Ci sono momenti in cui una campagna sembra perdere direzione. Le performance oscillano, il costo per risultato sale, e la reazione è quasi automatica: rivedere il targeting.
Si cambiano interessi, si restringe il pubblico, si testano nuove lookalike. Si cerca, in sostanza, di “riprendere il controllo”. Oggi, però, questo approccio parte da un presupposto che non è più valido.
Il targeting, come lo abbiamo conosciuto, non è più un controllo. È un suggerimento.
Dal controllo alla probabilità
Molte delle leve di targeting su Meta — interessi, lookalike, custom audience — non funzionano più come vincoli rigidi, ma come segnali interpretati dal sistema. Questo cambiamento è stato osservato e approfondito anche da Jon Loomer, che descrive il passaggio da targeting come controllo a targeting come suggerimento.
Questo significa che:
- inserire un interesse non garantisce che il sistema si limiti a quell’interesse
- creare una lookalike non significa mostrare gli annunci solo a quel pubblico
- anche età e genere, in molti casi, vengono trattati come indicazioni, non limiti
I veri controlli restano pochi: località ed esclusioni. Tutto il resto è probabilità.
E quando si cerca di “aggiustare” una campagna lavorando su elementi che non sono più controlli reali, il rischio è di intervenire senza cambiare davvero il comportamento del sistema.
Il falso problema: “il pubblico è sbagliato”
Quando una campagna non performa, è naturale pensare che il problema sia nel pubblico. In realtà, nella maggior parte dei casi, il pubblico non è il punto di partenza. È il risultato.
Le piattaforme oggi costruiscono il pubblico a partire da:
- segnali di conversione
- qualità dei dati
- coerenza tra messaggio e comportamento
Se questi elementi sono deboli, il sistema non “trova le persone sbagliate”. Semplicemente non riesce a trovare quelle giuste.
Restringere il targeting, in questo contesto, non migliora la situazione.
Perché restringere peggiora la performance
Ridurre il pubblico può dare una sensazione immediata di controllo. Nel breve periodo sembra una scelta logica: meno dispersione, più precisione. Nel medio periodo, però, succede l’opposto: si riduce lo spazio di apprendimento, si limita la capacità del sistema di esplorare, si abbassa il volume di dati su cui si basano le decisioni.
In altre parole: si rende più difficile per l’algoritmo fare il suo lavoro. Per questo motivo, molte campagne “migliorano” dopo aver tolto segmentazioni inutili, non dopo averle aggiunte.
Dove si gioca davvero la partita
Se il targeting non è più il punto centrale, allora la domanda non è più: “sto parlando alle persone giuste?” Ma è: “sto dando al sistema abbastanza segnali per trovarle?”
A seguito dei recenti aggiornamenti e dell’introduzione dell’AI, la qualità della delivery dipende molto più da:
- tracciamento e dati coerenti
- evento di conversione corretto
- valore economico associato alle azioni
- coerenza tra messaggio e offerta
Quando questi elementi funzionano, il sistema riesce a espandere in modo efficace. Quando non funzionano, nessun targeting può compensare.
Il cambiamento più difficile da accettare
Per molti inserzionisti, questo passaggio è controintuitivo. Per anni il valore del media buyer è stato legato alla capacità di “scegliere il pubblico giusto”.
Oggi quella leva si è ridimensionata. Non perché sia inutile, ma perché è stata assorbita dal sistema e il vantaggio competitivo si è spostato. Non è più nella selezione manuale del pubblico, ma nella capacità di costruire condizioni in cui il pubblico corretto emerge.
Quando una campagna non funziona, intervenire sul targeting è spesso la prima reazione. Ma nel media buying contemporaneo, è raramente la leva giusta. Non perché il pubblico non conti, ma perché non si controlla più nello stesso modo e continuare a trattarlo come un controllo può portare a ottimizzazioni che danno l’illusione di agire, senza modificare davvero il risultato.