Ogni piattaforma di media buying vende il proprio bidder come “intelligenza artificiale che ottimizza in tempo reale”. La frase è tecnicamente vera e dice quasi niente su cosa succede davvero quando si preme il tasto che attiva l’ottimizzazione automatica. Vale la pena aprire la scatola, perché le decisioni che chi pianifica campagne prende a monte contano più di qualunque parametro che l’algoritmo regoli da solo a valle.
Cosa ottimizza un bidder automatico
Un bidder AI-driven riceve un obiettivo — costo per conversione target, ritorno sulla spesa pubblicitaria target, massimizzazione delle conversioni entro un budget — e regola in tempo reale quanto offrire per ogni singola asta pubblicitaria, in base a segnali osservati sull’utente e sul contesto: dispositivo, orario, storico di interazione con il brand, comportamento recente su piattaforma. Il meccanismo sotto è quasi sempre una forma di apprendimento per rinforzo o un modello predittivo aggiornato di continuo, che stima la probabilità di conversione di quella specifica asta e decide l’offerta di conseguenza.
Il punto da capire è che il bidder ottimizza esattamente l’obiettivo che gli viene dato, non un’idea più ampia di performance della campagna. Se l’obiettivo impostato è il costo per conversione, il bidder troverà le combinazioni di pubblico e contesto che minimizzano quel costo, anche se questo significa concentrarsi su un pubblico già convinto che avrebbe convertito comunque, spendendo poco per generare conversioni che non sono davvero incrementali. L’algoritmo non ha modo di distinguere una conversione che sarebbe avvenuta senza l’annuncio da una che l’annuncio ha effettivamente causato, a meno che non venga esplicitamente misurato con un test di incrementalità a parte.
Cosa occorre perché funzioni
Il primo requisito è il volume di dati. Questi sistemi imparano dalle conversioni osservate, e sotto una certa soglia — che varia per piattaforma ma è tipicamente nell’ordine di alcune decine di conversioni a settimana per campagna — l’algoritmo non ha abbastanza segnale per stabilizzarsi, e il risultato è più simile a un’oscillazione casuale che a un’ottimizzazione reale. In quel caso spesso conviene consolidare più campagne in una sola per raggiungere un volume sufficiente, anche a costo di perdere un po’ di granularità nel controllo.
Il secondo requisito è la qualità del segnale di conversione mandato indietro alla piattaforma. Se il pixel o l’integrazione server-side che riporta le conversioni è configurato male — conta conversioni duplicate, ha un ritardo eccessivo, o manca eventi importanti — il bidder ottimizza su un segnale sporco, e nessuna sofisticazione dell’algoritmo compensa dati di input inaffidabili.
Il terzo è il tempo di apprendimento. Ogni volta che si cambia obiettivo, budget in modo drastico, o creatività in blocco, il sistema entra in una fase di apprendimento in cui le performance tipicamente peggiorano prima di stabilizzarsi di nuovo. Cambiare parametri troppo spesso, con l’intenzione di “aiutare” l’algoritmo, di fatto lo tiene perennemente in fase di apprendimento e gli impedisce di convergere.
Cosa questi sistemi non fanno
Non decidono la strategia di targeting a monte: definiscono al massimo dentro quali confini muoversi, ma il pubblico di partenza, il posizionamento del brand, il messaggio creativo restano decisioni umane che l’automazione eredita e ottimizza, senza metterle in discussione. Un bidder eccellente su un targeting sbagliato ottimizza comunque un risultato mediocre, solo con più efficienza.
Non misurano l’incrementalità, per il motivo già descritto: ottimizzano un segnale di conversione osservato, non una stima di cosa sarebbe successo senza la campagna. Chi vuole sapere se un canale automatizzato sta davvero generando valore aggiuntivo, e non solo intercettando conversioni che sarebbero avvenute comunque, deve affiancare un test di incrementalità separato — tipicamente un test geografico o un holdout — perché il bidder da solo non fornisce quel dato.
L’errore più comune
Trattare l’attivazione del bidding automatico come sostituto della strategia, invece che come esecuzione di una strategia già definita. Chi delega all’algoritmo anche le decisioni di targeting e posizionamento, sperando che “impari da solo” cosa funziona, ottiene spesso un sistema che converge rapidamente verso il pubblico più facile da convertire e più povero in termini di crescita reale — perché è lì che trova il segnale più forte e il costo per conversione più basso, non perché sia lì che si trova il valore a lungo termine per il brand.