Chi lavora nella SEO e nel marketing convive con i numeri tutto il giorno: conversioni che salgono, traffico che crolla, una variante che sembra battere l’altra. Il problema non è la mancanza di dati — ne abbiamo fin troppi — ma sapere quali ci stanno dicendo qualcosa di vero e quali ci stanno solo prendendo in giro. La statistica applicata alla SEO non è un esercizio accademico: è il filtro che separa le decisioni difendibili dalle pratiche sciamanesche, il metodo che ci dice quando un risultato vale la pena di agirci sopra e quando è solo rumore travestito da segnale. Senza quel filtro, ogni report diventa un test di Rorschach in cui ognuno legge ciò che vuole vedere.
Mettere la statistica al servizio della SEO, però, non significa diventare statistici. Significa avere a portata di mano gli strumenti giusti per le domande che ricorrono nel lavoro di tutti i giorni: questa modifica funziona davvero? Quanti dati mi servono prima di poterlo dire? Il calo di traffico di questa settimana è un’anomalia o la coda di una stagionalità? E perché due dati che, sommati, raccontano una storia, separati ne raccontano un’altra opposta?
Questa pagina è la mappa di quegli strumenti, ordinata per problema e non per teoria. Non rispieghiamo qui i concetti: ogni tappa è un articolo del blog, e le abbiamo raggruppate nelle quattro situazioni in cui un professionista della SEO si imbatte più spesso — sperimentare per scegliere, leggere il traffico nel tempo, riconoscere le trappole dei dati, e simulare ciò che non possiamo osservare direttamente. Chi ha un problema preciso può saltare alla sezione che lo riguarda; chi vuole costruirsi un metodo può seguirle nell’ordine, perché è anche l’ordine in cui un’abilità prepara la successiva. Cominciamo da quella più richiesta: decidere fra due alternative con un esperimento, invece che a naso.
Il modo più pulito per sapere se una modifica funziona è metterla alla prova contro l’alternativa, in condizioni controllate, lasciando che siano i dati a decidere.
Questa sezione raccoglie gli strumenti dell’esperimento: il metodo, i due calcolatori che servono prima e dopo, e l’errore più insidioso in cui si cade quando si crede di aver capito tutto.
Un esperimento progettato bene vale più di mille opinioni in riunione: è l’unico modo per stabilire una causa invece di limitarsi a osservare una coincidenza.
L’A/B testing è il cuore di tutto questo blocco. Due varianti di una pagina, l’assegnazione casuale dei visitatori all’una o all’altra, il confronto rigoroso dei risultati: è la disciplina che trasforma la domanda “quale versione converte di più?” in qualcosa di misurabile e difendibile. Capire come si imposta un test pulito — e cosa lo rovina — è il prerequisito di ogni cosa che segue.
Prima ancora di lanciare un test, però, c’è una domanda da fare: quanti visitatori servono perché il risultato significhi qualcosa? Il calcolatore di sample size per A/B test risponde proprio a questo, dicendo quanti dati raccogliere per cogliere una differenza di una certa ampiezza con la confidenza voluta. È lo strumento che evita l’errore più comune e più costoso: chiudere un test troppo presto, su numeri troppo piccoli per dire alcunché.
A test concluso, il testimone passa all’altro strumento. Il calcolatore di significatività per A/B test prende i numeri raccolti — visitatori e conversioni di ciascuna variante — e dice se la differenza osservata è statisticamente solida o compatibile con il puro caso. È il momento in cui si decide, con un criterio e non con una sensazione, se la variante vincente ha vinto davvero.
C’è infine un’ultima insidia, e arriva proprio quando crediamo di avere il metodo sotto controllo. Il peeking problem descrive cosa succede quando si sbircia il risultato di un A/B test prima della fine, fermandosi nell’istante in cui il dato ci dà ragione: i falsi positivi si gonfiano in silenzio, anche se ogni singolo calcolo è ineccepibile. È la tappa che insegna a diffidare della propria fretta — il momento in cui si decide di guardare conta quanto il numero che si vede.
Gran parte dei dati SEO non sono istantanee, ma sequenze: visite giorno per giorno, impressioni settimana dopo settimana, posizioni che oscillano nel tempo. Leggerli come fossero numeri isolati significa perdere proprio l’informazione che contano, cioè come cambiano.
Questa sezione raccoglie gli strumenti per dare un senso a ciò che si muove lungo l’asse del tempo: la tendenza di fondo, la stagionalità ricorrente, e gli scarti che meritano un allarme.
Un numero ha senso solo nel suo andamento: lo stesso valore può essere un trionfo o un disastro a seconda di cosa lo ha preceduto.
L’analisi delle serie storiche è il punto di partenza per chiunque guardi un grafico di traffico nel tempo. Insegna a scomporre una sequenza nei suoi ingredienti — la tendenza, la stagionalità, la parte irregolare — e, con il metodo di Holt-Winters, a proiettarla in avanti per costruire una previsione. È ciò che distingue il “mi sembra in calo” da una stima fondata di dove andrà il traffico.
Una volta che sappiamo cosa ci aspettiamo da una serie, possiamo riconoscere quando qualcosa sfugge alla regola. L’anomaly detection è la disciplina che individua i punti fuori posto — un picco sospetto, un crollo improvviso, un valore che il modello non avrebbe mai previsto. Per chi monitora un sito è preziosissima: trasforma una bacheca di metriche in un sistema che segnala da solo quando vale la pena di andare a guardare cosa è successo, invece di accorgersene a danno fatto.
Anche con gli strumenti giusti, i dati hanno modi raffinati di ingannarci. Non perché mentano — i numeri sono quelli — ma perché il modo in cui li aggreghiamo, li confrontiamo o li interpretiamo può portarci a conclusioni esattamente rovesciate rispetto alla realtà.
Questa sezione raccoglie due trappole classiche, tra le più frequenti nei report di marketing, e insegna a riconoscerle prima di averci costruito sopra una decisione sbagliata.
I dati non mentono quasi mai; siamo noi a leggerli male, ed è proprio quando sembrano più chiari che conviene sospettare di averli capiti al contrario.
Il paradosso di Simpson è la più spettacolare di queste insidie: una tendenza che appare netta nei dati aggregati può invertirsi quando li si scompone nei singoli gruppi. Un canale che sembra convertire meglio sul totale può essere peggiore in ogni segmento preso a parte, semplicemente per come si distribuiscono i volumi. È l’avvertimento che ogni media va guardata con sospetto: prima di concludere, conviene sempre chiedersi cosa nascondono i dati sotto l’aggregato.
La regressione verso la media è l’altra trappola, più sottile perché si traveste da risultato. Quando una pagina ha un picco eccezionale, è probabile che la rilevazione successiva sia più bassa — non perché qualcosa sia peggiorato, ma per semplice statistica: i valori estremi tendono a essere seguiti da valori più vicini alla media. Confondere questo rientro fisiologico con l’effetto di una nostra azione è uno degli autoinganni più comuni di chi analizza dati di marketing, e riconoscerlo evita di prendersi meriti — o colpe — che non esistono.
A volte la domanda non riguarda dati che abbiamo già, ma scenari che non possiamo osservare: cosa succederebbe ripetendo mille volte una situazione incerta, che esiti potremmo aspettarci, quanto sono probabili i casi estremi. Quando la matematica esatta si fa troppo intricata, si può lasciar parlare il caso in modo controllato.
Simulare significa interrogare l’incertezza facendola accadere migliaia di volte al computer, invece di provare a domarla con una formula chiusa che spesso non esiste.
Il metodo Monte Carlo è lo strumento principe per questo genere di problemi. L’idea è disarmante nella sua semplicità: invece di calcolare un risultato in forma esatta, si simula il fenomeno incerto un gran numero di volte e si guarda la distribuzione degli esiti. Dalla stima di un intervallo di traffico plausibile alla valutazione del rischio di uno scenario, è una cassetta degli attrezzi che torna utile ogni volta che l’incertezza è troppo aggrovigliata per essere risolta a tavolino.
Se si parte da zero e si vuole un punto d’ingresso solo, è l’A/B testing: è la competenza che dà il ritorno più immediato sul lavoro quotidiano, perché trasforma le scelte di tutti i giorni — un titolo, una call to action, un layout — in decisioni misurabili invece che in scommesse. Da lì, i due calcolatori sono il complemento naturale, uno prima e uno dopo ogni test.
C’è però un livello che sta sotto a tutto il blocco “Sperimentare” e che, prima o poi, conviene affrontare: il perché quei metodi funzionano. A/B test, sample size e significatività poggiano interamente sull’impianto della statistica inferenziale — ipotesi, p-value, intervalli di confidenza — e chi vuole smettere di applicare i calcolatori a scatola chiusa trova quel fondamento nel percorso dedicato alla statistica inferenziale, la cassetta degli attrezzi da cui questo intero percorso pratico, presto o tardi, finisce per attingere. Questo è uno dei percorsi tematici che stiamo costruendo per orientarsi tra gli articoli del blog: non spiegazioni nuove, ma mappe che mettono in fila ciò che già c’è, partendo dai problemi reali di chi fa SEO.