Il report di settembre è quasi pronto, e c’è un numero che stona: ad agosto il modulo dei contatti ha raccolto 11 richieste. A luglio erano state 82, a giugno 98.
La prima spiegazione è a portata di mano: è agosto, le aziende sono chiuse, la gente è al mare. E in effetti anche l’anno prima agosto era stato il mese peggiore. Il report parte, con una frase sul calo estivo. Poi, mesi dopo, qualcuno si accorge che il tag dell’invio del modulo era stato rotto da un aggiornamento del tema, e che quelle richieste erano arrivate quasi tutte: semplicemente, nessuno le aveva contate.
Ogni analista prima o poi incontra un buco di tracciamento: un periodo in cui un evento ha smesso di essere registrato, per un selettore cambiato, un tag in pausa, un plugin aggiornato, un banner dei consensi riconfigurato. Il danno vero non è il buco in sé, ma il tempo che passa prima di accorgersene. In questo articolo vediamo come trovarlo con un ragionamento statistico invece che per caso, come ricostruire il dato mancante in modo onesto, e quando invece è meglio non ricostruirlo affatto.
In sintesi: un buco di tracciamento si riconosce confrontando l’osservato con l’atteso: se il numero registrato è troppo improbabile rispetto a un riferimento ragionevole, qualcosa va verificato. L’indizio più forte viene da un evento gemello, un evento collegato che nel frattempo ha continuato a essere registrato (per esempio l’apertura del modulo accanto al suo invio): se il gemello è normale e il rapporto fra i due crolla, il problema sta nell’invio o nella sua misura, e per distinguere fra i due si controllano il modulo, le notifiche, il CRM e le modifiche tecniche del periodo. Se il guasto è solo nel tracciamento, il dato mancante si può ricostruire applicando al gemello il rapporto stimato sui periodi puliti, con un intervallo di previsione. Un dato ricostruito però non è un dato misurato: va segnato come tale e dichiarato. Il rimedio migliore resta la prevenzione: un controllo automatico settimanale che confronta l’osservato con l’atteso, e che nel nostro esempio dà l’allarme già alla prima settimana.
Di cosa parleremo:
- Il caso: chiusura estiva o tag rotto?
- Trovarlo: atteso contro osservato
- La prova del nove: l’evento gemello
- Ricostruire con un rapporto
- Ricostruire o dichiarare?
- Prevenire: il controllo del lunedì
- Domande frequenti
- Prova tu
- Per approfondire
Il caso: chiusura estiva o tag rotto?
Costruiamo un esempio con dati interamente simulati. Un sito B2B con un modulo di contatto, due anni di dati giornalieri, dal gennaio 2024 al dicembre 2025, e due eventi registrati:
- le aperture del modulo, cioè le volte in cui qualcuno inizia a compilarlo: una ventina al giorno nei feriali, meno nel fine settimana, con un po’ di stagionalità, un agosto lento (quasi la metà degli altri mesi) e una leggera crescita nei due anni;
- gli invii, cioè i moduli inviati davvero: circa uno ogni sei aperture.
Dal 28 luglio al 24 agosto 2025, quattro settimane esatte, il tag dell’invio smette di funzionare. Le aperture continuano a essere registrate, gli invii no.
Costruisco i dati in R:
set.seed(2026)
giorno <- seq.Date(as.Date("2024-01-01"), as.Date("2025-12-31"), by = "day")
n <- length(giorno)
feriale <- ifelse(format(giorno, "%u") %in% c("6", "7"), 0.4, 1)
doy <- as.numeric(format(giorno, "%j"))
stagione <- 1 + 0.15 * cos(2 * pi * (doy - 60) / 365)
agosto <- ifelse(format(giorno, "%m") == "08", 0.55, 1)
crescita <- 1 + 0.10 * (seq_len(n) - 1) / n
ritmo <- 22 * feriale * stagione * agosto * crescita
aperture <- rnbinom(n, mu = ritmo, size = 15)
invii_veri <- rbinom(n, aperture, 0.17)
# il buco: il tag registra solo il 4% degli invii
buco <- giorno >= as.Date("2025-07-28") & giorno <= as.Date("2025-08-24")
invii <- invii_veri
invii[buco] <- rbinom(sum(buco), invii_veri[buco], 0.04)
dati <- data.frame(giorno, aperture, invii, invii_veri, buco)
dati$mese <- format(giorno, "%Y-%m")
mensile <- aggregate(cbind(aperture, invii, invii_veri) ~ mese, dati, sum)La colonna invii_veri è il lusso della simulazione: nella realtà non l’abbiamo, e ci servirà solo alla fine per controllare quanto è buona la ricostruzione. Guardiamo quello che vedrebbe chi prepara il report, cioè gli invii registrati mese per mese.

Il grafico è esattamente il motivo per cui questi buchi passano inosservati. Agosto è basso tutti gli anni, e un agosto più basso del solito non fa scattare nessun campanello: sembra una versione un po’ più accentuata di una cosa che sappiamo già. La domanda giusta non è «agosto è basso?», ma «è basso quanto ci aspettiamo?».
Trovarlo: atteso contro osservato
Per sapere quanto ci aspettiamo serve una previsione, anche rozza. La più semplice prende l’agosto dell’anno prima e lo corregge per la crescita del sito, misurata su un periodo pulito: da marzo a giugno.
Calcolo l’atteso in R:
rif25 <- sum(mensile$invii[mensile$mese %in% c("2025-03", "2025-04", "2025-05", "2025-06")])
rif24 <- sum(mensile$invii[mensile$mese %in% c("2024-03", "2024-04", "2024-05", "2024-06")])
crescita_anno <- rif25 / rif24
atteso <- mensile$invii[mensile$mese == "2024-08"] * crescita_anno
osservato <- mensile$invii[mensile$mese == "2025-08"]Da marzo a giugno il sito è passato da 392 a 444 invii, una crescita del 13,3%. Agosto 2024 ne aveva 37, quindi per agosto 2025 ce ne aspettiamo circa 41,9. Ne abbiamo osservati 11.
Quanto è improbabile? Se gli invii seguissero una distribuzione di Poisson con media 41,9, la probabilità di vederne 11 o meno sarebbe la funzione di ripartizione calcolata in 11.
Calcolo la probabilità in R:
ppois(osservato, atteso)Il risultato è circa 1,5 su cento milioni. Ma qui serve prudenza, per due motivi. Il primo è che l’atteso, 41,9, è a sua volta una stima, costruita su conteggi che hanno la loro variabilità, e il conto lo tratta come se fosse noto. Il secondo è che i conteggi reali variano quasi sempre più di quanto preveda la Poisson, ed è quello che abbiamo chiamato sovradispersione. Rifacciamo il conto con una binomiale negativa che abbia una varianza cinque volte la media, un’ipotesi generosa sulla variabilità (ma pur sempre un’ipotesi, scelta da noi).
Ripeto il calcolo in R:
pnbinom(osservato, mu = atteso, size = atteso / 4)La probabilità sale a 0,0026, circa una su quattrocento. Molto più alta, ma ancora piccola. Nessuno dei due conti è una prova: sono controlli esplorativi, che valgono sotto le ipotesi che abbiamo fatto. Ma dicono la stessa cosa: rispetto a questo riferimento, il dato è anomalo e va verificato. Il conto ci dice che c’è qualcosa da capire, ma non che cosa. Potrebbe essere un calo vero (un concorrente aggressivo, un problema al sito, una pagina sparita da Google) oppure un buco nella misura. Per distinguere le due cose serve un altro testimone.
La prova del nove: l’evento gemello
Un buco di tracciamento colpisce di solito un evento solo, o pochi. Gli eventi vicini, quelli che stanno sullo stesso percorso dell’utente ma sono registrati in un altro modo, continuano a contare. Nel nostro caso l’evento gemello è l’apertura del modulo: se le persone avessero davvero smesso di cercare un contatto con l’azienda, avrebbero smesso anche di aprire il modulo.
Le aperture di agosto 2025 sono 280, contro le 263 di agosto 2024. Nessun calo, anzi una piccola crescita, in linea con il resto dell’anno. La gente ha continuato ad aprire il modulo come sempre: sono gli invii a essere spariti.
Il modo più chiaro di vederlo è guardare il rapporto fra i due eventi, settimana per settimana. Il rapporto ha un grande vantaggio: se la stagione, i fine settimana e la crescita del sito agiscono nella stessa proporzione su aperture e invii, nel rapporto si cancellano, e quello che resta è il comportamento del modulo. Nella simulazione è così per costruzione; nei dati veri lo è solo in parte (ad agosto, per esempio, potrebbe cambiare anche il tipo di visitatore e quindi la propensione a inviare), ma di solito abbastanza da rendere il rapporto molto più stabile dei due conteggi presi da soli.
Calcolo il rapporto settimanale in R:
dati$settimana <- as.Date(cut(dati$giorno, "week"))
sett <- aggregate(cbind(aperture, invii) ~ settimana, dati, sum)
sett$rapporto <- sett$invii / sett$aperture
Nelle settimane normali il rapporto oscilla per lo più fra 0,12 e 0,21: circa un invio ogni sei aperture. Qualche settimana va più giù (a inizio novembre scende a 0,09, per puro caso, visto che la simulazione non cambia nulla in quel periodo), ed è un buon promemoria di quanto un rapporto settimanale possa ballare. Poi però ci sono quattro settimane di fila in cui è zero. Non 0,10, non 0,05: zero invii su 60-70 aperture a settimana. È difficile immaginare una stagione o un cambiamento nel comportamento delle persone che porti un rapporto a zero da un lunedì all’altro e lo faccia risalire di colpo quattro settimane dopo, mentre per un guasto tecnico è la firma tipica. Una caduta così netta non prova il guasto da sola, ma rende la verifica la prima cosa da fare. Resta da capire quale: un tag che non registra gli invii, oppure un modulo che non riesce a inviare? Le due cose sono molto diverse, perché nel primo caso le richieste sono arrivate e nel secondo no. Lo dicono le email di notifica, il CRM, una prova di invio fatta a mano: se le richieste arrivavano, il guasto era solo nella misura. Nel nostro esempio supponiamo di aver verificato che è così.
Il gemello ci dà anche le date. Andando a guardare i giorni, l’ultimo invio registrato è di domenica 27 luglio, e da lunedì 28 luglio ci sono giorni con 11, 14, 18 aperture e nessun invio. Il primo invio torna lunedì 25 agosto. Con le date in mano si può andare a cercare la causa: un rilascio del sito, un aggiornamento del tema, una modifica al contenitore di Tag Manager. Trovare la causa è importante quanto trovare il buco, perché è l’unico modo per essere sicuri che non si ripeta.
Non sempre esiste un gemello perfetto. Alternative possibili sono le email di notifica che il modulo invia all’azienda (se arrivano, le richieste sono partite), i dati del CRM, le visite alla pagina di ringraziamento, oppure le stesse conversioni registrate da un’altra piattaforma, come Google Ads. Ognuna ha i suoi difetti, ma basta che sia registrata in modo indipendente dall’evento rotto.
Ricostruire con un rapporto
Sappiamo che il buco c’è e dove sta. Possiamo stimare quanti invii sono andati persi? L’idea è usare proprio il rapporto: se normalmente c’è un invio ogni sei aperture circa, e nel buco ci sono state tot aperture, gli invii saranno stati circa un sesto di quelle aperture.
Il rapporto va stimato su un periodo pulito vicino al buco: le otto settimane prima e le otto settimane dopo, così che rifletta il comportamento del modulo in quel momento e non quello di un anno prima.
Calcolo la ricostruzione in R:
taratura <- (dati$giorno >= as.Date("2025-06-02") & dati$giorno <= as.Date("2025-07-27")) |
(dati$giorno >= as.Date("2025-08-25") & dati$giorno <= as.Date("2025-10-19"))
a_t <- sum(dati$aperture[taratura])
i_t <- sum(dati$invii[taratura])
r <- i_t / a_t
binom.test(i_t, a_t)$conf.int
a_buco <- sum(dati$aperture[dati$buco])
r * a_bucoNelle sedici settimane di taratura ci sono 339 invii su 2.004 aperture: un rapporto di 0,169, con un intervallo di confidenza al 95% da 0,153 a 0,186. Nel buco le aperture sono 259, quindi la stima degli invii persi è 0,169 × 259 = 43,8.
Un numero solo, però, promette una precisione che non abbiamo. Le fonti di incertezza che possiamo misurare sono due: il rapporto stesso, che conosciamo solo con l’intervallo appena visto, e il caso, perché anche con il rapporto esatto 259 aperture non producono sempre lo stesso numero di invii. Le combiniamo con una simulazione: estraiamo un rapporto plausibile, poi un numero di invii compatibile con quel rapporto, e ripetiamo diecimila volte.
Simulo l’intervallo di previsione in R:
set.seed(1)
sim <- replicate(10000, {
rr <- rbeta(1, i_t + 0.5, a_t - i_t + 0.5) # un rapporto plausibile
rbinom(1, a_buco, rr) # gli invii che ne derivano
})
quantile(sim, c(0.025, 0.975))Per estrarre il rapporto usiamo una distribuzione beta costruita sugli invii e sulle aperture del periodo di taratura (è la distribuzione a posteriori che si ottiene partendo da una beta(0,5; 0,5), il cosiddetto prior di Jeffreys, poco informativo): è un modo semplice di rappresentare quanto ne sappiamo. L’intervallo di previsione al 95% va da 32 a 57 invii. È largo, ed è giusto che lo sia: stiamo stimando un numero che non abbiamo mai visto.
E vale sotto le sue ipotesi: che ogni apertura diventi un invio con la stessa probabilità, al massimo una volta e indipendentemente dalle altre aperture (la stessa persona che apre il modulo tre volte crea una dipendenza fra aperture, e se la dipendenza è positiva ignorarla rende l’intervallo troppo stretto), e che il rapporto durante il buco sia rimasto quello della taratura. Le incertezze che queste ipotesi escludono, come un rapporto che cambia o un gemello che a sua volta conta male, non sono nell’intervallo.
Ora possiamo usare il lusso della simulazione e guardare il valore vero: nel buco gli invii veri sono stati 47, e il tag ne ha registrati zero. La stima puntuale, 43,8, sbaglia di poco, e il valore vero cade comodamente dentro l’intervallo. Sui mesi interi il quadro è questo:
| mese | registrati | ricostruiti | veri |
|---|---|---|---|
| luglio 2025 | 82 | 90,3 | 89 |
| agosto 2025 | 11 | 46,5 | 51 |
Agosto non era un mese da 11 richieste ma da una cinquantina: più dell’agosto dell’anno prima, in linea con la crescita del sito. La conclusione del report si capovolge: non un crollo estivo, ma un agosto normale.
La ricostruzione regge su un’ipotesi che va detta chiaramente: che durante il buco il rapporto fra invii e aperture sia rimasto quello di sempre. Se nello stesso periodo fosse cambiato anche il modulo (un campo obbligatorio in più, un errore di validazione che impediva l’invio), il rapporto sarebbe cambiato davvero, e la ricostruzione sovrastimerebbe le richieste. Per questo trovare la causa del buco non è un dettaglio: se la causa è solo il tag, l’ipotesi è ragionevole; se la causa ha toccato anche il modulo, no.
Un avvertimento: un dato ricostruito non è un dato misurato. Va segnato come tale nella serie, con una nota che spieghi come è stato ottenuto, e non va mai usato per sostenere una conclusione che il dato misurato da solo non regge. La ricostruzione serve a evitare di trarre conclusioni sbagliate da un buco, non a produrre nuove certezze.
Ricostruire o dichiarare?
Avere una stima non obbliga a usarla. Ci sono due strade, e la scelta dipende da come verrà usato il dato.
Ricostruire conviene quando la serie deve restare continua: un modello di previsione, un confronto anno su anno che l’anno prossimo metterà agosto 2026 accanto ad agosto 2025, un calcolo del costo per contatto delle campagne. Lasciare 11 al posto di una cinquantina, in questi casi, avvelena tutti i calcoli che verranno dopo. Nella serie si tiene il dato ricostruito, con una colonna che lo marca come stimato e una nota sul metodo.
Dichiarare senza ricostruire conviene quando il dato è già entrato in documenti consegnati, oppure quando l’incertezza della ricostruzione è troppo grande rispetto alla decisione da prendere. In questo caso si lascia il dato misurato, si aggiunge una nota che spiega il buco, le date e la stima del dato mancante con il suo intervallo, e si evita di usare quel periodo per conclusioni.
Le due strade hanno una cosa in comune: la scelta va dichiarata sempre. Il caso peggiore non è ricostruire male o non ricostruire: è un report in cui una parte dei numeri è stimata e nessuno lo sa. E se il buco viene scoperto dopo che un report è già stato consegnato, la cosa giusta è tornare da chi l’ha ricevuto e correggerlo, per quanto sia scomodo.
Prevenire: il controllo del lunedì
Nel nostro esempio il buco è durato quattro settimane, ed è stato scoperto, nella migliore delle ipotesi, a fine mese. Con un controllo automatico si può scoprirlo in sette giorni. L’idea è la stessa del rapporto: ogni lunedì, per la settimana appena chiusa, si calcola quanti invii ci aspettavamo date le aperture, usando il rapporto delle otto settimane precedenti, e si controlla quanto è probabile il numero osservato.
Scrivo il controllo in R:
controllo <- function(s) {
prima <- sett[sett$settimana < s & sett$settimana >= s - 56, ]
rr <- sum(prima$invii) / sum(prima$aperture)
q <- sett[sett$settimana == s, ]
c(attesi = rr * q$aperture, osservati = q$invii, p = pbinom(q$invii, q$aperture, rr))
}
controllo(as.Date("2025-07-28"))Il numero di invii, date le aperture, si può approssimare con una binomiale: ogni apertura diventa un invio con una certa probabilità, al massimo una volta e indipendentemente dalle altre. pbinom() dà la probabilità di vedere un numero di invii così basso o più basso. Per la settimana del 28 luglio ci aspettavamo 11,8 invii e ne abbiamo visti zero: la probabilità è 2,5 su un milione. L’allarme sarebbe scattato lunedì 4 agosto, alla prima occasione, invece che a settembre.
Una soglia d’allarme ragionevole è una probabilità sotto 0,001. Applicando il controllo a tutte le settimane dal marzo 2024 al dicembre 2025, 95 in tutto, scattano esattamente le quattro settimane del buco; nelle altre 91 la probabilità più bassa è 0,0075, lontana dalla soglia.
Il controllo però è approssimativo, e la soglia non garantisce un falso allarme ogni mille settimane: il rapporto di riferimento è stimato, non noto, e con molte settimane e molte coppie di eventi sotto controllo le occasioni di falso allarme si moltiplicano. Nei dati veri, che variano più di quelli simulati, qualche falso allarme ci sarà, e la soglia va tarata guardando quanti allarmi produce sui periodi passati in cui sappiamo che il tracciamento funzionava; ma un falso allarme costa un controllo di cinque minuti, un buco scoperto dopo un anno costa un report sbagliato.
Due accorgimenti pratici. Il primo: le settimane di un guasto confermato vanno escluse dal calcolo del rapporto di riferimento delle settimane successive, altrimenti il buco abbassa l’atteso e il controllo diventa meno sensibile proprio quando serve (la funzione dell’esempio, per semplicità, non lo fa). Meglio escludere i guasti confermati che tutte le settimane segnalate: togliere in automatico ogni settimana insolita finirebbe per costruire un riferimento troppo ottimista. Il secondo: il controllo va fatto su tutte le coppie di eventi che contano, ma la binomiale si applica direttamente solo quando gli eventi sono abbinati uno a uno, come l’apertura e l’invio dello stesso modulo. Per coppie come sessioni e conversioni, dove una sessione può portare più conversioni, il rapporto resta un buon indicatore, ma serve un modello diverso (per esempio una Poisson o una binomiale negativa sul numero di conversioni, con le sessioni come esposizione). Tutto questo è un’applicazione diretta dell’anomaly detection a un problema molto concreto: non un giorno strano, ma un metro che ha smesso di contare.
Domande frequenti
Come si capisce se un calo di conversioni è vero o è un problema di tracciamento?
Si confronta l’evento con un evento gemello registrato in modo indipendente, per esempio l’invio del modulo con la sua apertura, oppure con le email di notifica o i dati del CRM. Se il gemello è normale e il rapporto fra i due crolla, il problema sta nella conversione o nella sua misura, e le notifiche o il CRM dicono quale delle due; se calano tutti e due, bisogna distinguere un calo reale da un guasto che li colpisce entrambi (un banner dei consensi, il contenitore di Tag Manager), usando una fonte indipendente dal tracciamento del sito.
Si possono ricostruire le conversioni mancanti in GA4?
GA4 non consente di sostituire con stime i conteggi di un buco come questo, scoperto settimane o mesi dopo, ma in un’analisi esterna sì: si stima il rapporto fra la conversione e un evento collegato su un periodo pulito e lo si applica al periodo del buco, con un intervallo che tenga conto dell’incertezza. Il dato ricostruito va sempre segnato come stimato.
Quanto è affidabile una ricostruzione con il rapporto?
Dipende dalla stabilità del rapporto e da quanti dati ci sono nel periodo di taratura. L’ipotesi chiave è che durante il buco il rapporto non sia cambiato: se la stessa causa che ha rotto il tag ha cambiato anche il modulo o la pagina, la ricostruzione non è affidabile.
Come ci si accorge in tempo di un buco di tracciamento?
Con un controllo automatico settimanale che confronta, per ogni coppia di eventi collegati, il numero osservato con quello atteso dato il rapporto delle settimane precedenti, e segnala i casi troppo improbabili. Nel nostro esempio l’allarme sarebbe scattato alla prima settimana del buco.
Prova tu
La simulazione si può modificare in molti modi. Tre proposte:
- Un buco parziale. Invece di registrare il 4% degli invii, facciamo registrare il tag al 60% (per esempio perché si rompe solo da mobile). Il controllo del lunedì lo vede ancora? Dopo quante settimane?
- Un calo vero nello stesso periodo. Oltre al tag rotto, facciamo scendere davvero il rapporto fra invii e aperture da 0,17 a 0,12 nel buco (un campo obbligatorio in più). Di quanto sbaglia la ricostruzione? Il valore vero cade ancora nell’intervallo?
- Il gemello rotto. Rompiamo anche le aperture, nello stesso periodo. Che cosa resta, per accorgersi del buco, oltre al confronto con l’anno prima?
Suggerimento: la seconda prova è la più istruttiva, perché mostra il limite principale della ricostruzione. Il rapporto ricostruisce bene solo quello che il tag ha perso, non quello che il sito ha perso.
Il buco del nostro esempio è stato facile da trovare perché era totale: zero invii per quattro settimane. I problemi più subdoli sono quelli in cui i numeri non spariscono, ma si gonfiano o si sdoppiano: lo stesso utente che invia il modulo tre volte, la stessa conversione contata due volte da due tag. Quando contiamo eventi invece di persone, i confronti fra gruppi possono ingannarci anche con un tracciamento perfettamente funzionante. È il tema del prossimo articolo: contare eventi o contare persone.
Per approfondire
Il libro che prende più sul serio la qualità dei dati è Trustworthy Online Controlled Experiments di Kohavi, Tang e Xu: nato per gli esperimenti online, dedica capitoli interi ai controlli automatici che smascherano i problemi di misura prima che diventino conclusioni sbagliate, ed è scritto da chi quei controlli li ha costruiti in aziende come Microsoft, Google e LinkedIn (in inglese). Per l’idea di fondo, che un numero vale quanto il modo in cui è stato misurato, Mentire con le statistiche di Darrell Huff resta la lettura più rapida e divertente.