Il cliente moderno passa attraverso multipli touchpoint prima di acquistare: vede un annuncio Meta, ricerca su Google, legge una recensione, riceve un’email, torna sul sito da link diretto, compra. Quale canale “merita” il merito della vendita? La risposta sembra ovvia (l’ultimo touchpoint) ma è di norma sbagliata: ignorare i canali che hanno alimentato la scoperta porta a sottovalutare top-of-funnel e a sovrastimare canali “di chiusura”. I modelli di attribuzione sono il metodo per distribuire correttamente il merito delle vendite tra i canali coinvolti.
I modelli principali e cosa raccontano
Sei modelli di attribuzione sono comunemente disponibili nelle piattaforme analytics.
Il Last-click attribution: tutto il merito all’ultimo touchpoint prima della conversione. Modello tradizionale, semplice ma limitato. Sopravvaluta canali “di chiusura” (Search, direct, email), sottovaluta canali “di scoperta” (social, display, video).
Il First-click attribution: tutto il merito al primo touchpoint. Inverso del precedente, sopravvaluta canali di acquisizione iniziale e sottovaluta canali di chiusura.
Il Linear attribution: merito distribuito uniformemente su tutti i touchpoint. Più equo dei modelli “first/last” ma non considera che alcuni touchpoint contano di più di altri.
Il Time decay: dà più peso ai touchpoint più recenti, decrescendo verso quelli più lontani nel tempo. Bilancia “alto valore della scoperta” e “rilevanza della prossimità all’acquisto”.
Il Position-based (U-shaped): dà 40% al primo touchpoint, 40% all’ultimo, 20% distribuito sui touchpoint intermedi. Riconosce l’importanza di scoperta e chiusura, valorizza meno i touchpoint “di mantenimento”.
Il Data-driven attribution (DDA): usa machine learning per attribuire merito basandosi sui dati reali dell’account. Considera quante interazioni con un canale specifico hanno portato a conversione vs no, costruendo modello statistico personalizzato. È il modello moderno raccomandato da Google in GA4, ma richiede volumi di dati significativi per essere accurato.
Per il quadro generale dell’analytics, il riferimento è il pillar su analytics per ecommerce.
Perché l’attribuzione conta davvero
Il modello di attribuzione scelto cambia significativamente come si vede la performance dei canali.
Esempio pratico: ecommerce con 100 conversioni mensili. Cliente tipico passa per: Instagram organico (scoperta) → Google Search (ricerca) → Email (re-engagement) → Acquisto.
Con last-click: 100 conversioni attribuite a Email (l’ultimo touchpoint).
Con first-click: 100 conversioni attribuite a Instagram (il primo).
Con linear: 33 conversioni a ognuno dei tre canali.
Con data-driven: distribuzione variabile basata sui dati storici, potenzialmente molto diversa.
Le conseguenze sulle decisioni sono significative. Con last-click, si potrebbe tagliare il budget Instagram pensando che “non porta conversioni” — ma Instagram era il canale che le iniziava. Con first-click, si potrebbe tagliare l’email pensando sia inutile — ma era il canale che le chiudeva. Modelli più equilibrati (DDA, position-based) producono attribuzioni più realistiche.
Quale modello scegliere
La scelta del modello dipende dall’obiettivo di analisi e dalla maturità del business.
Per ecommerce nuovi con volumi piccoli: last-click funziona come punto di partenza. Semplice da capire, abbastanza affidabile per identificare canali che chiudono vendite. Limite: nasconde il valore dei canali di scoperta.
Per ecommerce in crescita con volumi medi: time decay o position-based sono compromessi ragionevoli. Permettono di valorizzare scoperta e chiusura senza richiedere volumi enormi.
Per ecommerce maturi con volumi significativi: data-driven attribution è la scelta più sofisticata. GA4 lo offre nativamente come modello “Cross-channel data-driven” quando ci sono sufficienti dati. Permette decisioni di marketing molto più informate.
Una nota: i diversi modelli non vanno usati esclusivamente. La buona prassi è guardare gli stessi dati con modelli diversi per avere prospettive multiple. Reports di “model comparison” in GA4 mostrano la differenza tra modelli per le stesse conversioni.
Le sfide del 2026: privacy e tracking degradato
L’attribuzione è diventata più difficile negli ultimi anni per via di erosione del tracking.
I fattori che hanno reso difficile l’attribuzione:
Apple ATT (App Tracking Transparency): utenti iOS che non acconsentono al tracking limitano significativamente la capacità delle piattaforme di seguire user journey cross-app.
Deprecazione cookie di terze parti (in corso): riduce capacità di tracking cross-site.
Ad blocker: blocco di pixel di tracking impedisce raccolta di dati.
Walled gardens: Meta, Google non condividono dati dettagliati con altre piattaforme, rendendo difficile l’attribuzione cross-platform.
Le risposte tecniche:
Server-side tracking (vedi anche tracciamento delle conversioni): recupera dati che il tracking client-side perde.
Modeled conversions (in Google Analytics e Google Ads): l’AI stima le conversioni perse basandosi sui dati disponibili.
Marketing Mix Modeling (MMM): tecnica statistica avanzata che attribuisce fatturato ai canali senza fare affidamento su tracking individuale. Funziona a livello aggregato, non per singolo cliente. Adatta a ecommerce maturi con budget significativi.
Incremental lift testing: misurazione “scientifica” del valore incrementale di un canale tenendolo acceso vs spento per segmenti di test.
Domande frequenti
Posso confrontare canali con modelli di attribuzione diversi?
No, e questo è uno degli errori più frequenti. Confrontare ROAS di Google Ads (attribuito sulla propria piattaforma, di norma con bias verso last-click Google) con ROAS di Meta Ads (attribuito da Meta con bias verso Meta) è apple-to-oranges. La buona prassi: scegliere un modello “neutro” (GA4 con data-driven, oppure linear) e confrontare tutti i canali su quel modello. Modello scelto va dichiarato e mantenuto consistente per essere comparabili.
Quanto volume serve per data-driven attribution?
GA4 richiede approssimativamente 3.000 conversioni nell’ultimo periodo 28 giorni per attivare DDA. Sotto questo volume, GA4 ricorre a modelli più semplici. Per ecommerce piccoli che non raggiungono questi volumi: time decay o position-based sono le migliori alternative. Aspettarsi DDA con poche conversioni produce dati inaffidabili.
Come gestire l’attribuzione tra canali che non si parlano (Meta vs Google)?
Tre approcci. Modello multitouch su GA4: GA4 vede entrambi i canali e attribuisce. Limite: GA4 non vede impressioni Meta non cliccate. Marketing Mix Modeling: tecnica statistica che funziona a livello aggregato senza tracking individuale. Adatta a ecommerce con budget significativi. Incremental lift test: tenere acceso/spento un canale per segmento di test e misurare differenza. Per il quadro completo sul ROAS, c’è anche come calcolare ROAS e budget pubblicitario.
Quale modello è “corretto” in senso assoluto?
Nessuno è perfettamente “corretto” — sono modelli con assunzioni diverse. Il data-driven attribution è probabilmente il più accurato nella maggior parte degli scenari, ma richiede volumi significativi. Position-based e time decay sono buoni compromessi per scale medie. Last-click resta utile per analisi puntuali nonostante i limiti noti. La buona prassi è guardare gli stessi dati attraverso più modelli per avere prospettive complementari, non cercare il “modello giusto” assoluto.
