La meta-analisi raccontata in questo numero ha trovato qualcosa da isolare e portare fino in fondo: i fattori che spiegano meglio l’engagement di un post sponsorizzato non sono gli stessi che spiegano meglio le vendite reali che quel post genera. Sono due cose diverse, guidate da meccanismi diversi. Eppure la stragrande maggioranza dei brief creativi, dei report mensili, delle valutazioni di campagna che circolano nel settore continua a trattare l’engagement come se fosse un indicatore affidabile delle vendite — un proxy che, in molti casi concreti, semplicemente non lo è. C’è un nome per questo fenomeno, coniato da un economista negli anni Settanta per tutt’altro motivo, e merita di essere conosciuto perché descrive con precisione chirurgica un errore che questa testata ha incontrato, in forme diverse, quasi ogni settimana.
La legge, in una frase
Charles Goodhart, economista britannico, la formulò a proposito della politica monetaria: quando una misura diventa un obiettivo, smette di essere una buona misura. L’osservazione originale riguardava le banche centrali che sceglievano un indicatore economico come bersaglio esplicito di policy — e scoprivano, puntualmente, che l’indicatore smetteva di comportarsi come si comportava prima, proprio perché ora tutti agivano specificamente per spostarlo. La formulazione si è poi generalizzata ben oltre l’economia monetaria, perché descrive un meccanismo che si ripete ovunque un numero smetta di essere un’osservazione e diventi un bersaglio.
Perché succede, in termini semplici
Una metrica funziona come indicatore utile finché resta una fotografia onesta di qualcosa che ci interessa davvero — le vendite, la fiducia, la qualità. Nel momento in cui qualcuno inizia a ottimizzare deliberatamente per quella metrica, perché è quella che viene misurata, premiata, mostrata in una slide, le persone coinvolte trovano quasi sempre un modo per farla salire che non fa salire la cosa che dovrebbe rappresentare. A volte perché il collegamento tra le due non era mai stato così forte come si credeva. A volte perché l’atto stesso di ottimizzare rompe quel collegamento — un countdown timer fabbricato genera clic curiosi che non convertono mai, esattamente come raccontato nel pezzo di questa testata sulla scarsità e l’urgenza fittizie.
Gli esempi, in fila
Un content creator che ottimizza direttamente per i like e i commenti, perché sono il numero che il brief gli chiede di far salire, può riuscirci benissimo senza spostare di una virgola le vendite reali — è esattamente il divario documentato oggi dalla meta-analisi. Un’agenzia che ottimizza per “il test ha raggiunto la significatività statistica” può arrivarci fermando l’osservazione nel momento più favorevole, invece di rispettare la durata pianificata all’inizio — è il difetto già descritto nel pezzo sui case study di conversion rate optimization. Un content team che ottimizza per “farsi citare da un motore di risposta AI”, scrivendo appositamente per la citabilità algoritmica invece che per l’accuratezza, produce contenuti sempre più ottimizzati per essere ripresi e sempre meno affidabili una volta ripresi — il tema al centro di più pezzi pubblicati su questa testata nelle ultime settimane. Tre settori diversi, tre metriche diverse, la stessa identica dinamica.
Ogni volta che un’organizzazione sceglie un singolo numero visibile come bersaglio esplicito — aumentiamo l’engagement del 20%, vogliamo più citazioni dai motori di risposta AI, questo trimestre puntiamo al tasso di conversione più alto di sempre — dovrebbe aspettarsi che il modo più facile per raggiungere quel numero non sia necessariamente il modo che sposta anche l’obiettivo reale che quel numero avrebbe dovuto rappresentare. Non è un’ipotesi pessimistica sulla buona fede delle persone coinvolte. È una conseguenza quasi meccanica di trasformare un’osservazione in un bersaglio: chi deve raggiungerlo troverà, quasi sempre, la strada più breve, e la strada più breve raramente coincide con la strada che fa bene anche a tutto il resto.
Cosa fare, in pratica
La risposta non è smettere di misurare, che sarebbe come smettere di guardare la strada per paura di sbagliare direzione. È mantenere più di un indicatore alla volta, invece di ottimizzare per un solo numero isolato a lungo termine, e verificare periodicamente che la metrica scelta come proxy stia ancora davvero tracciando l’obiettivo che dovrebbe rappresentare — lo stesso principio, in fondo, già raccomandato nel pezzo di questa testata sullo zero-party data: confrontare periodicamente ciò che un indicatore dichiara con ciò che succede realmente, invece di trattare il numero come una verità acquisita una volta per tutte. La legge di Goodhart non dice che le metriche siano inutili. Dice che smettono di essere oneste esattamente nel momento in cui qualcuno inizia a inseguirle senza più controllare se raccontano ancora la verità.