Caso studio primaria società italiana settore Finance: migliore attribuzione conversioni e allocazione del budget sui canali giusti grazie Server-Side tracking e BigQuery

(* Il nome del cliente è coperto da accordo di riservatezza, e per questo motivo non può essere divulgato)

La collaborazione della Società* con Tag Manager Italia è iniziata con l’obiettivo di creare un’architettura data-driven omnichannel capace di tracciare il vero ciclo di vita dell’utente:

dall’interazione iniziale online fino al closing finale della pratica gestita offline dal CRM aziendale.

Con oltre 250 form di lead generation distribuiti su domini e sottodomini diversi, la mancanza di un sistema di tracciamento unificato comprometteva la visione strategica a 360 gradi delle performance di marketing e l’allocazione intelligente del budget pubblicitario su molteplici piattaforme advertising.

 

Le esigenze specifiche includevano:

• Identificare in modo preciso gli utenti, riconciliando i loro percorsi di navigazione, azioni e preferenze tra sessioni, device e canali diversi lungo l’intero customer journey tra online e offline
• Monitorare con precisione le fasi critiche del ciclo di vita del lead nel CRM attraverso il tracciamento strutturato degli step di qualificazione, lavorazione e closing, per collegare ciascuna azione commerciale alle campagne marketing che l’hanno originata
• Unificare i dati online e offline in un’unica visione coerente attraverso un’architettura di integrazione dati che permettesse di allocare il budget pubblicitario in base all’impatto reale sulla conversione finale, non su metriche parziali o frammentate
• Implementare una soluzione di tracciamento che raccogliesse i dati in modo granulare e corretto da 250 form distribuiti su landing page e domini diversi
• Costruire dashboard e report che permettessero un’analisi stratificata per contatto, tipologia di lead, prodotto finanziario e performance delle campagne advertising su 6 piattaforme diverse (Meta Ads, Google Ads, TikTok Ads, Taboola, Outbrain, MGID)

Soluzione adottata

Per raggiungere questi obiettivi, abbiamo progettato un’architettura data-driven omnichannel articolata su cinque componenti strategiche interconnesse.

1. Implementazione di uno User ID custom persistente

Abbiamo sviluppato un sistema di identificazione dell’utente che generasse un identificativo univoco (User ID) al primo accesso sul sito web.

In particolare, in seguito alla generazione automatica di un User ID univoco:

• Viene tracciata in modo immediato ogni interazione dell’utente durante le sessioni di navigazione
• Il codice univoco viene associato a un utente specifico e salvato nel CRM aziendale dopo l’invio di una richiesta di preventivo, riconciliando così i dati di navigazione dell’utente con le sue specifiche richieste e preferenze
• Viene mantenuta persistenza cross-device e cross-session sia online che offline, assicurando un monitoraggio accurato del percorso di conversione dell’utente

Questo approccio ha permesso di risolvere un problema fondamentale: l’assenza di autenticazione nativa dell’utente.

Fino al momento della richiesta di preventivo gli utenti non avevano un profilo riconoscibile all’interno del CRM.

Grazie allo User ID custom, è stato possibile tracciare in modo univoco ogni utente lungo l’intero customer journey, indipendentemente dai dati anagrafici forniti nei form (che potevano variare tra compilazioni diverse dello stesso utente).

2. Tracciamento degli eventi offline tramite Measurement Protocol e tracciamento Server-Side

Una volta che il lead veniva salvato nel CRM, ogni azione commerciale successiva veniva registrata e inviata a GA4 tramite una struttura di eventi standardizzata gestita attraverso Google Tag Manager (GTM) Server-Side.

Abbiamo quindi:

1- Definito specifiche categorie di eventi per mappare il ciclo di vita del lead: qualify_lead (quando il lead viene qualificato da un consulente), working_lead (quando il lead entra nella fase di contatto commerciale) e close_convert_lead (quando viene confermata la transazione finale).

2- Implementato il Measurement Protocol per inviare dati offline dal CRM verso GTM Server-Side e avere così informazioni complete e rilevanti relative a ciascun lead: dai parametri utente crittografati (email, telefono, nome, cognome, regione, CAP) fino ai parametri di contesto (fascia di reddito, valutazione lead, categoria lavorativa, presenza trattenuta, rinnovabilità, etc.).

3- Garantito la qualità e precisione dei dati offline, assicurando che GA4 ricevesse dati offline della medesima qualità e struttura dei dati online e permettendo analisi omogenee lungo tutto il customer journey.

Questo approccio ha permesso di monitorare non solo le interazioni digitali, ma l’intero ciclo di vita del lead all’interno del CRM, creando una narrazione coerente e completa dal primo touchpoint alla conversione finale.

3. Implementazione di tracciamenti avanzati per eventi complessi multi-step

La natura articolata del business della Società richiedeva il tracciamento di eventi complessi strutturati su wizard multi-step (form di richiesta preventivo suddivisi in più pagine o sezioni sequenziali che l’utente completa progressivamente).

Ciascun form multi-step richiedeva la raccolta di informazioni finanziarie specifiche (categoria lavorativa, presenza e tipologia di trattenute, fascia di reddito).

Abbiamo quindi sviluppato:

1- Tracciamento granulare, configurando eventi dedicati per ogni step del processo che raccogliessero informazioni chiave come urgenza del prestito, categoria lavorativa, presenza e rinnovabilità delle trattenute.

2- Evento di tracciamento ad hoc per lead non qualificati, monitorando così anche gli utenti che non completavano il processo per mancanza di requisiti e registrando lo step e il campo specifico che impediva la qualifica (es. “Step 1 – Professione” con label “Altro”).

3- Tracciamento delle micro-interazioni chiave per mappare l’intero processo di conversione, raccogliendo informazioni utili per analizzare le sessioni di form abbandonato e non inviato (ad esempio, se il primo step viene compilato, invio del form completo con valore monetario del lead, interazioni con call to action nei pulsanti, etc.).

4. Architettura BigQuery per integrazione multi-sorgente e reportistica avanzata

Per superare i limiti di GA4 e abilitare un’analisi omnichannel davvero completa con dati provenienti da molteplici fonti, abbiamo implementato un’architettura personalizzata di data warehouse utilizzando Google BigQuery.

1. Creazione di connettori personalizzati per le 6 piattaforme advertising usate (Meta Ads, Google Ads, TikTok Ads, Taboola, Outbrain e MGID).

Questi connettori garantivano pieno controllo:

• su quali dati raccogliere e il formato corretto con cui registrarli (date uniformate, valute convertite in EUR, nomi delle campagne standardizzati, etc.)
• sulla raccolta dei dati necessari per le analisi, ignorando altre informazioni non rilevanti per gli obiettivi di business e di marketing
• sulla trasformazione dei dati durante l’importazione secondo regole personalizzate (raggruppamento automatico delle campagne per tipologia di prodotto finanziario, calcolo del costo per lead per piattaforma advertising, etc.)

2. Collegamento dei dati del CRM (anagrafici, offerte, richieste inviate, pratiche in gestione, etc.), arricchendoli con i nuovi parametri di tracciamento implementati (User ID custom, parametri di sessione, dati di consenso, etc.).

3. Creazione di tabelle preliminari di aggregazione dei dati che contengono solo le informazioni rilevanti per le analisi. Questo ha permesso di ottimizzare la velocità e i costi di richiesta dei dati da visualizzare nelle dashboard e nei report dedicati.

5 . Progettazione di un modello predittivo custom basato su Machine Learning e dashboard avanzate

Per andare oltre i modelli di attribuzione standard e sfruttare appieno la ricchezza dei dati integrati, il nostro team di Ricerca e Sviluppo ha progettato un modello predittivo custom di Machine Learning.

Il modello predittivo custom sviluppato analizza simultaneamente tutti i dati integrati nell’architettura BigQuery (costi delle campagne advertising, tipologia e finalizzazione dei lead dal CRM, attributi di navigazione ed eventi dal sistema analytics) per calcolare la probabilità di conversione di ogni sessione.

A differenza dei modelli di attribuzione tradizionali – che assegnano il credito in base a regole fisse (prima interazione, ultima interazione, lineare) -, il modello sviluppato utilizza algoritmi di Machine Learning per identificare quali combinazioni di touchpoint e comportamenti di navigazione hanno effettivamente maggiore impatto sulla conversione finale.

Il modello assegna quindi pesi dinamici alle diverse sorgenti sulla base della loro capacità predittiva reale, permettendo alla Società di comprendere quali canali advertising contribuiscono maggiormente alle conversioni qualificate e al closing delle pratiche.

Questo approccio ha permesso di superare i limiti dei modelli di attribuzione standard delle conversioni – che tendono a sovra-attribuire valore alle ultime interazioni o a distribuirlo uniformemente -, fornendo invece un’attribuzione totalmente personalizzata perché basata sull’effettivo contributo di ogni canale al risultato di business della Società.

Dalla creazione del modello di attribuzione di Machine Learning abbiamo quindi creato e collegato dashboard e report di analisi dedicati, personalizzati sugli obiettivi definiti, in particolare:

• ROAS: report dedicato all’analisi del ritorno pubblicitario in termini di conversioni (eventi lead online e offline), con integrazione dati di prima parte dal CRM
• Lead (Contatti): report dedicato all’analisi dei dati CRM in combinazione con i dati di navigazione in GA4
• Deep-touch: report dedicato ai percorsi di conversione dell’utente, con analisi dettagliata di tutti i touchpoint (sorgenti) che hanno caratterizzato il customer journey
• Landing: report dedicato all’analisi dei dati advertising in combinazione con GA4, focalizzato sulle performance delle landing page

Unito al modello di Machine Learning per l’analisi delle attribuzioni delle conversioni, il nostro team R&D ha sviluppato ulteriori modelli predittivi dedicati, nello specifico:

• Anomaly detection: basato su regressione lineare per individuare tempestivamente anomalie nei KPI monitorati (ad esempio, calo improvviso di eventi lead online da specifiche sorgenti) rispetto all’intervallo di confidenza costruito sui dati storici, permettendo interventi correttivi immediati
• ADV Performance Forecast: basato su regressione lineare per prevedere le performance future delle piattaforme pubblicitarie rispetto ai trend storici, supportando decisioni proattive di allocazione budget

Risultati ottenuti

Gli interventi realizzati hanno permesso alla Società di trasformare il processo decisionale strategico e operativo di marketing e di business, ottenendo miglioramenti tangibili in particolare:

1- Visione unificata del customer journey completo online/offline – riuscendo a ingaggiare il target giusto nel canale giusto, diversificando in modo profittevole il budget lungo tutto il funnel e intercettando i lead in modo data-driven sulla base di evidenze concrete.

2- Monitoraggio granulare multi-livello del lead – la capacità di segmentare per tipologia di contatto, prodotto finanziario, categoria lavorativa e opportunità commerciale ha permesso di comprendere precisamente quali fattori favoriscono la qualificazione e il closing a ogni livello di granularità, fondendo una comprensione strategica impossibile prima quando i dati erano frammentati tra GA4 e CRM.

3- Migliori attribuzioni delle conversioni e allocazione degli investimenti – ottimizzando la spesa pubblicitaria e riducendo gli sprechi grazie a decisioni di budget allocation fondate su evidenze concrete derivanti dall’integrazione di dati analytics, advertising e CRM, con la possibilità di confrontare simultaneamente quattro diversi modelli di attribuzione.

4- Dashboard in tempo reale per analisi specifiche – BigQuery e Looker Studio hanno permesso la creazione di reportistiche personalizzate per ciascun ambito di analisi (ROAS, Lead, Deep-touch, Landing), migliorando la capacità decisionale grazie a dati sempre aggiornati e granulari.

5- Tracciamento completo del ciclo di vita di lead e clienti– dalla prima interazione online (anche senza autenticazione) fino al closing finale della pratica nel CRM, passando per tutti gli step intermedi di qualificazione e lavorazione, eliminando i punti ciechi che caratterizzavano il sistema precedente.

6- Scalabilità e robustezza dell’architettura di gestione dei dati – il sistema implementato gestisce correttamente oltre 250 form distribuiti su landing page diverse, superando i vincoli tecnici di integrazione cross-domain, garantendo continuità nella raccolta dati indipendentemente dalla complessità della struttura web.

Conclusioni

Hai domande in merito o ti serve supporto per le tue attività di tracciamento e analisi di funnel marketing, attribuzione corretta delle conversioni e del percorso di conversione degli utenti?

Contattaci senza impegno: saremo entusiasti di aiutarti capire come aumentare la precisione e qualità dei dati per ottimizzare performance e costi grazie a una strategia di digital analytics personalizzata.