In sintesi
I modelli di attribuzione non misurano direttamente la causa di una conversione. Sono regole che distribuiscono il merito tra i punti di contatto che il sistema è riuscito a osservare.
Questo significa che, a parità di dati, cambiando modello può cambiare anche la classifica dei canali.
Con l’AI search il limite diventa ancora più evidente. Una persona può conoscere un’azienda attraverso una risposta generativa, formarsi un’opinione e arrivare sul sito solo in un secondo momento, magari cercando direttamente il nome del brand. Il passaggio che ha contribuito alla decisione può quindi non lasciare una traccia utilizzabile dal sistema di attribuzione.
Il risultato è che le attività che contribuiscono a creare domanda rischiano di ricevere meno credito, mentre quelle che intercettano una domanda già formata tendono a riceverne di più.
La soluzione non è trovare un modello perfetto, perché non esiste. È più utile leggere i risultati su tre livelli: attribuzione tecnica, attribuzione dichiarata e attribuzione di insieme, conoscendo i limiti di ciascuno.
Anche la quota di conversioni che non riusciamo ad attribuire può diventare un dato da osservare, invece di essere trattata soltanto come un errore da eliminare.
Ogni mese un marketing manager apre il pannello delle campagne e trova una classifica: questo canale ha generato molto, quest’altro poco.
Vuoi più risultati senza sprecare budget?
In CULT adv costruiamo campagne performance con un approccio full funnel: creatività, targeting e ottimizzazione continua.
🎯 Analizziamo il tuo caso e ti proponiamo un piano concreto per generare risultati reali.
Richiedi una consulenza
A prima vista sembra una fotografia oggettiva delle performance.
In realtà è anche il risultato della regola utilizzata per distribuire il merito delle conversioni.
I modelli di attribuzione servono proprio a questo: decidono a chi assegnare una conversione quando, prima di quella conversione, ci sono stati più punti di contatto.
Non dimostrano necessariamente quale canale abbia causato il risultato. Distribuiscono il credito tra gli eventi che il sistema è riuscito a registrare.
La differenza non è soltanto teorica, perché da quella lettura dipende spesso dove verrà spostato il budget nel trimestre successivo.
Con le risposte generative dei motori di ricerca una parte del percorso può inoltre avvenire senza produrre clic, referral o altri segnali tracciabili.
Un potenziale cliente può conoscere un’azienda attraverso una risposta AI e tornare successivamente cercandone il nome oppure digitando direttamente il sito.
Per il sistema di attribuzione, quella prima fase può semplicemente non esistere.
Questo articolo non vuole fare un elenco dei modelli disponibili. L’obiettivo è capire che cosa possono realmente dirci, quali parti del percorso rimangono invisibili e come utilizzare l’attribuzione senza trasformare una convenzione di misurazione in una prova causale.
È un tema che viene prima di molte altre metriche: senza una convenzione chiara diventano più fragili anche il calcolo del ritorno dell’investimento, il confronto tra costo per lead qualificato e costo di acquisizione cliente e la lettura descritta in performance marketing: campagne e dati in crescita misurabile.
Indice dei contenuti
Che cosa sono i modelli di attribuzione, in una riga
Perché i modelli di attribuzione sono una convenzione contabile
Google ha ritirato quattro modelli di attribuzione: che cosa significa
Che cosa cambia con l’AI search
L’effetto sui modelli di attribuzione
L’errore più vecchio che i modelli di attribuzione non correggono
I tre livelli di misura che completano i modelli di attribuzione
La domanda “come ci hai conosciuto” accanto ai modelli di attribuzione
Il numero di governo: la quota non attribuita
Perché mettere i modelli di attribuzione negli obiettivi li degrada
Sei indicatori per governare i modelli di attribuzione
Modelli di attribuzione: il metodo in cinque passaggi
Modelli di attribuzione: un esempio di lettura a tre livelli
Otto errori comuni nei modelli di attribuzione
Checklist: i modelli di attribuzione sotto controllo
Domande frequenti sui modelli di attribuzione
Che cosa fare adesso
Che cosa sono i modelli di attribuzione, in una riga
Un modello di attribuzione è una regola che risponde a una domanda precisa: quando una persona converte dopo aver incontrato più volte la tua azienda, a quale di questi contatti assegniamo il merito?
Alcuni modelli attribuiscono tutto all’ultimo clic utile. Altri distribuiscono il credito fra più interazioni, utilizzando pesi differenti.
In entrambi i casi il sistema osserva una sequenza di eventi e applica una regola.
I modelli di attribuzione distribuiscono il merito, non dimostrano la causa
La differenza si capisce con un esempio semplice.
Immagina un canale a cui il report attribuisce il 30% delle conversioni.
Se lo spegni e le vendite rimangono sostanzialmente uguali, quel 30% non rappresentava il suo reale contributo causale.
Se invece lo spegni e le vendite diminuiscono molto più di quanto suggerisse il report, il modello probabilmente lo stava sottovalutando.
Merito attribuito e contributo causale non sono quindi la stessa cosa.
Il primo serve a rendicontare e confrontare i risultati secondo una convenzione.
Il secondo è ciò che interessa quando bisogna decidere se aumentare, ridurre o interrompere un investimento.
Confondere i due piani significa rischiare di spostare budget sulla base del modo in cui è stato costruito il report, invece che sull’effettivo contributo del canale.
È una distinzione simile a quella tra indicatore e obiettivo, approfondita in che cosa sono i KPI e quali scegliere e, sul piano operativo, in quali KPI per advertising misurano davvero.
Da non confondere: attribuzione, misurazione e incrementalità
Sono tre concetti spesso utilizzati come sinonimi, ma rispondono a domande diverse.
Attribuzione.
Distribuisce il merito delle conversioni già avvenute tra i punti di contatto osservati. Risponde alla domanda: “a quale canale attribuiamo questo risultato?”.
Misurazione.
Registra ciò che è accaduto: visite, moduli compilati, telefonate, opportunità e vendite. Risponde alla domanda: “che cosa è successo?”.
Incrementalità.
Cerca di stimare quanto di ciò che è successo non sarebbe avvenuto senza uno specifico investimento. Risponde alla domanda: “questo investimento ha prodotto qualcosa in più?”.
Un’azienda può quindi avere una misurazione molto accurata, un modello di attribuzione coerente e sapere comunque poco sull’incrementalità dei propri canali.
È uno dei motivi per cui report sempre più dettagliati non producono automaticamente decisioni migliori.
Per la parte relativa alla rilevazione degli eventi, il riferimento è come impostare il tracciamento delle conversioni.
Perché i modelli di attribuzione sono una convenzione contabile
Prendiamo un percorso realistico nel B2B.
A settembre un responsabile acquisti vede un annuncio su LinkedIn.
A ottobre trova su Google un articolo dell’azienda e lo legge.
A novembre chiede un’opinione a un collega.
A dicembre cerca direttamente il nome dell’azienda e compila il modulo.
Sono quattro passaggi che portano a una conversione.
Il modello deve decidere come distribuire il 100% del merito.
Due modelli di attribuzione, due letture degli stessi dati
Con una logica di ultimo clic, il risultato potrebbe essere:
LinkedIn: 0
Articolo: 0
Passaparola: 0
Ricerca di marca: 100
La conclusione sarebbe immediata: la ricerca di marca ha generato la conversione.
Con un modello che distribuisce il merito tra i passaggi osservabili, potremmo invece avere:
LinkedIn: 30
Articolo: 25
Passaparola: 0
Ricerca di marca: 30
Il percorso della persona è identico, ma cambia la lettura.
Il passaparola rimane a zero in entrambi i casi per un motivo molto semplice: il sistema non lo ha visto.
È questo il limite da ricordare.
Due modelli possono portare a decisioni di budget differenti non perché uno stia necessariamente calcolando male, ma perché applicano regole diverse agli stessi eventi osservabili.
Da qui deriva una prima regola pratica: il confronto tra periodi ha senso soltanto se il modello rimane coerente.
Se il modello cambia a febbraio, una variazione registrata a marzo può dipendere almeno in parte dal nuovo criterio di attribuzione e non da un reale cambiamento delle performance.
La convenzione non dipende sempre dall’inserzionista
C’è poi un secondo elemento.
I modelli di attribuzione vengono applicati all’interno di piattaforme che possono cambiare nel tempo le opzioni disponibili.
È ciò che è successo in Google Ads.
Google ha ritirato quattro modelli di attribuzione: che cosa significa
Il 6 aprile 2023 Google ha annunciato il ritiro dei modelli primo clic, lineare, decadimento temporale e basato sulla posizione.
Da giugno 2023 non era più possibile selezionarli per nuove azioni di conversione e, da settembre dello stesso anno, le conversioni che li utilizzavano sono state trasferite verso l’attribuzione basata sui dati.
La documentazione attuale di Google Ads indica come opzioni disponibili l’attribuzione basata sui dati e l’ultimo clic.
Che cosa resta: attribuzione basata sui dati e ultimo clic
L’attribuzione basata sui dati non assegna pesi fissi ai diversi passaggi.
Utilizza invece lo storico dell’account per stimare il contributo delle interazioni osservate.
Secondo Google, questo approccio permette di far emergere parole chiave, gruppi di annunci, campagne o dispositivi che un modello basato esclusivamente sull’ultimo clic potrebbe sottovalutare.
Ci sono però due aspetti da ricordare.
Il primo è che il risultato dipende dai dati disponibili nello specifico account. Due aziende dello stesso settore possono quindi ottenere distribuzioni del merito differenti.
Il secondo è che l’inserzionista non può ricostruire nel dettaglio tutta la logica utilizzata per produrre quella stima.
Per questo l’attribuzione basata sui dati può essere utile come indicazione, ma non va confusa con una prova causale.
Il modello influenza anche l’ottimizzazione delle campagne
L’attribuzione non riguarda soltanto il report.
La documentazione di Google Ads indica che le strategie di offerta che utilizzano i dati di conversione, come CPA target e ROAS target, lavorano anche sulla base delle conversioni attribuite.
Cambiare modello significa quindi modificare una parte dell’informazione su cui l’automazione prende le proprie decisioni.
La conseguenza è concreta: il modello di attribuzione può influire non soltanto sul modo in cui il risultato viene raccontato, ma anche su come il sistema distribuisce la spesa.
Per approfondire i due casi più frequenti rimandiamo a CPA target su Google Ads e al value-based bidding per la lead generation.
Da ricordare: quando cambia il modello di attribuzione, conviene registrare la data.
Le serie storiche che attraversano quel momento devono essere lette con attenzione, perché prima e dopo il cambio la stessa conversione può essere distribuita in modo diverso.
Che cosa cambia con l’AI search nei modelli di attribuzione
L’AI search non introduce semplicemente un nuovo canale da aggiungere al report.
Può rendere meno osservabile una parte del percorso.
Una persona pone una domanda a un motore o a un assistente generativo e riceve una risposta sintetizzata.
All’interno di quella risposta può trovare il nome di un’azienda, comprenderne il posizionamento e formarsi una prima opinione.
Il passaggio successivo non deve necessariamente essere un clic.
L’utente può cercare direttamente il nome dell’azienda, digitare il sito oppure tornare in un secondo momento attraverso un altro dispositivo.
Il sistema di misurazione vede l’ultimo passaggio.
Quello precedente può non lasciare traccia.
Per un modello di attribuzione, quindi, una parte del lavoro che ha contribuito alla scoperta o alla valutazione può non essere disponibile nel momento in cui si distribuisce il merito.
La diffusione degli assistenti conversazionali è approfondita nelle statistiche su ChatGPT.
Allo stesso tempo, attività come come arrivare in prima pagina su Google e il SEO copywriting possono oggi produrre anche visibilità che non si traduce necessariamente in una visita immediata al sito.
Quanto pesa il passaggio che non si vede
Un dato utile arriva dal Pew Research Center.
Nel marzo 2025 l’istituto ha analizzato la navigazione di 900 adulti statunitensi.
Su 68.879 ricerche effettuate su Google, 12.593, pari al 18%, mostravano un riepilogo generato dall’intelligenza artificiale.
Nelle visite in cui compariva il riepilogo AI, gli utenti hanno cliccato su un risultato tradizionale nell’8% dei casi, contro il 15% delle visite senza riepilogo.
La sessione terminava senza ulteriori passaggi nel 26% dei casi contro il 16%, mentre i clic sui link presenti direttamente nel riepilogo si fermavano intorno all’1%.
8% contro 15%
Quota di visite in cui l’utente ha cliccato su un risultato tradizionale con e senza riepilogo AI. Panel di 900 adulti statunitensi, marzo 2025, Pew Research Center.
Il dato va letto per quello che è.
Misura il comportamento di un panel di consumatori statunitensi e non quello di un responsabile acquisti italiano durante un processo B2B.
Non misura nemmeno l’impatto sulle conversioni.
È però utile per capire la direzione del fenomeno: una quantità maggiore di informazioni può essere consumata direttamente nella pagina dei risultati senza generare necessariamente una visita al sito.
Per i modelli di attribuzione significa avere meno passaggi osservabili.
Che cosa dice Google e che cosa rimane difficile da attribuire
La documentazione di Google dedicata alle funzionalità AI, aggiornata al 10 dicembre 2025, indica che i siti presenti nelle funzionalità come AI Overviews e AI Mode vengono inclusi nel traffico complessivo di Search Console all’interno del tipo di ricerca “Web”.
Il changelog di Search Console aveva già registrato, a giugno 2025, l’inclusione dei dati di AI Mode nei totali del rapporto sul rendimento.
Quando l’utente clicca e visita un sito, quindi, il clic rientra nei dati complessivi della ricerca.
Il limite è la possibilità di separare con precisione quel percorso dagli altri.
Impression sì, percorso completo no
Nel 2026 Google ha introdotto anche un rapporto dedicato alla presenza nelle funzionalità AI.
Il 3 giugno 2026 è stato annunciato il nuovo report e, secondo quanto riportato da Search Engine Land, al 31 agosto 2026 era stato distribuito a tutti i siti nel mondo insieme a un controllo per l’utilizzo dei contenuti nelle risposte generative.
Il rapporto permette di osservare le impression nelle panoramiche AI e in AI Mode, distinguendo informazioni come pagine, paesi, dispositivi e date.
Non restituisce però tutti gli elementi necessari per collegare quella visibilità alla conversione finale.
Il punto operativo è semplice: possiamo osservare una parte della presenza, ma ricostruire l’intero percorso dalla risposta generativa al contratto rimane molto più difficile.
Per misurare specificamente la presenza nelle risposte AI il riferimento è visibilità del brand nelle risposte AI: come misurarla e migliorarla.
Sul lato dei contenuti rimandiamo invece alla generative engine optimization, alla panoramica sull’AI search e all’articolo la tua azienda su ChatGPT: opportunità e limiti.
Le tre zone di osservabilità
Per leggere meglio il percorso è utile dividerlo in tre zone, ciascuna con un livello diverso di visibilità.
Zona osservabile.
Comprende clic con parametri di campagna, referral riconoscibili, sessioni misurabili, eventi inviati al CRM e altre interazioni che producono un dato utilizzabile.
È il terreno in cui i modelli di attribuzione lavorano meglio.
Zona parzialmente osservabile.
Comprende ricerca organica di marca, traffico diretto, chiamate non tracciate, sessioni senza consenso o conversioni effettuate da un dispositivo diverso rispetto a quello utilizzato nella fase di scoperta.
L’evento finale si vede, ma una parte della provenienza si perde.
Zona cieca.
Comprende passaparola, conversazioni private, gruppi chiusi, contenuti visti ma non cliccati e risposte generative consumate senza visitare il sito.
Non esiste un evento tecnico da attribuire.
Un modello di attribuzione può lavorare soltanto con ciò che entra nel suo perimetro.
Migliorare il modello non rende automaticamente visibile ciò che non produce alcun dato.
L’effetto sui modelli di attribuzione
Quando alcuni passaggi del percorso rimangono invisibili, il merito tende a concentrarsi sui punti di contatto che il sistema riesce ancora a vedere.
Questo effetto non è necessariamente casuale.
Se determinate attività producono più spesso eventi tracciabili vicini alla conversione, continueranno ad avere un vantaggio nei report rispetto alle attività che lavorano prima o fuori dal percorso osservabile.
Il merito tende a finire vicino alla conversione osservata
Qualunque modello lavori soltanto sugli eventi disponibili può distribuire il credito solo tra quegli eventi.
La ricerca di marca è un buon esempio.
Chi cerca direttamente il nome dell’azienda mostra già un livello di conoscenza o interesse.
Il canale raccoglie quella domanda, ma non necessariamente l’ha generata da solo.
Se i passaggi precedenti non sono osservabili, però, una parte significativa del merito finirà inevitabilmente sulla ricerca di marca o sull’ultimo touchpoint disponibile.
Per stabilire il contributo incrementale di una campagna sul brand servirebbe invece un test, non semplicemente una diversa formula di attribuzione.
Quali attività rischiano di essere sottostimate
Molte attività che contribuiscono a creare domanda lavorano nella zona parzialmente osservabile o in quella cieca.
È il caso di contenuti informativi, presenza nelle risposte generative, fiere, eventi, pubblicazioni di settore, relazioni dirette e passaparola.
Nei pannelli possono quindi ricevere poco credito o nessuno.
Le attività che intercettano una domanda già più matura, come campagne Search su query di acquisto, remarketing o campagne di marca, producono invece più facilmente eventi osservabili vicini alla conversione.
Il rischio è prendere decisioni esclusivamente sui pannelli e spostare progressivamente il budget verso ciò che raccoglie la domanda, riducendo invece ciò che contribuisce a crearla.
Per la distribuzione del budget abbiamo approfondito il tema in allocazione del budget marketing e quanto investire in pubblicità.
A monte rimane utile anche il calcolo di quanti lead servono per raggiungere l’obiettivo di fatturato.
Perché nelle aziende italiane il limite può pesare di più
La qualità dell’attribuzione dipende anche da ciò che succede dopo il lead.
Secondo la rilevazione Istat Imprese e ICT pubblicata il 15 dicembre 2025, il software CRM viene utilizzato dal 21,1% delle piccole e medie imprese contro il 56,5% delle grandi.
L’analisi dei dati, svolta con personale interno o esterno, riguarda invece il 41,9% delle PMI contro l’83,6% delle grandi imprese.
Senza un sistema che colleghi contatto, opportunità e vendita diventa molto più difficile chiudere il percorso di misurazione.
L’attribuzione rischia quindi di fermarsi alle conversioni registrate nelle piattaforme pubblicitarie, senza sapere quali abbiano realmente prodotto un risultato commerciale.
Il collegamento tra i due mondi è approfondito in CRM: software o strategia di business e, sul piano tecnico, nelle guide su come importare le conversioni offline in Google Ads e Conversion API di Meta Ads.
La stessa rilevazione Istat indica che nel 2025 il 16,4% delle imprese con almeno dieci addetti utilizzava almeno una tecnologia di intelligenza artificiale, rispetto all’8,2% dell’anno precedente.
Tra le imprese che utilizzavano AI, il 33,1% la impiegava in marketing e vendite.
L’adozione degli strumenti può quindi crescere più rapidamente della capacità di misurarne con precisione gli effetti.
Per questo i modelli di attribuzione vanno letti insieme ad altri dati.
I principali riferimenti italiani sono raccolti nelle statistiche sulla lead generation, mentre gli intervalli osservati sulle campagne gestite da CULT adv sono riportati in costo medio per lead per settore in Italia.
L’errore più vecchio che i modelli di attribuzione non correggono
I limiti dell’attribuzione non sono nati con l’AI search.
Una parte del problema esiste da molti anni ed è legata alla differenza tra correlazione e causalità.
Che cos’è l’activity bias
Randall Lewis, Justin Rao e David Reiley hanno descritto il fenomeno in un lavoro presentato alla conferenza World Wide Web del 2011.
L’idea è semplice.
Le persone più attive online tendono contemporaneamente a vedere più annunci e a compiere più azioni.
L’attività dell’utente può quindi influenzare sia l’esposizione alla pubblicità sia la probabilità di conversione.
Confrontare semplicemente chi ha visto un annuncio con chi non lo ha visto può portare a sovrastimare l’effetto reale della pubblicità.
Gli autori definiscono questo fenomeno activity bias.
Quanto può pesare l’errore
Nel lavoro citato, una campagna display su un grande portale ha prodotto risultati molto diversi a seconda del metodo utilizzato.
L’esperimento randomizzato misurava un aumento del 5,4%.
Il semplice confronto tra utenti esposti e non esposti restituiva invece un aumento del 1198%, circa 222 volte superiore.
Anche introducendo variabili di controllo, la stima rimaneva compresa tra l’871% e l’894%.
Un secondo esperimento su 1.600 persone mostrava un fenomeno simile: il confronto prima-dopo sul gruppo esposto sembrava indicare un effetto molto forte, mentre il gruppo di controllo seguiva un andamento simile e l’effetto reale risultava vicino allo zero.
222 volte
Rapporto tra l’effetto ottenuto dal confronto osservazionale tra esposti e non esposti e quello misurato attraverso l’esperimento randomizzato nella campagna analizzata da Lewis, Rao e Reiley, WWW 2011.
Il punto non è utilizzare questi numeri come benchmark.
Mostrano piuttosto quanto un dato osservazionale possa raccontare una storia molto diversa da un esperimento progettato per verificare la causalità.
Cambiare modello di attribuzione non elimina automaticamente questo limite, perché il modello continua a lavorare sui dati disponibili.
Anche gli incentivi contano
Ron Berman, in uno studio pubblicato su Marketing Science nel 2018, ha analizzato cosa succede quando l’attribuzione viene utilizzata anche per remunerare chi distribuisce la pubblicità.
Lo studio mostra che regole diverse possono modificare gli incentivi degli editori e, di conseguenza, il comportamento economico dei soggetti coinvolti.
Il modello basato sull’ultimo contatto può favorire determinate esposizioni e determinati editori, mentre una distribuzione costruita attraverso il valore di Shapley produce una ripartizione differente.
La conclusione utile per chi compra pubblicità è che l’attribuzione non è una scelta neutrale.
Quando un fornitore propone un proprio modello, vale quindi la pena capire non soltanto come funziona tecnicamente, ma anche quali comportamenti e interessi economici incentiva.
È una domanda che può entrare nel brief per un’agenzia di marketing e nei criteri utilizzati per scegliere un’agenzia di lead generation.
La verifica periodica dell’intero sistema rientra inoltre in un audit delle campagne pubblicitarie digitali, con approfondimenti specifici per audit Google Ads e audit Meta Ads.
Sul piano sperimentale rimane valida la stessa disciplina utilizzata nei test A/B sulle landing page: definire prima la durata, la metrica e il criterio con cui verrà letto il risultato.
I tre livelli di misura che completano i modelli di attribuzione
Nessun modello di attribuzione riesce a ricostruire da solo tutto il percorso che porta a una conversione.
Per questo, invece di cercare uno strumento capace di spiegare tutto, è più utile mettere insieme tre livelli di lettura, ciascuno con punti di forza e limiti diversi.
Quando informazioni raccolte con metodi differenti portano nella stessa direzione, la decisione diventa più solida.
Primo livello: attribuzione tecnica
È quella ricostruita attraverso gli strumenti di tracciamento: parametri di campagna, referral, eventi inviati lato server, conversioni importate dal CRM e tracciamento delle telefonate.
È il livello più preciso quando il percorso è osservabile, perché permette di collegare una conversione a eventi realmente registrati.
Il suo limite è proprio questo: può lavorare soltanto su ciò che il sistema riesce a vedere.
Una parte del percorso può andare persa per il consenso negato, per passaggi tra dispositivi differenti o perché la conversione avviene molto tempo dopo il primo contatto.
Una finestra di attribuzione di trenta giorni, per esempio, difficilmente può ricostruire per intero un percorso commerciale che dura diversi mesi.
Il tema del consenso è approfondito in privacy e measurement, mentre per le telefonate il riferimento è il call tracking per la lead generation.
Secondo livello: attribuzione dichiarata
È ciò che il cliente racconta quando gli viene chiesto come ha conosciuto l’azienda.
La domanda può essere inserita nel modulo oppure posta durante la prima conversazione commerciale.
Questo livello permette di far emergere anche passaggi che il tracking non registra: un passaparola, una fiera, un contenuto letto mesi prima, una conversazione privata o una risposta generativa.
Ha però un limite evidente: la memoria.
Le persone non ricostruiscono necessariamente tutta la sequenza dei contatti. Possono ricordare soprattutto l’ultimo passaggio oppure quello che ha lasciato l’impressione più forte, dimenticando interazioni precedenti che hanno comunque contribuito alla decisione.
Non è quindi una misura perfetta, ma aggiunge informazioni che l’attribuzione tecnica non può fornire.
Ed è proprio per questo che i due livelli vanno letti insieme.
Terzo livello: attribuzione di insieme
Il terzo livello non cerca di stabilire quale singolo canale abbia generato una specifica conversione.
Osserva invece come si muove il risultato complessivo quando cambia l’investimento.
Rientrano in questa lettura l’andamento delle ricerche di marca nel tempo, il confronto tra aree geografiche con diversi livelli di pressione pubblicitaria, eventuali periodi di sospensione programmata e la relazione tra investimento e volume complessivo di richieste o vendite.
La domanda non è più “da quale annuncio è arrivato questo cliente?”, ma:
quando aumentiamo, riduciamo o interrompiamo un’attività, che cosa succede al risultato complessivo?
Il limite principale è la quantità di dati necessaria.
Con volumi ridotti, differenze piccole possono essere difficili da distinguere dalle normali oscillazioni del mercato. Servono quindi tempo, una base dati sufficiente e, quando possibile, confronti costruiti con criteri chiari.
È però il livello che si avvicina di più alla domanda che interessa davvero quando bisogna decidere dove investire:
quanto di questo risultato sarebbe avvenuto comunque, anche senza quella attività?
I tre livelli non si sostituiscono.
L’attribuzione tecnica ricostruisce ciò che possiamo tracciare.
L’attribuzione dichiarata recupera una parte di ciò che il tracking non vede.
L’attribuzione di insieme verifica se, quando cambia l’investimento, cambia anche il risultato complessivo.
È dal confronto tra queste tre letture che i modelli di attribuzione diventano realmente utili per prendere decisioni di budget.
| Livello | Che cosa osserva | Errore noto | Decisione che abilita |
|---|---|---|---|
| Attribuzione tecnica | Clic, referral, eventi lato server, conversioni importate dal CRM, chiamate tracciate | Dipende dal consenso e dalla finestra temporale; non vede i percorsi lunghi né i passaggi senza clic | Ottimizzazione dentro il canale: parole chiave, creatività, pubblici, offerte |
| Attribuzione dichiarata | Che cosa la persona ricorda e riferisce, compresi passaparola e risposte generative | Distorsione da memoria e da salienza; sovrastima i canali memorabili | Presidio dei canali invisibili agli strumenti: contenuti, relazioni, presenza nelle risposte AI |
| Attribuzione di insieme | Movimento del totale: domanda di marca, confronti per area, periodi di sospensione, pressione e volume | Potenza statistica insufficiente sui volumi tipici; richiede tempo e disciplina | Spostamento di budget fra canali e fra obiettivi di breve e lungo periodo |
La regola di lettura è semplice: nessuno dei tre livelli deve prevalere automaticamente sugli altri.
Se attribuzione tecnica, attribuzione dichiarata e lettura di insieme indicano la stessa direzione, la decisione diventa più solida.
Se invece raccontano storie diverse, la discordanza non va eliminata: va interpretata.
Può indicare che sta cambiando la parte del percorso che il sistema riesce a osservare oppure che una quota crescente delle decisioni si sta formando fuori dai touchpoint tracciabili.
Accanto ai modelli di attribuzione servono quindi strumenti che non distribuiscono il merito, ma aiutano a capire come si comportano le persone lungo il percorso.
Le micro-conversioni mostrano dove gli utenti avanzano o si fermano.
L’analisi per coorti permette di confrontare gruppi di contatti entrati in momenti diversi.
La pipeline velocity misura la velocità con cui le opportunità passano dal primo contatto alla chiusura.
La struttura complessiva del percorso può invece essere letta attraverso il customer journey e le sue fasi.
La domanda “come ci hai conosciuto” accanto ai modelli di attribuzione
La domanda “come ci hai conosciuto?” è uno degli strumenti più semplici da utilizzare e, allo stesso tempo, uno dei più sottovalutati.
Spesso viene inserita alla fine di un modulo come campo facoltativo a testo libero.
Il risultato sono risposte difficili da confrontare, categorie incoerenti e un dato che dopo pochi mesi smette di essere utilizzato.
Se progettata bene, invece, può aggiungere informazioni che il tracking tecnico non riesce a raccogliere.
È particolarmente utile proprio nella zona cieca del percorso: passaparola, eventi, contenuti letti tempo prima, assistenti conversazionali o altri touchpoint privi di un evento facilmente attribuibile.
Dove fare la domanda e come raccogliere la risposta
Se il modulo è già lungo, aggiungere un altro campo può aumentare l’attrito.
Il tema è approfondito nella guida su quali domande mettere nei form di lead generation.
In molti casi il momento migliore è la prima conversazione commerciale.
La persona può spiegare la risposta e il commerciale può registrarla direttamente nel CRM.
Anche il formato della risposta conta.
Meglio utilizzare un elenco stabile di categorie, per esempio sei o sette opzioni più “altro”, prevedendo esplicitamente voci come passaparola e assistenti conversazionali.
Il testo libero permette maggiore libertà, ma rende molto più difficile costruire serie storiche confrontabili.
La risposta dichiarata deve inoltre essere salvata accanto alla fonte tecnica, non al suo posto.
Le due informazioni rispondono infatti a domande diverse.
Se il tracking indica Google Ads e la persona risponde “me ne ha parlato un collega”, non significa necessariamente che uno dei due dati sia sbagliato.
Significa che stiamo osservando due momenti differenti dello stesso percorso.
Le tre regole di codifica
1. Elenco chiuso e stabile.
Le categorie dovrebbero rimanere coerenti nel tempo. Se viene aggiunta una nuova voce, la data del cambiamento va registrata perché da quel momento inizia una nuova serie.
2. La risposta va registrata durante il contatto.
Chi parla con il cliente dovrebbe compilare il campo nella stessa conversazione, evitando ricostruzioni successive a fine giornata o a fine settimana.
3. Fonte dichiarata e fonte tecnica vanno sempre confrontate.
La distanza tra le due non è necessariamente un errore da correggere. Può diventare essa stessa un indicatore della parte di percorso che il tracking non riesce a vedere.
Errore comune: utilizzare l’attribuzione dichiarata al posto di quella tecnica per rendicontare le performance.
Il suo valore è diverso.
Serve soprattutto a capire che cosa manca alla lettura tecnica.
Trasformarla nell’unico numero con cui si valuta il budget significa attribuirle una precisione che non possiede.
Il numero di governo: la quota non attribuita
Quasi tutti i sistemi di misurazione contengono una categoria residuale.
Può chiamarsi “diretto”, “non impostato”, “non disponibile”, “sconosciuto” o in altri modi a seconda dello strumento.
Dentro questa categoria finiscono conversioni per le quali non esiste una fonte riconoscibile.
Invece di considerarla soltanto un difetto del tracking, può essere utile osservarla come indicatore della distanza tra ciò che accade realmente e ciò che il sistema riesce a ricostruire.
Perché azzerarla non dovrebbe essere l’obiettivo
La quota non attribuita può diminuire per due ragioni molto diverse.
La prima è positiva: migliora la misurazione.
Parametri di campagna più coerenti, conversioni importate dal CRM, eventi lato server e tracciamento delle telefonate permettono di recuperare una parte delle informazioni perse.
La seconda è più rischiosa: si forza l’assegnazione.
Per esempio, si può attribuire automaticamente il traffico diretto alla marca, ampliare eccessivamente le finestre di attribuzione oppure assegnare una conversione a un canale semplicemente perché è l’unico osservabile.
Il numero delle conversioni non attribuite diminuisce, ma non necessariamente aumenta la conoscenza.
Si rischia semplicemente di trasformare un’incertezza reale in una certezza costruita dal modello.
Per questo la quota non attribuita è più utile come indicatore da monitorare che come obiettivo da portare artificialmente verso zero.
Soglie operative di prudenza
Non esiste una soglia universale pubblicata che stabilisca quale percentuale di conversioni non attribuite sia corretta.
In CULT adv utilizziamo tre fasce operative come riferimento iniziale, costruite sull’esperienza delle campagne di acquisizione gestite per aziende italiane.
Non sono benchmark di mercato e devono essere sostituite dai dati storici dell’azienda non appena questi diventano sufficientemente solidi.
Sotto il 10%.
Il sistema mostra un buon livello di attribuzione, ma conviene comunque verificare che il risultato non dipenda da assegnazioni troppo aggressive o da regole che nascondono l’incertezza.
Tra il 10% e il 30%.
È una quota che può essere compatibile con percorsi di vendita complessi, soprattutto quando intervengono più dispositivi, touchpoint offline o fasi decisionali lunghe. In questo caso il dato va letto insieme ai tre livelli di attribuzione.
Oltre il 30%.
La lettura per singolo canale diventa più fragile. Prima di prendere decisioni importanti sul budget conviene affiancare al dato tecnico una lettura dichiarata e una misura di insieme.
Più del valore assoluto conta però come la quota cambia nel tempo.
Se le conversioni non attribuite aumentano di dieci punti in due trimestri senza modifiche rilevanti al sistema di tracking, vale la pena indagare.
Non è necessariamente un malfunzionamento tecnico.
Può significare che una parte crescente del percorso di scoperta e valutazione sta avvenendo in touchpoint meno osservabili: passaparola, risposte generative, contenuti senza clic o altri contesti privati.
Perché usare i modelli di attribuzione come obiettivo può distorcerli
C’è infine un limite che riguarda meno la tecnologia e più il comportamento delle persone.
Quando una metrica di attribuzione entra direttamente negli obiettivi di chi gestisce le campagne, può iniziare a influenzare il modo in cui il sistema viene costruito e interpretato.
La surrogazione spiegata con un esempio
Jongwoon Choi, Gary Hecht e William Tayler hanno studiato questo fenomeno in The Accounting Review con il concetto di surrogazione.
Il principio è che una misura nasce per rappresentare un risultato, ma può finire per sostituirlo nella testa di chi deve prendere decisioni.
In altre parole, si smette di chiedere se stia migliorando il risultato reale e si inizia a lavorare direttamente per migliorare il numero utilizzato per rappresentarlo.
Gli esperimenti descritti dagli autori mostrano inoltre che il fenomeno diventa più forte quando la valutazione dipende da una sola misura e si riduce quando vengono utilizzati più indicatori dello stesso risultato.
Applicato ai modelli di attribuzione, il meccanismo è facile da riconoscere.
Se un responsabile marketing viene valutato sulla quota di conversioni attribuite ai canali a pagamento, avrà un incentivo a far crescere proprio quel numero.
Si possono allargare le finestre di attribuzione, aumentare le campagne sul nome del brand oppure applicare parametri di campagna a interazioni che prima non venivano conteggiate.
Il report migliora.
Ma non è detto che siano entrati più clienti.
La contromisura è utilizzare più indicatori dello stesso risultato.
Se l’obiettivo è aumentare i contatti qualificati, per esempio, si possono osservare insieme quota tecnicamente attribuita, fonte dichiarata dal cliente e volume complessivo dei lead qualificati.
In questo modo una singola metrica difficilmente può migliorare senza che le altre mostrino se il risultato reale sta andando nella stessa direzione.
Per approfondire il passaggio dalla generazione del contatto alla qualità commerciale, i riferimenti sono KPI per lead di qualità e come migliorare la qualità dei lead.
Sei indicatori per governare i modelli di attribuzione
Qui sotto il cruscotto minimo. Le soglie sono dichiarate come soglie di prudenza operativa CULT adv, ricavate dalle campagne che gestiamo, non come medie di mercato.
| Indicatore | Denominatore corretto | Soglia di prudenza | Decisione che abilita | Titolare |
|---|---|---|---|---|
| Quota non attribuita | Conversioni totali del periodo, non le sole conversioni tracciate | Oltre il 30% la lettura per canale non regge una decisione di budget | Se superata, si passa a una misura di insieme prima di spostare spesa | Marketing |
| Scarto fra fonte dichiarata e fonte tecnica | Contatti con entrambi i campi compilati | Oltre il 40% di disaccordo indica una zona cieca rilevante | Presidio dei canali che gli strumenti non vedono | Marketing e vendite |
| Copertura del campo fonte dichiarata | Contatti lavorati dai commerciali, non contatti ricevuti | Sotto il 70% di compilazione il dato non è usabile | Intervento sul processo commerciale, non sul modello | Direzione commerciale |
| Quota di conversioni collegate a una vendita chiusa | Conversioni del periodo con esito noto, al netto di quelle ancora aperte | Sotto il 50% la catena di misura è interrotta fra marketing e CRM | Priorità all’integrazione CRM prima di qualunque altra ottimizzazione | Operations |
| Andamento delle richieste sul nome della marca | Volume complessivo di ricerca del settore nello stesso periodo | Un calo di due trimestri consecutivi va trattato come segnale, non come stagionalità | Riequilibrio fra creazione e raccolta di domanda | Direzione marketing |
| Impression nelle funzionalità AI | Si legge come serie propria: non si somma alle impression organiche | Nessuna soglia: conta la tendenza su almeno tre mesi | Priorità dei contenuti da aggiornare, non valutazione del ritorno | Marketing |
Nessuno di questi sei numeri è un obiettivo da far crescere. Sono soglie che aprono una decisione quando vengono superate: è la differenza fra un cruscotto e una vetrina, discussa anche in come leggere i report delle campagne e in KPI marketing: quali misurare.
Per il calcolo delle grandezze unitarie che compaiono in tabella mettiamo a disposizione il calcolatore di costo per lead e costo per acquisizione e il calcolatore del ritorno dell’investimento, insieme agli altri strumenti di web marketing. Sulla metrica più fraintesa del cruscotto resta utile la lettura del CTR e, sui tempi di maturazione, quanto tempo serve per vedere risultati.
Modelli di attribuzione: il metodo in cinque passaggi
I cinque passaggi valgono per una vendita assistita da commerciali e si applicano nello stesso ordine sia nella lead generation B2B sia nei percorsi descritti in come strutturare il funnel di acquisizione clienti.
Modelli di attribuzione: un esempio di lettura a tre livelli
I numeri che seguono sono illustrativi e servono solo a mostrare il ragionamento.
Un’azienda di servizi riceve 120 richieste nel trimestre. Il pannello attribuisce 48 richieste alla ricerca a pagamento, 22 all’organico, 9 ai social a pagamento e lascia 41 senza fonte riconoscibile: il 34% del totale, sopra la soglia di prudenza.
La fonte dichiarata, raccolta sui 100 contatti lavorati dai commerciali, racconta un’altra storia: 31 persone dicono di aver conosciuto l’azienda tramite un collega o un fornitore, 18 citano un articolo o un contenuto, 14 nominano esplicitamente un assistente conversazionale, 25 la ricerca su Google, 12 non ricordano.
Le due letture non si contraddicono: parlano di due momenti diversi. La ricerca a pagamento raccoglie una domanda che per metà è stata creata altrove, e il canale più citato nelle dichiarazioni — il passaparola — nel pannello vale zero.
La decisione corretta non è spostare budget dal pagamento al passaparola, che non è un canale acquistabile. È smettere di considerare le 48 richieste della ricerca a pagamento come 48 richieste generate da quel canale, e verificarlo con una prova: una riduzione controllata della spesa sulle parole di marca per sei settimane, con l’esito dichiarato prima. Se il totale non si muove, una parte di quella spesa stava pagando domanda già acquisita.
Il dimensionamento della spesa è trattato in quanto budget serve per Google Ads, la scelta del tipo di campagna in campagne Search contro Performance Max e le leve di ottimizzazione in come ottimizzare le campagne Google Ads. A valle, la qualificazione dei contatti segue il lead scoring per PMI, la distinzione di lead e prospect e la disciplina di speed to lead: se i tempi di ricontatto sono lunghi, nessun modello di attribuzione potrà spiegare i mancati risultati, come mostra perché i lead non convertono.
Otto errori comuni nei modelli di attribuzione
- Confrontare periodi con modelli diversi. Il cambio di regola produce un miglioramento contabile che somiglia a un risultato.
- Trattare la ripartizione come una prova causale. Il merito assegnato non dice che cosa sarebbe accaduto in assenza del canale.
- Mettere a obiettivo la riduzione della quota non attribuita. Si ottiene forzando l’assegnazione, e il report migliora mentre la conoscenza peggiora.
- Sommare le impression delle funzionalità AI a quelle organiche. Sono conteggiate con regole diverse e il rapporto dedicato non espone i clic: un tasso di clic combinato non significa nulla.
- Usare una finestra di attribuzione più corta del ciclo di vendita. Nelle vendite complesse taglia fuori proprio i passaggi iniziali, che sono quelli da valutare.
- Lasciare la fonte dichiarata a testo libero. Produce centinaia di varianti e nessuna serie storica confrontabile.
- Cambiare il modello e non avvisare chi gestisce le offerte. Le strategie automatiche di offerta usano i dati di conversione del modello attivo: cambia la regola, cambia la spesa.
- Accettare il modello di attribuzione proposto dal fornitore senza discuterlo. È anche una proposta su come verrà misurato e pagato il suo lavoro.
Checklist: i modelli di attribuzione sotto controllo
- Il modello attivo, lo strumento e la finestra temporale sono scritti in un documento con la data di entrata in vigore.
- Ogni cambio di modello è annotato con la data e le serie storiche sono spezzate in quel punto.
- La quota di conversioni senza fonte riconoscibile è calcolata ogni mese e ne esiste la serie degli ultimi quattro trimestri.
- Esiste un campo «come ci hai conosciuto» con risposte chiuse, compilato nella prima conversazione commerciale.
- La fonte dichiarata e la fonte tecnica sono salvate entrambe sullo stesso contatto.
- Lo scarto fra le due fonti è calcolato e commentato, non corretto.
- Le conversioni sono collegate all’esito commerciale nel sistema di gestione dei contatti.
- Gli eventi di valore tornano alle piattaforme pubblicitarie, non solo i moduli inviati.
- Il rapporto sulle funzionalità AI di Search Console viene letto come serie propria, separata dall’organico.
- Chi gestisce le offerte automatiche sa quale modello è attivo ed è avvisato prima di ogni cambio.
- Almeno una prova di incrementalità è pianificata nel trimestre, con durata ed esito dichiarati prima.
- Nessun obiettivo individuale dipende da una sola misura di attribuzione.
Domande frequenti sui modelli di attribuzione
Quali modelli di attribuzione esistono oggi in Google Ads?
Dopo il ritiro annunciato nell’aprile 2023 dei modelli primo clic, lineare, decadimento temporale e basato sulla posizione, la documentazione di Google Ads indica come disponibili l’attribuzione basata sui dati e l’ultimo clic. I modelli basati su regole non sono più supportati e le azioni di conversione che li usavano sono passate all’attribuzione basata sui dati.
Meglio l’ultimo clic o l’attribuzione basata sui dati?
Dipende dalla domanda. L’ultimo clic è semplice, stabile e confrontabile nel tempo: utile per rendicontare e per non rincorrere variazioni di formula. L’attribuzione basata sui dati fa emergere passaggi che l’ultimo clic sottovaluta, ma la sua logica non è ispezionabile e la ripartizione dipende dallo storico del tuo account. Qualunque sia la scelta, va dichiarata, tenuta ferma e accompagnata da una prova di incrementalità almeno una volta per trimestre.
Come si misura il traffico che arriva da ChatGPT o da una risposta generativa?
In parte si misura e in parte no. Le visite che partono da un clic su un link dentro un assistente conversazionale arrivano come traffico di riferimento e sono riconoscibili negli strumenti di analisi. Le visite che nascono da una risposta letta e non cliccata non lasciano traccia: la persona cerca il nome dell’azienda o digita l’indirizzo. Per quella parte gli strumenti disponibili sono due: il campo sulla fonte dichiarata e l’andamento della quota non attribuita nel tempo.
I modelli di attribuzione servono anche a una piccola o media impresa?
Servono, ma vengono dopo. Se le conversioni non sono collegate all’esito commerciale, la ripartizione del merito riguarda solo i moduli inviati, cioè il passaggio meno informativo della catena. L’ordine di priorità corretto per una PMI è: collegare le conversioni al sistema di gestione dei contatti, riportare gli eventi di valore alle piattaforme, e solo allora discutere di quale regola di ripartizione usare.
Quanta quota non attribuita è normale?
Non esiste un valore pubblicato e diffidiamo di chi lo propone. Come soglie di prudenza operativa usiamo tre fasce: sotto il 10% il sistema è in buona salute, fra il 10% e il 30% il valore è normale per una vendita complessa, sopra il 30% la lettura per canale non è sufficiente a sostenere una decisione di budget. Conta più l’andamento del livello: una crescita di dieci punti in due trimestri a tracciamento invariato segnala uno spostamento della domanda nella zona non osservabile.
I modelli di attribuzione bastano a decidere il budget del prossimo trimestre?
No, e non è un difetto dell’implementazione. Un modello ripartisce il merito di conversioni già avvenute fra i punti di contatto che ha visto; una decisione di budget riguarda il futuro e richiede una stima di che cosa accadrebbe investendo di più o di meno. Per quella domanda servono una prova sul campo e una lettura del totale, non una classifica più precisa.
Modelli di attribuzione: che cosa fare adesso
Il mercato pubblicitario italiano vale 11,8 miliardi di euro, cresciuti del 5%, e la quota di internet advertising ha raggiunto 6,2 miliardi con un aumento dell’11%, pari al 53% del totale: sono i dati dell’Osservatorio Internet Media del Politecnico di Milano presentati l’11 giugno 2026, che prevedono per il 2026 circa 7 miliardi e una crescita del 12%. Una parte sempre maggiore del budget di marketing italiano si decide quindi su strumenti il cui punto cieco si sta allargando.
La risposta non è un modello più sofisticato. È una lettura dichiarata, con i suoi limiti scritti accanto, e una prova all’anno che risponda alla sola domanda che conta: che cosa accadrebbe se investissi di meno qui e di più là.
Chi non ha una struttura interna per presidiare questa parte trova in marketing in outsourcing per PMI e in quando esternalizzare il marketing i criteri per decidere che cosa tenere dentro; sul piano strategico il riferimento è la digital strategy, mentre il presidio commerciale del tema è la nostra agenzia di lead generation e la consulenza di digital marketing.
Tre mosse concrete da fare questa settimana. Scrivere su una riga quale modello di attribuzione è attivo, in quale strumento e da quando. Calcolare la quota di conversioni senza fonte riconoscibile e il suo andamento su quattro trimestri. Aggiungere un campo a risposte chiuse sulla fonte dichiarata nella prima conversazione commerciale.
Se la classifica dei canali non vi sta più aiutando a decidere, il problema è quasi sempre a monte del modello: la catena fra campagne, contatti e vendite chiuse è interrotta in un punto preciso. In CULT adv ricostruiamo quella catena e impostiamo la lettura a tre livelli sulle campagne che gestiamo, con soglie dichiarate e prove in calendario.
Parliamo del vostro sistema di misurazione — un confronto di trenta minuti è sufficiente per capire dove si interrompe la catena.
Fonti
- Google Ads Help, First click, linear, time decay, and position-based attribution models are going away — annuncio del 6 aprile 2023, con il calendario di giugno e settembre 2023.
- Google Ads Help, About attribution models — modelli disponibili, funzionamento dell’attribuzione basata sui dati e impatto sulle strategie di offerta.
- Google Search Central, AI features and your website — pagina aggiornata al 10 dicembre 2025: il traffico dalle funzionalità AI è incluso nel traffico di ricerca complessivo di Search Console, tipo di ricerca «Web».
- Search Engine Journal, 16 giugno 2025, Google adds AI Mode traffic to Search Console reports — i dati della modalità AI contano nei totali del rapporto sul rendimento e non hanno una scheda dedicata.
- Search Engine Journal, Google now reports AI search impressions — annuncio del 3 giugno 2026: il rapporto mostra impression, pagine, paesi, dispositivi e date, ed esclude query, clic, CTR, posizione e dati di conversione.
- Search Engine Land, 31 agosto 2026, Google Search Console AI performance reports and Search generative AI control rolling out globally — rilascio a tutti i siti nel mondo e comando di esclusione dalle risposte generative.
- Pew Research Center, 22 luglio 2025, Google users are less likely to click on links when an AI summary appears in the results — panel di 900 adulti statunitensi, marzo 2025: 12.593 ricerche con riassunto su 68.879; clic su un risultato tradizionale 8% contro 15%; sessione chiusa 26% contro 16%. Dati statunitensi su pubblico consumer.
- Randall A. Lewis, Justin M. Rao, David H. Reiley, Here, there, and everywhere: correlated online behaviors can lead to overestimates of the effects of advertising, Proceedings of WWW 2011, pp. 157-166 — activity bias e sovrastima di 222 volte dell’effetto pubblicitario nel confronto osservazionale.
- Ron Berman, Beyond the Last Touch: Attribution in Online Advertising, Marketing Science 37(5), 2018, pp. 771-792 — l’ultimo contatto sovraincentiva le esposizioni; il valore di Shapley aumenta i profitti dell’inserzionista a spese degli editori.
- Jongwoon Choi, Gary Hecht, William B. Tayler, Lost in Translation: The Effects of Incentive Compensation on Strategy Surrogation, The Accounting Review 87(4), pp. 1135-1164 — la surrogazione è più forte con una misura sola e più debole con più misure dello stesso costrutto.
- Istat, Imprese e ICT — Anno 2025, 15 dicembre 2025 — CRM usato dal 21,1% delle PMI contro il 56,5% delle grandi imprese; analisi dei dati dal 26,6% al 42,7% in due anni; intelligenza artificiale nel 16,4% delle imprese con almeno dieci addetti, in marketing e vendite nel 33,1% dei casi.
- Osservatorio Internet Media, School of Management del Politecnico di Milano, comunicato dell’11 giugno 2026, nella ripresa di Affaritaliani — mercato pubblicitario italiano 11,8 miliardi (+5%), internet advertising 6,2 miliardi (+11%) pari al 53%, previsione 7 miliardi nel 2026 (+12%).
Nota sui dati. Le soglie di prudenza indicate negli indicatori e nelle risposte sulla quota non attribuita sono soglie operative CULT adv ricavate dalle campagne di acquisizione che gestiamo per clienti italiani, non benchmark di mercato. I numeri dell’esempio di lettura a tre livelli sono dichiarati illustrativi. I dati Pew sono riferiti a un panel statunitense di consumatori e vanno letti come direzione del fenomeno. Le larghezze delle barre di ripartizione del merito sono rappresentazioni dell’esempio, non percentuali rilevate.
