[{"data":1,"prerenderedAt":538},["ShallowReactive",2],{"category-Data Science":3},[4],{"id":5,"title":6,"body":7,"categories":519,"coverImage":523,"date":524,"description":525,"extension":526,"meta":527,"navigation":528,"path":529,"seo":530,"stem":531,"sticky":532,"tags":533,"__hash__":537},"articles/marketing-engineering-il-caos-non-scala.md","Marketing Engineering: software mindset applicato al business",{"type":8,"value":9,"toc":504},"minimark",[10,17,22,32,35,50,56,62,73,83,89,98,101,105,108,122,129,135,139,145,153,156,159,176,180,186,192,203,212,216,219,224,227,241,244,248,254,257,268,274,278,281,301,304,322,332,336,346,349,360,363,374,379,383,389,392,403,406,417,420,424,436,439,453,462,466,469,478,481,498,501],[11,12,13],"p",{},[14,15,16],"em",{},"Caso reale: budget limitato, geografia \"a lentiggine\" e una domanda semplice solo in apparenza. In questo post racconto come ho trasformato quel caos in un processo decisionale operativo.",[18,19,21],"h2",{"id":20},"quando-il-problema-non-è-tecnico-ma-il-metodo-sì","Quando il problema non è tecnico, ma il metodo sì",[11,23,24,25,28],{},"Nel marketing complesso non basta il solo intuito.",[26,27],"br",{},[29,30,31],"strong",{},"Serve rigore operativo.",[11,33,34],{},"Per me significa due cose:",[36,37,38,44],"ul",{},[39,40,41],"li",{},[29,42,43],{},"non decidere a sensazione",[39,45,46,49],{},[29,47,48],{},"non delegare ciecamente alla piattaforma",", sperando che la sua AI ottimizzi da sola",[11,51,52,53],{},"La richiesta, in questo caso, era diretta: ",[29,54,55],{},"\"Abbiamo questa situazione, idee?\"",[11,57,58,59,61],{},"Sembra una domanda semplice.",[26,60],{},"\nIn realtà contiene tre problemi diversi:",[36,63,64,67,70],{},[39,65,66],{},"un problema di business (budget limitato)",[39,68,69],{},"un problema operativo (territorio frammentato)",[39,71,72],{},"un problema decisionale (come prioritizzare in modo razionale)",[11,74,75,76,78,79,82],{},"Quindi no: non era \"solo\" un tema di targeting.",[26,77],{},"\nEra un tema di ",[29,80,81],{},"allocazione sotto vincoli",".",[84,85,86],"blockquote",{},[11,87,88],{},"In una situazione così non serve il bazooka: servono proiettili d'argento.",[11,90,91,92,94,95,82],{},"Un chiarimento sul ruolo: non nasco come marketer operativo.",[26,93],{},"\nVengo coinvolto quando il tema marketing smette di essere solo execution e diventa un problema di ",[29,96,97],{},"allocazione, dati e qualità decisionale",[11,99,100],{},"In questo caso ho applicato criteri, ragionamenti e strategie che uso da anni in ambito tech/software: scomporre il problema, definire vincoli espliciti, progettare un processo replicabile e misurare ogni decisione.",[18,102,104],{"id":103},"_1-la-situazione-di-partenza-cosa-rendeva-il-problema-difficile","1) La situazione di partenza: cosa rendeva il problema difficile",[11,106,107],{},"Il contesto era questo:",[36,109,110,113,116,119],{},[39,111,112],{},"copertura reale limitata a micro-zone non continue",[39,114,115],{},"base clienti potenziale distribuita in modo irregolare",[39,117,118],{},"pressione a partire in fretta",[39,120,121],{},"budget non sufficiente per \"testare tutto\"",[11,123,124,125,128],{},"Io questa configurazione l'ho ribattezzata ",[29,126,127],{},"\"geografia a lentiggine\"",": a macchia di leopardo sarebbe stato già un lusso.",[11,130,131,132,134],{},"In pratica, ogni euro aveva costo opportunità alto.",[26,133],{},"\nSe lo mettevi nel posto sbagliato, non perdevi solo budget: perdevi tempo di apprendimento.",[18,136,138],{"id":137},"_2-perché-il-solo-intuito-non-bastava","2) Perché il solo intuito non bastava",[11,140,141,142,144],{},"L'intuito è utile, soprattutto nelle prime fasi.",[26,143],{},"\nMa qui c'erano due limiti strutturali:",[36,146,147,150],{},[39,148,149],{},"troppa variabilità geografica per ragionare \"a colpo d'occhio\"",[39,151,152],{},"troppi decisori con opinioni plausibili ma non confrontabili",[11,154,155],{},"Quando tutti hanno una buona ipotesi, il rischio è restare paralizzati o scegliere la voce più forte, non la scelta migliore.",[11,157,158],{},"Serviva quindi un criterio:",[36,160,161,166,171],{},[39,162,163],{},[29,164,165],{},"replicabile",[39,167,168],{},[29,169,170],{},"spiegabile al business",[39,172,173],{},[29,174,175],{},"traducibile in execution media",[18,177,179],{"id":178},"_3-perché-non-lasciare-tutto-alla-piattaforma","3) Perché non lasciare tutto alla piattaforma",[11,181,182,183,185],{},"Domanda legittima: \"non può pensarci la piattaforma con la sua AI?\"",[26,184],{},"\nIn parte sì. Ma con un costo.",[11,187,188,189,191],{},"Le piattaforme ottimizzano dopo aver visto abbastanza distribuzione.",[26,190],{},"\nQuella fase richiede volume, quindi budget. E nelle fasi iniziali può significare:",[36,193,194,197,200],{},[39,195,196],{},"dispersione",[39,198,199],{},"targeting troppo ampio",[39,201,202],{},"segnali rumorosi prima di convergere",[11,204,205,206,82,209,211],{},"Quando il budget è stretto, ",[29,207,208],{},"non puoi comprare apprendimento indefinito",[26,210],{},"\nDevi arrivare con una tesi iniziale più robusta.",[18,213,215],{"id":214},"_4-la-domanda-giusta-prima-della-tecnica","4) La domanda giusta prima della tecnica",[11,217,218],{},"Prima di parlare di ML, ho riformulato la domanda così:",[11,220,221],{},[29,222,223],{},"Come trasformiamo una geografia complessa in una lista ordinata di priorità di investimento?",[11,225,226],{},"Da qui derivano i requisiti del metodo:",[36,228,229,232,235,238],{},[39,230,231],{},"partire da dati realmente disponibili",[39,233,234],{},"gestire irregolarità e outlier",[39,236,237],{},"produrre output operativi, non solo analitici",[39,239,240],{},"mantenere la logica trasparente per il team",[11,242,243],{},"Solo a questo punto ha senso discutere di strumenti.",[18,245,247],{"id":246},"_5-dati-minimi-utili-il-vero-punto-di-leva","5) Dati minimi utili: il vero punto di leva",[11,249,250,251,82],{},"Il principio è semplice: ",[29,252,253],{},"dataset minimo utile prima, complessità dopo",[11,255,256],{},"Per questo caso bastavano:",[36,258,259,262,265],{},[39,260,261],{},"coordinate lat/lon dei punti servibili",[39,263,264],{},"eventuale peso commerciale per punto",[39,266,267],{},"vincoli operativi della piattaforma Ads (es. raggio minimo)",[11,269,270,271,273],{},"Non serviva un data lake.",[26,272],{},"\nServiva una base coerente per prendere decisioni migliori delle alternative manuali.",[18,275,277],{"id":276},"_6-dove-entra-ml-e-perché-qui-ha-senso","6) Dove entra ML (e perché qui ha senso)",[11,279,280],{},"Solo dopo il framing decisionale, ML e statistica diventano utili:",[36,282,283,289,295],{},[39,284,285,288],{},[29,286,287],{},"la statistica"," definisce la scala reale del problema (e protegge dagli outlier)",[39,290,291,294],{},[29,292,293],{},"il ML"," identifica pattern geografici non ovvi a vista",[39,296,297,300],{},[29,298,299],{},"il ranking"," trasforma l'analisi in priorità",[11,302,303],{},"Pipeline essenziale:",[305,306,307,310,313,316,319],"ol",{},[39,308,309],{},"stima scala locale con k-NN",[39,311,312],{},"clustering per densità con DBSCAN",[39,314,315],{},"metriche cluster (numerosità, dispersione, centroide, valore)",[39,317,318],{},"ranking delle aree per priorità investimento",[39,320,321],{},"traduzione in azione Ads (centroide + raggio operativo)",[11,323,324,327,329],{},[14,325,326],{},"Il punto non è usare ML \"per innovare\".",[26,328],{},[14,330,331],{},"Il punto è ridurre arbitrarietà nelle decisioni di budget.",[18,333,335],{"id":334},"_7-loutput-che-serve-davvero-al-business","7) L'output che serve davvero al business",[11,337,338,341,343],{},[29,339,340],{},"L'output utile non è una mappa bella da vedere.",[26,342],{},[29,344,345],{},"È una lista prioritaria argomentabile in riunione.",[11,347,348],{},"Per ogni area candidata:",[36,350,351,354,357],{},[39,352,353],{},"livello di priorità",[39,355,356],{},"razionale quantitativo",[39,358,359],{},"vincolo operativo per l'attivazione",[11,361,362],{},"A quel punto la discussione cambia:",[36,364,365,368,371],{},[39,366,367],{},"dove abbiamo maggiore densità utile?",[39,369,370],{},"dove il valore commerciale giustifica maggiore dispersione?",[39,372,373],{},"quanta quota di rumore siamo disposti ad accettare?",[11,375,376],{},[29,377,378],{},"Meno opinioni generiche, più trade-off espliciti.",[18,380,382],{"id":381},"_8-cosa-cambia-nel-modo-di-lavorare","8) Cosa cambia nel modo di lavorare",[11,384,385,386,388],{},"Il cambiamento non è solo tecnico.",[26,387],{},"\nÈ anche organizzativo.",[11,390,391],{},"Prima:",[36,393,394,397,400],{},[39,395,396],{},"ogni campagna riparte quasi da zero",[39,398,399],{},"criteri impliciti",[39,401,402],{},"forte dipendenza da esperienza individuale",[11,404,405],{},"Dopo:",[36,407,408,411,414],{},[39,409,410],{},"criterio esplicito",[39,412,413],{},"processo replicabile",[39,415,416],{},"iterazioni comparabili nel tempo",[11,418,419],{},"In sintesi: meno improvvisazione, più sistema.",[18,421,423],{"id":422},"_9-il-passo-successivo-testare-non-raccontare","9) Il passo successivo: testare, non raccontare",[11,425,426,427,82,430,432,433,82],{},"Questo approccio ",[29,428,429],{},"non promette scorciatoie",[26,431],{},"\nPromette una cosa più utile: ",[29,434,435],{},"ipotesi testabili",[11,437,438],{},"Prima di scalare, definisco sempre:",[36,440,441,444,447,450],{},[39,442,443],{},"metrica primaria",[39,445,446],{},"finestra di osservazione",[39,448,449],{},"criterio di successo/fallimento",[39,451,452],{},"regole di iterazione",[11,454,455,456,458,459,461],{},"Se conferma, si scala.",[26,457],{},"\nSe non conferma, si corregge.",[26,460],{},"\nIn entrambi i casi, si apprende.",[18,463,465],{"id":464},"il-mio-punto-di-vista","Il mio punto di vista",[11,467,468],{},"Quando un problema sembra insormontabile, spesso è solo poco strutturato.",[11,470,471,472,474,475,477],{},"Il caos non scala.",[26,473],{},"\nLe opinioni non scalano.",[26,476],{},"\nLe scorciatoie non scalano.",[11,479,480],{},"Scala un metodo:",[36,482,483,486,489,492,495],{},[39,484,485],{},"domanda giusta",[39,487,488],{},"dati minimi utili",[39,490,491],{},"statistica robusta",[39,493,494],{},"ML pragmatico",[39,496,497],{},"decisioni trasparenti",[11,499,500],{},"Per me, questo è Marketing Engineering: usare dati e metodo per prendere decisioni migliori, prima di spendere.",[11,502,503],{},"È per questo che mi piace il mio lavoro: prima la creatività, per esplorare davvero lo spazio del problema; poi il rigore scientifico, per trasformare intuizioni in decisioni solide e razionali.",{"title":505,"searchDepth":506,"depth":506,"links":507},"",2,[508,509,510,511,512,513,514,515,516,517,518],{"id":20,"depth":506,"text":21},{"id":103,"depth":506,"text":104},{"id":137,"depth":506,"text":138},{"id":178,"depth":506,"text":179},{"id":214,"depth":506,"text":215},{"id":246,"depth":506,"text":247},{"id":276,"depth":506,"text":277},{"id":334,"depth":506,"text":335},{"id":381,"depth":506,"text":382},{"id":422,"depth":506,"text":423},{"id":464,"depth":506,"text":465},[520,521,522],"AI","Marketing","Data Science","https://i2.wp.com/enricodeleo.s3.eu-south-1.amazonaws.com/images/data-analaysis-ml-adv.png","2026-02-28T10:00:00.000Z","Quando il problema non è tecnico, ma il metodo sì: software mindset, dati e AI pragmatica per passare da investimenti a pioggia a scelte di marketing mirate.","md",{},true,"/marketing-engineering-il-caos-non-scala",{"title":6,"description":525},"marketing-engineering-il-caos-non-scala",false,[534,535,536],"marketing","fractional-cto","growth","1oKTBeRQFlvNR0c3gFJTAgIW9uWXVJ-zAx8jKaVUKvI",1775418696676]