Marketing Engineering: software mindset applicato al business

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.

Quando il problema non è tecnico, ma il metodo sì

Nel marketing complesso non basta il solo intuito.
Serve rigore operativo.

Per me significa due cose:

• non decidere a sensazione
• non delegare ciecamente alla piattaforma, sperando che la sua AI ottimizzi da sola

La richiesta, in questo caso, era diretta: "Abbiamo questa situazione, idee?"

Sembra una domanda semplice.
In realtà contiene tre problemi diversi:

• un problema di business (budget limitato)
• un problema operativo (territorio frammentato)
• un problema decisionale (come prioritizzare in modo razionale)

Quindi no: non era "solo" un tema di targeting.
Era un tema di allocazione sotto vincoli.

In una situazione così non serve il bazooka: servono proiettili d'argento.

Un chiarimento sul ruolo: non nasco come marketer operativo.
Vengo coinvolto quando il tema marketing smette di essere solo execution e diventa un problema di allocazione, dati e qualità decisionale.

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.

1) La situazione di partenza: cosa rendeva il problema difficile

Il contesto era questo:

• copertura reale limitata a micro-zone non continue
• base clienti potenziale distribuita in modo irregolare
• pressione a partire in fretta
• budget non sufficiente per "testare tutto"

Io questa configurazione l'ho ribattezzata "geografia a lentiggine": a macchia di leopardo sarebbe stato già un lusso.

In pratica, ogni euro aveva costo opportunità alto.
Se lo mettevi nel posto sbagliato, non perdevi solo budget: perdevi tempo di apprendimento.

2) Perché il solo intuito non bastava

L'intuito è utile, soprattutto nelle prime fasi.
Ma qui c'erano due limiti strutturali:

• troppa variabilità geografica per ragionare "a colpo d'occhio"
• troppi decisori con opinioni plausibili ma non confrontabili

Quando tutti hanno una buona ipotesi, il rischio è restare paralizzati o scegliere la voce più forte, non la scelta migliore.

Serviva quindi un criterio:

• replicabile
• spiegabile al business
• traducibile in execution media

3) Perché non lasciare tutto alla piattaforma

Domanda legittima: "non può pensarci la piattaforma con la sua AI?"
In parte sì. Ma con un costo.

Le piattaforme ottimizzano dopo aver visto abbastanza distribuzione.
Quella fase richiede volume, quindi budget. E nelle fasi iniziali può significare:

• dispersione
• targeting troppo ampio
• segnali rumorosi prima di convergere

Quando il budget è stretto, non puoi comprare apprendimento indefinito.
Devi arrivare con una tesi iniziale più robusta.

4) La domanda giusta prima della tecnica

Prima di parlare di ML, ho riformulato la domanda così:

Come trasformiamo una geografia complessa in una lista ordinata di priorità di investimento?

Da qui derivano i requisiti del metodo:

• partire da dati realmente disponibili
• gestire irregolarità e outlier
• produrre output operativi, non solo analitici
• mantenere la logica trasparente per il team

Solo a questo punto ha senso discutere di strumenti.

5) Dati minimi utili: il vero punto di leva

Il principio è semplice: dataset minimo utile prima, complessità dopo.

Per questo caso bastavano:

• coordinate lat/lon dei punti servibili
• eventuale peso commerciale per punto
• vincoli operativi della piattaforma Ads (es. raggio minimo)

Non serviva un data lake.
Serviva una base coerente per prendere decisioni migliori delle alternative manuali.

6) Dove entra ML (e perché qui ha senso)

Solo dopo il framing decisionale, ML e statistica diventano utili:

• la statistica definisce la scala reale del problema (e protegge dagli outlier)
• il ML identifica pattern geografici non ovvi a vista
• il ranking trasforma l'analisi in priorità

Pipeline essenziale:

1. stima scala locale con k-NN
2. clustering per densità con DBSCAN
3. metriche cluster (numerosità, dispersione, centroide, valore)
4. ranking delle aree per priorità investimento
5. traduzione in azione Ads (centroide + raggio operativo)

Il punto non è usare ML "per innovare".
Il punto è ridurre arbitrarietà nelle decisioni di budget.

7) L'output che serve davvero al business

L'output utile non è una mappa bella da vedere.
È una lista prioritaria argomentabile in riunione.

Per ogni area candidata:

• livello di priorità
• razionale quantitativo
• vincolo operativo per l'attivazione

A quel punto la discussione cambia:

• dove abbiamo maggiore densità utile?
• dove il valore commerciale giustifica maggiore dispersione?
• quanta quota di rumore siamo disposti ad accettare?

Meno opinioni generiche, più trade-off espliciti.

8) Cosa cambia nel modo di lavorare

Il cambiamento non è solo tecnico.
È anche organizzativo.

Prima:

• ogni campagna riparte quasi da zero
• criteri impliciti
• forte dipendenza da esperienza individuale

Dopo:

• criterio esplicito
• processo replicabile
• iterazioni comparabili nel tempo

In sintesi: meno improvvisazione, più sistema.

9) Il passo successivo: testare, non raccontare

Questo approccio non promette scorciatoie.
Promette una cosa più utile: ipotesi testabili.

Prima di scalare, definisco sempre:

• metrica primaria
• finestra di osservazione
• criterio di successo/fallimento
• regole di iterazione

Se conferma, si scala.
Se non conferma, si corregge.
In entrambi i casi, si apprende.

Il mio punto di vista

Quando un problema sembra insormontabile, spesso è solo poco strutturato.

Il caos non scala.
Le opinioni non scalano.
Le scorciatoie non scalano.

Scala un metodo:

• domanda giusta
• dati minimi utili
• statistica robusta
• ML pragmatico
• decisioni trasparenti

Per me, questo è Marketing Engineering: usare dati e metodo per prendere decisioni migliori, prima di spendere.

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.