Aggiornamento — settembre 2026
Questo articolo è del febbraio 2024 e lo lasciamo com'era. Il metodo che descrive però non è rimasto un esperimento: da lì è nato MAX, la piattaforma con cui oggi leggiamo la domanda di mercato per i nostri clienti. In fondo abbiamo raccontato come ci siamo arrivati.
Nel febbraio 2024, per l'AIFestival, Alberto Casu ha portato lo speech «Come realizzare un'analisi strategica dei tuoi competitor basandoti sulle keyword organiche utilizzando VertexAI e BigQuery».
Vogliamo fornirti un focus sul come l'uso dell'intelligenza artificiale stia rivoluzionando l'analisi dei competitor nell'ambito dell'eCommerce e approfondire l'approccio innovativo che il team Marketing di Boraso ha adottato per semplificare questo processo, sfruttando la potenza di Google Cloud e Vertex AI.
In un'epoca digitale dove il volume di dati cresce esponenzialmente, le imprese si trovano costantemente alla ricerca di metodi innovativi per rimanere competitive. Una sfida particolarmente complessa è l'analisi dei competitor, specialmente in settori come l'eCommerce, dove comprendere il posizionamento e l'intento dei competitor può fare la differenza tra successo e fallimento e è fondamentale per sviluppare strategie efficaci.
Questa sfida può diventare ancor più complessa quando si lavora con un vasto numero di parole chiave e concorrenti. In questo contesto, quindi, una soluzione basata sull'intelligenza artificiale per il tagging delle parole chiave emerge non solo come un'innovazione ma come una necessità.
La Sfida: oltre la superficie dell'analisi competitiva
Nel mondo dell'eCommerce, l'analisi dei competitor è sempre stata cruciale per il successo aziendale. Tuttavia, affrontare questa sfida in modo tradizionale si è rivelato un compito estremamente oneroso e complesso nel tempo. In passato, infatti, le aziende si sono trovate ad investire ingenti risorse, sia in termini di tempo che di denaro, al fine di ottenere una visione approfondita delle tattiche e delle strategie dei loro concorrenti.
Il punto di partenza della nostra esplorazione, quindi, è la necessità di analizzare in profondità i competitor per determinare i leader di mercato in specifiche nicchie dell'eCommerce.
Gli strumenti esistenti offrono dati generali sul traffico e altre metriche di base, ma mancano di specificità quando si tratta di categorizzare i prodotti venduti dai domini monitorati. È qui che entra in gioco l'AI, offrendo una soluzione per colmare questa lacuna informativa.
L'Innovazione: Tagging delle Parole Chiave con l'AI
Approfondiamo l'esperienza del team Marketing di Boraso, che ha deciso di introdurre l'uso dell'AI nell'analisi dei competitor.
La nostra agenzia ha sviluppato un sistema avanzato che utilizza l'intelligenza artificiale per il tagging delle parole chiave, permettendoci di classificare in modo preciso e dettagliato i termini di ricerca per categoria di prodotto. Questo sistema si basa su una combinazione di lavoro manuale e algoritmi AI, dove il primo passo è definire manualmente i criteri di tagging, per poi lasciare che l'AI classifichi le parole chiave in modo semiautomatico.
Il trasferimento del nostro lavoro su BigQuery ha rappresentato il primo miglioramento significativo, potenziando la scalabilità del nostro sistema. Tuttavia, la vera svolta è stata l'implementazione dell'intelligenza artificiale generativa, che ha permesso di superare i limiti dei metodi tradizionali. Sono stati condotti approfonditi test su diversi strumenti basati su AI, tra cui GPT-4 e l'interfaccia di Google Cloud di Vertex AI, alla ricerca della soluzione ideale per ottimizzare il proprio processo di analisi.
Tra le opzioni disponibili, Vertex AI ha dimostrato di essere particolarmente promettente e adatta alle esigenze del team. Utilizzando Vertex AI di Google Cloud, abbiamo potuto automatizzare il processo di classificazione, rendendo possibile l'analisi di volumi di parole chiave precedentemente inimmaginabili.
Alberto Casu, Marketing Manager di Boraso riporta: "Questo significa che, grazie all'intelligenza artificiale, siamo in grado di automatizzare gran parte del processo di categorizzazione e analisi delle parole chiave, rendendo il lavoro molto più efficiente ed esaustivo".
Con Vertex AI, è quindi ora possibile per il team analizzare in modo più approfondito e accurato le strategie dei competitor, facendo emergere informazioni nascoste sull'intento di ricerca dei clienti e sugli approcci adottati dai concorrenti.
Il Processo: Un Equilibrio tra Umano e Macchina
Il processo di tagging delle parole chiave con l'intelligenza artificiale è un esempio eclatante di come la tecnologia possa andare oltre la semplice automazione, offrendo soluzioni innovative che affrontano questioni complesse di interpretazione semantica, geografica e di intento.
Il cuore del nostro sistema, in particolare, risiede nella capacità di insegnare all'AI a riconoscere e categorizzare semanticamente le parole chiave. Fornendo all'AI esempi specifici, siamo stati in grado di affinare la sua precisione nel tagging. Ad esempio, insegnandole a classificare "hotel 5 stelle Rimini" come appartenente alla categoria degli alloggi di lusso, abbiamo aperto nuove frontiere nell'analisi delle parole chiave.
La chiave di volta sta, in definitiva, nell'addestramento dell'AI per riconoscere non solo le parole chiave in sé ma il contesto e l'intento che le sottendono.
L'importanza del contesto
Come appena accennato il contesto in cui una parola chiave viene utilizzata è fondamentale per comprenderne il vero significato. Cerchiamo di tradurlo in termini pratici: prendiamo l'esempio di "macchina da caffè espresso".
Senza contesto, potrebbe essere difficile determinare se l'utente è interessato all'acquisto di una macchina da caffè, alla ricerca di recensioni, o alla scoperta di tecniche di preparazione del caffè espresso.
Attraverso l'analisi del contesto e l'uso di LLM (Large Language Models), possiamo assegnare tag specifici che riflettono l'intento di ricerca:
- Recensioni: Se l'intento è valutare le opzioni, l'AI può taggare con "recensioni prodotto".
- Acquisto: Se l'intento è comprare, può essere taggato con "intenzione di acquisto".
- Apprendimento: Se la ricerca è per "come fare il caffè espresso", l'intento di apprendimento può essere identificato e taggato di conseguenza.
Un altro esempio pratico di Tagging Avanzato
Vediamo un altro esempio pratico di tagging avanzato.
Predendo in considerazione la parola chiave "corsi di yoga online", in una classificazione manuale, potremmo semplicemente assegnarla alla categoria "Fitness" o "Benessere", mentre, con l'AI, è possibile andare molto oltre:
- Intento: L'AI può distinguere tra la ricerca di "corsi" (indicando un desiderio di apprendimento) e la ricerca di "video di yoga gratuiti" (che può suggerire un intento più casuale o non impegnativo).
- Ambito Semantico: Collegando "yoga" a termini correlati come "meditazione", "benessere" e "esercizio fisico", l'AI può creare cluster di contenuti correlati che arricchiscono la comprensione dell'interesse dell'utente.
- Geografia: Se una ricerca include specificità geografiche, come "corsi di yoga online in Italia", l'AI può etichettare la parola chiave non solo per il contenuto ma anche per la rilevanza geografica, permettendo campagne mirate e contenuti specifici per regione.
Il ruolo dei LLM
In questo processo i Large Language Models giocano un ruolo cruciale: hanno infatti la capacità di comprendere e generare linguaggio umano con un livello di sofisticazione fino ad oggi inimmaginabile. Attraverso l'addestramento su vasti dataset, questi modelli possono cogliere sottili sfumature linguistiche, permettendo un tagging delle parole chiave non solo accurato, ma anche incredibilmente ricco di sfaccettature.
Il successo di questo approccio dipende dalla qualità e dalla varietà degli esempi forniti all'AI durante la fase di addestramento (o prompting): creando un dataset di esempi che copra un ampio spettro di intenzioni, contesti e categorie, possiamo "insegnare" all'AI a riconoscere e classificare le parole chiave con un livello di precisione che va ben oltre la mera corrispondenza testuale.
L'uso dei LLM nel processo di tagging delle parole chiave trasforma radicalmente il modo in cui approcciamo l'analisi dei dati di ricerca: non si tratta più solo di identificare quali parole chiave sono popolari, ma di comprendere il significato profondo dietro queste ricerche.
Questo approccio non solo migliora la nostra capacità di analizzare i competitor in modo più sofisticato ma apre anche nuove possibilità per la creazione di contenuti mirati, campagne di marketing più efficaci e strategie SEO profondamente informate. In ultima analisi, il successo in un mondo digitale sempre più complesso dipende dalla nostra capacità di comprendere non solo cosa cercano gli utenti, ma anche perché lo cercano.
Focus On: BigQuery - Un cambiamento di paradigma nel trattamento dei dati di Keyword
L'adozione di BigQuery per la gestione e l'analisi delle parole chiave rappresenta un salto qualitativo rispetto all'utilizzo di strumenti tradizionali come Excel o Google Sheets, soprattutto quando si tratta di manipolare grandi volumi di dati. Questo passaggio segna non solo un miglioramento in termini di efficienza operativa ma anche un ampliamento delle potenzialità analitiche a disposizione delle agenzie digitali.
I vantaggi che offre questa soluzione sono molteplici: dalla rapidità nella gestione e analisi di dataset anche di dimensioni ragguardevoli, alla possibilità di essere integrato con tecnologie avanzate (inclusi i modelli di intelligenza artificiale e machine learning); dall'alto livello di affidabilità e sicurezza dei dati gestiti (tramite robuste funzionalità di sicurezza, inclusa la gestione delle identità e degli accessi, la crittografia dei dati in transito e a riposo, e la conformità alle normative sulla privacy dei dati), alla possibilità di supportare query SQL complesse che permettono di eseguire analisi dettagliate e personalizzate.
Non di minore importanza, nonostante la potenza e la complessità, BigQuery è anche economicamente efficiente, con una struttura di prezzi basata sull'uso che consente alle aziende di pagare solo per le risorse di elaborazione e lo storage di dati che effettivamente utilizzano. Questo approccio ai costi, combinato con l'efficienza operativa derivante dalla velocità di elaborazione e dalla capacità di automatizzare compiti ripetitivi, rende BigQuery una soluzione cost-effective per le esigenze analitiche delle agenzie digitali.
Risultati e Implicazioni
L'introduzione dell'intelligenza artificiale nell'analisi dei competitor ha aperto nuove possibilità e offre una serie di vantaggi significativi per le aziende e i team Marketing delle agenzie.
Grazie a questo sistema, infatti, siamo ora in grado di effettuare analisi competitive su una scala molto più ampia, andando oltre la semplice keyword per focalizzarci sull'intento di ricerca. Questo non solo migliora l'efficacia della nostra SEO e delle strategie di content marketing ma ci permette anche di fare considerazioni strategiche basate su dati aggregati e analisi di cluster, piuttosto che su singole parole chiave.
L'integrazione tra BigQuery, le API di Vertex AI, Python, e Looker Studio per la dashboarding ha creato un ecosistema in cui i dati non solo vengono analizzati ma diventano veramente utili per prendere decisioni strategiche informate.
Un altro vantaggio che possiamo attribuire all'impiego dell'AI è quello di permettere agli addetti ai lavori di non dover più dedicare innumerevoli ore a task manuali di categorizzazione e analisi, liberando tempo prezioso per attività più strategiche e creative.
Inoltre, ha reso possibile creare dashboard che forniscono una visione chiara e dettagliata del posizionamento dei competitor in base all'intento di ricerca non mostrando più un semplice elenco di parole chiave e posizioni nei motori di ricerca ma una panoramica completa delle strategie adottate dai competitor per soddisfare le esigenze dei clienti. Con questa profonda comprensione, l'azienda (o l'agenzia) è quindi in grado di identificare tendenze emergenti e di adattare le proprie strategie di marketing in modo più agile e reattivo.
L'adozione dell'AI nell'analisi, però, va ben oltre la mera comparazione delle parole chiave. Questo approccio avanzato permette infatti di andare in profondità nella comprensione delle strategie dei competitor, identificando i loro intenti, le loro preferenze e le tattiche utilizzate per raggiungere il loro pubblico. Ciò consente non solo di reagire alle azioni dei concorrenti, ma anche di anticiparle, sviluppando strategie più efficaci e competitive nel mercato dell'eCommerce.
In definitiva, l'AI sta rivoluzionando la competitività nel mondo dell'eCommerce, permettendo alle aziende di lavorare con dati su larga scala in modo efficiente, ottenendo una comprensione più profonda dei competitor e delle dinamiche di mercato e consentendo loro di sviluppare strategie di marketing digitali più intelligenti e reattive.
Questo cambiamento tecnologico è un passo avanti fondamentale nel mondo del digital marketing e offre nuove opportunità per le aziende che cercano di restare competitive e innovative.
Conclusioni
In un settore sempre più competitivo come l'eCommerce, l'analisi dei competitor è cruciale per il successo e l'adozione dell'intelligenza artificiale nel tagging delle parole chiave rappresenta un notevole passo avanti per le imprese e le agenzie digitali. Questo sistema non solo ottimizza l'analisi dei competitor ma apre anche la strada a nuove metodologie di lavoro in grado di affrontare le sfide del marketing digitale moderno. Con questa innovazione, siamo meglio equipaggiati per navigare il vasto mare dei dati online, individuando con precisione gli insight che guidano verso il successo.
Da questo esperimento è nato MAX
Nel febbraio 2024 il sistema descritto qui girava su un solo cliente e classificava qualche migliaio di keyword. La domanda aperta era se avrebbe retto crescendo di tre ordini di grandezza, perché a quella scala un errore di classificazione dell'1% significa migliaia di ricerche finite nella categoria sbagliata, e una lettura del mercato che porta fuori strada.
Ha retto, e da quel lavoro è nato MAX, la piattaforma di market demand intelligence che abbiamo sviluppato internamente. MAX analizza milioni di ricerche e le riordina nelle categorie con cui un'azienda decide davvero — dal settore al singolo prodotto — mostrando dove la domanda cresce, dove cala e chi la sta presidiando.
Nei due anni successivi sono cambiate due cose. I modelli linguistici sono diventati accurati ed economici abbastanza da classificare cataloghi interi invece di campioni: nel 2024 il costo della classificazione era la voce che limitava il perimetro di un'analisi, oggi non lo è più. E il lavoro interessante si è spostato a valle. Quando ogni ricerca è taggata per intento e categoria, il problema diventa distinguere i movimenti di domanda che spostano una decisione di acquisto o di budget da quelli che sono stagionalità travestita da trend.
Una precisazione, perché ce lo chiedono spesso da quando gli assistenti AI sono diventati un punto di ingresso alle ricerche: capire come un brand compare dentro le risposte di ChatGPT, Gemini o Perplexity, e chi ci compare al posto suo, è un lavoro diverso da quello raccontato qui. Si chiama Generative Engine Optimization e la misuriamo con Brand Presence, il modulo di MAX dedicato alle citazioni sugli assistenti AI. Se è quello che stavi cercando, la pagina giusta è quella della consulenza GEO.
Se vuoi vedere come si muove la domanda nel tuo mercato, chiedici una demo di MAX: la costruiamo sulle tue categorie e sui tuoi competitor.
Condividi articolo
