■ Come funziona
Dai risultati passati alle previsioni
Flockets guarda come sono andati gli annunci nelle ultime settimane, capisce cosa ha fatto salire o scendere i risultati e prevede, giorno per giorno, quanto renderà e quanto costerà ogni annuncio, con il suo margine di errore.
- CTR
- Quante persone cliccano ogni 100 che vedono l’annuncio.
- CPM
- Quanto costa far vedere l’annuncio 1.000 volte.
- Ad set
- Un gruppo di annunci mostrato a un pubblico preciso.
I passaggi
- 01Legge lo storico
Per ogni annuncio, giorno per giorno: quanto si è speso, quante volte è stato visto, quanti click ha fatto. Da qui ricava CTR e CPM.
- 02Toglie i dati sbagliati
Giorni senza click su un intero settore (tracciamento rotto) o con spesa molto sopra il budget: non vengono usati per imparare.
- 03Cerca le cause
Un annuncio va bene o male per più motivi insieme: la creatività, il pubblico, da quanto è in onda, il giorno, il periodo dell’anno. Confrontando tutti gli annunci di tutti i giorni il modello li separa. La stessa creatività in due pubblici diversi mostra quanto conta il pubblico; lo stesso annuncio seguito nel tempo mostra quanto si stanca.
- 04Ne ricava dei moltiplicatori
Una tabella di numeri: per esempio pubblico di retargeting ×1,7 sui click, aggancio nei primi 2 secondi ×1,2, annuncio in onda da tre settimane ×0,65, settimana del Black Friday ×1,3 sul costo.
- 05Rimonta i pezzi per il giorno futuro
Per un annuncio e un giorno moltiplica i suoi fattori. Se negli ultimi giorni i livelli si sono spostati, una prova interna decide quanto seguirli.
- 06Stima le creatività mai viste
Senza storico, la qualità viene dalla descrizione: è un video? parla una persona? c’è tanto testo? Sul sito la descrizione la legge Claude.
- 07Passa dai soldi ai click
Budget del giorno → spesa; spesa diviso costo → visualizzazioni; visualizzazioni per CTR → click.
- 08Dice quanto può sbagliare
Ripete il calcolo 2.000 volte con piccole variazioni casuali: ne esce una forchetta, come il meteo che dà la probabilità di pioggia.
Un esempio, con numeri arrotondati
Un video per un prodotto beauty, mostrato a chi conosce già il marchio, venerdì 27 novembre.
| Livello di base del marchio | 1,0% |
| × pubblico che conosce già il marchio | 1,7 |
| × video con aggancio | 1,2 |
| × in onda da 20 giorni | 0,65 |
| × settimana del Black Friday | 1,2 |
| CTR previsto | circa 1,6% |
| Costo di base del pubblico | 7 € |
| × Black Friday | 1,3 |
| × budget alzato del 50% | 1,1 |
| CPM previsto | circa 10 € |
Con 100 € al giorno: 100 ÷ 10 × 1.000 = 10.000 visualizzazioni. L’1,6% fa circa 160 click, tra 130 e 190.
Cosa serve
Basta un CSV con una riga per annuncio e giorno. Va bene l’export di Meta Ads Manager (report giornaliero, livello inserzione), con le colonne in italiano, inglese, spagnolo, francese o tedesco.
Funziona anche per altri prodotti?
Sì, se ha lo storico di quella campagna: il metodo è lo stesso per tutti, i numeri li impara ogni volta dai dati caricati.
| Cosa carichi | Cosa fa | Quanto è affidabile |
|---|---|---|
| Una campagna attiva da 2-3 settimane | Prevede i giorni successivi di ogni annuncio | Buono |
| Solo campagne passate del tuo account | Usa i livelli medi del tuo account | Basso: forchetta larga |
| Nessuno storico | Non prevede | Servono almeno 30 righe |
Fuori dalla sfida non sa nulla della stagione di quel settore (saldi, uscite, festività): se non gli dai un andamento di mercato la considera piatta e allarga la forchetta.
Le persone simulate
Sotto le previsioni c’è una popolazione virtuale: tutti i tipi di persona adulta in Italia. Serve a due cose: dire chi c’è dietro i numeri di ogni pubblico, e prevedere una campagna nuova, senza nessun dato.
- A8 tag per persona
Età (6 fasce), genere, area (5), tipo di comune (3), istruzione (3), lavoro (4), reddito (3), famiglia (4): 25.920 combinazioni. Tolte quelle impossibili, restano 14.434 tipi di persona, ognuno con il suo peso: quante persone in Italia gli somigliano, 50,1 milioni in tutto.
- BDai tag ai numeri
Ogni tipo diventa 41 numeri: quanto usa ognuno dei 7 canali, quanto è interessato a ognuna delle 15 categorie di prodotto, quanto reagisce a 7 leve (sconto, urgenza, scarsità, recensioni, novità, esperto, valori), quale formato preferisce, quanto compra online, quanto naviga dal telefono, quanto si fida di un marchio nuovo, quanto può spendere, quanto costa raggiungerlo. La regola è leggibile: un valore di base, e ogni tag lo sposta di una quantità fissa.
- CLa campagna, persona per persona
Ogni giorno il budget viene diviso tra le persone raggiungibili: la piattaforma preferisce chi risponde meglio all’obiettivo e costa meno, con un tetto di frequenza. Per ognuna: probabilità di click, di arrivare sul sito, di comprare.
- DTarata su dati veri
Le costanti di ogni canale e settore sono scelte perché una campagna normale dia i valori tipici di 79 marche vere (dataset Conjura): CTR e CPM per canale, acquisti ogni 100 visite e valore dell’ordine per settore, andamento nei mesi. Stanchezza delle creatività, effetto del budget e peso delle caratteristiche creative vengono dal modello di previsione.
- ECon lo storico, si allinea
Quando ci sono dati, le persone di ogni pubblico vengono tarate finché click e costi tornano con le previsioni del modello. Le previsioni restano quelle; le persone aggiungono chi clicca e chi compra.
- FIl pubblico migliore viene fuori dall’analisi
Non lo scegli tu prima. In una campagna nuova la stessa campagna, con lo stesso budget, viene provata su ogni tipo di pubblico: tutti, chi segue la categoria, chi somiglia ai clienti, chi ha già visitato il sito. Vince quello che porta più acquisti (o click, o persone raggiunte, secondo l’obiettivo).
Prova a freddo. Sui dati della sfida abbiamo previsto i 12 pubblici senza usare lo storico: solo categoria, tipo di pubblico, budget, creatività e date. Errore sul CPM 17% (un valore tipico fisso sbaglia del 22%), sul CTR 25% (un valore fisso del 23%). L’ordine dei pubblici è giusto: correlazione 0,94 sul CTR e 0,97 sul CPM, che un valore fisso non sa dare.
Le quote della popolazione sono approssimazioni ragionate dei dati ISTAT ed Eurostat, non tabelle ufficiali; le sensibilità alle leve sono ipotesi dichiarate. Stanno tutte in un file (flockets/persone.py) e si possono sostituire. Il database completo è in output/persone.csv.gz.
Quanto ci fidiamo
- Prova sul passato. Sui dati della sfida abbiamo nascosto al modello due settimane già avvenute, sette volte. Errore medio sul CPM 6,1% (contro 8,1% di «come la settimana scorsa»; il minimo possibile è 5,8%), sul CTR 13,7% (contro 18,0%; minimo 11,0%).
- Dati veri. Su 79 marche reali (dataset pubblico Conjura) è alla pari con «come la settimana scorsa»; fa meglio dove c’è un evento noto: nel 2023 il Black Friday dell’anno prima ha anticipato quello vero in rapporto 1 a 1.