Un test A/B nel marketing sembra semplice: si presentano due versioni della stessa esperienza e si osserva quale porta più persone verso un certo risultato. La parte difficile arriva dopo. Una variante può ottenere un tasso migliore senza dirci con chiarezza quale elemento abbia funzionato, per chi, in quale momento e a quale costo.
Per questo considero il test A/B uno strumento di apprendimento, non una gara tra pulsanti. Il suo valore non sta soltanto nel proclamare un vincitore, ma nel rendere più precisa una decisione: quale ipotesi vale la pena mantenere, quale va abbandonata e quale domanda dobbiamo ancora verificare.
Il test non è una gara tra due pagine
La logica di base è una comparazione controllata. Il Magenta Book Test and Learn Annex del governo britannico descrive l’A/B test come un metodo che assegna in modo casuale versioni diverse a gruppi di utenti e confronta le risposte. È una buona definizione anche per il marketing: la casualità aiuta a ridurre alcune differenze iniziali tra i gruppi, ma non trasforma ogni risultato in una verità universale.
Se cambio insieme titolo, immagine, prezzo, testimonianza e call to action, posso osservare una differenza, ma non so quale scelta l’abbia prodotta. Se testo una pagina solo durante una promozione, potrei misurare l’effetto dell’urgenza o del pubblico intercettato, non quello della variante. Se guardo soltanto il clic, potrei premiare un messaggio molto aggressivo che porta più persone avanti di un passo e meno persone verso una relazione utile.
Partire da una domanda osservabile
Un buon test comincia con un problema descritto senza formule vaghe. Non “voglio aumentare le conversioni”, ma “le persone arrivano alla pagina, comprendono l’offerta e poi abbandonano prima di chiedere informazioni”. Da qui nasce un’ipotesi circoscritta: “se chiarisco il perimetro del servizio prima del modulo, aumenterà l’invio di richieste pertinenti senza peggiorare la qualità dei contatti”.
La differenza è importante perché obbliga a specificare che cosa si cambia e perché. Il Service Manual di GOV.UK ricorda che il metodo di misurazione dipende da ciò che si vuole capire e che i dati di performance vanno affiancati, quando serve, a ricerca e feedback. Un test non sostituisce la domanda: la rende più disciplinata.
Prima della variante, scrivere la decisione
Prima di pubblicare le due versioni, scriverei in poche righe la decisione che il risultato dovrà sostenere. Questo passaggio evita di cercare dopo il fatto la metrica che sembra più favorevole. La scheda minima dovrebbe contenere:
- il problema osservato e l’ipotesi che lo affronta;
- la variante precisa, con ciò che resta invariato;
- una metrica principale e alcuni segnali di sicurezza;
- il pubblico incluso, il periodo e le condizioni che renderebbero il test non interpretabile;
- la decisione prevista per ciascun esito: mantenere, modificare, ripetere o fermare.
La metrica principale deve rappresentare il lavoro che la persona sta cercando di compiere. Su una pagina di contatto può essere l’invio di una richiesta qualificata; su una newsletter, una risposta o un’azione successiva, non soltanto l’apertura; su un contenuto editoriale, una visita a una risorsa coerente o una sottoscrizione consapevole. Il numero più facile da raccogliere non è automaticamente il segnale più utile.
Metrica principale e segnali diagnostici
In Google Analytics un key event misura un’azione particolarmente importante per il successo dell’attività. La funzione aiuta a collegare un evento a una decisione di marketing, ma non decide quale evento debba contare per il business. Quella è una scelta editoriale e organizzativa.
Io separerei la metrica primaria dai segnali diagnostici. La prima guida la decisione; i secondi aiutano a capire che cosa è accaduto. Possono includere profondità della visita, completamento di un passaggio, errori del modulo, richieste di assistenza, cancellazioni o qualità osservata nel CRM. Se la variante vince sul clic ma peggiora il passaggio successivo, non abbiamo trovato una soluzione: abbiamo spostato il problema.
Il risultato va letto dentro il percorso
Una variante non vive isolata nella pagina. Il pubblico può arrivare da una newsletter, da una ricerca, da un annuncio o da un link condiviso. Cambiano aspettative, urgenza, familiarità con il brand e probabilità di completare l’azione. Per questo il risultato complessivo va accompagnato da una lettura per contesto, senza trasformare ogni segmento piccolo in una nuova classifica.
Le dimensioni delle fonti di traffico di Google Analytics mostrano come source, medium e campaign aiutino a distinguere l’origine delle sessioni. I parametri UTM possono documentare la provenienza di una campagna, ma non risolvono da soli l’attribuzione né spiegano la qualità della domanda. Servono a fare domande migliori: la variante è stata vista dallo stesso mix di persone? Il cambiamento compare in più canali? Il beneficio resta quando la promessa iniziale è diversa?
Qui entra una cautela spesso trascurata: un risultato aggregato può nascondere esperienze molto diverse. Un incremento medio può dipendere da un solo canale; una riduzione media può mascherare un miglioramento per il pubblico che ci interessa davvero. Leggere i segmenti serve a capire la stabilità del segnale, non a scegliere a posteriori il gruppo più conveniente.
Privacy e qualità del dato fanno parte del test
Un test A/B non autorizza a raccogliere tutto ciò che potrebbe essere utile. La sintesi 2026 dell’EDPB sulla protezione dei dati fin dalla progettazione e per impostazione predefinita richiama l’obbligo di incorporare minimizzazione, sicurezza e impostazioni rispettose della privacy nei processi e nei sistemi. Tradotto nel marketing: definire prima quali dati servono, per quale scopo, per quanto tempo e con quali controlli.
La sperimentazione dovrebbe quindi evitare identificatori superflui, separare le informazioni necessarie alla misurazione da quelle usate per profilare e rispettare le scelte di consenso. Non è soltanto una precauzione legale. È anche una questione di qualità: un sistema che misura più persone a costo di ridurre fiducia e trasparenza produce un segnale difficile da difendere.
Una variante migliore non spiega tutto
Quando il test finisce, la tentazione è pubblicare una percentuale e dichiarare la vittoria. Io cercherei invece le condizioni del risultato. La differenza è coerente con l’ipotesi? Le due esperienze sono state implementate correttamente? Ci sono state campagne, problemi tecnici, festività o cambi di prezzo? La metrica primaria è migliorata senza danneggiare i segnali di sicurezza? Il beneficio è abbastanza chiaro da giustificare il costo di mantenere la nuova versione?
Il quadro di misurazione di GOV.UK invita a non affidarsi soltanto all’analytics digitale e a combinare metriche con feedback, ricerca, dati operativi o informazioni economiche. Anche in un contesto commerciale, una conversazione con il team vendite, una verifica dei contatti e l’osservazione dei problemi di assistenza possono spiegare meglio il perché di un risultato. La conversione è un passaggio del percorso, non sempre il suo esito.
La decisione finale può essere semplice: mantenere la variante se il segnale è coerente e i vincoli sono rispettati; ripetere il test se l’implementazione o il contesto hanno introdotto rumore; trasformare l’ipotesi in una ricerca qualitativa se il dato dice “che cosa” ma non “perché”; fermare entrambe le versioni se il problema era a monte, nella promessa o nel pubblico raggiunto.
Per la pagina del test curerei anche il modo in cui viene raccontata. Google Search Central raccomanda contenuti utili, affidabili e pensati prima di tutto per le persone: vale anche per un articolo che parla di ottimizzazione. Non serve promettere una formula replicabile ovunque. È più utile mostrare l’ipotesi, il perimetro, la metrica e i limiti, così chi legge può adattare il metodo senza scambiare un segnale locale per una legge del marketing.
Io partirei da un solo test ben delimitato, con una decisione già scritta e una metrica che rappresenti davvero il valore cercato. La variante migliore è un indizio. Il lavoro strategico comincia quando proviamo a capire che cosa quell’indizio ci permette, e non ci permette, di decidere.
Nota di trasparenza: questo articolo è stato elaborato con l'aiuto dell'intelligenza artificiale e con supervisione e responsabilità editoriale umana.