{"id":3865,"date":"2026-06-24T11:32:05","date_gmt":"2026-06-24T10:32:05","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/statistica-per-la-seo\/"},"modified":"2026-06-24T11:32:05","modified_gmt":"2026-06-24T10:32:05","slug":"statistica-per-la-seo","status":"publish","type":"page","link":"https:\/\/www.gironi.it\/blog\/statistica-per-la-seo\/","title":{"rendered":"Statistica per la SEO: il percorso pratico, dagli A\/B test alle trappole dei dati"},"content":{"rendered":"\n

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 \u00e8 la mancanza di dati \u2014 ne abbiamo fin troppi \u2014 ma sapere quali ci stanno dicendo qualcosa di vero e quali ci stanno solo prendendo in giro. La statistica applicata alla SEO non \u00e8 un esercizio accademico: \u00e8 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 \u00e8 solo rumore travestito da segnale.<\/strong> Senza quel filtro, ogni report diventa un test di Rorschach in cui ognuno legge ci\u00f2 che vuole vedere.<\/p>\n\n\n\n

Mettere la statistica al servizio della SEO, per\u00f2, 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 \u00e8 un’anomalia o la coda di una stagionalit\u00e0? E perch\u00e9 due dati che, sommati, raccontano una storia, separati ne raccontano un’altra opposta?<\/p>\n\n\n\n

Questa pagina \u00e8 la mappa di quegli strumenti, ordinata per problema e non per teoria. Non rispieghiamo qui i concetti: ogni tappa \u00e8 un articolo del blog, e le abbiamo raggruppate nelle quattro situazioni in cui un professionista della SEO si imbatte pi\u00f9 spesso \u2014 sperimentare per scegliere, leggere il traffico nel tempo, riconoscere le trappole dei dati, e simulare ci\u00f2 che non possiamo osservare direttamente. Chi ha un problema preciso pu\u00f2 saltare alla sezione che lo riguarda; chi vuole costruirsi un metodo pu\u00f2 seguirle nell’ordine, perch\u00e9 \u00e8 anche l’ordine in cui un’abilit\u00e0 prepara la successiva. Cominciamo da quella pi\u00f9 richiesta: decidere fra due alternative con un esperimento, invece che a naso.<\/p>\n\n\n\n

Sperimentare<\/h2>\n\n\n\n

Il modo pi\u00f9 pulito per sapere se una modifica funziona \u00e8 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 pi\u00f9 insidioso in cui si cade quando si crede di aver capito tutto.
Un esperimento progettato bene vale pi\u00f9 di mille opinioni in riunione: \u00e8 l’unico modo per stabilire una causa invece di limitarsi a osservare una coincidenza.<\/strong><\/p>\n\n\n\n

L’A\/B testing<\/a> \u00e8 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: \u00e8 la disciplina che trasforma la domanda “quale versione converte di pi\u00f9?” in qualcosa di misurabile e difendibile. Capire come si imposta un test pulito \u2014 e cosa lo rovina \u2014 \u00e8 il prerequisito di ogni cosa che segue.<\/p>\n\n\n\n

Prima ancora di lanciare un test, per\u00f2, c’\u00e8 una domanda da fare: quanti visitatori servono perch\u00e9 il risultato significhi qualcosa? Il calcolatore di sample size per A\/B test<\/a> risponde proprio a questo, dicendo quanti dati raccogliere per cogliere una differenza di una certa ampiezza con la confidenza voluta. \u00c8 lo strumento che evita l’errore pi\u00f9 comune e pi\u00f9 costoso: chiudere un test troppo presto, su numeri troppo piccoli per dire alcunch\u00e9.<\/p>\n\n\n\n

A test concluso, il testimone passa all’altro strumento. Il calcolatore di significativit\u00e0 per A\/B test<\/a> prende i numeri raccolti \u2014 visitatori e conversioni di ciascuna variante \u2014 e dice se la differenza osservata \u00e8 statisticamente solida o compatibile con il puro caso. \u00c8 il momento in cui si decide, con un criterio e non con una sensazione, se la variante vincente ha vinto davvero.<\/p>\n\n\n\n

C’\u00e8 infine un’ultima insidia, e arriva proprio quando crediamo di avere il metodo sotto controllo. Il peeking problem<\/a> descrive cosa succede quando si sbircia il risultato di un A\/B test prima della fine, fermandosi nell’istante in cui il dato ci d\u00e0 ragione: i falsi positivi si gonfiano in silenzio, anche se ogni singolo calcolo \u00e8 ineccepibile. \u00c8 la tappa che insegna a diffidare della propria fretta \u2014 il momento in cui si decide di guardare conta quanto il numero che si vede.<\/p>\n\n\n\n

Il traffico nel tempo<\/h2>\n\n\n\n

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, cio\u00e8 come cambiano.
Questa sezione raccoglie gli strumenti per dare un senso a ci\u00f2 che si muove lungo l’asse del tempo: la tendenza di fondo, la stagionalit\u00e0 ricorrente, e gli scarti che meritano un allarme.
Un numero ha senso solo nel suo andamento: lo stesso valore pu\u00f2 essere un trionfo o un disastro a seconda di cosa lo ha preceduto.<\/strong><\/p>\n\n\n\n

L’analisi delle serie storiche<\/a> \u00e8 il punto di partenza per chiunque guardi un grafico di traffico nel tempo. Insegna a scomporre una sequenza nei suoi ingredienti \u2014 la tendenza, la stagionalit\u00e0, la parte irregolare \u2014 e, con il metodo di Holt-Winters<\/em>, a proiettarla in avanti per costruire una previsione. \u00c8 ci\u00f2 che distingue il “mi sembra in calo” da una stima fondata di dove andr\u00e0 il traffico.<\/p>\n\n\n\n

Una volta che sappiamo cosa ci aspettiamo da una serie, possiamo riconoscere quando qualcosa sfugge alla regola. L’anomaly detection<\/a> \u00e8 la disciplina che individua i punti fuori posto \u2014 un picco sospetto, un crollo improvviso, un valore che il modello non avrebbe mai previsto. Per chi monitora un sito \u00e8 preziosissima: trasforma una bacheca di metriche in un sistema che segnala da solo quando vale la pena di andare a guardare cosa \u00e8 successo, invece di accorgersene a danno fatto.<\/p>\n\n\n\n

Le trappole dei dati<\/h2>\n\n\n\n

Anche con gli strumenti giusti, i dati hanno modi raffinati di ingannarci. Non perch\u00e9 mentano \u2014 i numeri sono quelli \u2014 ma perch\u00e9 il modo in cui li aggreghiamo, li confrontiamo o li interpretiamo pu\u00f2 portarci a conclusioni esattamente rovesciate rispetto alla realt\u00e0.
Questa sezione raccoglie due trappole classiche, tra le pi\u00f9 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 \u00e8 proprio quando sembrano pi\u00f9 chiari che conviene sospettare di averli capiti al contrario.<\/strong><\/p>\n\n\n\n

Il paradosso di Simpson<\/a> \u00e8 la pi\u00f9 spettacolare di queste insidie: una tendenza che appare netta nei dati aggregati pu\u00f2 invertirsi quando li si scompone nei singoli gruppi. Un canale che sembra convertire meglio sul totale pu\u00f2 essere peggiore in ogni segmento preso a parte, semplicemente per come si distribuiscono i volumi. \u00c8 l’avvertimento che ogni media va guardata con sospetto: prima di concludere, conviene sempre chiedersi cosa nascondono i dati sotto l’aggregato.<\/p>\n\n\n\n

La regressione verso la media<\/a> \u00e8 l’altra trappola, pi\u00f9 sottile perch\u00e9 si traveste da risultato. Quando una pagina ha un picco eccezionale, \u00e8 probabile che la rilevazione successiva sia pi\u00f9 bassa \u2014 non perch\u00e9 qualcosa sia peggiorato, ma per semplice statistica: i valori estremi tendono a essere seguiti da valori pi\u00f9 vicini alla media. Confondere questo rientro fisiologico con l’effetto di una nostra azione \u00e8 uno degli autoinganni pi\u00f9 comuni di chi analizza dati di marketing, e riconoscerlo evita di prendersi meriti \u2014 o colpe \u2014 che non esistono.<\/p>\n\n\n\n

Simulare<\/h2>\n\n\n\n

A volte la domanda non riguarda dati che abbiamo gi\u00e0, 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 pu\u00f2 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.<\/strong><\/p>\n\n\n\n

Il metodo Monte Carlo<\/a> \u00e8 lo strumento principe per questo genere di problemi. L’idea \u00e8 disarmante nella sua semplicit\u00e0: 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, \u00e8 una cassetta degli attrezzi che torna utile ogni volta che l’incertezza \u00e8 troppo aggrovigliata per essere risolta a tavolino.<\/p>\n\n\n\n

Da dove cominciare<\/h2>\n\n\n\n

Se si parte da zero e si vuole un punto d’ingresso solo, \u00e8 l’A\/B testing<\/a>: \u00e8 la competenza che d\u00e0 il ritorno pi\u00f9 immediato sul lavoro quotidiano, perch\u00e9 trasforma le scelte di tutti i giorni \u2014 un titolo, una call to action, un layout \u2014 in decisioni misurabili invece che in scommesse. Da l\u00ec, i due calcolatori sono il complemento naturale, uno prima e uno dopo ogni test.<\/p>\n\n\n\n

C’\u00e8 per\u00f2 un livello che sta sotto a tutto il blocco “Sperimentare” e che, prima o poi, conviene affrontare: il perch\u00e9<\/em> quei metodi funzionano. A\/B test, sample size e significativit\u00e0 poggiano interamente sull’impianto della statistica inferenziale \u2014 ipotesi, p-value<\/em>, intervalli di confidenza \u2014 e chi vuole smettere di applicare i calcolatori a scatola chiusa trova quel fondamento nel percorso dedicato alla statistica inferenziale<\/a>, la cassetta degli attrezzi da cui questo intero percorso pratico, presto o tardi, finisce per attingere. Questo \u00e8 uno dei percorsi tematici che stiamo costruendo per orientarsi tra gli articoli del blog: non spiegazioni nuove, ma mappe che mettono in fila ci\u00f2 che gi\u00e0 c’\u00e8, partendo dai problemi reali di chi fa SEO.<\/p>\n","protected":false},"excerpt":{"rendered":"

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 \u00e8 la mancanza di dati \u2014 ne abbiamo fin troppi \u2014 ma sapere quali ci stanno dicendo qualcosa di vero e quali ci stanno solo prendendo … Leggi tutto “Statistica per la SEO: il percorso pratico, dagli A\/B test alle trappole dei dati”<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_uag_custom_page_level_css":"","footnotes":""},"class_list":["post-3865","page","type-page","status-publish","hentry"],"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"Paolo Gironi","author_link":"https:\/\/www.gironi.it\/blog\/author\/autore-articoli\/"},"uagb_comment_info":0,"uagb_excerpt":"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 \u00e8 la mancanza di dati \u2014 ne abbiamo fin troppi \u2014 ma sapere quali ci stanno dicendo qualcosa di vero e quali ci stanno solo prendendo…","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3865","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=3865"}],"version-history":[{"count":0,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3865\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=3865"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}