di Francesco Parodo e Giorgia Carolina Nigro

Nel workshop tenuto da Matteo Zambon a Intersections 2026, l’analisi pratica di casi studio aziendali dimostra che prima di interrogare l’AI occorre ingegnerizzare il dato.

Tra le tante sessioni dedicate all’Intelligenza Artificiale durante Intersections 2026, il workshop coordinato da Matteo Zambon (Co-Founder e CTO di Tag Manager Italia) e intitolato “Dalla raccolta dei dati di marketing all’analisi: i casi studio e utilizzo pratico dell’AI” si è distinto per una dote rara: il pragmatismo operativo. L’intervento si è focalizzato su una domanda che ogni marketer si pone quotidianamente di fronte ai propri investimenti pubblicitari: Quale campagna sta funzionando davvero?

Oggi il trend diffuso è quello di affidare questa risposta direttamente all’Intelligenza Artificiale. Tuttavia, come ha dichiarato Matteo Zambon, l’AI darà sempre una risposta, ma la domanda cruciale è se quella risposta si possa verificare e sia matematicamente corretta. L’AI risponde bene soltanto se il dato a monte è stato pulito, catalogato e strutturato in modo rigoroso. Collegare un agente generativo a un’enorme mole di dati sconnessi produce spesso output errati e disordinati. Perciò, le tabelle giuste ti daranno la risposta giusta.

Per spiegare come trasformare l’analytics in valore aziendale reale, Zambon ha illustrato la piramide dei 5 livelli di maturità del dato, dimostrando che l’Intelligenza Artificiale non è il punto di partenza, ma l’ultimo gradino di una scala ben precisa:

1. Raccolta: il dato viene raccolto correttamente?

2. Comprensione: quanto riusciamo realmente ad osservare ed interpretare?

3. Conservazione e Unificazione: quale dato è corretto? Utilizzare database (BigQuery) e far parlare i dati tra loro.

4. Decisione: cosa accade dopo la lead online? Come supportiamo le decisioni di business?

5. Domanda: solo quando i livelli precedenti sono solidi ha senso interrogare il sistema tramite modelli AI e verificare la risposta.

A supporto della teoria, il workshop ha presentato due casi studio pratici. Il primo riguarda Verisure, azienda leader negli impianti di sicurezza. In questo business, la lead nasce sul sito ma la conversione si chiude fisicamente a casa del cliente tramite la visita del tecnico. Il problema principale era che il dato si rompeva prima di arrivare nei report, causato dal fatto che il 64% di utenti che rifiutavano il consenso ai cookie di profilazione.

Attraverso il tracciamento e la gestione anonimizzata delle informazioni, Verisure è riuscita a collegare i quattro step del funnel reale (1. Click e Form; 2. Contatto Valido; 3. Appuntamento CRM; 4. Installazione) senza violare la privacy, consentendo di ottimizzare gli investimenti pubblicitari sull’intero percorso e non solo sul form online.

Il secondo caso ha riguardato Save the Children, alle prese con campagne promozionali attive simultaneamente su Google Ads, Meta e Bing Ads. Poiché ciascuna piattaforma pubblicitaria tendeva a rivendicare l’assegnazione della donazione, sommare i report delle singole dashboard produceva una duplicazione o triplicazione nel conteggio dello stesso euro speso.

Creando una struttura unificata su BigQuery basata su identificativi unici e applicando un coefficiente di peso per combinazione, si riesce ad assorbire la duplicazione dal modello anziché a posteriori. Il risultato è stato l’azzeramento dei tempi di reportistica e piena tracciabilità dei dati con effetto retroattivo.

Ora che finalmente il dato è stato preparato, ha senso utilizzare l’AI attraverso il Conversational Analytics. Nell’ultima parte del workshop, Zambon ha chiarito il valore del possedere un proprio sistema di conversational analytics per l’importanza della privacy. Le domande, i dati e le conversazioni rimangono accessibili soltanto nel perimetro dell’azienda.

Zambon fa riconsiderare il modo in cui consideriamo il rapporto tra Data Analytics e Intelligenza Artificiale. La realtà operativa mostrata da Tag Manager Italia ci ricorda che l’AI è soltanto un amplificatore: se le forniamo dati disordinati, amplificherà il caos; se la alimentiamo con dati ben strutturati, puliti e privi di bias, diventerà uno straordinario acceleratore decisionale.

La competenza chiave per i marketer del futuro non sarà semplicemente saper formulare un buon prompt, ma saper progettare l’architettura dei dati che sta dietro a quel prompt, garantendo privacy, qualità e misurabilità in ogni fase del ciclo di vita del cliente.