Ottimizzare il funnel con l'AI: dal problema rilevato al test che misura il risultato

Il sito porta visite, le campagne portano contatti, eppure i contratti non crescono. La tentazione è aggiungere qualcosa: un chatbot, una nuova landing, un’automazione che manda tre email in più. Prima di aggiungere, conviene capire dove il percorso si interrompe. Un funnel di solito si inceppa in pochi punti precisi, e spesso non dove si guarda per primo.

La risposta breve è questa: un funnel si ottimizza un collo di bottiglia alla volta, con un ciclo che ha sei passi. Si osserva dove le persone si fermano, si diagnostica la causa probabile, la si trasforma in un’ipotesi che si possa smentire, la si testa, si misura il risultato e si riparte dal collo successivo. L’intelligenza artificiale accelera i passaggi faticosi: legge centinaia di sessioni registrate, segnala le anomalie nei dati, raggruppa i motivi di scarto dei lead, propone varianti di testo. Quale problema conta, quanto rischio accettare e se un test ha funzionato davvero lo decide una persona che conosce l’azienda.

Questo articolo parla del sistema che sta dopo il clic: sito, moduli, risposta commerciale e CRM. Se ti interessa come l’AI gestisce le campagne a monte, ne parla Gaetano in cosa automatizzare nelle campagne advertising. Se vuoi prima verificare che i numeri su cui lavori siano affidabili, parti dall’articolo di Milica su come verificare i dati dal clic alla vendita.

Cos’è un collo di bottiglia nel funnel?

Un collo di bottiglia è il punto del percorso in cui si perde una quota di persone sproporzionata rispetto agli altri passaggi, oppure in cui il tempo di attraversamento si allunga senza motivo. È il passaggio che limita il risultato di tutto il resto: se lì passa poco, migliorare gli altri stadi serve a poco.

Nel B2B e nei servizi i colli più comuni stanno in cinque zone:

• la pagina di atterraggio, che promette una cosa diversa dall’annuncio o è lenta su mobile;
• il modulo, con troppi campi, errori di validazione o un invio che non dà conferma;
• la risposta, quando il contatto arriva ma nessuno lo richiama per due giorni;
• la qualificazione, quando marketing e commerciale non hanno lo stesso criterio di lead buono;
• l’offerta, quando il preventivo parte tardi o non risponde alla domanda che il cliente aveva fatto.

Solo le prime due stanno sul sito. Le altre tre stanno nei processi, e sono quelle che un’analisi limitata a Google Analytics non vede.

Perché non conviene automatizzare un collo di bottiglia prima di averlo capito?

Perché un’automazione rende più veloce quello che c’è, compresi gli errori. Se i contatti si perdono perché il modulo chiede dati che il cliente non ha, una sequenza di email automatiche manda messaggi a chi non ha mai finito di compilarlo. Se i lead si raffreddano perché il commerciale non sa da quale campagna arrivano, un chatbot che ne raccoglie di più allunga la coda.

L’automazione arriva dopo la diagnosi. Prima si capisce dove e perché il percorso si interrompe, poi si decide se la correzione giusta è un’automazione, una modifica alla pagina, una regola nel CRM o una conversazione tra marketing e vendite. Come impostare le automazioni quando servono lo spieghiamo nella guida all’automazione dei processi aziendali con n8n.

Il ciclo di ottimizzazione in sei passi

Il metodo è sempre lo stesso, che si tratti di un e-commerce o di un’azienda meccanica che raccoglie richieste di preventivo. Cambiano gli strumenti e i tempi.

Passo	Domanda	Strumenti tipici	Dove aiuta l’AI	Chi decide
1. Osservazione	Dove si fermano le persone?	Esplorazione funnel GA4, registrazioni e heatmap, report del CRM	Segnala anomalie, riassume sessioni registrate	Chi ha il quadro: marketing e commerciale insieme
2. Diagnosi	Perché si fermano proprio lì?	Sessioni, note dei commerciali, motivi di scarto	Raggruppa testi liberi e ricorrenze	Chi conosce prodotto e clienti
3. Ipotesi	Cosa cambiamo e cosa ci aspettiamo?	Un documento condiviso	Propone formulazioni e varianti	Il responsabile del funnel
4. Test	Come verifichiamo senza illuderci?	A/B test, esperimenti delle piattaforme, prova sul processo	Prepara varianti di testo e layout	Chi approva rischi e budget
5. Misurazione	Ha funzionato davvero?	Dati del test, CRM, fatturato	Calcoli, riepiloghi	Chi legge i dati con spirito critico
6. Iterazione	Qual è il collo successivo?	Backlog delle ipotesi	Riordina il backlog	Il responsabile del funnel

Il ciclo funziona se resta piccolo: un collo alla volta, un’ipotesi per test, una data entro cui si guarda il risultato.

Osservare: come si combinano dati quantitativi e segnali qualitativi?

I dati quantitativi dicono dove le persone si fermano, quelli qualitativi suggeriscono perché. Servono entrambi, e da soli portano fuori strada.

I numeri: funnel, percorsi e anomalie in GA4

In Google Analytics 4 l’esplorazione della canalizzazione mostra i passaggi che le persone compiono per completare un’attività e quante arrivano a ciascuno. Si può scegliere una canalizzazione aperta (si entra da qualsiasi passaggio) o chiusa (si parte dal primo) e scomporla per dispositivo, sorgente o pagina di ingresso. L’esplorazione del percorso fa il lavoro inverso: parte da un punto d’arrivo, per esempio l’invio di un modulo, e mostra da dove ci sono arrivate le persone.

Gli approfondimenti di Analytics usano il machine learning per segnalare variazioni insolite. Si possono creare fino a 50 approfondimenti personalizzati per proprietà, anche con la condizione “presenta anomalie”, che lascia a Google la scelta della soglia, e ricevere un avviso via email. È il primo uso pratico dell’AI nell’osservazione: un sistema che guarda i dati tutti i giorni e alza la mano quando qualcosa cambia.

Un limite da conoscere: con il Consent Mode, per chi rifiuta i cookie GA4 può stimare il comportamento con la modellazione, a patto che la proprietà superi soglie minime di traffico. Una parte dei numeri del funnel, quindi, è stimata. Per confronti tra passaggi va bene, per contare le persone una per una no.

I segnali: registrazioni, clic a vuoto e note dei commerciali

Microsoft Clarity è gratuito e registra le sessioni, crea heatmap e calcola alcuni segnali di frustrazione. Due sono utili per trovare i colli sul sito (definizioni ufficiali): i rage click, cioè clic ripetuti e ravvicinati nella stessa area, e i dead click, clic su un elemento che non dà alcuna risposta in un tempo ragionevole. Un modulo che raccoglie rage click sul pulsante di invio ha quasi sempre un problema di validazione o di caricamento.

Guardare cinquecento registrazioni non è un lavoro sostenibile. Qui l’AI fa la differenza: Copilot in Clarity riassume una singola sessione o un gruppo di sessioni e le heatmap in poche righe. Microsoft stessa avverte che l’AI generativa può interpretare male o produrre informazioni sbagliate, quindi i riassunti indicano quali sessioni guardare, non sostituiscono la visione.

I segnali qualitativi più preziosi però non stanno sul sito: sono le note dei commerciali, i motivi di scarto nel CRM, le domande che i clienti fanno al telefono. Un’esportazione dei campi di testo libero degli ultimi sei mesi, passata a un modello linguistico che li raggruppa per tema, fa emergere in un’ora schemi che nessuno aveva messo in fila: “chiedono sempre i tempi di consegna”, “il prezzo arriva troppo tardi nella conversazione”, “il modulo non chiede il settore e il commerciale deve richiamare”.

Diagnosticare: come si passa da un’anomalia a una causa probabile?

Un’anomalia è un sintomo. Il tasso di invio del modulo che cala del 30% in una settimana può dipendere da un errore introdotto con l’ultimo aggiornamento del sito, da un cambio nel mix di traffico (una campagna nuova che porta persone meno interessate), da un problema di tracciamento o da una stagionalità. La diagnosi consiste nel ridurre le spiegazioni possibili.

Tre domande aiutano:

1. È un problema dei dati o del funnel? Prima di cercare cause commerciali, verifica che il tag funzioni, che l’evento si registri ancora e che il consenso non sia cambiato. Nel libro di Kohavi, Tang e Xu sugli esperimenti online c’è un capitolo intero sulla legge di Twyman: ogni dato che sembra interessante o insolito è probabilmente sbagliato. Vale anche per i cali.
2. Riguarda tutti o un segmento? Scomponi per dispositivo, sorgente, pagina d’ingresso e nuovo o di ritorno. Se il calo è tutto su mobile da una certa data, la causa è tecnica; se è tutto su una campagna, è di pubblico o di messaggio.
3. Cosa dicono le persone che si sono fermate? Le registrazioni di quel segmento e le note dei commerciali confermano o smentiscono la pista.

L’AI aiuta a scorrere le combinazioni e a mettere insieme le fonti, e qui conviene usarla come un collega che fa domande: “elencami cinque spiegazioni alternative per questo calo e i dati che servirebbero per escluderle”. La scelta della pista da seguire resta di chi conosce il contesto: una fiera di settore, un listino cambiato, un commerciale in ferie.

Come si scrive un’ipotesi verificabile?

Un’ipotesi verificabile dice cosa cambi, cosa ti aspetti, perché, come lo misuri ed entro quando. Se non può essere smentita da un risultato, non è un’ipotesi.

Il formato che usiamo:

Se [modifica], allora [metrica] passerà da [valore attuale] a [valore atteso] perché [causa osservata], lo misuriamo con [fonte] entro [data o volume].

Un esempio ipotetico, con numeri inventati a scopo di esempio: “Se togliamo dal modulo di richiesta preventivo i campi partita IVA e indirizzo, che il commerciale raccoglie comunque alla prima chiamata, allora il tasso di invio su mobile passerà dal 18% ad almeno il 24%, perché le registrazioni mostrano abbandoni sul campo partita IVA. Lo misuriamo con l’evento di invio in GA4 e con il numero di richieste in CRM, dopo 400 visite per variante”.

Due dettagli fanno la differenza. Il primo: la metrica di controllo nel CRM, perché un modulo più corto può portare più contatti ma di qualità peggiore. Il secondo: la soglia minima stabilita prima, così nessuno è tentato di chiudere il test quando il risultato gli piace.

Qui l’AI è utile per allargare il ventaglio: le si possono chiedere dieci ipotesi diverse per lo stesso sintomo, o cinque varianti del testo del pulsante. Scegliere quale testare e quale valore aspettarsi è una decisione di chi si prende la responsabilità del risultato.

Cosa si corregge senza testare?

Non tutto va testato. Un test serve quando ci sono due opzioni ragionevoli e non sai quale funziona meglio. Quando una cosa è rotta, si ripara.

Rientrano in questa categoria:

• moduli che non si inviano su certi browser, campi obbligatori che non lo dovrebbero essere, messaggi di errore incomprensibili;
• pagine lente: i Core Web Vitals hanno soglie pubbliche e misurabili, cioè LCP entro 2,5 secondi, INP entro 200 millisecondi e CLS entro 0,1, valutati sul 75° percentile delle visite (web.dev);
• link interrotti, numeri di telefono non cliccabili su mobile, conferme d’invio che non arrivano;
• lead che restano senza proprietario nel CRM.

Su questi punti l’AI è utile per trovarli in fretta (un controllo automatico dei moduli, una lettura dei log degli errori), e la correzione si verifica con un controllo prima e dopo, senza bisogno di gruppi di controllo.

Testare: quali tipi di test si possono fare?

Dipende da cosa cambi e da quanto traffico hai. Ci sono tre famiglie.

A/B test sul sito

Si mostrano due versioni di una pagina a due gruppi di visitatori scelti a caso e si confronta la metrica obiettivo. Google Optimize, lo strumento gratuito che molti usavano, non è più disponibile dal 30 settembre 2023; Google indica come alternative strumenti di terze parti integrati con Analytics, come AB Tasty, Optimizely e VWO.

Il limite vero è statistico. Per vedere una differenza piccola servono molte persone: la regola pratica di Evan Miller stima il campione per variante in 16 × p(1−p) / δ², dove p è il tasso di conversione attuale e δ la differenza minima che vuoi rilevare (How Not To Run an A/B Test). Con un tasso del 5% e una differenza da rilevare di un punto percentuale, servono circa 7.600 visite per variante. Molti siti B2B non le raccolgono in tempi ragionevoli.

Lo stesso articolo spiega l’errore più comune: controllare il test tutti i giorni e fermarlo appena diventa significativo. Facendolo a ogni nuova osservazione, un test impostato al 5% di falsi positivi ne produce il 26,1%. La dimensione del campione si decide prima e si rispetta.

Esperimenti delle piattaforme pubblicitarie

Quando il collo di bottiglia è il messaggio o la pagina di destinazione delle campagne, si possono usare gli strumenti nativi. Gli esperimenti personalizzati di Google Ads creano una campagna di prova a partire da una esistente e dividono traffico e budget, con una suddivisione basata sui cookie in cui ogni persona vede una sola versione. Il test A/B di Meta divide il pubblico in gruppi che non si sovrappongono e confronta una variabile alla volta.

Prove sul processo

Molti colli non si testano con un software, perché stanno nel modo di lavorare. Il tempo di risposta ai lead è l’esempio classico. Uno studio pubblicato su Harvard Business Review nel 2011, The Short Life of Online Sales Leads, ha analizzato 1,25 milioni di lead di 42 aziende statunitensi: chi contattava il potenziale cliente entro un’ora aveva una probabilità di qualificarlo quasi sette volte più alta di chi aspettava anche solo un’ora in più. È un dato di quindici anni fa e di un altro mercato, quindi va preso come indicazione, non come previsione.

La prova si fa così: per un mese tutte le richieste arrivate in orario d’ufficio ricevono una chiamata entro un’ora, con un avviso automatico al commerciale e una regola di riassegnazione se nessuno risponde. Si confronta il tasso di opportunità con quello dei mesi precedenti, tenendo d’occhio stagionalità e mix delle campagne. Non è un esperimento controllato, e va dichiarato: è una prova prima e dopo che dà un’indicazione, da ripetere se il risultato è incerto.

Le automazioni giuste, a questo punto, sono quelle che rendono stabile la correzione: l’avviso al commerciale, la riassegnazione, il punteggio che ordina i lead per priorità.

Misurare: come capire se il test ha funzionato?

Un test è riuscito quando la metrica obiettivo è migliorata, quelle di controllo non sono peggiorate e il risultato regge oltre il periodo del test.

Per valutarlo servono tre letture:

• la metrica obiettivo, letta solo al raggiungimento del campione deciso;
• le metriche di controllo a valle: lead qualificati, opportunità, contratti nel CRM. Un aumento dei moduli inviati che non arriva in pipeline non è un successo;
• la durata: le varianti nuove a volte attirano attenzione solo perché sono nuove. Ricontrollare dopo qualche settimana evita di scambiare la novità per un miglioramento.

Se le metriche di controllo dipendono dal CRM, prima di tutto bisogna sapere che i dati del CRM sono affidabili e collegati alle campagne: come farlo lo spieghiamo in dal lead al contratto.

Cosa può fare l’AI e cosa richiede una decisione umana?

L’AI conviene dove c’è molto materiale da leggere e poco giudizio da esprimere. Le decisioni che comportano un rischio per l’azienda restano a una persona.

Attività	L’AI può	Serve una persona per
Monitorare i dati	Segnalare anomalie e cambi di tendenza ogni giorno	Capire se l’anomalia è reale o un problema di tracciamento
Leggere sessioni registrate	Riassumere gruppi di sessioni e indicare quelle da guardare	Guardare le sessioni segnalate e confermare il problema
Analizzare il CRM	Raggruppare motivi di scarto e note libere per tema	Interpretare i temi alla luce di prodotto, prezzi e clienti
Formulare ipotesi	Proporre spiegazioni alternative e varianti	Scegliere quale ipotesi testare e quale effetto aspettarsi
Preparare il test	Scrivere varianti di testo, calcolare il campione	Approvare messaggi, promesse commerciali e rischi
Leggere il risultato	Fare i calcoli, preparare un riepilogo	Decidere se applicare, ripetere o abbandonare
Rendere stabile la correzione	Gestire avvisi, riassegnazioni, sequenze	Stabilire regole, eccezioni e responsabilità

Una regola semplice: tutto ciò che il cliente vede o sente, cioè testi, prezzi, promesse e tempi, passa da un’approvazione umana prima di andare online.

Come scegliere da dove partire?

Quando le ipotesi sono dieci e il tempo basta per due, servono criteri espliciti. I framework più noti sono ICE (impatto, confidenza, facilità), reso popolare da Sean Ellis, e PIE (potenziale, importanza, facilità), proposto da Chris Goward (una sintesi del metodo PIE). Noi aggiungiamo una quarta voce che nei siti B2B pesa molto: il rischio.

Criterio	Domanda	Esempio di punteggio alto
Impatto	Quante persone e quanto valore passano da quel punto?	Il modulo da cui arrivano tutte le richieste di preventivo
Confidenza	Quante fonti indipendenti confermano il problema?	GA4, registrazioni e commerciali dicono la stessa cosa
Effort	Quanto costa fare la modifica e il test?	Una modifica di testo che si pubblica in un’ora
Rischio	Cosa succede se la variante peggiora le cose?	Basso: si torna indietro in un clic, nessun impegno verso i clienti

I punteggi servono a discutere, non a calcolare. Due persone che danno voti diversi alla stessa ipotesi hanno informazioni diverse, ed è proprio quella la conversazione da fare.

Come trattare i dati personali quando li dai a un’AI?

Le registrazioni di sessione, le esportazioni del CRM e le note dei commerciali contengono dati personali. Il GDPR chiede che i dati siano “adeguati, pertinenti e limitati a quanto necessario” rispetto alle finalità (articolo 5 del Regolamento UE 2016/679). In pratica: prima di caricare un’esportazione in uno strumento di AI togli nomi, email, telefoni e ragioni sociali, e usa strumenti con contratti che escludono l’addestramento sui tuoi dati. Gli strumenti di registrazione vanno configurati per mascherare i campi dei moduli. Se vuoi capire come impostare l’uso dell’AI in azienda con regole chiare, ne parliamo nella pagina sulla formazione AI Act.

Errori da evitare

Partire dallo strumento. “Mettiamo un chatbot” non è una diagnosi. Prima il collo di bottiglia, poi la soluzione.

Ottimizzare il passaggio sbagliato. Migliorare il tasso di clic di una landing quando il problema è che nessuno richiama i contatti aumenta solo la coda.

Fermare i test quando il risultato piace. La dimensione del campione si decide prima. Controllare tutti i giorni moltiplica i falsi positivi.

Misurare solo il primo passaggio. Un modulo più corto che porta lead peggiori non è un miglioramento. Le metriche di controllo stanno nel CRM.

Prendere per buono il riassunto dell’AI. Un riassunto indica dove guardare. La conferma arriva guardando.

Testare tutto. Errori, pagine lente e moduli rotti si correggono senza test.

Checklist per il primo ciclo

• Disegna il funnel completo, dal clic al contratto, con un responsabile per ogni passaggio.
• Verifica che gli eventi principali si registrino in GA4 e che le richieste arrivino in CRM con la sorgente compilata.
• Costruisci un’esplorazione della canalizzazione in GA4 e scomponila per dispositivo e sorgente.
• Attiva registrazioni e heatmap con il mascheramento dei campi, e guarda le sessioni con rage click e dead click sulle pagine chiave.
• Esporta i motivi di scarto e le note del CRM, togli i dati personali e fai raggruppare i temi.
• Scegli un collo di bottiglia e scrivi l’ipotesi nel formato “se, allora, perché, lo misuriamo con, entro”.
• Correggi subito ciò che è rotto; per il resto decidi tipo di test, campione minimo e metriche di controllo.
• Fissa la data in cui leggere il risultato e chi decide cosa fare dopo.

Vuoi capire dove si ferma il tuo funnel?

Analizziamo il percorso completo, dalle campagne al contratto: dati di GA4, comportamento sul sito, moduli, tempi di risposta e CRM. Alla fine ricevi la mappa dei colli di bottiglia, le prime tre ipotesi da verificare e un piano di test proporzionato al tuo traffico. Lavoriamo su analytics e dati, sui siti web e sulla marketing automation che rende stabili le correzioni.

Puoi prenotare una call con Federico oppure scriverci dal modulo contatti. Se il collo di bottiglia non sta dove pensavi, te lo diciamo.

Domande frequenti

Quanto traffico serve per fare un A/B test?

Dipende dal tasso di conversione attuale e dalla differenza che vuoi rilevare. Con un tasso del 5% e una differenza di un punto percentuale servono circa 7.600 visite per variante. Con meno traffico conviene testare cambiamenti più grandi, usare prove prima e dopo o lavorare sui colli di bottiglia del processo commerciale.

Quali strumenti servono per iniziare?

Per partire bastano Google Analytics 4 con gli eventi principali configurati, uno strumento gratuito di registrazione delle sessioni come Microsoft Clarity e un CRM in cui ogni richiesta abbia sorgente, stato e motivo di scarto. Uno strumento di A/B test serve solo quando il traffico lo permette.

L’AI può ottimizzare il funnel da sola?

No. Può segnalare anomalie, riassumere sessioni, raggruppare feedback e proporre varianti. Scegliere quale problema affrontare, approvare ciò che vede il cliente e decidere se un test ha funzionato richiede una persona che conosce l’azienda e se ne prende la responsabilità.

Ogni quanto si ripete il ciclo di ottimizzazione?

Il ciclo termina quando un test raggiunge il campione stabilito. Con il traffico di molti siti B2B servono da due a sei settimane per ciclo. Il monitoraggio delle anomalie invece è continuo.

Che differenza c’è tra CRO e ottimizzazione del funnel?

La CRO (conversion rate optimization) di solito si concentra sulle pagine del sito. L’ottimizzazione del funnel comprende anche quello che succede dopo l’invio del modulo: risposta, qualificazione, offerta e chiusura. Nel B2B i colli di bottiglia più costosi stanno spesso in questa seconda parte.