eCommerce Archives

L’Intelligenza Artificiale nel Digital Marketing

Benvenuti in un’era definita da rapide evoluzioni tecnologiche, aspettative dei clienti in continua crescita, una competizione online senza precedenti e in cui creare e gestire un eCommerce non vuol dire solo avere una vetrina digitale per i propri prodotti, ma entrare in gioco in una complessa arena dove l’efficienza, la personalizzazione e l’innovazione sono i […]

Filed Under: Blog, Conversion Optimization, Digital Commerce Tagged With: Digital Commerce, eCommerce, Shopify

PittaRosso e Bloomreach: quando cambiare piattaforma non è una questione di moda

30 Aprile 2026 by gianluca ambu

Cambiare piattaforma di marketing automation non è mai una decisione tecnica, o meglio, sembra tecnica, ma in realtà è profondamente strategica, perché nel momento in cui metti mano a quel layer stai toccando il modo in cui raccogli, organizzi e attivi i dati dei tuoi clienti, mettendo in discussione i flussi che guidano il tuo fatturato ricorrente, riscrivendo – spesso senza dirlo esplicitamente – il modo in cui il tuo brand parla con le persone.

Nel caso di PittaRosso, questo passaggio è arrivato in modo abbastanza naturale.

Non perché “serviva una piattaforma nuova”, ma perché la complessità del business aveva iniziato a superare quella degli strumenti utilizzati fino a quel momento e quando succede, prima o poi, devi fare una scelta.

Il vero problema: il dato non è mai davvero “uno”

Il punto di partenza non è stato un confronto tra piattaforme, ma una constatazione piuttosto concreta: il dato cliente non era realmente centralizzato.

Non perché mancassero le informazioni, anzi. Il problema era esattamente l’opposto: Ecommerce, negozi fisici, sistemi di fidelity, piattaforme di analytics, BI… ogni pezzo funzionava, ma parlava una lingua leggermente diversa.

E quando il dato è distribuito, la visione del cliente lo diventa altrettanto.

Il risultato è una personalizzazione che sembra avanzata sulla carta, ma che nella pratica resta limitata. Da qui nasce l’esigenza più importante: costruire una vista unica, coerente e utilizzabile del cliente, qualcosa che vada oltre il semplice “abbiamo tutti i dati”.

Quando la marketing automation smette di essere “plug & play”

All’inizio molte piattaforme di marketing automation funzionano perfettamente. Flussi standard, configurazioni rapide, risultati visibili in poco tempo.. tutto fila. Poi però succede qualcosa… il business cresce, i touchpoint aumentano, i comportamenti diventano più complessi e soprattutto, cambia la domanda interna: non più “abbiamo questi flussi?”, ma “quanto sono realmente aderenti al comportamento dei nostri clienti?”.

È lì che iniziano a emergere i limiti.

Distinzioni che prima sembravano sensate – come separare rigidamente carrello abbandonato e checkout abbandonato – iniziano a stare strette, i flussi diventano silos, le personalizzazioni si fermano dove finisce la struttura della piattaforma. E ci si rende conto che quello che servirebbe non è un set di automazioni predefinite, ma un sistema che permetta di costruire percorsi più fluidi, più dinamici, più coerenti con la realtà.

Perché la scelta non è caduta sulla piattaforma più semplice

Uno degli aspetti più interessanti di questo passaggio è che la scelta non è stata guidata dalla semplicità, anzi, quasi il contrario.

Piattaforme come Klaviyo, per esempio, sono estremamente intuitive e funzionano molto bene in contesti standardizzati, permettendo di andare live velocemente e di ottenere risultati concreti con un effort relativamente contenuto, tuttavia quando il livello di complessità cresce, la semplicità rischia di diventare rigidità.

Bloomreach si posiziona dall’altra parte dello spettro: è più profonda, più flessibile, più personalizzabile, ma richiede anche più competenze, più progettazione, più capacità di lavorare sul dato.

Non è quindi una piattaforma che “ti guida” passo passo ma che ti mette nelle condizioni di costruire. All’inizio questo può rallentare, ma nel medio periodo, diventa esattamente lo strumento che serve per scalare.

Il catalogo: da elenco prodotti a leva strategica

Un altro elemento che spesso viene sottovalutato quando si parla di Automation è il ruolo del catalogo.

Per un retailer come PittaRosso il catalogo non è semplicemente un database di prodotti: è un sistema complesso fatto di varianti, attributi, relazioni, disponibilità e comportamenti associati.

Avere la possibilità di lavorare su questo livello in modo più granulare significa poter costruire raccomandazioni più sensate, più rilevanti, più vicine alle reali preferenze dei clienti, ma soprattutto apre la porta a qualcosa di più interessante: l’integrazione tra dati online e offline.

Perché il vero salto non è suggerire il prodotto giusto sul sito ma riuscire a collegare ciò che succede in negozio con ciò che succede online, e viceversa, senza perdere coerenza.

Ed è qui che la complessità diventa reale.

La parte più complicata: orchestrare, non integrare

Quando si parla di cambio piattaforma, spesso si pensa all’integrazione tecnica, tuttavia quella è solo una parte del lavoro.

La vera sfida è infatti mettere insieme tutti gli attori coinvolti (system integrator, team BI, analytics, ecommerce, fornitori diversi, dati provenienti da sistemi differenti) ognuno con le proprie logiche, i propri tempi e le proprie priorità e farli convergere in un’unica direzione richiede molto più di una buona piattaforma.

Uno dei nodi più delicati, per esempio, è stato lavorare sulla granularità del dato cliente e sulla sua coerenza tra sistemi diversi, soprattutto quando entrano in gioco le informazioni provenienti dalla fidelity: questo è il tipo di lavoro che determina se il progetto regge o si inceppa.

Misurazione: il dettaglio che cambia tutto

Un altro aspetto spesso trascurato riguarda la qualità della misurazione: avere più dati non significa automaticamente avere insight migliori, anzi, a volte è il contrario.

La possibilità di costruire metriche personalizzate e dashboard su misura permette di leggere i fenomeni in modo più aderente alla realtà del business e in alcuni casi emergono differenze che non sono affatto banali.

Un esempio interessante è la distinzione tra aperture email totali e aperture “affidabili”, depurate da effetti distorsivi legati a bot o sistemi automatici. Una differenza apparentemente tecnica, ma che incide direttamente sul modo in cui valuti le performance e prendi decisioni.

Cosa cambia davvero dopo il passaggio

Gli obiettivi di un cambiamento del genere non sono mai “fare campagne più belle” ma molto più concreti: si lavora per migliorare le performance dei canali, aumentare la retention, costruire percorsi realmente personalizzati, leggere meglio i dati e, soprattutto, avere una piattaforma che non diventi un limite quando il business evolve.

Un aspetto importante è anche la flessibilità futura: la possibilità di integrare nuovi canali – dagli SMS a WhatsApp – senza dover ripensare ogni volta l’intera architettura.

In altre parole, si passa da un sistema che esegue a un sistema che abilita.

La lezione più utile per chi sta valutando un cambio

Se c’è una cosa che emerge chiaramente da questo tipo di progetti è che il problema raramente è la piattaforma in sé: Il vero punto è capire quanto è maturo il proprio ecosistema dati.

Se il cliente è frammentato, se online e offline non dialogano, se le metriche non sono coerenti, cambiare tool rischia di essere un esercizio “cosmetico” che magari migliora l’interfaccia, ma non cambia la sostanza.

Il lavoro più importante è costruire una Golden Record del cliente, una visione unica, coerente e azionabile. Solo a quel punto la piattaforma diventa davvero uno strumento e non un vincolo.

In conclusione

Il passaggio da SalesManago a Bloomreach non è la storia di una piattaforma migliore di un’altra. È la storia di un’azienda che cresce, aumenta la propria complessità e decide di dotarsi di strumenti all’altezza.

È un passaggio che richiede tempo, competenze e coordinamento e che, soprattutto, obbliga a fare ordine nei propri dati e nei propri processi.

La tecnologia non fa miracoli, ma quando è scelta nel modo giusto, può fare qualcosa di altrettanto prezioso: rendere sostenibile la complessità.

E oggi, nel digital commerce, è probabilmente la cosa più importante di tutte.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Digital Advertising, Digital Commerce Tagged With: Digital Commerce, eCommerce, Media Advertising

Brand Presence: lo strumento di Boraso per misurare la visibilità dei brand sugli LLM

9 Aprile 2026 by Chiara Penino

Un utente apre ChatGPT e scrive: "Sto cercando un fornitore di imballaggi sostenibili per il mio ecommerce, cosa mi consigli?" L'AI risponde in dieci secondi con quattro nomi. Il tuo non c'è.

Non c'è stato un algoritmo che ti ha penalizzato. Non hai violato nessuna linea guida. I modelli, semplicemente, non ti "conoscono" abbastanza da tirarti fuori in quel contesto.

È un problema nuovo? In apparenza. Nella sostanza, è lo stesso che le aziende affrontano su Google da trent'anni — con una differenza: lì esiste un'intera industria di strumenti per misurarlo, monitorarlo e lavorarci sopra. Sugli LLM, fino a poco fa, c'era solo l'intuizione.

GEO: non un trend, un'accelerazione

Negli ultimi mesi si sente parlare molto di GEO — Generative Engine Optimization — come se fosse una nuova disciplina, separata dalla SEO, con le sue logiche, i suoi specialisti, i suoi corsi da seguire prima che sia troppo tardi.

Non è così. O meglio: non è così per chi fa SEO seriamente da qualche anno.

La SEO ha smesso di essere una questione di keyword density almeno nel 2015. Da allora, il lavoro vero si fa sui contenuti che rispondono a bisogni reali, sull'autorevolezza tematica, sui cluster semantici, sulle entità — non sulle singole parole. Chi ha costruito contenuti long tail su domande specifiche degli utenti, chi ha sviluppato FAQ contestuali, chi ha lavorato sulla crawlability e sul markup strutturato: è già a metà strada verso la GEO.

La GEO non è una rivoluzione. È un acceleratore nella stessa direzione. I modelli generativi si nutrono di contenuti autorevoli, pertinenti, ben strutturati — esattamente quello che Google premia da anni. Trattarla come un trend separato significa, nella migliore delle ipotesi, duplicare il lavoro. Nella peggiore, ignorarla pensando che passi.

Non passa. Cambia il canale, non la logica.

C'è un'altra cosa che la SEO e la GEO condividono, e che vale la pena dire esplicitamente: i brand forti vincono su entrambe. Un'azienda con un brand riconoscibile, con una reputazione costruita nel tempo, con menzioni e riferimenti diffusi sul web — quella azienda emerge più facilmente anche nelle risposte degli LLM. I modelli si addestrano su ciò che esiste e viene citato. Un brand che le persone nominano, linkano e raccomandano è un brand che i modelli "conoscono" meglio.

Costruire un brand forte non è una strategia GEO. È la scorciatoia più efficace per la SEO, per la GEO, e per qualsiasi canale di visibilità verrà dopo. Vale oggi come valeva dieci anni fa.

Il nostro approccio alla misurazione

Il mercato di tool per la GEO si sta riempiendo velocemente. La domanda che ci siamo posti non è stata "anche noi?", ma "con quale logica?".

Il problema concreto non è capire che gli LLM contano. È capire quanto un brand ci sia dentro, in quali situazioni, e rispetto a chi — in modo sistematico e ripetibile nel tempo. Non con una sessione di test manuali su ChatGPT, che è l'equivalente di misurare il ranking su Google aprendo il browser in incognito una volta ogni tanto.

Brand Presence è la nostra risposta — un modulo di MAX, la piattaforma di organic business intelligence che abbiamo sviluppato in Boraso per analisi SEO e di mercato più strutturate: identificazione dei player reali in una nicchia, mappatura delle opportunità di traffico organico, segmentazione per intento di ricerca. Brand Presence ne estende la logica verso un canale nuovo: gli LLM. Con un'impostazione specifica su come costruire le domande di misurazione — che è il punto su cui, a nostro avviso, si gioca la qualità del dato.

Come funziona Brand Presence

Il punto di partenza è il dominio del cliente. Da lì, il sistema costruisce in autonomia un profilo del brand: settore, posizionamento, pubblico di riferimento, contesto competitivo. Nessuna configurazione manuale lunga ore.

Il passaggio che differenzia Brand Presence dagli approcci più elementari è la generazione degli scenari di ricerca. Il sistema non si limita a chiedere ai modelli "cosa pensi del brand X?" — una domanda che nessun utente reale farebbe mai. Identifica i job to be done: i bisogni concreti per cui una persona potrebbe rivolgersi a un'AI in quel mercato.

Il concetto di job to be done viene dal mondo della UX e del product design, e l'intuizione di base è questa: le persone non cercano prodotti o brand, cercano soluzioni a situazioni concrete che si trovano ad affrontare. Non "quali brand vendono scarpe da trail?" ma "sto iniziando a correre in montagna, cosa mi serve per un percorso di un'ora?". Non "chi sono i migliori fornitori di imballaggi sostenibili?" ma "devo ridurre l'impatto ambientale del mio packaging senza far esplodere i costi: da dove parto?". Il bisogno non è mai il prodotto — è la situazione che il prodotto deve risolvere.

Questo cambia completamente il modo in cui si misura la presenza sugli LLM. Perché quando un utente reale si rivolge a ChatGPT o Gemini, non fa una query secca da motore di ricerca: racconta una situazione, chiede un consiglio, descrive un problema. E l'AI risponde in quel contesto, citando brand che ritiene pertinenti a quella situazione specifica — non brand genericamente famosi nel settore.

Brand Presence identifica i job to be done rilevanti per il mercato del cliente — possono essere cinque come cinquanta, dipende dall'ampiezza del settore e dalla complessità dell'offerta. Per ognuno, genera una batteria di prompt diversi: da due a dieci varianti che formulano lo stesso bisogno in modi differenti — tono più formale o più colloquiale, angolazione più pratica o più strategica, contesto più specifico o più aperto. Questo serve a compensare parzialmente la natura probabilistica dei modelli: se un brand emerge in sei prompt su otto costruiti intorno allo stesso scenario, il segnale è più solido di una singola risposta.

Il tutto senza mai citare il brand nel prompt — per osservare come emerge spontaneamente, non come risponde a una domanda diretta su di sé.

Brand Presence traduce questa logica in una batteria di prompt neutri pensati per far emergere le opzioni di mercato come le riceverebbe un utente reale. Le stesse domande vengono poste in parallelo a ChatGPT, Gemini, Claude e Perplexity, così il confronto è omogeneo tra i quattro provider più diffusi.

Le risposte vengono analizzate e strutturate: quali brand sono stati citati, quante volte, in quale contesto, accanto a quali competitor. Il risultato arriva in una dashboard dedicata — presenza totale, copertura per provider, confronto diretto con i competitor, breakdown per scenario d'uso, trend nel tempo.

Il monitoraggio non è una fotografia una tantum. Ogni analisi può essere schedulata a cadenza ricorrente, perché i modelli si aggiornano, il mercato si muove, e quello che vale oggi potrebbe non valere tra sei mesi.

Una premessa onesta: gli LLM non sono le SERP

Detto questo, c'è una cosa che vale la pena dire chiaramente: misurare la presenza su un LLM non è come misurare la posizione su una SERP.

Le SERP sono deterministiche, o quasi. A parità di query, il ranking è stabile, confrontabile, storicamente interpretabile. I dati di un rank tracker hanno una solidità statistica costruita in vent'anni.

Gli LLM no. Le risposte sono probabilistiche per natura. Lo stesso prompt può produrre output diversi a distanza di minuti. Un modello che cita un brand oggi potrebbe non farlo domani per ragioni che non dipendono dal brand — un aggiornamento interno, una variazione del contesto, parametri che nessuno controlla dall'esterno.

Brand Presence va usato come un proxy, non come una verità assoluta. Un'indicazione di tendenza. Una direzione. Siamo in un campo in evoluzione rapida, e chi vende certezze assolute su questo tema probabilmente ne vende anche su altro.

(Vale la pena ricordare che fidarsi dei volumi di ricerca di Google è già di per sé un atto di fede — ma almeno lì abbiamo trent'anni di esperienza nel capirne i limiti. Sugli LLM siamo tutti al primo anno.)

Il valore del monitoraggio continuo sta proprio qui: non nel singolo dato, ma nel trend. Vedere se nel tempo la presenza cresce, cala, cambia forma — rispetto ai competitor e rispetto ai propri scenari d'uso prioritari.

Cosa ci fai con questi dati

Misurare è il primo passo. Il secondo è sapere cosa fare con quello che trovi.

I dati di Brand Presence aprono direzioni diverse a seconda di cosa emerge. Un brand assente su uno specifico scenario d'uso ha davanti a sé una priorità editoriale: quei bisogni non presidiati diventano il brief per i contenuti successivi. Un brand che compare su ChatGPT ma non su Gemini — o viceversa — ha un problema di distribuzione dell'autorevolezza tra modelli diversi, che si lavora in modo diverso dalla SEO classica. Un brand che non compare mai in un certo contesto competitivo potrebbe avere un problema di contenuti, oppure un problema di PR digitale, oppure — più raramente, ma vale saperlo — un problema di posizionamento di offerta. La differenza non è banale.

A questo si aggiunge la dimensione temporale: seguire l'evoluzione della presenza nel tempo permette di collegare causa ed effetto in un canale che finora veniva gestito a sensazione, e di portare al management dati oggettivi su un investimento che altrimenti rimarrebbe intangibile.

Ogni situazione ha la sua lettura. E la lettura giusta, spesso, vale più del dato grezzo.

Il momento giusto per iniziare a misurare

Chi presidia la propria presenza sugli LLM oggi ha un vantaggio su chi aspetterà. Non perché i modelli sostituiranno Google domani. Ma perché i modelli si addestrano su ciò che esiste adesso. L'autorevolezza che costruisci oggi — contenuti, menzioni, presenza strutturata — è quella che i modelli di domani impareranno a riconoscere.

Se vuoi vedere dove il tuo brand compare nelle risposte delle AI — e dove invece compaiono i tuoi competitor al posto tuo — scrivici: facciamo un'analisi insieme.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Conversion Optimization, Digital Commerce, GEO Tagged With: Digital Commerce, eCommerce, seo

Come fanno ChatGPT, Gemini e Perplexity a “sapere” le cose? Spieghiamo la differenza tra conoscenza parametrica, RAG e query fan-out

17 Marzo 2026 by Chiara Penino

Ci siamo abituati a usare ChatGPT, Gemini e Perplexity come se fossero oracoli. Gli chiediamo tutto — consigli, sintesi, analisi, soluzioni. E poi ci indigniamo quando sbagliano, o ci illudiamo che abbiano ragione perché la risposta è formulata bene e suona convincente.

Arthur C. Clarke scrisse che qualunque tecnologia sufficientemente avanzata è indistinguibile dalla magia. Gli LLM sono un caso quasi perfetto: sembrano sapere tutto, sembrano capire tutto, e quando si sbagliano lo fanno con una tale sicurezza che è difficile accorgersene sul momento.

Il problema, quasi sempre, siamo noi. Non perché siamo ingenui — ma perché non sappiamo come funzionano. E non saperlo ci fa fare le domande sbagliate, interpretare male le risposte, e lavorare su leve che non spostano nulla.

Questo articolo prova a cambiare quella cosa — spiegando, in modo accessibile, i tre meccanismi che determinano cosa sa un modello AI e come lo sa.

La memoria del modello

Un LLM non "cerca" le informazioni ogni volta che risponde. Le ha già dentro, codificate nei miliardi di parametri che compongono il modello, costruiti leggendo e digerendo una quantità enorme di testo: pagine web, articoli, enciclopedie, forum, libri. Questo processo si chiama pre-training, e avviene una volta sola — poi il modello viene congelato e distribuito al mondo.

Pensa a un consulente che ha letto moltissimo, ha una memoria straordinaria, e ha elaborato tutto quello che ha assorbito in una visione del mondo coerente. Quando gli fai una domanda non va a cercare — risponde da quello che sa già. È fluente, rapido, sicuro. E quasi sempre utile.

Questa è la cosiddetta conoscenza parametrica: il sapere che vive dentro il modello, indipendentemente da qualsiasi connessione a internet.

Il problema della fotografia

Quella memoria, però, ha una data di scadenza.

Il pre-training si ferma a un certo punto, e qui entra in gioco un concetto che vale la pena conoscere: il knowledge cutoff, o data di taglio. Ogni modello ha la sua, ed è quasi sempre indicata nella documentazione ufficiale o nelle FAQ del prodotto — vale la pena cercarla per i modelli che si usano abitualmente, non solo per curiosità tecnica.

Tutto quello che è successo dopo quella data, per il modello, semplicemente non esiste. Non perché sia impreciso o poco aggiornato: perché non l'ha mai letto. È come chiedere a qualcuno un'opinione su un libro che non ha ancora avuto modo di leggere — risponde benissimo su tutto il resto, ma su quel libro non ha nulla da dire.

Per un brand, le conseguenze sono concrete. Un'azienda nata o cresciuta significativamente dopo il cutoff potrebbe non esistere nella conoscenza parametrica del modello, o esistere in modo vago e incompleto. Un brand che ha cambiato posizionamento, rinnovato la gamma o attraversato una crisi di reputazione potrebbe essere ancora ricordato per come era, non per come è oggi. I grandi brand consolidati — quelli citati in migliaia di articoli distribuiti nel tempo, ben prima di qualsiasi cutoff — partono strutturalmente avvantaggiati, indipendentemente da qualsiasi ottimizzazione.

I principali LLM vengono riaddestrati ogni diversi mesi, a volte ogni anno. Il gap tra oggi e quello che il modello sa può essere sostanziale — e durante quel gap il mondo continua a muoversi.

C'è un ulteriore meccanismo che rende tutto questo più insidioso. La formazione parametrica è talmente potente da condizionare il comportamento del modello anche quando avrebbe gli strumenti per andare a verificare. In pratica, molti modelli tendono a rispondere dalla propria memoria — dal comfort di quello che sanno già — anche quando avrebbero accesso a una ricerca web in tempo reale. È come se il consulente della nostra metafora, abituato a essere competente su quasi tutto, faticasse ad ammettere a se stesso che su un argomento specifico dovrebbe fermarsi e ricontrollare.

È qui che si annidano spesso le allucinazioni. Non nel vuoto, non per un malfunzionamento tecnico — ma nell'eccesso di confidenza della conoscenza parametrica, che porta il modello a rispondere con sicurezza su qualcosa che nel frattempo è cambiato. La risposta suona bene, è ben strutturata, ha tutti i crismi della correttezza. Solo che si riferisce a un mondo che non esiste più.

Per un brand, le conseguenze non sono solo informative — sono reputazionali. Un modello che descrive un'azienda sulla base di informazioni outdated può associarla a un posizionamento che ha abbandonato, a una crisi che ha risolto, a una gamma di prodotti che non esiste più. Può nominare un competitor come punto di riferimento nel settore mentre il mercato si è già spostato. Può descrivere caratteristiche, prezzi o servizi in modo inesatto con la stessa sicurezza con cui citerebbe un dato verificato. E quella descrizione sbagliata arriva a utenti che non hanno elementi per dubitarne — perché è stata formulata da un sistema che sembra sapere tutto.

La ricerca in tempo reale

Alcuni modelli hanno una seconda capacità, distinta dalla prima: possono fare ricerche su fonti esterne mentre formulano la risposta. Si chiama RAG — Retrieval-Augmented Generation — ed è un meccanismo generale per recuperare informazioni che non sono nella memoria del modello.

Tornando alla metafora: non è più il consulente che risponde da memoria. È lo stesso consulente che, prima di rispondere, consulta alcune fonti, legge quello che trova, e integra con quello che già sapeva.

Vale la pena chiarire subito una semplificazione che circola spesso: RAG non significa necessariamente "cercare su internet". È un meccanismo applicabile a qualsiasi fonte esterna — il web, ma anche database aziendali, documenti interni, knowledge base proprietarie, cataloghi prodotto. Quando Perplexity fa una ricerca web usa il RAG. Ma un'azienda che connette il proprio assistente AI ai dati del CRM interno sta usando il RAG esattamente allo stesso modo. Internet è il caso più visibile, non l'unico.

Quali modelli lo usano e quando: Perplexity lo fa sistematicamente — è il suo modo principale di funzionare. ChatGPT lo fa in modalità browse, che non è sempre attiva. Gemini lo fa per le AI Overview, attingendo all'indice di Google. Provider diversi usano indici e fonti diverse — i dettagli non sono sempre documentati pubblicamente, e vale la pena non dare per scontato che ottimizzare per Google sia sufficiente per coprire tutti i canali AI che usano il RAG.

C'è però un punto sottile, e vale la pena capirlo bene, perché cambia tutto.

Immagina di avere un articolo primo in Google per una certa query. Posizione uno. Traffico. Tutto funziona. Poi cerchi quella stessa query su ChatGPT o nell'AI Overview di Google, e il tuo contenuto non compare — mentre vengono citati articoli che su Google stanno più in basso di te.

Non è un malfunzionamento. Il sistema RAG non si chiede chi è meglio posizionato — si chiede quale testo risponde meglio a quella domanda specifica, in quel contesto. Può recuperare la tua pagina, ma se la risposta diretta alla domanda è vaga, generica, o sepolta a metà di un testo lungo, un contenuto più diretto e preciso la supera. L'autorevolezza del documento conta meno della qualità del passaggio che risponde.

Il modello non risponde alla tua domanda. Prima se ne inventa una decina.

C'è un ulteriore livello di complessità che, una volta capito, cambia radicalmente la prospettiva sulla strategia di contenuto.

Quando un utente scrive una domanda in ChatGPT, Perplexity o Google AI Mode, il sistema non cerca quella frase. La scompone prima in una serie di sub-query parallele — da poche unità fino a una ventina, a seconda della complessità della domanda originale. Ognuna di queste sub-query va a recuperare contenuti su un aspetto diverso. Poi tutto viene sintetizzato in un'unica risposta.

Google ha dato un nome ufficiale a questa tecnica al Google I/O 2025, chiamandola query fan-out. ChatGPT, Perplexity e Copilot applicano meccanismi simili.

Un esempio concreto: la query "migliori software di project management per team remoti" non viene cercata come tale. Il sistema lancia in parallelo sub-query come "software project management 2026", "funzionalità collaborazione da remoto", "confronto prezzi project management", "strumenti PM piccoli team". Poi sintetizza tutto. Chi viene citato è chi risponde meglio alle sub-query — non necessariamente chi presidiava la keyword principale.

La conseguenza: puoi essere primo su Google per il termine che stai monitorando e risultare del tutto invisibile nelle sub-query che il modello usa davvero per costruire la risposta. E c'è un ulteriore elemento di onestà da aggiungere: circa il 73% delle sub-query cambia tra una ricerca e l'altra, anche per la stessa domanda di partenza. Ottimizzare meccanicamente per ogni possibile fan-out è una rincorsa senza senso.

La risposta strategica non è inseguire le singole sub-query — è costruire copertura tematica abbastanza ampia e profonda da coprire naturalmente la maggior parte degli angoli che un modello potrebbe cercare su quell'argomento. Che è, di nuovo, la stessa direzione in cui la SEO seria si muove da anni.

Due canali, due tempi

La conoscenza parametrica e il RAG hanno tempi e logiche radicalmente diversi, e richiedono lavoro diverso.

La conoscenza parametrica si costruisce nel lungo periodo. Mesi, anni di presenza autorevole sul web, menzioni su fonti riconoscibili, un'identità di brand coerente che il mondo ha avuto tempo di documentare. Quello che il mondo ha scritto di te, accumulato nel tempo, diventa quello che i modelli credono di te. Non si ottimizza in quattro settimane.

Il RAG — con il suo meccanismo di fan-out — lavora su scale più brevi. Contenuti freschi, ben strutturati, con risposte dirette possono entrare nelle risposte dei modelli nel giro di giorni. Ma richiede una struttura editoriale pensata per la copertura tematica, non per la singola keyword.

Presidiare la GEO significa lavorare su entrambi i livelli, sapendo cosa cambia nel breve e cosa si costruisce nel lungo. Chi si concentra solo sul RAG, perché è il più misurabile in tempi rapidi, lascia scoperta la parte che costruisce la reputazione duratura. Chi si concentra solo sulla conoscenza parametrica non ha strumenti per influenzare cosa i modelli trovano quando fanno ricerche in tempo reale.

Le implicazioni operative di questa distinzione — cosa fare concretamente, su quale leva agire prima — sono nell'articolo sulla nostra visione della GEO [→ Generative Engine Optimization: la nostra visione, senza hype]

Capire come funzionano i modelli non risolve i problemi di visibilità. Ma cambia il modo in cui ci si avvicina al lavoro. Chi tratta questi canali come una versione semplificata della SEO ottimizza per un meccanismo che non corrisponde a come le cose funzionano davvero. Chi capisce la distinzione — conoscenza parametrica, knowledge cutoff, RAG, fan-out — lavora su cose che contano.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Conversion Optimization, Digital Commerce Tagged With: AI, Digital Commerce, eCommerce

Generative Engine Optimization: la nostra visione, senza hype

4 Marzo 2026 by Chiara Penino

Nel 2025 è esploso un nuovo mercato: GEO, AEO, LLMO, AI SEO. Ogni settimana un nuovo acronimo, ogni guru un nuovo framework, ogni agenzia una nuova offerta "rivoluzionaria". Il rumore è enorme. La sostanza, spesso, molto meno.

Lily Ray — una delle SEO più autorevoli al mondo, ricercatrice e speaker di riferimento a livello internazionale — ha documentato questo fenomeno con lucidità: il 2025 è stato l'anno del "naming frenzy", in cui la narrativa "SEO is dead" è stata riportata in vita per l'ennesima volta, questa volta per vendere la GEO come disciplina completamente nuova.

Non è così. E noi la pensiamo diversamente.

La nostra posizione

La GEO non è una rivoluzione. È un'accelerazione — di un percorso che chi fa SEO seriamente ha già intrapreso da anni.

La SEO ha smesso di essere una questione di keyword density almeno nel 2015. Da allora, il lavoro vero si costruisce su contenuti che rispondono a bisogni reali, sull'autorevolezza tematica, sui cluster semantici, sulle entità — non sulle singole parole. Chi ha costruito contenuti long tail su domande specifiche degli utenti, chi ha sviluppato FAQ contestuali, chi ha lavorato sulla crawlability e sul markup strutturato: è già a metà strada verso la GEO.

I modelli generativi si nutrono delle stesse cose di cui si nutre Google: contenuti chiari, autorevoli, ben strutturati, coerenti nel tempo. La differenza non è nella logica. È nel canale — e nella funzione che il canale svolge. Mark Himmelsbach, CEO di RYA, lo ha sintetizzato in modo efficace: "Google is the place you go when you already know what you want. Chat is the place you go when you don't." Due canali complementari, non alternativi. E le implicazioni operative che vale la pena capire bene, invece di nasconderle sotto un nome nuovo.

Essere a metà strada, però, non significa essere arrivati. E qui sta il punto che molte aziende sottovalutano.

Anche chi ha una SEO solida si trova spesso a scoprire — quando misura per la prima volta la propria presenza sugli LLM — di essere quasi invisibile su ChatGPT o Perplexity, mentre i competitor vengono citati sistematicamente. Non perché abbiano fatto chissà cosa di nuovo. Ma perché hanno lavorato su leve specifiche che la SEO classica non copre: l'ontologia dell'entità, la struttura dei contenuti pensata per essere estratta dai modelli, la presenza su fonti che i modelli pesano come autorevoli, la coerenza cross-canale dell'identità del brand.

La GEO non richiede di buttare via quello che è stato fatto. Richiede di fare un'analisi precisa di dove si è oggi — sulla SEO e sugli LLM — e di costruire un piano di lavoro dedicato che acceleri la presenza sui nuovi canali. È un lavoro nuovo, con strumenti nuovi e competenze specifiche. Non si improvvisa, e non succede automaticamente continuando a fare SEO come prima.

Vale però la pena dirlo chiaramente: la GEO non si costruisce con le scorciatoie. Lily Ray ha documentato casi in cui aziende che hanno adottato tattiche aggressive — contenuto AI-generated in scala, listicle auto-promozionali, trucchi per aumentare le citazioni nel breve — hanno visto prima crescere i numeri e poi crollare, portandosi dietro anche la SEO organica in un crollo difficile da recuperare. La conclusione che emerge dall'analisi di questi casi è netta: quasi tutti i "GEO wins" celebrati si spiegano con una SEO di base già solida. La GEO amplifica quello che c'è — non sostituisce quello che manca, e non perdona le fondamenta fragili.

C'è poi un'altra cosa che SEO e GEO condividono, e che viene sistematicamente sottovalutata: i brand forti vincono su entrambe. Un'azienda con un'identità riconoscibile, una reputazione costruita nel tempo e menzioni diffuse sul web emerge più facilmente anche nelle risposte degli LLM. I modelli si addestrano su ciò che esiste e viene citato — e l'autorevolezza che costruisci oggi è quella che i modelli di domani impareranno a riconoscere. Costruire un brand forte non è una strategia GEO. È la strategia. La GEO, come la SEO, ne accelera gli effetti — non la sostituisce.

Due modi di conoscere il mondo

Un LLM non conosce il mondo in un unico modo. Lo conosce in due — e sono fondamentalmente diversi, con implicazioni operative altrettanto diverse.

Il primo è la conoscenza parametrica: quello che il modello ha imparato durante il pre-training, codificato nei pesi neurali. È la memoria permanente. Cambia solo quando il modello viene riaddestrato — e i cicli di retraining dei grandi modelli si misurano in mesi, non in giorni. Secondo uno studio Nectiv dell'ottobre 2025, il 31% dei prompt su ChatGPT attiva almeno una ricerca web — il restante ~69% viene risposto attingendo esclusivamente alla conoscenza acquisita in training. La percentuale è volatile: uno studio Semrush su 17 mesi di dati la vede oscillare tra il 15% e il 66% a seconda del tipo di query e degli aggiornamenti del modello. Ma il punto resta: la maggioranza delle risposte parte da dentro il modello, non dal web. Il segnale di autorevolezza più pesante su questo canale è Wikipedia: secondo SearchAtlas, rappresenta il 27% delle citazioni esplicite nelle risposte di ChatGPT. Un brand citato frequentemente in fonti autorevoli prima del training cutoff ha un vantaggio strutturale difficile da colmare nel breve periodo.

Il secondo è il RAG — Retrieval-Augmented Generation: quando il modello fa ricerca web in tempo reale per ancorare la risposta a dati freschi. Perplexity lo fa sempre. ChatGPT in modalità browse. Gemini per le AI Overviews, attingendo direttamente all'indice Google. Qui contano le fondamenta SEO classiche: crawlability, contenuto aggiornato, struttura, dati strutturati. Con una differenza non banale: secondo Seer Interactive, ChatGPT per il RAG attinge per l'87% dai risultati top-10 di Bing — non Google.

Le implicazioni pratiche sono diverse per i due canali. Per la conoscenza parametrica si lavora sul lungo periodo: entity building, Wikipedia, PR su fonti autorevoli, coerenza cross-canale. Per il RAG si lavora sul medio periodo: SEO tecnica, freshness, struttura dei contenuti. Una GEO fatta bene presidia entrambi. Chi lavora solo su uno lascia metà del campo scoperto.

Questo tema merita un approfondimento tecnico dedicato — e lo avrà. [→ Come funzionano davvero i modelli AI: conoscenza parametrica, RAG e cosa significa per il tuo brand]

Il brand è il moltiplicatore

I modelli citano chi riconoscono. E riconoscono chi viene citato da altri, più volte, in contesti autorevoli, in modo coerente nel tempo.

Jason Barnard, tra i massimi esperti mondiali di entity SEO, ha costruito un'intera metodologia intorno al concetto di corroboration: la coerenza dell'identità del brand su tutti i touchpoint digitali — sito, Wikipedia, Knowledge Panel, PR, social — aumenta la confidenza con cui i modelli ti citano. Non basta essere presenti su un canale: occorre che tutti i canali raccontino la stessa storia, con gli stessi fatti, le stesse relazioni, gli stessi concetti associati.

Un brand forte parte avvantaggiato su qualsiasi canale di visibilità. Google, LLM, o quello che verrà dopo. Vale oggi come valeva dieci anni fa.

Le leve operative

Questa è la parte in cui la visione si traduce in lavoro. Non è un elenco di cose da fare — è una mappa di priorità.

Entity building e ontologia del brand. I motori di ricerca e i modelli non leggono il sito come una serie di pagine: lo interpretano come una rete di concetti connessi. Costruire l'ontologia del brand significa definire quali territori semantici deve presidiare, quali relazioni deve comunicare, quali concetti devono co-occorrere per rafforzarne l'identità. Nike non è "scarpe sportive" — è la rete semantica che connette performance, superamento dei limiti, atleti di riferimento, cultura dello sport urbano. McDonald's non è "fast food" — è comodità, infanzia, consistency globale, accessibilità. I modelli riconoscono entità, non parole.

Answer-first content. Strutturare i contenuti perché siano estraibili come risposta diretta. FAQ contestuali nelle pagine prodotto e di categoria — non in una pagina separata dimenticata nel footer. Cluster tematici costruiti intorno a bisogni reali, non keyword isolate. Paragrafi con struttura "risposta → contesto → dettaglio": leggibili dall'utente, estraibili dall'AI.

Crawlability per i bot AI. Architettura pulita, dati strutturati, feed accurati. E un trade-off che molte aziende stanno facendo senza capirlo: bloccare i crawler AI — ClaudeBot, GPTBot — per paura di essere "scraped" significa penalizzare la propria conoscenza parametrica nelle prossime generazioni di modelli. Chi blocca oggi potrebbe ritrovarsi invisibile nei modelli di domani.

Lo stesso vale per chi blocca i bot non per scelta strategica ma per ragioni di infrastruttura: server che non reggono il carico di crawling, architetture lente, limiti tecnici non risolti. Il problema non cambia — anzi, è doppio: si paga in visibilità GEO e si ha un problema tecnico che impatta anche la SEO classica. In entrambi i casi, è qualcosa da risolvere, non da ignorare.

Una notizia di questi giorni vale una nota specifica per chi lavora su Shopify. La piattaforma ha avviato silenziosamente il rollout di file llms.txt nativi su tutti gli store, senza annuncio ufficiale né documentazione pubblica. Il file, accessibile a yourstore.com/llms.txt, include metadati dello store, link diretti al catalogo, istruzioni per gli agenti AI ed endpoint MCP per il commercio programmatico. È un segnale preciso di dove sta andando la piattaforma. Torneremo su questo in un articolo dedicato. [→ Shopify, llms.txt e la nuova crawlability per i bot AI]

Schema markup avanzato. Distinto dalla crawlability generica: è il linguaggio con cui il sito comunica ai modelli cosa è cosa. Secondo la ricerca di Princeton sulla GEO, FAQPage schema è uno dei tipi con maggiore impatto sulla citazione AI. Organization, AggregateRating, BreadcrumbList, Product — ogni schema corretto riduce l'ambiguità con cui i modelli interpretano il contenuto.

Wikipedia e Wikidata. Wikipedia non è uno strumento SEO. È un'enciclopedia con regole editoriali rigide, gestita da editor volontari che non lavorano per i brand — e che anzi sono storicamente diffidenti verso qualsiasi uso promozionale della piattaforma. Il criterio fondamentale è la notability: non basta che un'azienda esista o fatturi — deve avere un impatto documentato da fonti terze indipendenti. Tentare di creare o modificare la propria pagina in modo promozionale non funziona, e può ritorcersi contro (The North Face ha trasformato un tentativo di edit su Wikipedia in un caso di comunicazione negativa che ora vive sulla sua stessa pagina).

Detto questo, avere una pagina Wikipedia trasforma il brand da stringa di testo a entità riconosciuta nel Knowledge Graph — con effetti diretti sulla confidenza con cui i modelli ti citano. Il percorso richiede di costruire prima la sostanza: PR editoriali, citazioni su fonti autorevoli, storia documentabile. Wikipedia è la conseguenza, non il punto di partenza.

Per chi non ha ancora i requisiti di notability, il passo pratico immediato è Wikidata: database strutturato della Wikimedia Foundation, senza requisiti di notability, interrogato direttamente da Google Knowledge Graph, Siri, Alexa e Copilot. Un record accurato su Wikidata non richiede di meritarsi l'approvazione di nessun editor — ed è la fondamenta dell'entity building per chiunque.

PR digitale e segnali di autorevolezza. Le menzioni su fonti terze — articoli, ricerche, citazioni editoriali — alimentano sia il training data futuro che il RAG presente. E non solo sulle fonti "nobili": Perplexity cita Reddit per il 46,7% delle sue risposte, community verticali e forum di settore inclusi. Il brand discusso organicamente nelle community ha un vantaggio che nessun contenuto owned può replicare.

Review management e UGC. Le recensioni su Trustpilot, Google, piattaforme verticali vengono citate dai modelli. Gestire la reputazione nei luoghi in cui gli utenti parlano del brand non è più solo CRO o customer care: è alimentare il RAG con segnali di fiducia provenienti da fonti terze, che i modelli pesano più di qualsiasi contenuto proveniente dal sito stesso.

Agentic commerce readiness. La frontiera prossima, già presente. Secondo Shopify, gli ordini arrivati da query AI su store Shopify sono cresciuti di 11 volte tra gennaio 2025 e gennaio 2026 — con un tasso di conversione del traffico AI superiore del 31% rispetto alla ricerca organica non branded. Gli AI shopping agent non scelgono chi ha il sito più bello: scelgono chi ha i dati di prodotto più completi, le policy più chiare, la disponibilità aggiornata. È il punto in cui GEO e qualità del dato ecommerce si fondono in modo concreto.

Come si misura

Il cambio di metrica è il capitolo più ignorato del dibattito GEO.

Kevin Indig — growth advisor di Shopify e Atlassian — ha documentato il concetto di decoupling of clicks from impact: con la GEO, il traffico smette di essere la proxy affidabile del valore. Un brand può essere citato migliaia di volte dagli LLM senza generare un singolo click. Come si misura la visibilità su un canale che non produce sessioni?

La risposta non è semplice, ma c'è un dato che aiuta a inquadrare il problema. Secondo Similarweb, i brand citati frequentemente dai modelli ricevono meno dell'1% di traffico referral diretto dalle piattaforme AI — eppure il Washington Post ha rilevato che i visitatori arrivati da piattaforme AI convertono a iscrizioni a un tasso quattro o cinque volte superiore rispetto alla ricerca organica tradizionale. Il volume è basso, la qualità è alta. Questo cambia profondamente come si giustifica un investimento in GEO al management: non si tratta di traffico, si tratta di presidio di un canale ad alta intenzione d'acquisto che oggi è ancora poco affollato.

Le metriche cambiano: AI citation share, copertura per provider, distribuzione per scenario d'uso, trend nel tempo. Gli strumenti cambiano. E la misurazione richiede un approccio diverso dalla SEO classica — più probabilistico, meno deterministico, ma non per questo meno utile. A patto di saperlo leggere correttamente, e di non confondere l'indicazione di tendenza con una certezza assoluta.

Abbiamo costruito Brand Presence — il modulo di MAX dedicato a questo — per rispondere esattamente a questa domanda. [→ Brand Presence: lo strumento di Boraso per misurare la visibilità dei brand sugli LLM]

Il momento in cui conviene iniziare

La GEO non è il futuro. È il presente di chi ha fatto SEO seriamente negli ultimi dieci anni — e si trova, quasi senza accorgersene, già in una posizione di vantaggio.

Ma "posizione di vantaggio" non significa "posizione sufficiente". Il gap tra una SEO ben fatta e una presenza reale sugli LLM esiste — ed è misurabile. Spesso sorprende anche chi pensava di essere a posto.

Noi lavoriamo sulla GEO come lavoriamo sulla SEO: con analisi, dati, strategia e un piano di contenuti che ha senso rispetto al mercato specifico del cliente. Non vendiamo acronimi nuovi — costruiamo visibilità su tutti i canali in cui i tuoi potenziali clienti cercano risposte, oggi e domani.

Se vuoi capire dove si trova il tuo brand oggi — sulla SEO, sulla GEO, e su quello che verrà dopo — scrivici. Partiamo dall'analisi.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Digital Commerce, GEO Tagged With: Digital Commerce, eCommerce, seo

Tutti usano l’AI. Pochi la stanno progettando davvero.

27 Febbraio 2026 by Chiara Penino

Mercoledì 25 Febbraio abbiamo riunito più di 50 imprenditori all'ADI di Milano per una Boraso eXperience. Durante il workshop abbiamo chiesto ai partecipanti una cosa molto concreta: come state usando l’Intelligenza Artificiale nelle vostre aziende?

I risultati della survey hanno raccontato una situazione molto chiara.

La maggior parte dei presenti utilizza l’AI con frequenza quotidiana o settimanale. Gli ambiti principali sono produzione di contenuti, analisi e sintesi di informazioni, supporto alle attività marketing e organizzative. L’adozione individuale è quindi già diffusa.

Quello che emerge con altrettanta forza, però, è il rovescio della medaglia: solo una minoranza ha integrato l’AI nei processi core, pochissime aziende hanno definito linee guida interne strutturate e quasi nessuna ha sviluppato una vera architettura che colleghi l’AI ai propri dati proprietari.In altre parole, l’AI è entrata nelle persone prima che nei sistemi.Ed è qui che si gioca la differenza tra sperimentazione e vantaggio competitivo.

Dall’efficienza individuale alla trasformazione organizzativa

Usare un modello generativo per scrivere un testo più velocemente è un miglioramento di produttività. Integrare l’AI nei flussi decisionali di marketing, operations o customer care è un cambiamento strutturale.I risultati della survey hanno mostrato che la maggior parte delle aziende si trova oggi nel primo scenario: l’AI come assistente personale. È una fase naturale, ma non è ancora strategica.

Possiamo immaginare quattro livelli di maturità:

Tool individuali – AI come supporto operativo.
Workflow integrati – AI inserita in parti di processo.
Agenti con obiettivi specifici – sistemi che operano con accesso ai dati e logiche decisionali.
Architettura AI governata – integrazione strutturale con dati, CRM, piattaforme, sistemi di BI e regole di governance.

Dai dati raccolti emerge chiaramente che la maggior parte delle aziende è ancora ferma tra il primo e il secondo livello. Il terzo e il quarto rappresentano il vero salto competitivo, ma richiedono progettazione.

Il tema degli agenti: meno hype, più progettazione

Durante il workshop si è parlato molto di AI Agents. Il termine è spesso usato in modo generico, ma la differenza rispetto a un semplice chatbot è sostanziale.Un agente non si limita a rispondere. Ha un obiettivo, accede a dati specifici, mantiene memoria, opera entro un perimetro definito e può attivare azioni sui sistemi aziendali.

Se pensiamo alle applicazioni concrete, il potenziale è evidente: un agente che monitora le performance ADV e segnala anomalie di marginalità, uno che analizza il catalogo e suggerisce azioni per migliorare il profitto, uno che supporta il customer care con accesso integrato a ordini e logistica.

Ma perché questo accada serve qualcosa che oggi, secondo la survey, manca quasi sempre: l’integrazione con i dati proprietari e una governance chiara.Senza questi elementi, l’AI resta uno strumento di supporto. Con questi elementi, diventa un moltiplicatore decisionale.

Competenze: cosa può essere interno e cosa no

Un altro punto emerso riguarda le competenze.La formazione è fondamentale e la maggior parte dei partecipanti ha espresso interesse a sviluppare competenze AI diffuse in azienda. Tuttavia, quando si entra nel territorio dell’integrazione avanzata — API, orchestrazione di workflow, sicurezza dei dati, progettazione di agenti complessi — la situazione cambia.

È utile distinguere tre livelli:

AI literacy diffusa, che deve essere trasversale.
Competenze di orchestrazione, per progettare processi supportati dall’AI.
Competenze di architettura, necessarie per integrare sistemi e dati in modo robusto.

La survey evidenzia che il primo livello è in crescita, il secondo è ancora parziale e il terzo è raramente presente in modo strutturato. Questo significa che molte aziende stanno investendo nella sperimentazione, ma non stanno ancora costruendo le fondamenta tecniche per scalare.

Il rischio della crescita non governata

Quando l’adozione dell’AI avviene in modo spontaneo, senza policy e senza integrazione, si crea un fenomeno invisibile ma rilevante: la cosiddetta “shadow AI”. Dati caricati su piattaforme esterne, processi decisionali non tracciati, dipendenza da provider senza una strategia di medio termine.Emerge che la definizione di linee guida interne è ancora un’eccezione, non la regola. Questo non è un problema immediato, ma è un segnale: l’adozione sta correndo più veloce della progettazione.E ogni accelerazione non governata prima o poi presenta il conto.

Da domani: dove concentrare gli sforzi

Se dovessimo sintetizzare quanto emerso in una roadmap concreta, potremmo riassumerla così:

Mappare gli usi attuali dell’AI in azienda.
Identificare i processi ad alto impatto economico.
Collegare l’AI ai dati proprietari in modo strutturato.
Progettare i primi agenti con obiettivi chiari e misurabili.
Definire governance, metriche e responsabilità.

Il punto non è adottare un nuovo tool. È decidere quale ruolo strategico vogliamo che l’AI abbia nel nostro modello operativo

Visione e metodo: la differenza tra "farsi le cose in casa" e farle bene

C'è un ultimo punto emerso con forza dal confronto con gli imprenditori: la consapevolezza che la tecnologia, da sola, non è una strategia. Oggi chiunque può attivare un abbonamento a un modello LLM e iniziare a sperimentare. È il tipico approccio "fatto in casa": utile per prendere confidenza, ma rischioso quando si tratta di scalare sui processi core.

Il vero salto di qualità richiede un mix di professionalità verticale e formazione continua. La differenza tra un tool che "funziona" e un’architettura AI che genera valore economico sta nella progettazione. Spesso, il limite più grande per un’azienda non è la mancanza di budget, ma la difficoltà nel visualizzare il traguardo: molte realtà non sanno nemmeno dove potrebbero arrivare con l’AI perché mancano i modelli di riferimento per immaginarlo.

In Boraso il nostro ruolo è esattamente questo: non solo fornire la tecnologia, ma agire come partner strategico per aiutarvi a mappare il potenziale inespresso. Possiamo dirvi fin dove può spingersi la vostra azienda, trasformando un'intuizione vaga in un vantaggio competitivo solido e governato.

L’AI come infrastruttura competitiva

I risultati della survey raccontano un momento di passaggio. L’entusiasmo è alto, l’utilizzo è diffuso, ma la maturità organizzativa è ancora in costruzione. Il vero vantaggio competitivo non nasce dal prompt più efficace, ma dalla capacità di integrare dati, processi e tecnologia in un’architettura coerente.
Chi si fermerà alla fase di sperimentazione individuale otterrà piccoli guadagni di efficienza. Chi sceglierà la via della progettazione professionale costruirà un sistema. Ed è nel sistema che si crea la differenza nel medio periodo. Noi siamo qui per aiutarvi a progettarlo.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Digital Advertising, Digital Commerce Tagged With: Digital Commerce, eCommerce, Media Advertising

Oltre il ROAS: governare il Messy Middle con l’approccio Full Messy

12 Febbraio 2026 by Chiara Penino

Oggi il Digital Advertising vive un paradosso: non è mai stato così facile "far partire" una campagna, ma non è mai stato così difficile ottenere un vantaggio competitivo reale. L’avvento di strumenti come Google Performance Max e Meta Advantage+ ha spostato il baricentro dall’esecuzione tecnica all'apprendimento algoritmico. Le piattaforme promettono risultati ottimizzati premendo un tasto, automatizzando targeting, posizionamenti e creatività.

Tuttavia, questa automazione rischia di trasformare l’advertising in una commodity. Se tutti i player di un settore usano gli stessi algoritmi, con gli stessi obiettivi standard, l'unico risultato è un'asta al rialzo che erode i margini. La verità è che gli algoritmi ottimizzano per gli obiettivi delle piattaforme (massimizzare la spesa dimostrandone una resa entro certi parametri), non necessariamente per la salute finanziaria del tuo business. In Boraso crediamo che il valore non risieda più nel "fare campagne", ma nel governare questa complessità tecnologica.

Il problema: perché il ROAS è una metrica cieca

Il ROAS (Return on Ad Spend) è stato per anni la bussola degli eCommerce manager. Ma in un mercato maturo e tecnologicamente avanzato, il ROAS è diventato una metrica ingannevole per tre ragioni critiche:

Mancanza di incrementalità: Il ROAS spesso attribuisce valore a vendite che sarebbero avvenute comunque (come le campagne brand o il retargeting aggressivo su utenti già pronti all'acquisto), nascondendo l'inefficienza della spesa.
Cecità sui margini: Un ROAS di 10 su un prodotto con margine al 10% può essere un fallimento finanziario; un ROAS di 3 su un prodotto con margine al 50% è un successo. L'algoritmo standard, se non istruito, non conosce questa differenza.
Il limite del tracciamento moderno: Con l'evoluzione della privacy (GDPR, iOS14) e la crescita dei canali "Direct" e "(not set)" in GA4, le piattaforme perdono segnali preziosi. Affidarsi ciecamente a ciò che riporta la dashboard di Google Ads significa basare le decisioni su dati parziali.

Per superare queste limitazioni è necessario spostare lo sguardo verso una visione più olistica, dove i modelli di attribuzione tradizionali lasciano il posto a metriche di efficienza reale. Come abbiamo approfondito in un articolo sui modelli di attribuzione e il Marketing Efficiency Ratio (MER), solo guardando all'incidenza totale dei costi marketing sul fatturato complessivo è possibile comprendere il vero impatto delle attività digitali oltre le dashboard delle singole piattaforme.

Il Messy Middle: governare il caos decisionale tra trigger e acquisto

Il customer journey non è più un funnel lineare. Nel 2020, Google ha pubblicato lo studio "Decoding Decisions: The Messy Middle", basato sull'analisi di milioni di ricerche, per spiegare cosa accade tra il momento in cui nasce un bisogno (il trigger) e l'acquisto effettivo. Lo studio identifica uno spazio caotico, il Messy Middle appunto, dove l'utente oscilla continuamente tra due modalità mentali:

Esplorazione (Exploration): un'attività espansiva in cui l'utente cerca informazioni, confronta brand e scopre nuove opzioni.
Valutazione (Evaluation): un'attività riduttiva in cui l'utente filtra le opzioni accumulate per arrivare a una scelta.

In questo loop, le persone sono influenzate da bias cognitivi che determinano il successo di un brand. In Boraso integriamo strategicamente i sei pilastri identificati da Google — Social Proof, Scarcity Bias, Authority Bias, Power of Now, Category Heuristics e il Potere del Gratuito — per ridurre il carico cognitivo dell'utente e spostare l'ago della bilancia verso la conversione. Non cerchiamo di forzare l'utente in un percorso rigido, ma presidiamo i punti di contatto critici per trasformare il caos in una decisione d'acquisto.

Full Messy: i 4 pilastri del framework Boraso

Per governare questa complessità, abbiamo sviluppato il framework Full Messy, un approccio olistico che integra dati, strategia e tecnologia.

MarTech & Tracking: nutrire l'algoritmo con dati di qualità

L'intelligenza artificiale è "intelligente" solo quanto i dati che riceve. Se nutri l'algoritmo con dati sporchi o obsoleti, otterrai performance scarse.

Segnali di Prima Parte: In un mondo cookieless, l'asset più prezioso sono i tuoi dati (CRM, storici d'acquisto). Utilizziamo questi dati nei sistemi di tracciamento (Customer Match) affinché l'algoritmo non cerchi "chiunque", ma persone simili ai tuoi clienti migliori per valore e frequenza.
Server-Side Tracking: Superiamo i limiti dei browser inviando i dati direttamente dal server alle piattaforme. Questo riduce la perdita di segnali e contrasta l'aumento dei canali "unattributed", garantendo che l'IA lavori su fondamenta solide.

Data Analysis: la rivoluzione del POAS (Profit Over Ad Spend)

È il cuore della redditività. Per ogni cliente, cerchiamo di passare dalla misurazione del fatturato alla misurazione del profitto reale.

Integrazione dei margini: Attraverso connettori custom e analisi dei dati, passiamo alle piattaforme ADV il margine lordo di ogni vendita anziché il semplice valore del carrello. Se l'algoritmo "vede" il profitto reale (POAS), smetterà di spingere prodotti a basso margine e si concentrerà su quelli che generano cassa reale.
Marketing Mix Modeling (MMM): Poiché l'attribuzione perfetta non esiste, utilizziamo modelli statistici per capire come ogni euro investito contribuisca alle vendite totali, pesando correttamente anche i canali che non generano un ultimo clic diretto.

Marketing & Strategia: dare un senso ai numeri

La tecnologia è il motore, ma la strategia è il pilota. In questa fase analizziamo il posizionamento: se il prodotto non è competitivo o il sito presenta attriti, nessuna campagna potrà salvare il business. Lavoriamo sulla coerenza tra promessa pubblicitaria e landing page, assicurandoci che ogni touchpoint nel Messy Middle fornisca all'utente il motivo esatto per scegliere quel brand invece di un competitor.

Media Execution: l'orchestrazione avanzata

L'esecuzione tecnica oggi significa saper "parlare" con l'AI. Si tratta di ottimizzare i feed prodotti per la massima rilevanza semantica e fornire agli algoritmi asset creativi (video, immagini, testi) diversificati. Questo permette al machine learning di effettuare i test necessari per trovare la combinazione vincente per ogni singolo utente in tempo reale.

Verso un nuovo standard: dal controllo dell'algoritmo al governo della complessità

Abbiamo superato l’era in cui il successo di un eCommerce dipendeva dalla capacità tecnica di impostare una campagna o scegliere la parola chiave perfetta. In un ecosistema dominato da intelligenze artificiali black-box, il vantaggio competitivo non si compra più "al chilo" sulle piattaforme: si costruisce nell'architettura che sta a monte.

Abbracciare l’approccio Full Messy significa smettere di lottare contro il caos del mercato per iniziare a usarlo a proprio vantaggio. Significa passare da una difesa passiva del ROAS a una strategia offensiva basata sul profitto reale, dove la tecnologia non è un limite ma un amplificatore del valore di business.

In Boraso non ci limitiamo a gestire i vostri investimenti media ma costruiamo l’ecosistema di dati e strategie necessario affinché quegli investimenti lavorino per voi, e non per le Big Tech. Il futuro del digital advertising non appartiene a chi ha il budget più alto, ma a chi possiede la bussola più precisa per navigare nel Messy Middle.

Non è tempo di semplificare. È tempo di governare.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Digital Advertising, Digital Commerce Tagged With: Digital Commerce, eCommerce, Media Advertising

Boraso chiude il 2025 con fatturato e profitti in forte crescita. Recap di un anno tra nuovi clienti e posizionamento nel Digital Commerce.

11 Febbraio 2026 by gianluca ambu

Il 2025, anno che ha segnato il nostro 30° anniversario sul mercato, si chiude come uno degli anni più significativi: fatturato e EBITDA in crescita, ma non solo.

Partiamo dai numeri: il fatturato 2025 si chiude a +15%, ma è l’EBITDA a crescere in maniera significativa, sfiorando il 20%.

Questo importante risultato economico è in linea con il nuovo piano industriale di crescita al 2030 voluto da Massimo Boraso, Founder & CEO dell’azienda, e si è reso possibile grazie a più fattori, quali una completa riorganizzazione aziendale e del business model, un significativo aumento della produttività, un nuovo posizionamento distintivo nell’eCommerce e una maggior attenzione a collaboratori e clienti, veri asset dell’agenzia.

1. Posizionamento verticale sul “Digital Commerce”

Per noi il Digital Commerce non è una semplice evoluzione dell’eCommerce, ma un cambio di paradigma: ridefinisce completamente l’esperienza d’acquisto B2B e B2C, integrando eCommerce, intelligenza artificiale, dati e touchpoint fisici in un ecosistema unico, coerente e personalizzato, orientato alle performance e alla creazione di valore lungo tutto il customer journey.

È questa visione integrata, che supera la distinzione tra marketing e tecnologia, ad averci permesso (e permetterci ancora) di accompagnare aziende e brand in percorsi di crescita sempre più complessi, mantenendo al centro obiettivi di business, customer experience e scalabilità.

2. Nuovi clienti, nuovi contesti, nuove sfide

Lavoriamo principalmente con aziende Retail e B2B che investono nel Digital Commerce.

Uno degli indicatori più significativi dell’anno è rappresentato dall’ingresso di 15 nuovi clienti. Molti di questi sono brand iconici o realtà con forte complessità organizzativa e distributiva, e operano sia nella vendita B2B che B2C.

Tra i nomi più rilevanti entrati nel 2025 nel nostro portfolio spiccano:

WYCON Cosmetics, brand beauty a forte vocazione omnicanale, protagonista di un percorso di crescita che integra retail fisico, eCommerce e performance marketing;
THUN, marchio storico del lifestyle e della decorazione, impegnato nell’evoluzione della propria presenza digitale a supporto di una rete retail internazionale;
Buffetti, punto di riferimento nel mondo retail e B2B per l’ufficio, alle prese con la trasformazione dei modelli distributivi e commerciali;
Sergio Bonelli Editore, una delle realtà editoriali più iconiche del panorama italiano, nel processo di sviluppo di nuove esperienze digitali e direct-to-consumer;
Casabito, startup in forte crescita nel settore delle ristrutturazioni immobiliari, focalizzata su scalabilità, acquisizione e conversione digitale;
Tot S.p.A., scaleup fintech specializzata in carte aziendali, con l’obiettivo di accelerare la crescita e l’efficienza dei funnel di marketing e vendita.
LexCapital, startup in forte crescita nel settore dei contenziosi legali, focalizzata nella creazione di una piattaforma rivoluzionaria nel settore
Pittarosso S.p.a. e Scarpe&Scarpe, due leader di settore nel Retail calzature italiane che non hanno bisogno di presentazioni,
Sea Sheperd Italia, ONG internazionale impegnata nella salvaguardia dell'ecosistema marino, che ha affidato a Boraso il compito di massimizzare la diffusione della propria mission tramite campagne di Digital Advertising

Clienti diversi per settore, modello di business e maturità digitale, ma accomunati da una stessa esigenza: far evolvere il proprio commercio in un contesto digitale sempre più complesso, senza separare tecnologia, marketing e strategia.

3. Conferma di Clienti storici

Questo approccio si riflette anche nella continuità dei rapporti con i clienti già presenti in portfolio.

PittaRosso ha infatti rinnovato la collaborazione per il settimo anno consecutivo e, dopo l'aggiudicazione di gara, esteso il mandato per i servizi di marketing al brand "cugino" Scarpe&Scarpe per tutto il 2026.

Accanto a questi, hanno confermato la loro fiducia numerosi clienti storici, tra cui il Gruppo Aruba, Axitea, WWF, Euronics Bruno, Opera San Francesco, CampuStore, PiùMe, Freeshop, GAM, Save The Children, oltre a realtà B2B come Seco, ISI Flex, Meloni Walter Spa, iMilani e Securlab.

4. 50% Marketing, 50% Tech: un modello sempre più maturo

Il 2025 è stato anche l'anno di conferma della maturità del nostro modello e dell'equilibrio strutturale tra Marketing e Tecnologia.

Il 50% dei nuovi clienti è infatti legato a progetti di Digital Marketing, mentre il restante 50% a sviluppo di piattaforme eCommerce e system integration: un bilanciamento che riflette le due anime/unit dell’agenzia, integrate in un unico approccio orientato a obiettivi di business misurabili.

Da un lato, per il mondo Marketing, Digital Advertising, SEO, CRO, Marketing Automation e Data Analysis; dall’altro, per il mondo Tech, sviluppo eCommerce, replatforming, sviluppo in Shopify Plus, system integration e sviluppo di piattaforme custom. Non servizi separati, ma competenze che lavorano insieme all’interno di team "misti", progettati per accompagnare aziende B2B e B2C in percorsi di crescita complessi.

Nel corso dell’anno Boraso ha inoltre consolidato il proprio posizionamento come Shopify Plus Partner, confermando un livello di competenza riconosciuto anche a livello internazionale, in particolare nei progetti di replatforming e nella costruzione di ecosistemi digitali integrati.

5. Un team di grande esperienza, dove si sta bene!

Il nostro asset più importante è il team: formato da professionisti del marketing e del tech che vantano grande esperienza, know-how e basso turnover, guidati da un management team di altrettanto valore cresciuto in agenzia.

“In Boraso si sta bene, si lavora tanto ma si cresce tantissimo!” lo dicono i numeri e le persone.

Nel 2025 il team ha continuato il processo d'integrazione dell’AI nel proprio lavoro quotidiano, migliorando ulteriormente la produttività e soprattutto le performance dei progetti gestiti.

Il nuovo piano di crescita prevede di portare il team a circa 60 collaboratori interni, con l’assunzione anche di nuovi promettenti giovani su cui investire.

6. Boraso Spritz: il Digital Commerce diventa conversazione

Il 2025 è stato anche l’anno in cui abbiamo esteso il nostro posizionamento oltre i progetti, dando vita a Boraso Spritz, il nuovo video-podcast ufficiale dell’agenzia.

Un’iniziativa editoriale nata in modo naturale dal percorso di evoluzione nel Digital Commerce e pensata per aprire uno spazio di confronto autentico con il mondo dell’innovazione digitale.

Boraso Spritz vede Massimo Boraso dialogare con professionisti, imprenditori, innovatori e visionari del panorama digitale italiano – e non solo – in un format informale, diretto e senza filtri. Un luogo dove si parla di business, commercio, tecnologia, marketing, sfide imprenditoriali, visione e molto altro mantenendo sempre uno stile concreto, umano e orientato alla sostanza. E, naturalmente, dove si brinda.

Il podcast contribuisce a posizionarci come una delle agenzie di riferimento nel panorama digitale italiano, capace di attrarre brand e imprenditori accomunati da un forte orientamento all’innovazione e alla crescita.

Boraso Spritz non è un progetto di comunicazione fine a sé stesso, ma una naturale estensione del nostro DNA: curiosità, ambizione, ricerca dell’eccellenza e confronto continuo sulle sfide tecnologiche e imprenditoriali.

Il podcast proseguirà anche nel 2026, con tanti nuovi ospiti e nuove storie, rafforzando ulteriormente il nostro ruolo come punto di riferimento culturale e strategico nel mondo del Digital Commerce.

7. Tanti nuovi Eventi e le Boraso Experience

Il percorso avviato nel 2025 prosegue nel 2026 con un obiettivo chiaro: rafforzare il confronto diretto con aziende, brand e professionisti che stanno affrontando le sfide del Digital Commerce.

Il 2026 ci vedrà sempre più presenti nei principali eventi di marketing, tecnologia, eCommerce, retail e innovazione. Occasioni pensate non solo per raccontare progetti e visioni, ma per incontrare dal vivo imprenditori, manager e team con cui condividere esperienze, approcci e casi concreti.

Il 2026, dopo il grande successo riscosso durante il 2025, vedrà ritornare anche le Boraso eXperience: momenti di incontro, approfondimento e networking progettati per creare relazioni di valore, scambiarsi know-how e discutere in modo informale di business, tecnologia e trasformazione digitale. Un’altra estensione naturale del nostro posizionamento che mira a mettere al centro le persone, il confronto e la crescita condivisa.

Il futuro di Boraso

In definitiva il nostro futuro si muove in questa direzione: costruire ecosistemi, non solo progetti, e accompagnare brand e aziende in un percorso continuo di evoluzione nel Digital Commerce, dentro e fuori i confini dei singoli canali o delle singole piattaforme.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Digital Commerce, News Tagged With: Digital Commerce, eCommerce

Shopify Winter Edition ’26: la “RenAIssance” e il futuro dell’Agentic Commerce

29 Gennaio 2026 by Chiara Penino

Il digital commerce ha appena attraversato il suo Rubicone. La Shopify Winter Edition '26, ufficialmente battezzata "RenAIssance Edition", non è una semplice iterazione incrementale, è un cambio di paradigma che ridefinisce il rapporto tra creatività umana e potenza computazionale. Con oltre 200 aggiornamenti strategici, Shopify sta traghettando i merchant in un'epoca dove l'intelligenza artificiale non è più un accessorio, ma il sistema operativo del business: l'era dell'Agentic Commerce.

Come i maestri del Rinascimento fiorentino trasformarono la visione creativa in capolavori immortali grazie a nuove tecniche e strumenti raffinati, oggi Shopify fornisce agli imprenditori moderni i "pennelli digitali" per dipingere il futuro del retail. In questa release, la tecnologia smette di essere un ostacolo tecnico e diventa un moltiplicatore dell'ingegno umano.

1. Sidekick e la rivoluzione del vibe coding

Il cuore pulsante di questa rinascita è l'evoluzione di Sidekick. Se nelle versioni precedenti agiva come un assistente reattivo, nel 2026 si trasforma in un collaboratore proattivo capace di comprendere la visione del brand e tradurla in azioni concrete.

La vera novità dirompente è l'introduzione del Vibe Coding, un paradigma che ridefinisce il rapporto tra creatività e sviluppo. Per anni la barriera tra un’idea di business e la sua implementazione è stata la sintassi del codice o la complessità dell’interfaccia utente (UI). Il Vibe Coding abbatte questo muro: permette di interagire con la piattaforma basandosi sull’intenzione (il "vibe") piuttosto che sulla configurazione manuale. Attraverso Sidekick, il merchant o il partner strategico possono descrivere un risultato desiderato in linguaggio naturale, lasciando che l’agente IA gestisca la complessità della logica sottostante.

In Boraso vediamo questo non come un sostituto del lavoro tecnico, ma come una nuova superficie di sviluppo. Il Vibe Coding agisce come un catalizzatore: permette di testare ipotesi di business e flussi operativi alla velocità del pensiero. Questo ci consente di spostare il baricentro del progetto dal "come implementare una funzione" al "perché quella funzione serve al business", trasformando la tecnologia in un condotto invisibile e immediato per la strategia commerciale.

Sidekick Pulse: l'Advisor Strategico H24

Sidekick Pulse rappresenta il superamento dei vecchi report statici. Pulse non aspetta una domanda: monitora silenziosamente milioni di punti dati dello store e interviene proattivamente.

Analisi predittiva: se il sistema rileva un rallentamento nel tasso di conversione su specifici dispositivi in una data regione, Pulse segnala l'anomalia e suggerisce una correzione immediata: "Ho notato una latenza nel checkout per gli utenti iOS in Germania; ho ottimizzato i flussi. Vuoi procedere?".
Insight senza sforzo: dalle campagne di win-back automatiche per clienti dormienti alla gestione intelligente dei livelli di stock, Pulse è il consulente che garantisce decisioni basate sui dati in tempo reale.

Vibe Coding: accelerazione, non sostituzione

L’introduzione del Vibe Coding rappresenta una svolta nel modo in cui concepiamo lo sviluppo software. Non si tratta di eliminare la figura dello sviluppatore, ma di dotarlo di un "moltiplicatore di produttività".

Prototipazione rapida: attraverso Sidekick, è possibile generare istantaneamente il "bozzetto" funzionale di applicazioni interne o workflow personalizzati. Questo permette ai team di sviluppo di convalidare la logica di business in tempo reale, per poi intervenire con precisione sulla raffinazione del codice, la sicurezza e le performance.
Agilità creativa: la possibilità di agire sugli elementi del tema tramite linguaggio naturale libera i developer dai task ripetitivi, permettendo loro di concentrarsi su architetture complesse e integrazioni API di alto livello. In Boraso, utilizziamo questi strumenti per accorciare il ciclo di feedback: traduciamo le idee in prototipi funzionanti in poco tempo.

2. SimGym e Rollouts: il laboratorio di simulazione AI

Uno dei freni storici alla crescita e-commerce è l'incertezza: ogni modifica sostanziale al design, alla navigazione o alla strategia di prezzo rappresenta un potenziale salto nel vuoto. La sfida per ogni E-commerce Manager è sempre stata bilanciare l'innovazione con la stabilità delle conversioni. Shopify Winter '26 risolve questo paradosso trasformando lo store in un vero e proprio laboratorio di simulazione scientifica, dove il rischio viene calcolato e mitigato prima ancora di toccare il traffico reale.

Grazie all'integrazione di strumenti di simulazione predittiva e sistemi di rilascio controllato, Shopify permette oggi di creare un "Digital Twin" dello store. In Boraso, utilizziamo questo ecosistema per passare da una cultura del "tentativo ed errore" a una cultura della validazione preventiva. Non si tratta solo di testare se un pulsante funziona, ma di prevedere come l'intera architettura d'acquisto reagirà agli stimoli di mercato, permettendo ai brand di innovare con una sicurezza senza precedenti e di proteggere il proprio fatturato durante ogni fase di transizione.

SimGym (Stress-test Predittivo): un'applicazione che utilizza AI Personas addestrate su miliardi di transazioni per imitare i reali pattern d'acquisto. Prima di lanciare un nuovo layout, puoi far navigare migliaia di agenti sintetici nel tuo store, ottenendo previsioni accurate sul tasso di conversione (CR) e sull'AOV.
Native Rollouts: permette di gestire la pubblicazione delle modifiche in modo granulare, eseguendo A/B test sulla distribuzione del traffico e monitorando le performance direttamente dall'Admin. Ogni modifica diventa una decisione data-driven.

3. Agentic Storefronts: la nuova frontiera della discovery

Il modo in cui i consumatori scoprono i prodotti sta subendo una trasformazione sismica. Stiamo passando dall'era della "Search" (dove l'utente interroga un motore di ricerca) all'era della "Discovery Agentica" (dove l'utente dialoga con un'intelligenza artificiale). In questo scenario, lo storefront non è più solo una destinazione web passiva, ma un'entità dinamica capace di proiettarsi ovunque avvenga una conversazione.

Nella Winter Edition '26 Shopify introduce una visione in cui il brand non aspetta che il cliente arrivi sul sito, ma lo intercetta direttamente all'interno dei nuovi "portali di accesso" al web: le chat IA. Questo cambiamento richiede ai merchant di ripensare radicalmente la propria presenza digitale: non si tratta più solo di ottimizzare per le parole chiave, ma di rendere il proprio catalogo "parlante" e comprensibile per gli agenti IA che agiranno come intermediari d'acquisto.

Per Boraso, questo significa guidare i clienti in una nuova forma di ottimizzazione, dove la qualità del dato strutturato diventa il principale asset competitivo per garantire che il proprio brand sia quello suggerito dall'agente nel momento del bisogno.

Discovery nelle Chat AI: grazie agli Agentic Storefronts, i tuoi prodotti diventano acquistabili direttamente all'interno di piattaforme come ChatGPT, Perplexity e Microsoft Copilot.
Knowledge Base (Il Nuovo SEO): per essere raccomandati da questi "agenti acquirenti", i merchant devono utilizzare la nuova app Knowledge Base. Questa permette di nutrire l'IA con informazioni strutturate sul brand e sui prodotti. Chi istruisce meglio l'IA attraverso dati puliti ottiene la massima visibilità.

4. Scalabilità enterprise e collaborazione ecosystemica

La crescita di un brand digitale porta con sé sfide strutturali che spesso mettono a dura prova la flessibilità tecnologica. Nella Winter Edition '26 Shopify risponde a questa complessità non solo aumentando le prestazioni pure, ma trasformando la piattaforma in un sistema aperto e interconnesso. La scalabilità non è più intesa solo come capacità di reggere il traffico, ma come abilità di gestire cataloghi iper-frammentati e di attivare collaborazioni strategiche "out-of-the-box".

In questa nuova era, il concetto di "confine" dello store svanisce: grazie a un'architettura dati potenziata e a strumenti di cooperazione nativa, Shopify permette ai merchant di operare come grandi entità connesse, dove la fluidità dei dati e la collaborazione tra brand diventano i veri motori dell'espansione. Non si tratta solo di vendere di più, ma di orchestrare un'offerta commerciale che evolve con la stessa rapidità delle richieste del mercato, abbattendo le barriere tecniche che un tempo limitavano la varietà dell'inventario e la portata della distribuzione.

2048 Varianti e Performance: il limite storico delle 100 varianti è finalmente un ricordo. I brand con prodotti complessi possono gestire tutto da un'unica scheda prodotto, migliorando la pulizia del catalogo e la velocità del sito.
Shopify Product Network: puoi integrare nel tuo store prodotti complementari di altri merchant Shopify (es. vendere tavoli e offrire sedie di un partner) con un solo clic, guadagnando commissioni senza gestire magazzino o logistica.

5. Efficienza operativa e controllo globale

La crescita internazionale e la gestione di volumi elevati portano spesso con sé una complessità amministrativa che può soffocare l'agilità aziendale. Nella Winter Edition '26, Shopify affronta questa sfida trasformando il back-office in un ambiente fluido e intelligente, dove la gestione della complessità diventa un vantaggio competitivo piuttosto che un costo operativo. L'obiettivo della "RenAIssance" è chiaro: eliminare i silos informativi e automatizzare la "Data Hygiene" per permettere al management di concentrarsi sulle decisioni ad alto valore.

In Boraso, sappiamo che un e-commerce di successo non si vede solo dal front-end, ma dalla solidità dei processi che lo sostengono. Grazie a un'architettura che integra nativamente la gestione finanziaria multi-paese e strumenti di analisi granulare, Shopify permette oggi di governare un'espansione globale con la stessa semplicità con cui si gestirebbe un singolo mercato locale.

Gestione Multi-Entità Legale: da un unico Admin è ora possibile governare entità fiscali diverse (S.r.l., GmbH, Ltd), mantenendo contabilità e flussi finanziari distinti ma centralizzati. È l'abbattimento definitivo dei silos operativi.
SMS Marketing Nativo: Shopify centralizza ulteriormente l'esperienza cliente integrando gli SMS all'interno di Shopify Messaging. Meno app esterne, più velocità e dati di consenso centralizzati.
Data Hygiene (Filtro Bot e Heatmaps): per garantire dati puri, Shopify introduce il filtro automatico dei Bot e le Heatmaps native. Questo elimina il rumore statistico e offre una visione cristallina del comportamento degli utenti reali.

6. Retail e Hardware: il POS Hub e la stabilità dell'omnichannel

Per chi opera nel commercio fisico la "RenAIssance" significa stabilità e integrazione hardware senza compromessi. Il lancio del nuovo Shopify POS Hub segna il passaggio da un setup retail basato esclusivamente su tablet a una vera infrastruttura di vendita enterprise.

La Fine delle Incertezze Bluetooth: il POS Hub agisce come il "cervello" centrale del negozio, offrendo per la prima volta connessioni cablate certificate Apple MFi. Scanner di codici a barre, stampanti per ricevute, cassetti contanti e terminali di pagamento possono ora essere collegati via cavo (USB/Ethernet). Questo elimina i problemi di latenza, interferenze e disconnessioni tipici dei setup puramente wireless, garantendo una velocità di checkout impeccabile anche durante i picchi di traffico come il Black Friday.
Potenza di Calcolo Integrata: a differenza dei semplici adattatori, il POS Hub possiede potenza di calcolo interna per gestire i flussi dati tra l'hardware e Shopify POS. Questo permette di gestire operazioni complesse direttamente in loco, come il monitoraggio dello stato del firmware e gli aggiornamenti automatici silenti, riducendo al minimo i tempi di inattività del personale.
Flessibilità "Ship and Carry Out": grazie alla sincronizzazione in tempo reale garantita dall'Hub il personale in negozio può gestire vendite ibride con estrema facilità. Se un articolo non è disponibile fisicamente, il cliente può portare via ciò che c'è e ricevere il resto tramite spedizione e-commerce, tutto in un’unica transazione gestita dall'interfaccia fluida del POS v10.
Gestione Multi-Entità nel Retail: l’Hub supporta nativamente le nuove logiche di Markets per il retail. Questo significa che lo stesso hardware può gestire listini prezzi, cataloghi e regimi fiscali specifici per quel punto vendita, riflettendo le impostazioni delle entità legali definite nell'Admin centrale.

La prospettiva Boraso: orchestrazione strategica

In Boraso, crediamo che questa "RenAIssance" segni la fine della gestione puramente tecnica dell'e-commerce. Il valore oggi non risiede più nel "far funzionare" lo store, ma nell'orchestrare un ecosistema intelligente.

L'intelligenza artificiale non sostituisce l'uomo, ma ne amplifica la visione. Grazie a strumenti come SimGym, Sidekick Pulse e la gestione Multi-Entità, il nostro lavoro di agenzia si eleva: siamo gli architetti che aiutano i brand a istruire la propria Knowledge Base, a validare le strategie in ambienti simulati e a presidiare i nuovi canali Agentic.

La tecnologia è diventata un condotto invisibile per la vostra visione. È il momento di smettere di gestire software e iniziare a creare capolavori commerciali.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Digital Commerce Tagged With: Digital Commerce, eCommerce, Shopify

Marketing Multicanale: come smettere di disperdere budget e trasformare l’investimento in crescita reale

16 Gennaio 2026 by Chiara Penino

Il marketing multicanale dovrebbe essere un moltiplicatore di crescita. Invece, per la maggior parte delle aziende, è un moltiplicatore di caos.

La promessa è allettante: essere presenti ovunque sia il cliente (Google, Meta, LinkedIn, TikTok) per massimizzare le vendite. La realtà, però, è spesso una "dura realtà": mesi di campagne costose, budget di marketing che "evaporano nel nulla" e una frustrante sensazione di "budget esauriti, nessun risultato". Studi di settore confermano che i marketer sprecano, in media, almeno il 20% del loro budget in canali o strategie inefficaci.

Se ti suona familiare, non sei solo. Ma il problema non è il multicanale. Il problema è l'approccio "spara e spera": una strategia assente, canali scelti a caso, dati incomprensibili e agenzie che si concentrano sulle metriche sbagliate.

Esiste un modo diverso. Un approccio strategico che smette di disperdere risorse e inizia a costruire un ecosistema di crescita prevedibile.

In Boraso, aiutiamo aziende B2B e B2C a implementare strategie multicanale che producono risultati misurabili: lead qualificati, vendite reali e un ROAS (Return On Ad Spend) positivo e veritiero. In questo articolo, affronteremo le paure più comuni (le "perplessità") che bloccano la tua crescita, trasformandole da problemi irrisolvibili a soluzioni strategiche.

"Ho paura di disperdere il budget in canali inutili"

Questa non è una paura irrazionale. È la certezza che deriva dall'agire senza una mappa. La dispersione del budget è un sintomo. La malattia è la mancanza di "obiettivi chiari e misurabili". Molte aziende iniziano a "fare ADV" senza aver prima definito cosa significhi "successo". Peggio ancora, si affidano ad agenzie che fanno "promesse eccessive" ma che, all'atto pratico, sono "lente" e "inefficaci" , lasciando l'imprenditore con budget prosciugati e "nessun risultato".

L'antidoto: l'approccio "Growth-Driven" (guidato dalla crescita)

In Boraso, non "spendiamo" budget. Lo investiamo. La nostra prima azione non è "accendere le campagne", ma costruire un Business Plan strategico.

KPI Aziendali, non Vanity Metrics: rifiutiamo le "Vanity Metrics". "Like" e "impression" non pagano gli stipendi. Il nostro successo è legato al tuo: definiamo KPI che impattano il tuo business (Costo per Lead Qualificato, Tasso di Conversione, Valore del Ciclo di Vita del Cliente, Vendite Reali).
Partire Piccoli, Validare, Scalare: non investiamo "all-in" su una teoria. Un approccio saggio prevede investimenti crescenti. Iniziamo con test mirati per validare i canali e i messaggi. Solo una volta ottenuti dati positivi, scaliamo l'investimento. Questo approccio protegge il tuo budget e costruisce una crescita sostenibile.
Partner, non Fornitore: non siamo un fornitore che esegue ordini. Siamo un partner di crescita che si assume la responsabilità dei risultati.

"Devo essere su Google, ma costa troppo e non funziona"

Questa è la "Fallacia del Google-First". Si presume che Google sia il punto di partenza universale. Ma la domanda non è "Google sì o no?", la domanda è "Google quando e perché?".

La ricerca online mostra una profonda paralisi decisionale.

Per il B2B: ha senso spendere 20€ per un clic su LinkedIn Ads, anche se si ha la "99% di confidenza" di raggiungere il CEO giusto? O è meglio spendere meno su Google Ads rischiando lead di bassa qualità?
Per il B2C/E-commerce: è meglio investire su Meta (Facebook/Instagram) per "costruire una community" o su Google Shopping per intercettare l'acquisto immediato?

Scegliere il canale sbagliato (es. LinkedIn con un budget troppo limitato) è il modo più rapido per sprecare denaro.

La Strategia: l'orchestrazione dei canali

Non esiste un "canale migliore". Esiste l'ecosistema giusto. In Boraso, gestiamo campagne su Google, Meta, LinkedIn, TikTok e oltre, ma non come silos: le orchestriamo.

Per il B2B: non scegliamo "o" Google "o" LinkedIn. Usiamo LinkedIn per quello che sa fare meglio: targeting chirurgico (grazie ai suoi robusti dati di prima parte). Creiamo un'audience di decisori di alto profilo, poi usiamo il retargeting su Google e Meta (dove i costi sono inferiori) per nutrire quella stessa audience e portarla alla conversione.
Per il B2C (E-commerce e Shopify): non separiamo "Brand" e "Performance". Usiamo Meta per creare la domanda, costruendo un pubblico interessato e portando traffico al sito Shopify. Poi usiamo Google (Search e Shopping) per catturare quella domanda, intercettando gli utenti che hanno scoperto il brand e sono ora pronti a compra.

"Voglio vendere su più canali dal mio Shopify, ma è un incubo operativo"

Hai un e-commerce su Shopify e sai che aggiungere canali di vendita (es. marketplace, social commerce) può far esplodere le tue entrate (una ricerca di Shopify indica una crescita fino al 190% per ogni canale aggiuntivo).

Ma hai anche provato a farlo e ti sei scontrato con il caos. Il multicanale senza integrazione crea un'esperienza cliente "disgiunta". I problemi sono reali: gestione dell'inventario (evitare l'overselling), mantenimento di un branding coerente e un servizio clienti frammentato. Il rischio di "gestire troppi canali" è così alto che molte aziende rinunciano alla crescita pur di mantenere il controllo.

La soluzione: un partner integrato (Sviluppo Shopify + Marketing)

Non devi scegliere tra crescita multicanale e sanità mentale operativa. Boraso è una delle poche realtà che unisce sviluppatori Shopify esperti e strateghi di marketing multicanale sotto lo stesso tetto.

Mentre molte "agenzie ADV" ti mandano traffico su un sito che non funziona, noi facciamo il contrario.
Prima costruiamo l'infrastruttura: integriamo i tuoi sistemi di inventario, ottimizziamo il tuo sito Shopify per la conversione e assicuriamo che l'esperienza utente sia fluida.
Poi attiviamo le campagne ADV (SEO, Meta, Google), sapendo che ogni euro investito atterra su una piattaforma solida e pronta a convertire.

"Non riesco a misurare nulla. I miei report sono inutili"

Se ti senti così, hai ragione. I report che ricevi sono inutili. Benvenuto nell'"Inferno dell'Attribuzione". I marketer più esperti su Reddit lo chiamano "astrologia" o "dare la caccia ai fantasmi". Il problema è questo: hai fatto una vendita da 100€. Il pannello di Google Ads dice "ROAS 5x!" e si prende il merito. Il pannello di Meta Ads dice "ROAS 4x!" e si prende il merito. Entrambi rivendicano la stessa vendita. Il tuo ROAS reale è una frazione di quello che vedi, e stai prendendo decisioni di budget basate su dati falsi.

La chiarezza: dal ROAS di piattaforma al ROAS aziendale reale

Rifiutiamo i pannelli di controllo "siloed". Il nostro obiettivo è darti un'unica dashboard con la verità.

Implementiamo un tracciamento avanzato (Google Tag Manager, tracciamento server-side, setup di analytics avanzati) che unifica i dati da tutte le fonti.
Superiamo l'attribuzione "last-click" (che premia solo l'ultimo canale) e analizziamo l'intero customer journey.
Ci concentriamo sulla causalità e sull'incrementalità: il nostro report non ti dice chi ha "toccato" l'utente, ma quale combinazione di canali ha causato la vendita.

Questo ci permette di ottimizzare il ROAS aziendale totale, non il ROAS gonfiato di una singola piattaforma.

"L'Automazione e l'AI sono complicate e spersonalizzano il brand"

La paura è giustificata. L'AI usata male è "creepy" (inquietante) e i contenuti generati automaticamente mancano di "umanità ed emozionalità", erodendo la fiducia nel brand costruita faticosamente.

Ma il pericolo più grande è il "Paradosso dell'Automazione": come dice un utente Reddit, "l'automazione applicata a un'operazione inefficiente, ingigantirà l'inefficienza". Le aziende comprano software costosi pensando di risolvere il caos, ma finiscono solo per automatizzare i propri errori, disperdendo budget più velocemente. Gartner stima che il 30% dei progetti di AI generativa sarà abbandonato proprio per la mancanza di una visione chiara e costi crescenti.

L'approccio: Intelligenza Artificiale "Consapevole" (e Umana)

La query che ha ispirato questo articolo menziona il nostro "utilizzo consapevole e intelligente dell'AI". Cosa significa? Significa che l'AI è il nostro copilota, non il pilota. L'automazione non sostituisce la strategia, la scala.

Strategia Prima, Automazione Dopo: non automatizziamo il caos. Prima, i nostri strateghi umani costruiscono la strategia (Problemi 1-4), validano i funnel e confermano cosa funziona.
AI per l'Analisi, Umani per la Creatività: usiamo l'AI per quello che sa fare meglio: analizzare moli di dati per scoprire segmenti di pubblico nascosti o pattern di acquisto. Poi, i nostri copywriter e strateghi usano questi insight per creare campagne creative, autentiche e non generiche.
Personalizzazione Rilevante, non Intrusiva: la nostra automation (es. su Shopify) non è "creepy". È rilevante. È costruita sui reali comportamenti degli utenti per inviare il messaggio giusto (es. un recupero carrello, un'offerta di cross-sell) nel momento esatto in cui serve.

Smettere di comprare "Vanity Metrics", iniziare a investire in crescita

I problemi che abbiamo analizzato (budget sprecato, canali sbagliati, caos tecnico, dati falsi) sono tutti sintomi di un modello di agenzia obsoleto. Un modello basato su "promesse eccessive" e "Vanity Metrics". Gli imprenditori sono stanchi di pagare per "like", "impression" e "pageview" quando le vendite non crescono.

Boraso è stata fondata su un principio diverso. Non vendiamo metriche di vanità. Siamo un partner di crescita che trasforma l'investimento pubblicitario in crescita concreta. Il nostro lavoro si misura solo su tre metriche: lead qualificati, vendite reali e un ROAS positivo e misurabile.

Smetti di disperdere il tuo budget in strategie che non funzionano. Contattaci e scopri come costruire un piano multicanale basato su risultati concreti.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing

Filed Under: Blog, Digital Advertising, Digital Commerce, eCommerce Tagged With: Conversion Marketing, eCommerce

Spotify Advertising: non è più (solo) una questione di Brand Awareness

21 Dicembre 2025 by Chiara Penino

Nel panorama del digital marketing moderno, abbiamo cercato per anni di forzare ogni canale dentro imbuti lineari e prevedibili. Ma la realtà del consumatore oggi è quella che Google definisce "Messy Middle": un labirinto caotico di stimoli, ricerche e ripensamenti. In questo contesto che chiamiamo "full messy", lo schema classico della Brand Awareness isolata è saltato, ma non perché tutti i canali siano diventati magicamente "di conversione".

È saltato perché oggi un canale come Spotify permette di fare qualcosa che prima era impossibile: portare la forza viscerale, ingaggiante e pervasiva dell'esperienza radiofonica dentro il precision marketing.

La "Streaming Intelligence": capire l'utente attraverso l'ascolto

Perché Spotify rappresenta oggi un asset unico nel media mix di un'azienda? La risposta non risiede solo nei numeri — che pure sono impressionanti, con una forchetta tra i 675 e i 751 milioni di utenti attivi mensili a livello globale — ma nella qualità del dato raccolto. È quello che Spotify definisce Streaming Intelligence.

A differenza dei social network, dove l'interazione è spesso visiva, frenetica e frammentata, Spotify accompagna l'utente in contesti di vita reale. La piattaforma non conosce solo l'età, il genere o la posizione geografica del target; ne comprende il contesto psicografico e comportamentale attraverso miliardi di segnali quotidiani.

Spotify sa quando un utente è in palestra (playlist "Workout"), quando sta cucinando ("Dinner with friends"), quando è alla guida, quando sta studiando o quando cerca di addormentarsi. Questi momenti non sono solo etichette: sono stati d'animo. Un utente che ascolta musica per la concentrazione ha una predisposizione cognitiva diversa rispetto a chi sta ascoltando un podcast true-crime o una hit estiva in spiaggia.

Il risultato è un engagement fuori dal comune: secondo i dati dei report Wrapped for Advertisers, il 93% degli annunci genera un coinvolgimento attivo, perché il messaggio arriva in momenti in cui la saturazione visiva è assente e l'orecchio dell'utente è "aperto" al contenuto.

L'evoluzione del formato: oltre lo spot audio tradizionale

Sebbene l’audio rimanga il cuore pulsante dell’esperienza, l’offerta pubblicitaria si è diversificata per coprire diverse fasi del customer journey, permettendo ai brand di presidiare lo schermo oltre che l'altoparlante.

Annunci Audio (Il pilastro)

È il formato che garantisce la copertura più vasta. Viene erogato durante le interruzioni tra i brani nelle versioni Free. La forza di questo formato risiede nella "condivisione del momento": l'utente non può saltare l'annuncio e, spesso, è impegnato in attività dove non può interagire fisicamente con il dispositivo (mentre guida o corre), il che aumenta esponenzialmente la memorizzazione del brand.

Video Takeover

Questo formato viene erogato solo quando l’applicazione è in primo piano (in-focus). Se l'utente sta guardando lo schermo per cambiare canzone o cercare un artista, parte il video. Questo garantisce una viewability del 100%, un parametro difficilissimo da ottenere su altre piattaforme video dove lo scroll è libero e compulsivo.

Sponsored Sessions

Un formato premium che offre all'utente 30 minuti di ascolto senza interruzioni in cambio della visione di un video pubblicitario. È un patto di valore tra brand e utente: "Io ti offro il servizio, tu mi concedi la tua attenzione".

Display Dinamiche e Overlay

Appaiono durante la navigazione nell'app e servono come "promemoria visivo". Sono fondamentali per guidare il traffico diretto al sito web, fungendo da ponte tra l'ascolto passivo e l'azione attiva.

L'approccio vincente oggi è multiformato: utilizzare l'audio per creare l'impatto emotivo e il video/display per fornire il "gancio" cliccabile verso la conversione.

La svolta tecnica: come Spotify è diventato un canale di Performance

Questa è la parte centrale della trasformazione: il passaggio da "piattaforma di intrattenimento" a "strumento di marketing misurabile". Le novità introdotte negli ultimi due anni hanno allineato Spotify agli standard di Meta e Google.

Il nuovo ruolo del Pixel di Spotify

L'introduzione del Spotify Pixel è il vero game-changer. Proprio come i suoi omologhi più famosi, permette di installare un frammento di codice sul sito web dell'inserzionista per tracciare le azioni compiute dagli utenti dopo aver ascoltato o visto un annuncio. Questo permette finalmente di attribuire vendite, iscrizioni alla newsletter o aggiunte al carrello direttamente alle campagne Spotify, calcolando un ROI (Return on Investment) e un ROAS (Return on Ad Spend) reali.

API Conversioni e Tracciamento Server-Side

In un mondo post-cookie e con le restrizioni di privacy introdotte da Apple (iOS), il solo Pixel spesso non basta. Boraso supporta le aziende nell'implementazione delle API Conversioni di Spotify. Questo permette un tracciamento server-to-server, molto più robusto e preciso, che scavalca i limiti dei browser e garantisce che nessun dato di conversione vada perso. Per un brand, questo significa avere una visione veritiera dell'efficacia della propria spesa pubblicitaria.

Pubblici Personalizzati e Lookalike

Non siamo più costretti a targetizzare solo per "genere musicale". Oggi possiamo caricare i First-Party Data (le liste email dei clienti esistenti) per fare retargeting su Spotify o per creare pubblici Lookalike (utenti simili ai nostri migliori clienti). È un salto di qualità enorme: posso decidere di parlare solo a chi ha già visitato il mio e-commerce ma non ha completato l'acquisto, ricordandogli il valore del brand mentre ascolta il suo podcast preferito.

AI e Automazione creativa

La barriera all'ingresso per Spotify è sempre stata la produzione dello spot audio. "Non ho una casa di produzione", "Non ho una voce professionale". Spotify sta abbattendo questo muro con strumenti di Intelligenza Artificiale capaci di generare script e voiceover professionali in pochi minuti, permettendo anche alle PMI di testare il canale con costi di produzione quasi nulli.

Analisi critica: Pro e Contro di un investimento su Spotify

Come ogni agenzia che punta alla trasparenza, non vogliamo dipingere Spotify come la soluzione universale. È un canale con specificità precise.

I Punti di forza

Ambiente Safe e Premium: il brand appare accanto ad artisti di fama mondiale o podcast autorevoli, in un contesto controllato e privo di fake news o contenuti tossici.
Attenzione Elevata: l'audio è l'unico formato che non compete con altri stimoli visivi. Se sto ascoltando, sto ascoltando te.
Frequenza non intrusiva: grazie alla natura ciclica dell'ascolto, è possibile costruire una frequenza di esposizione che sedimenta il messaggio senza infastidire l'utente.

Gli aspetti da valutare

Costi per Clic (CPC): mediamente il costo per clic su Spotify oscilla tra €0,20 e €0,50. È superiore a quello che si può ottenere con una campagna display su Meta o Google. Pertanto, se l'unico obiettivo è il traffico a basso costo, Spotify potrebbe sembrare inefficiente.
Targeting "Free": è importante ricordare che gli annunci vengono erogati solo agli utenti che non pagano l'abbonamento Premium. Sebbene questa sia una fetta enorme di mercato, il targeting deve essere estremamente accurato per intercettare il segmento di pubblico realmente interessato al prodotto.
Soglie di Budget: il self-service parte da 250€, una cifra accessibile, ma per vedere risultati statistici significativi in termini di conversione serve una continuità che richiede investimenti più strutturati.

Spotify vs Meta Ads: governare il "Full Messy"

Spesso ci viene chiesto: "Perché dovrei investire su Spotify se con Meta ottengo conversioni dirette più economiche?". La risposta non sta nel costo del singolo clic, ma nella gestione del Messy Middle.

Come abbiamo approfondito nella nostra analisi su come governare il caos decisionale, il percorso che porta un utente all'acquisto non è una linea retta ma un groviglio di esplorazione e valutazione. Se valutiamo Spotify con le sole lenti di Meta (il ROAS immediato), rischiamo di spegnere il motore che alimenta la nostra stessa performance.

Meta è un ecosistema visivo dove la competizione per l'attenzione è brutale e frenetica. Spotify opera su una frequenza diversa: crea la domanda, lavora sulla fiducia e sulla "top of mind". In una strategia di Full Messy, Spotify e Meta sono alleati:

Spotify agisce nella fase di esposizione e familiarità, rendendo il brand una scelta "riconoscibile" nel marasma delle opzioni.
Meta e Google Search intervengono per raccogliere e chiudere quella domanda, agendo come "chiusura” della transazione.

Senza la forza pervasiva dell'audio che prepara il terreno, il costo per convertire su Meta è destinato ad alzarsi, perché dovrete convincere un utente che non ha mai "sentito" parlare di voi.

Quando ha senso inserire Spotify nel proprio Media Mix?

Non esiste una risposta univoca, ma esistono dei segnali chiari che indicano che la vostra azienda è pronta per Spotify Ads:

Saturazione dei canali tradizionali: se i vostri costi di acquisizione su Facebook o Google stanno salendo vertiginosamente, dovete cercare nuovi oceani blu dove la competizione è minore.
Prodotti con ciclo di acquisto lungo: se vendete qualcosa che richiede riflessione, l'audio è il modo migliore per accompagnare l'utente durante la giornata, costruendo familiarità.
Strategie Multi-Touch: se avete già un ecosistema di tracciamento evoluto e volete scalare le performance usando i dati di prima parte.
Lancio di nuovi prodotti/servizi: per creare un "impatto sonoro" che si distingua dalla massa di banner statici.

In Boraso, il nostro approccio non si ferma alla semplice creazione della campagna. Supportiamo i clienti nell'integrazione tecnica profonda — dal Pixel al tracciamento server-side — e nella definizione di una strategia che veda Spotify non come un silo isolato, ma come un motore di crescita per l'intero ecosistema digitale.

Condividi articolo

In questo articolo abbiamo parlato di:

L’Intelligenza Artificiale nel Digital Marketing