Iper-personalizzazione web

Questo martedì, all’interno dell’evento Business+ Ecommerce Lab 2026 – Ecommerce strategico: IA, logistica ed esperienza per vendere meglio, partecipo a una tavola rotonda in cui proverò a portare la mia visione su questa storia della personalizzazione basata sul marketing digitale.

Qualcosa che non è nuovo, ma che applico nei progetti da più di dieci anni, come vedrai adesso. Però la verità è che l’IA permette una scala enorme a livello di utente medio che prima era difficile da ottenere. Questo sì che è cambiato.

Di seguito ti lascio la mia risposta a ciascuno dei grandi punti che abbiamo commentato durante l’incontro.

Quali capacità organizzative e tecnologiche sono imprescindibili per passare dalla semplice raccolta dei dati alla loro attivazione intelligente in tempo reale senza generare problemi operativi? (governance del dato, allineamento marketing-IT…)

Generalmente non è una questione né organizzativa né tecnologica, ma piuttosto di visione. Di analizzare quali dati abbiamo e che cosa si può fare con essi.

Un sito web o un’app normale genera miliardi di dati. Alcuni li raccoglierai in un modo (server), altri in un altro (Google Analytics o CRM) e altri, semplicemente, non li raccoglierai. Perché non ti interessano o perché non ti è venuto in mente, che è ciò che succede più spesso.

Quindi questo non è un problema di strumenti, ma, come dico, principalmente di visione. E la prima cosa è averne una.

Da qui in poi, marketing, IT e business devono parlarsi:

• Decidere cosa bisogna raccogliere.
• Per cosa.
• Come verrà eseguito tecnicamente.
• Come verrà attivato il dato.
• E una cosa che spesso si dimentica: come verrà misurato il successo dell’azione.

E basta.

Più avanti metto vari esempi di personalizzazione e rispondo a queste quattro domande in ciascuno di essi, ma prima voglio che ti resti un’idea:

Il tempo reale totale non esiste.

E non succede nulla, perché molte di queste attivazioni e personalizzazioni non hanno bisogno di millisecondi, hanno bisogno di logica e coerenza.

Come si sta utilizzando l’analitica avanzata (modelli predittivi, machine learning, scoring) per anticipare comportamenti di acquisto e non solo reagire a essi? (abbandono del carrello, dinamica dei prezzi…)

La prima cosa è distinguere l’analitica dal reporting. Il reporting è una parte dell’analitica e si fa in tutte le aziende medie. Ma l’analitica è altro. E l’analitica avanzata molto di più.

Vedere che un utente abbandona il checkout non è analitica avanzata. Nemmeno è analitica, dal mio punto di vista. È un evento che dovrà attivare un’azione, come un popup di exit-intent o l’invio di un’email automatica. E parleremmo piuttosto di CRO.

Un’altra cosa è quando entriamo in modelli che assegnano probabilità a un utente / cliente:

• Probabilità di acquisto.
• Probabilità di abbandono.
• Probabilità di churn.

Controllare e assegnare questi score permette di agire prima che l’evento accada, con maggiori probabilità di successo rispetto a intervenire dopo.

Per esempio, uno scoring di propensione all’acquisto che attivi offerte o contenuti specifici può funzionare molto bene. Lo stesso con il pricing dinamico: adeguare i prezzi in funzione di domanda, stock e comportamento ha un impatto diretto se è integrato nel business.

In entrambi i casi la parte difficile è distinguere i “segnali” che spingono un utente all’acquisto, dal resto che ci lascia con il suo comportamento. Una volta rilevati, attivarli è relativamente facile.

Inoltre, nella mia esperienza, funzionano meglio le regole semplici ben eseguite -come quelle basate sui bias- rispetto ad altri algoritmi più complessi e ricercati.

Dov’è l’equilibrio tra una segmentazione davvero azionabile e la complessità analitica che paralizza l’esecuzione? (automazione, costo, omnicanalità…)

Qui credo di andare controcorrente. Lo dico perché vedo progetti che iniziano con una segmentazione semplice e poi la complicano, finendo con centinaia di microsegmenti che apportano piuttosto poco.

In questo senso, mi piace utilizzare segmenti di metodologie provate come RFM e discostarmi poco da lì. Credo che sia pensata molto bene e permetta di attaccare gruppi di utenti che si differenziano davvero tra loro.

Ovviamente lingua e/o paese, vanno considerati, soprattutto per i materiali e i copy, più che per il comportamento in sé, anche se conta anche quello.

Come si garantisce un’esperienza iper-personalizzata coerente in tutti i punti di contatto —web, email, social, paid media, customer service— senza rompere la consistenza del brand?

A suo tempo ho già parlato di cosa comportava l’omnicanalità in contrapposizione alla multicanalità. L’iper-personalizzazione complica tutto questo molto di più. Per questo credo che non bisogna impazzire.

Un esempio: in Lowi, quando siamo passati dall’offrire mobile alla fibra, ci siamo trovati con più di 100 casi di clienti diversi al momento di fare upselling (una linea, varie linee, uguali o diverse, aziende, privati…). Era chiaramente ingestibile.

Che cosa si è fatto? Abbiamo optato per offrire un’esperienza ragionevolmente buona per tutti. C’erano casi più frequenti la cui esperienza è stata rifinita di più, ma quelli più strani sono stati raggruppati sotto un’esperienza accettabile, non la più ottimale.

Abbiamo sbagliato? Dal punto di vista dell’iper-personalizzazione potrebbe sembrare di sì, ma risolvere uno a uno nel modo più ottimale ogni caso avrebbe richiesto un investimento in risorse MOLTO maggiore dei presunti benefici. Non compensava.

Per questo, dal mio punto di vista, coerenza e omnicanalità vincono sempre sulla personalizzazione. Perché, se il sistema non è perfettamente oliato, è possibile che un utente riceva un messaggio via email, un altro sul web e un altro ancora se va in negozio, generando molta più frizione rispetto a non personalizzare nulla. 

La sfida è personalizzare in modo coerente. E non sempre è possibile.

Inoltre, c’è una componente di brand che spesso viene ignorata. Non tutto deve essere iper-personalizzato. Ci sono messaggi che devono essere uguali per tutti perché costruiscono posizionamento. L’equilibrio sta nel combinare livelli: base di brand coerente più personalizzazione contestuale, questo è il complicato.

Quali metriche dimostrano che l’iper-personalizzazione impatta davvero su conversione, ticket medio e fidelizzazione, e come si calcola il suo ROI in modo rigoroso?

Beh, a questi livelli, le aziende che si pongono il tema dell’iper-personalizzazione, si suppone che abbiano già molto ottimizzato tutto ciò che viene prima. E allora non ci sono grandi salti, ma piccoli incrementi.

Quindi, dato che sei già a un livello alto, i cambiamenti si fanno con cautela e, siccome hai bisogno di sperimentare, i test A/B sono tuoi amici.

E preparati a vedere molti test che non ottengono miglioramenti nella conversione o che non hanno significatività statistica.

È normale.

Questo parlando di web o app. Ora, se si tratta di passare dal non avere email marketing automatizzato a montare flussi ben segmentati e RFM, lì la cosa cambia. E sì, potremo vedere incrementi a due cifre nella conversione e nel fatturato del canale.

Inoltre, insieme a questo aumento, arriveranno molto probabilmente altri due KPI:

• Percentuale di ricorrenza del cliente.
• Fatturato globale.

Il motivo non è altro che l’effetto ripetizione della pubblicità: riuscirai a essere molto più presente nella testa del tuo cliente, che è la cosa migliore che ti possa capitare.

Quanto al ROI, beh, se mi conosci sai che non sono molto favorevole a questa metrica tranne quando parliamo di vendere prodotti digitali o formazione. Quindi ti mentirei se ti dessi una cifra perché non la so e non mi preoccupa. Nella personalizzazione, come quasi in tutto nel canale online, basta fare le cose bene, poco a poco e con buon senso.

Esempi di personalizzazione che possono darti idee

Sono alcuni casi che abbiamo eseguito in progetti in diversi canali e formati.

Flusso completo: canali + web

Questo è stato, fino a oggi, il lavoro di personalizzazione più grande a cui ho partecipato. Ed era un progetto molto ambizioso che copriva:

• Il sito web.
• Le landing page.
• L’area cliente.
• Tutte le campagne e i canali di marketing.
• Il call center (l’agente vedeva esattamente la stessa cosa del cliente).

Il journey completo dell’utente, da quando ci vedeva (display) o ci cercava (SEM), fino a quando sottoscriveva o chiamava il call center.

E quando dico il sito web, non è un messaggino qui e un altro là. No. Si personalizzava tutto il sito:

Insomma, un progettone, perché ora vedrai tutte le variabili che potevamo prendere in considerazione, che, per il settore in questione, sono molto diverse dal solito.

Variabili

• Operatore da cui naviga l’utente:
• Cliente dell’azienda.
• Di un’altra società del gruppo
• Della concorrenza.
• Servizi contrattati.
• Ha copertura fibra.
• Ha copertura ADSL.
• Visita a landing di tariffe.
• Servizi di suo interesse.
• Numero di visite al sito web.
• Visita all’area cliente.
• Se è cliente, se ha permanenza.
• Inserimento di keyword dinamiche: quelle che l’utente usa in SEM, esatte, gliele mostriamo sul sito web.
• Se l’utente arriva da comparatori (Idealo, Rastreator).
• Campagna vista in display: si replica sul sito web.

Come vedi, avere tutto questo tipo di dati non è normale in qualsiasi progetto web.

Misurazione

Esercizio complesso:

• Misurazione pre e post esercizio di personalizzazione.
• Google Analytics.
• AdServer.
• Analisi avanzata su misura.

CRM

Qui ti lascio un elenco con tutte le email personalizzate che mandavamo ai tempi in Yo pongo el hielo:

Email marketing per ecommerce.

Aggiungere queste email segmentate, insieme all’email quotidiana, è stato un game-changer nel progetto. Le due variabili che ti indicavo prima, ricorrenza e fatturato, sono schizzate.

Variabili

Molte, anche se meno di prima:

• Sesso.
• Età e compleanno.
• RFM (numero di ordini, data e importo).
• Prodotti acquistati.
• Categoria preferita.
• Seconda categoria preferita.
• Prodotti visti da lui.
• Prodotti più visti da altri utenti sul sito web.

E qualcun’altra che sicuramente mi dimentico.

Misurazione

Server email:

• Deliverability.
• Numero di email inviate.
• Disiscrizioni.

Google Analytics:

• Traffico da link taggati.
• Ricavi.

Ecommerce

Modulo con gli ultimi prodotti visti dall’utente

Semplice ed efficace. Questo modulo ricorda all’utente i prodotti che ha visto ultimamente, così lo raggiungiamo di nuovo con qualcosa che, a priori, gli interessa già.

Variabili

Prodotti visti dall’utente.

Misurazione

Evento in GA4.

Social network

Creatività personalizzate per audience in Lowi (personaggi diversi, squadre di calcio…). Non ha cambiato molto i risultati, quindi lo sforzo non compensava.

Variabili

Interessi e dati socio-demografici, se non ricordo male.

Misurazione

Piattaforma di Facebook Ads (non era ancora Meta).

Conclusioni

La personalizzazione non è una questione di strumenti, ma di analisi e di sapere cosa fare con i dati. Senza questo, accumuli dati – nemmeno informazioni – con cui non fai nulla.

Un altro mito da abbattere è che il tempo reale è sopravvalutato. Nella maggior parte dei casi non contano velocità o immediatezza, ma la logica di business che c’è dietro.

Dentro l’analitica, è più utile quella che ti permette di agire prima con i tuoi clienti, rispetto a quella che ti spiega ciò che è già successo.

Un altro punto importante è che complicare la segmentazione di solito è un errore. Meglio pochi segmenti ben differenziati (usa RFM) che molti poco utilizzabili perché troppo simili.

D’altra parte, non tutto si può personalizzare. Se rompi la coerenza tra canali di marketing o di vendita, peggiori l’esperienza.

A certi livelli, l’iper-personalizzazione non cambia il business di colpo, ma aiuta con piccoli incrementi.

In definitiva, ti direi che se vuoi personalizzare, pensa a meno complessità e più esecuzione.