Un report annuale si chiude spesso con una riga sola: i clic da Google sono scesi dell’11,8% rispetto all’anno prima. La riga è vera, ma non dice niente su dove sia successo. Il calo può essere concentrato in sei mesi e sparire negli altri, può essere cominciato a marzo, può essere la coda di un evento di settembre. E il numero annuo, per costruzione, mescola tutto.
La strada che viene naturale è quella che abbiamo visto nell’articolo sulle serie storiche: decomporre la serie con decompose() o stl(), togliere la stagionalità, guardare il trend. Peccato che con due anni di dati stl() si fermi con un errore. E due anni sono il caso più comune che esista: Search Console conserva circa sedici mesi, molti siti hanno GA4 da poco, i report annuali confrontano un anno con il precedente.
I numeri di questo articolo sono simulati, ma la forma del problema è quella dei report veri. Vediamo come si toglie la stagionalità quando di stagioni, per così dire, ce ne sono soltanto due.
In sintesi: con soli 24 mesi la decomposizione classica non è utilizzabile, perché per stimare la componente stagionale di gennaio servono più gennaio. Il confronto anno su anno risolve il problema per costruzione: ogni mese si confronta con lo stesso mese dell’anno prima, e la stagionalità si annulla nel rapporto. L’incertezza di ogni rapporto si stima con un intervallo di Poisson; la tendenza dell’anno con una regressione sul log-rapporto, pesata per la dimensione del mese. Nel nostro esempio il calo annuo dell’11,8% è tutto nella prima metà: −25,1% da gennaio a giugno, +1,3% da luglio a dicembre, con un miglioramento di 3,7 punti percentuali al mese (p = 0,0003).
Di cosa parleremo:
La decomposizione classica separa una serie in tre pezzi: il trend (dove sta andando, al netto delle oscillazioni), la stagionalità (il profilo che si ripete ogni anno) e il residuo (quello che resta). Per stimare il profilo stagionale di gennaio, il metodo ha bisogno di confrontare più gennaio fra loro: con un solo gennaio per ogni anno, e due anni in tutto, ha due osservazioni per mese e nessun modo di distinguere «gennaio è basso per la stagione» da «gennaio di quest’anno è basso perché è cambiato qualcosa».
Non è una limitazione del software, è una limitazione dell’informazione disponibile. E il software lo dice senza tanti giri di parole. Simuliamo 24 mesi di clic con una stagionalità moltiplicativa e un calo nel secondo anno:
stagionale <- c(1.08, 0.94, 1.04, 0.90, 1.02, 0.86,
0.70, 0.66, 1.06, 1.16, 1.22, 1.12)
base <- 9000
mese <- rep(1:12, 2)
livello <- c(rep(1, 12), rep(0.75, 6), rep(1, 6))
set.seed(2026)
clic <- rpois(24, base * stagionale[mese] * livello) Proviamo la decomposizione:
stl(ts(clic, frequency = 12), s.window = "periodic")
# Errore: la serie non è periodica o ha meno di due periodi L’errore è netto, e vale la pena leggerlo come un’informazione: non ci sono abbastanza stagioni per stimare la stagione. Con 36 o 48 mesi le cose migliorano, ma restano fragili, e il caso dei 24 mesi — quello che arriva sulla scrivania ogni gennaio — resta scoperto.
C’è una soluzione più semplice della decomposizione, e funziona proprio perché non stima nulla: confrontare ogni mese con lo stesso mese dell’anno precedente. Se dicembre è sempre il mese più alto dell’anno, dicembre di quest’anno contro dicembre dell’anno scorso non risente del fatto che dicembre è alto: il fattore stagionale è presente in entrambi i termini e si semplifica nel rapporto.
In formule, per il mese t del secondo anno:
\(r_t = \frac{x_t}{x_{t-12}}\)
dove x_t è il valore del mese considerato e x_{t-12} lo stesso mese dell’anno prima. Un rapporto di 1 significa «stesso livello», 0,90 «dieci punti percentuali in meno», 1,05 «cinque punti in più». Il prezzo da pagare è un’ipotesi: che la forma della stagionalità sia rimasta la stessa nei due anni. Ne riparliamo fra poco, perché è l’ipotesi su cui si regge tutto.
Calcoliamo i dodici rapporti sul nostro esempio:
rapporto <- clic[13:24] / clic[1:12]
round(rapporto, 3)
# [1] 0.751 0.761 0.758 0.754 0.745 0.724
# [7] 1.005 1.031 1.022 1.003 1.017 1.004 La lettura è immediata, ed è anche il motivo per cui questo metodo conviene rispetto alla decomposizione: i primi sei mesi sono tutti intorno a 0,75, gli ultimi sei intorno a 1,00. Un calo del 25% che dura sei mesi e poi sparisce.
Il totale annuo, intanto, racconta tutt’altro: 93.101 clic contro 105.570, cioè −11,8%. La media fra un −25% e un +1% produce un numero che non descrive nessuno dei due periodi.
Un rapporto calcolato su qualche migliaio di clic non è un numero esatto. Come nel confronto fra due periodi di cui abbiamo parlato, ogni rapporto va accompagnato da un intervallo di confidenza. Lo strumento è lo stesso: un test di Poisson fra due conteggi, applicato mese per mese.
ic <- t(mapply(function(a, b) poisson.test(c(a, b))$conf.int,
clic[13:24], clic[1:12])) | Mese | Rapporto | Intervallo al 95% |
|---|---|---|
| Gennaio | 0,751 | 0,73–0,77 |
| Febbraio | 0,761 | 0,74–0,79 |
| Marzo | 0,758 | 0,73–0,78 |
| Aprile | 0,754 | 0,73–0,78 |
| Maggio | 0,745 | 0,72–0,77 |
| Giugno | 0,724 | 0,70–0,75 |
| Luglio | 1,005 | 0,97–1,04 |
| Agosto | 1,031 | 0,99–1,07 |
| Settembre | 1,022 | 0,99–1,05 |
| Ottobre | 1,003 | 0,98–1,03 |
| Novembre | 1,017 | 0,99–1,04 |
| Dicembre | 1,004 | 0,98–1,03 |
Il messaggio è più forte di quello del solo rapporto: i primi sei intervalli stanno tutti sotto 1, gli ultimi sei tutti intorno a 1. Non è una questione di sfumature: da gennaio a giugno il calo c’è, da luglio a dicembre non c’è. Con questi volumi l’incertezza è abbastanza stretta da permettere affermazioni nette; con un sito dieci volte più piccolo gli stessi intervalli si allargherebbero e alcune conclusioni andrebbero sospese.
I dodici rapporti raccontano una storia, ma una storia ha bisogno di una sintesi. La domanda utile è: il confronto con l’anno prima sta migliorando mese dopo mese, o l’andamento è un’oscillazione? Per rispondere mettiamo in relazione il logaritmo del rapporto con il mese, e pesiamo ogni mese per la sua dimensione: un mese con 10.000 clic deve contare più di un mese con 6.000.
Perché il logaritmo? Perché i rapporti si moltiplicano, non si sommano: passare da 0,75 a 0,80 non è lo stesso salto di passare da 1,00 a 1,05, e sul logaritmo le variazioni percentuali diventano differenze. Il modello è:
\(\log(r_t) = a + b \cdot t + \varepsilon_t\)
dove t è il mese del secondo anno (da 1 a 12), b è la variazione mensile del log-rapporto e ε_t è l’errore. La pendenza b, una volta esponenziata, si legge direttamente come variazione percentuale al mese. Lo stimo in R:
modello <- lm(log(rapporto) ~ I(1:12), weights = clic[1:12])
exp(coef(modello)[2]) - 1
# [1] 0.0367
exp(confint(modello)[2, ]) - 1
# [1] 0.0212 0.0524
summary(modello)$coefficients[2, 4]
# [1] 0.00033 Il risultato si legge così: il confronto con l’anno prima migliora di 3,7 punti percentuali al mese, con un intervallo da 2,1 a 5,2 e un p-value di 0,0003. Non è un’oscillazione: è una tendenza. Prolungando la pendenza per dodici mesi si otterrebbe un recupero del 54% (1,037 elevato alla dodicesima), ma è un esercizio che vale poco: la pendenza descrive il tratto osservato, non garantisce che il recupero continui.
C’è una sottigliezza che vale la pena tenere a mente. La pendenza misura quanto il confronto migliora, non perché. Un calo che finisce di colpo a luglio produce la stessa pendenza di un recupero graduale distribuito su dodici mesi. La regressione sintetizza, non racconta: per capire la forma bisogna tornare al grafico dei rapporti.
A questo punto la conclusione operativa è pronta, e non è «l’anno è calato dell’11,8%». È: il primo semestre ha perso un quarto dei clic, il secondo è in linea con l’anno prima. Nel dettaglio, i primi sei mesi passano da 52.399 a 39.257 clic (−25,1%), gli ultimi sei da 53.171 a 53.844 (+1,3%).
Questa lettura cambia le domande da fare. Se il calo fosse stato uniforme, avremmo cercato una causa che agisce tutto l’anno: una migrazione, un cambio di algoritmo, un trend di mercato. Un calo concentrato nella prima metà dell’anno, che poi si esaurisce, punta invece a un evento con una data: qualcosa che è cominciato prima di gennaio e ha smesso di agire intorno a luglio.
Il report annuale non lo avrebbe mai detto. Il confronto anno su anno sì, e senza bisogno di decomposizioni impossibili.
C’è un’alternativa che a volte si rivela utile: lavorare sui dati giornalieri. Con 730 giorni a disposizione la decomposizione non si blocca, perché la stagionalità settimanale ha decine di cicli:
stl(ts(clic_giornalieri, frequency = 7), s.window = "periodic") Questa decomposizione toglie il profilo settimanale — lunedì diverso da sabato — che è spesso la fonte di rumore più fastidiosa nei dati giornalieri. Non toglie però la stagionalità annuale, che resta lì, e con due anni di dati non è stimabile nemmeno sui giorni. Può essere un buon complemento, non un sostituto del confronto mese su mese omologo.
Un avvertimento: il confronto anno su anno toglie la stagionalità solo se la stagione è la stessa nei due anni. Un cambio nel modo di misurare (il consenso ai cookie, un filtro nuovo, una modifica nella definizione di conversione) o un evento unico (una campagna, un lancio, una pandemia) entrano nel rapporto come se fossero stagione o tendenza. Prima di attribuire il calo al sito, vale la pena chiedersi se nello stesso periodo è cambiato il metro.
Sì, e con quattro anni stl() diventa utilizzabile. Ma il confronto anno su anno resta più leggibile quando la domanda è «rispetto all’anno prima come stiamo andando», perché non richiede di scegliere una finestra o un metodo di lisciamento. Con serie lunghe i due approcci si completano: la decomposizione racconta la forma, il confronto anno su anno risponde alla domanda operativa.
Sì, basta confrontare la stessa settimana o lo stesso giorno dell’anno prima, con l’accortezza che la Pasqua e le festività mobili cadono in date diverse. Per i dati giornalieri il rumore è alto e servono finestre più larghe: una media mobile a sette giorni prima del confronto è spesso necessaria.
Come un calo del 12%: il rapporto è il livello del periodo recente rispetto a quello precedente, quindi 0,88 significa che stiamo all’88% di prima. Per passare dal rapporto alla variazione percentuale basta sottrarre 1. Il rapporto è comodo perché si moltiplica e si confronta su scala logaritmica; la variazione percentuale è comoda perché si legge nel report.
È il limite principale del metodo. Se il profilo stagionale si è spostato — per esempio perché un contenuto che era forte in autunno ora lo è in primavera — il rapporto anno su anno attribuisce al trend quello che è un cambio di stagione. Un controllo rapido: guardare se i rapporti mensili hanno un andamento regolare o se saltano senza una logica. I salti sono un segnale da verificare.
Riprendiamo i dati simulati e togliamo un mese: cosa succede alla pendenza se il recupero fosse cominciato a settembre invece che a luglio?
livello <- c(rep(1, 12), rep(0.75, 8), rep(1, 4))
set.seed(2026)
clic2 <- rpois(24, base * stagionale[mese] * livello)
rapporto2 <- clic2[13:24] / clic2[1:12]
modello2 <- lm(log(rapporto2) ~ I(1:12), weights = clic2[1:12])
exp(coef(modello2)[2]) - 1 La pendenza cambia, ma resta positiva: la regressione misura il miglioramento medio, non la data in cui è successo. È il motivo per cui il grafico dei rapporti resta indispensabile. Un secondo esercizio: rifare il confronto con 36 mesi simulati e verificare che stl() questa volta parta, confrontando il trend estratto con i rapporti anno su anno.
Resta un dubbio che il confronto anno su anno non è in grado di sciogliere: il calo potrebbe non essere del sito, ma del metro. Se nello stesso periodo è cambiato il modo in cui Google conta le impressioni, o il consenso ai cookie ha dimezzato le sessioni misurate, il rapporto anno su anno registra un cambiamento che non è del fenomeno. È il tema del prossimo passo: riconoscere le rotture strutturali e non confonderle con un calo.
Per chi vuole trattare le serie storiche con un testo che unisce intuizione e rigore, Introduzione all’econometria di Stock e Watson dedica ampio spazio alla stagionalità, alle trasformazioni logaritmiche e alle regressioni su serie temporali: è il ponte naturale fra questo articolo e i modelli più avanzati. Per capire invece perché le previsioni vanno prese con prudenza, e quanto contino le ipotesi nascoste in ogni modello, Il segnale e il rumore di Nate Silver è una lettura che consiglio a chiunque faccia report.
Il report di settembre è quasi pronto, e c'è un numero che stona: ad agosto…
Il rifacimento del sito è deciso, la data di messa online pure, e prima o…
Il report annuale arriva sul tavolo con una buona notizia in prima pagina: la posizione…
Le guide tecniche di un sito salgono nei risultati di ricerca, compaiono più spesso, e…
Clic e sessioni variano più di quanto la Poisson preveda: come accorgersene in R e…
Un sito riceve 612 richieste quest'anno e ne aveva ricevute 640 l'anno prima. Il conto…