Oltre la logica binaria: perché «Sì/No» non basta più

Per anni la ricerca di audience simili (Lookalike) si è basata su una logica binaria rigida. L’inserzionista impostava una condizione: «La mia audience target è chi ha passato 30 secondi sul sito, ha scrollato l’80% della pagina e ha cliccato il pulsante N». Chi soddisfaceva la condizione riceveva un «1» (target), gli altri un «0» (non target).

Il problema di questo approccio è che ignora il grado di «riscaldamento» dell’audience. Un utente che ha passato 28 secondi sul sito e ha studiato il prodotto con attenzione, ma non ha cliccato il pulsante, riceveva lo stesso «0» di un visitatore casuale che ha chiuso la scheda dopo un secondo. Per cogliere questo valore nascosto, le architetture ML moderne passano dalla classificazione (1/0) allo scoring delle intenzioni (Intent Scoring), valutando ogni visitatore su una scala da 0 a 100.

Architettura di scoring: modello 3D dell’utente

Perché l’algoritmo preveda la probabilità di conversione con alta precisione, il profilo utente nel sistema non è un elenco piatto di azioni, ma una matrice tridimensionale (spazio vettoriale delle feature):

• 1. Vettore di contesto (Dove e come?)
  Qui rientrano dati tecnici e geo aggregati: fuso orario, tipo di dispositivo, categoria di browser e fonte di arrivo (organico, accesso diretto, campagna specifica). Forma il ritratto di base della visita.
• 2. Vettore storico e funzione di decadimento (Time Decay)
  L’interesse di una persona non è costante. Se l’utente cercava un frigorifero un mese fa, l’interesse attuale è zero. Se era stamattina, è al massimo. L’algoritmo calcola l’interesse cumulato verso le categorie del sito applicando una funzione matematica di decadimento temporale: le azioni vecchie perdono peso gradualmente, lasciando spazio alle intenzioni fresche.
• 3. Vettore del comportamento attuale (microconversioni)
  È un’analisi della dinamica: velocità di scroll (la persona legge con attenzione o scorre in fretta?), pattern di interazione con gli elementi dell’interfaccia nei primi secondi della visita.

Adattività invece di cornici rigide: taglio fluido delle anomalie

Se valutiamo l’utente da 0 a 100, compare il problema dell’audience «surriscaldata». Un content manager che carica prodotti due ore al giorno, per una statistica banale, compie tutte le azioni obiettivo a «100 punti», ma per la pubblicità è inutile.

Storicamente i sistemi lo risolvevano con un filtro rigido: «se sta sul sito più di un’ora, è un bot o un admin». Ma se pubblicate un articolo lungo e coinvolgente e il tempo medio sul sito cresce in modo organico? Il filtro rigido taglierà la vostra audience più fedele.

Fluidità e adattività: come ClikBy taglia le anomalie

Soglie rigide come «se l’utente resta più di 2 ore, è un bot» sono irrimediabilmente obsolete. Se aggiungete un longform coinvolgente, il tempo medio di visita cresce e il filtro rigido taglia l’audience più fedele. In ClikBy abbiamo risolto il problema introducendo un coefficiente di anomalia adattivo e fluido (A_i).

Passo 1. Abbandonare i numeri assoluti a favore dei percentili

Il sistema ClikBy non usa più limiti hardcoded (ad esempio «massimo 50 sessioni»). Al contrario, l’algoritmo analizza in continuo la distribuzione dei dati degli ultimi 3–7 giorni e determina automaticamente:

• La mediana (la norma) — il comportamento standard attuale dell’audience su quel sito specifico.
• 95° percentile (P₉₅) — il limite oltre il quale si trovano solo il 5% degli utenti più attivi («surriscaldati»).
• 99° percentile (P₉₉) — la zona degli outlier estremi, dove stanno content manager, parser e schede lasciate aperte tutta la notte.

Se il comportamento degli utenti cambia, le metriche P₉₅ и P₉₉ si spostano automaticamente. La piattaforma si adatta alla «nuova norma» del sito senza intervento manuale.

Passo 2. Funzione di penalità fluida (sigmoide di decadimento)

Invece di uno «scalino» netto di taglio, usiamo una curva logistica invertita. Finché il comportamento dell’utente resta entro P₉₅, il relativo moltiplicatore A_i = 1 (nessuna penalità). Appena supera il limite di anomalia, il coefficiente inizia a плавно tendere a zero secondo la formula:

Come funziona in pratica (scoring finale)

Supponiamo che le regole di un e-shop abbiano assegnato all’utente 80 punti grezzi di interesse (RawScore). Vediamo come risponde il paradigma 3D di ClikBy in situazioni diverse:

Champion-Challenger: la battaglia degli algoritmi per il ROI

Nel marketing industriale, usare un solo modello, per quanto intelligente, porta spesso alla stagnazione. Per migliorare di continuo la qualità del traffico acquistato si usa un’architettura di A/B testing dei modelli (Champion-Challenger).

Come funziona in pratica? Система параллельно рассчитывает скоринг двумя разными алгоритмическими пайплайнами. Алгоритм «А» может делать ставку на глубокую историю визитов, а экспериментальный алгоритм «Б» — придавать больший вес микро-поведению в текущей сессии.

Gli utenti su cui i modelli coincidono vanno nella campagna base. I segmenti in cui divergono vengono divisi (in modo stretto per identificatori hashati) e inviati a campagne diverse in competizione. Confrontando il costo finale del lead (CPA) e il punteggio medio di interesse del traffico portato sul sito, il marketer può dimostrare matematicamente quale algoritmo funziona meglio per quel business.

«Tutta questa matematica predittiva profonda sarebbe impossibile senza un concetto rigoroso di Privacy by Design. Nel nostro sistema non ci sono nomi, indirizzi IP o cookie grezzi. Lavoriamo solo con hash irreversibili e vettori comportamentali. Il sistema sa che "Il vettore X completerà un acquisto con probabilità dell’85%", ma non sa chi si nasconda dietro quel vettore. Così garantiamo un’accuratezza senza precedenti delle audience Lookalike, restando entro i limiti assoluti e rigidi di GDPR e CCPA».

Richiedere un audit delle attuali audience Lookalike