Paolo Dello Vicario, presidente del tavolo di lavoro “Intelligenza Artificiale nel marketing e nella comunicazione” svoltosi lo scorso anno all’interno di IAB
Distinguere i dati che generano conoscenza da quelli che producono soltanto visibilità apparente, nonostante l’evoluzione tecnologica e il tempo che passa, continua a essere una sfida di primissimo livello, e la posta in gioco si alza sempre di più. Si stima che entro il 2030 una quota fra il 10% e il 20% dell’e-commerce sarà costituita da acquisti effettuati non da persone ma da agenti intelligenti che scelgono e comprano per loro conto. In questo scenario, gli stadi intermedi del percorso d’acquisto, proprio quelli che la comunicazione ama misurare, collassano: da un mondo di click e segnali osservabili si passa a un contesto dove il tracciamento diretto diventa impossibile e la domanda si fa ancora più complessa.
Viene messo in discussione il concetto stesso di misurazione nel marketing: una misurazione che non riguarda più solo le azioni compiute da persone, ma anche quelle delegate dalle persone e compiute da agenti autonomi che agiscono in nome e per conto loro. Il tema è così attuale da essere stato al centro della discussione allo IAB Measurement Leadership Summit di Glen Cove (NY – USA), dove abbiamo avuto il piacere di portare la prospettiva europea al confronto tra gli operatori del settore. Proprio lì ci si è interrogati inoltre su una domanda di fondo: chi possiede l’outcome, e chi deve farsi garante della misurazione.
In un contesto di questo tipo, in cui le variabili si moltiplicano, diventa quindi ancora più importante integrare la misurazione con la capacità di stimare e modellare i fenomeni per ricavarne informazione strategica, rendendosi conto che in fondo il re è nudo: ogni numero, alla fine, è una stima con un intervallo di confidenza, e non esiste un’unica fonte di verità.
In questo scenario la scelta si orienta progressivamente verso la triangolazione di più strumenti, ciascuno una lente parziale sulla realtà: il marketing mix modeling per l’analisi del contributo dei canali e lo scenario di planning, l’attribuzione multi-touch, magari abbinata a sistemi di decisione automatica delle azioni, per l’ottimizzazione tattica, e la formalizzazione di analisi e test di incrementalità per la stima dell’impatto causale di specifiche campagne. Questo richiede un approccio che abbracci l’intero percorso, dalla prima esposizione all’acquisto, e l’eliminazione dei silos.
Ogni frammento isolato racconta una storia parziale e potenzialmente fuorviante e da qui nasce una conseguenza sulla governance del dato. Tutto comincia molto prima dei modelli: sono gli standard di raccolta a determinare se un dato potrà davvero nutrire i sistemi a valle, con la giusta frequenza e qualità, ed è proprio qui che torna inaspettatamente l’intelligenza artificiale: non solo come motore di previsione e generazione di creatività, ma come strumento che standardizza e riconduce dati eterogenei a schemi comuni, rende il data onboarding di nuove fonti un’operazione di giorni anziché di mesi, e attenua il problema del cold start dei modelli di decisione, quelli che senza storico puntuale in casi limite faticano a produrre stime affidabili.
In questo contesto di continua perdita di controllo c’è infine un movimento speculare, fondamentale da comprendere mano a mano che entriamo in un’era agentica. Se da un lato le organizzazioni devono modellare i fenomeni per orientare le decisioni, dall’altro devono disporre di segnali granulari sui comportamenti degli utenti per “informare” l’intelligenza artificiale delle piattaforme e fornire contesto agli agenti, interni ed esterni, che sempre più mediano la relazione con il mercato. Il dato proprietario di qualità è così un asset a due facce: da una parte nutre i modelli che spiegano e prevedono, dall’altra alimenta i sistemi automatici (proprietari e non) che agiscono.
La comunicazione che voglia contribuire ai futuri scenari d’impresa deve presidiare questa infrastruttura, assicurando l’allineamento agli obiettivi.
