un po' differenti.

Quindi il k che io vado effettivamente a misurare è il tasso di conversione, cioè quello che a schermo si vede la percentuale di di sessioni, cioè il tasso di conversione da sessioni al nell'esempio.

Il tasso di conversione è più alto sulla la uno quattro e novantasette percento rispetto a tre e ottantaquattro per cento per la landing video.

Due.

Cosa vuol dire? Che a parità di traffico la uno sviluppa più, cioè genera più un numero anche significativamente superiore.

Di che succede, però succede che la percentuale di avvio del video rispetto alle sessioni è più alta sulla lanning nel video due, quindi da cosa? Cosa capisco io capisco che la n in video due sta performando peggio in termini di acquisizione led, però il video due, cioè la landing col video due tendenzialmente ha più visualizzazioni.

Cioè la gente tende ad avviare il video di più sulla landing a video due, quindi io evidentemente ho fatto un lavoro migliore.

Per esempio nel nella tana del video nell'anteprima nel titolo cioè quello che ho cambiato ha funzionato, evidentemente nell'attrarre maggiormente gli utenti ad avviarlo.

Tuttavia questo video due ha una retention più bassa perché vedete il k p i percentuale di completamento diviso a bio è più basso sul video due.

Evidentemente questo video due è meno interessante per gli utenti dopo che l'hanno avviato e quindi la gente vede meno il video evidentemente si convince di meno e quindi alla fine, come si vede anche dall'ultima metrica percentuale di avvio di compilazione dei form rispetto alla sessione si intende eh? Io avrò quindi una percentuale di avvio più bassa, cioè la gente mediamente tende ad avviare di meno proprio il form non solo proprio a inviarlo, ma proprio ad avviare la compilazione meno frequentemente quindi cosa ne posso dedurre da questi dati? Qui posso dedurre che ho messo sulla landing due un video che attrae maggiormente gli utenti a vederlo.

Però questo video è meno interessante di quello della landing uno si vede dal tasso di completamento e quindi porto gli utenti ad avviare meno il form.

Evidentemente li ho convinti di meno e il risultato complessivo è che la landing uno comunque per forma media della due nonostante la due porti più persone ad avviare il video da questo mi ha dato una visione abbastanza completa di quello che è successo tra le due randi.

A quel punto io vorrei dichiarare ad esempio che è running uno quindi per forza della due mi tengo la uno e nell'interazione successiva i test andrò a modificare qualche altra cosa potrebbe essere sempre il video oppure qualche altro qualche altra feature della mia landing con lo scopo piano piano di ottimizzare le performance.

Questo a livello di esempio e analisi di una B test sulla land.

Facciamo adesso un altro esempio, invece il lato advertising.

Quindi sto facendo un'analisi proprio su ogni performance advertising.

Sto andando ad analizzare una campagna specifica, un gruppo di annunci speciali, un annuncio che di fatto si differenzia solo per la creatività, cioè tutto è uguale, il copia uguale la uguale, eccetera eccetera.

Il target che va a raggiungere è tutto uguale l'unica, cosa che cambia è la creatività.

Cioè immaginiamo per esempio, che in uno c'è un banner che rappresenta un determinato soggetto e nell'altra creatività c'è un altro banner che rappresenta un secondo soggetto diverso banner rosso e banner blu.

Per capirci immaginiamo che io faccio girare questi annunci in parallelo, quindi magari alcuni utenti hanno visto la creatività uno altri hanno visto la creatività.

Due.

Ho speso per entrambe le creatività cinquemila euro.

In questo caso la creatività uno ha generato circa cinquecento mila impression.

La creatività due ha generato cinquecento, un po' di più cinquecentocinquantacinque, mila impression e un po' di più i click sono stati quelli che in bella quindi quindici mila per la uno tredicimila ottocentottantotto per la due il C P m è stato magari più alto per la creatività uno dieci euro ogni mille impression, mentre la creatività due ha avuto un costo di nove euro ogni mille impression.

Ma sono numeri fittizi, quindi immaginiamo di avere un caso in cui si è generata questa situazione.

Quindi se uno si fermasse al C p m direbbe ah, vedi la creatività uno sta spendendo mediamente di più per impression un costo più elevato.

Tuttavia il rate è più alto per la credibilità uno tre percento, mentre è più basso per la creatività due due virgola cinque per cento.

Cosa vuol dire? A parità di impression sto generando meno click sulla creatività.

Due E quindi il risultato qual è? Che il costo per click C P c.

È più basso per la creatività uno.

Nonostante il C P M fosse più alto.

Perché? Perché è vero che il C P M era più alto, ma io sono riuscito attrarre più click a parità di impression e quindi la risultante il costo per click è stato più economica sulla creatività uno.

Nonostante il C P M fosse più alto.

Dopodiché gli utenti che hanno cliccato poi hanno raggiunto la landing.

Il tasso di conversione sulla landing immaginiamo sia stato uguale per le due creatività, cioè cinque per cento.

Il risultato complessivo è che in ogni caso, poiché io ho avuto più click sulla creatività uno ho portato a casa più LED e quindi il costo per LED complessivo è stato inferiore per la creatività uno rispetto alla creatività.

Due.

Qual è stato il discriminante tra credibilità, creatività uno e creatività? Due è stato il click rate che, essendo stato più alto per le uno, ha consentito di abbassare ciò che accadeva dopo il click, cioè pagare meno il click.

Poiché il tasso di conversione era uguale tra la creatività alla fine il risultante è che il costo per è stato più basso sulla creatività uno e che quindi mi conviene mantenere rispetto alla creatività.

Due.

Questo tipo di comprensione l'ho potuta avere nel momento in cui ho a disposizione tutte queste metriche che mi guardi insieme, perché mi aiutano a capire proprio pezzo per pezzo di tutto il flusso che cosa succedendo e capire quindi dov'è che ho avuto performance peggiori per esempio sul C P m.

La credibilità uno dov'è che ce le ho dato migliori per esempio sul ctr, sul C p c.

Sempre per la creatività uno dov'è che ce le ho avuto uguali sul tasso di conversione sulla landing che è stato identico a questo punto.

Fatto questo secondo esempio, lascio qui a schermo alcune relazioni utili.

Queste relazioni di solito si possono ricavare abbastanza facilmente facendo semplicemente delle relazioni algebriche tra di loro.

Però può essere utile avere sotto mano in maniera tale da ricordarsi sempre che c'è una dipendenza effettivamente tra le metri metriche che sto osservando.

Cioè il costo per click ovviamente dipende dal costo, dalle impressioni dal e quindi variando queste quantità vi va anche il costo per click, così come click rate, così come il costo per e così via.

Quindi può essere utile avere sotto mano queste relazioni per capire effettivamente man mano che aumenta una determinata metrica, quale potrebbe essere l'impatto sulle altre.

Faccio giusto un esempio pratico.

Vedete, nel caso del costo per click che abbiamo visto nella slide precedente che all'aumentare click è diminuito.

Questo si vede perché costo per click è uguale a costo diviso click, ma è anche uguale a costo andando a sostituire i click con la relazione del ct viene che quindi il c p c è uguale a costo per cento diviso aperta parentesi impressione per clit ovvero in altre parole il c p c.

È inversamente proporzionale al più aumenta il clit più il costo per click diminuisce a parità di altre delle altre quantità.

Quindi se io mantengo tutte le altre quantità uguali ma di aumento il il costo per click andrà a diminuire.

Queste relazioni quindi sono utili per capire poi anche come intervenire e man mano che osservo le metriche per andare a ottimizzare le mie campagne.

Chiaramente è un esempio super semplificato in ambito adde c'è molto ma molto ma molto di più.

Però questa logica di ragionamento ci aiuta a capire come poi possiamo muoverci nei casi più complessi in cui poi nella realtà quotidiana ci andiamo a trovare