{"id":4589,"date":"2026-11-10T16:10:38","date_gmt":"2026-11-10T15:10:38","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=4589"},"modified":"2026-11-10T16:13:01","modified_gmt":"2026-11-10T15:13:01","slug":"ctr-atteso-prima-dopo-ai-overviews","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/ctr-atteso-prima-dopo-ai-overviews\/","title":{"rendered":"Le risposte AI di Google ci tolgono clic? Misurarlo con il CTR atteso e un gruppo di controllo"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Le guide tecniche di un sito salgono nei risultati di ricerca, compaiono pi\u00f9 spesso, e nonostante questo ricevono meno clic. Il CTR delle guide passa dall&#8217;8,6% al 5,8% in sei mesi. <br>La spiegazione che viene in mente per prima \u00e8 anche la pi\u00f9 alla moda: le risposte generate dall&#8217;intelligenza artificiale in cima alla SERP (le <em>AI Overviews<\/em>, e poi la <em>AI Mode<\/em>) rispondono alla domanda prima che qualcuno senta il bisogno di cliccare. Ma \u00e8 davvero cos\u00ec? Forse le guide sono peggiorate. Forse \u00e8 calato tutto il sito. Forse \u00e8 cambiata la stagione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo avuto modo di costruire, parlando di <a href=\"https:\/\/www.gironi.it\/blog\/ctr-atteso-vs-reale\/\">CTR atteso vs reale<\/a>, il metro giusto per giudicare un CTR: la curva che lega la posizione al CTR tipico del nostro sito. Quel metro per\u00f2 fotografa un solo momento. Qui lo mettiamo in movimento: usiamo la stessa curva per due periodi, prima e dopo un evento, e la affianchiamo a un <strong>gruppo di controllo<\/strong>, cio\u00e8 a pagine che l&#8217;evento non dovrebbe toccare. <br>Il ragionamento che ne esce ha un nome, <strong>difference-in-differences<\/strong>, e serve ben oltre le risposte AI: un aggiornamento dell&#8217;algoritmo, un nuovo formato della SERP, una migrazione parziale.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> il confronto del CTR prima e dopo un evento \u00e8 ingannevole per due motivi: le posizioni cambiano (e il CTR con loro), e nello stesso periodo cambia anche tutto il resto. Il primo problema si risolve con il <strong>CTR atteso<\/strong>, stimato sul solo periodo <em>prima<\/em> e applicato a entrambi: il rapporto fra clic reali e clic attesi diventa confrontabile nel tempo. Il secondo si risolve con un <strong>gruppo di controllo<\/strong>: l&#8217;effetto dell&#8217;evento \u00e8 la differenza fra il cambiamento delle pagine esposte e quello delle pagine di controllo. Nel nostro esempio simulato le guide passano da 1,035 a 0,592 volte i clic attesi, le pagine prodotto da 1,085 a 1,014: l&#8217;effetto stimato \u00e8 un calo del 39%, vicinissimo al 40% che abbiamo messo nei dati. Tutto regge su un&#8217;ipotesi da controllare, quella delle <strong>tendenze parallele<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Di cosa parleremo<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"#ingenuo\">Il confronto ingenuo e i suoi due difetti<\/a><\/li><li><a href=\"#curva\">Una curva sola per due periodi<\/a><\/li><li><a href=\"#controllo\">Il gruppo di controllo<\/a><\/li><li><a href=\"#did\">La differenza delle differenze<\/a><\/li><li><a href=\"#modello\">La stessa stima con il suo intervallo<\/a><\/li><li><a href=\"#tendenze-parallele\">L&#8217;ipotesi delle tendenze parallele<\/a><\/li><li><a href=\"#robustezza\">Robustezza: cambiare le carte in tavola<\/a><\/li><li><a href=\"#significativo\">Significativo non vuol dire grande (e nemmeno piccolo)<\/a><\/li><li><a href=\"#citazione\">Dal clic alla citazione<\/a><\/li><li><a href=\"#domande-frequenti\">Domande frequenti<\/a><\/li><li><a href=\"#prova-tu\">Prova tu<\/a><\/li><li><a href=\"#per-approfondire\">Per approfondire<\/a><\/li><\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"ingenuo\">Il confronto ingenuo e i suoi due difetti<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Partiamo da dati costruiti apposta, che riproducono la forma di un caso reale senza usarne i numeri. Sessanta pagine di un sito: trenta <strong>guide<\/strong>, che rispondono a domande informative (proprio quelle su cui le risposte AI si concentrano), e trenta <strong>pagine prodotto<\/strong>, che intercettano ricerche transazionali. Per ogni pagina e per dodici mesi abbiamo la posizione media, le impressioni e i clic, come in un&#8217;esportazione di Search Console. <br>Dal mese 7 succede qualcosa: il CTR delle sole guide si riduce del 40%. Nello stesso momento, per complicarci la vita, le guide salgono un po&#8217; nei risultati e compaiono pi\u00f9 spesso, e tutto il sito perde un 5% di CTR per ragioni che con l&#8217;evento non c&#8217;entrano (la stagione, un cambio nella SERP, quello che capita nella realt\u00e0).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Costruisco i dati in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(2026)\n\nn      &lt;- 30\npagine &lt;- data.frame(\n  pagina  = c(sprintf(\"guida-%02d\", 1:n), sprintf(\"prodotto-%02d\", 1:n)),\n  gruppo  = rep(c(\"guide\", \"prodotto\"), each = n),\n  pos0    = round(runif(2 * n, 1.5, 12), 1),        # posizione di partenza\n  impr0   = round(rlnorm(2 * n, log(3000), 0.6)),   # impressioni mensili di partenza\n  qualita = rlnorm(2 * n, 0, 0.25)                  # bont\u00e0 dello snippet, fissa per pagina\n)\n\ndati &lt;- merge(pagine, data.frame(mese = 1:12))\ndati &lt;- dati[order(dati$pagina, dati$mese), ]\ndati$dopo  &lt;- dati$mese &gt;= 7\nesposta    &lt;- dati$gruppo == \"guide\"\n\n# le guide salgono un po' e compaiono pi\u00f9 spesso dopo l'evento\ndati$posizione  &lt;- round(dati$pos0 * exp(rnorm(nrow(dati), 0, 0.06)) *\n                         ifelse(esposta &amp; dati$dopo, 0.85, 1), 1)\ndati$impression &lt;- round(dati$impr0 * exp(rnorm(nrow(dati), 0, 0.10)) *\n                         ifelse(esposta &amp; dati$dopo, 1.25, 1))\n\nctr_vero &lt;- 0.30 * dati$posizione^-1 * dati$qualita *\n  ifelse(dati$dopo, 0.95, 1) *                 # shock comune a tutto il sito (-5%)\n  ifelse(esposta &amp; dati$dopo, 0.60, 1) *       # l'evento: -40% di CTR sulle sole guide\n  exp(rnorm(nrow(dati), 0, 0.10))              # rumore mese per mese\ndati$clic &lt;- rbinom(nrow(dati), dati$impression, pmin(ctr_vero, 0.9))\ndati$ctr  &lt;- dati$clic \/ dati$impression\ndati$periodo &lt;- ifelse(dati$dopo, \"dopo\", \"prima\")<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il CTR vero segue una legge di potenza con esponente \u22121, la stessa forma che avevamo trovato nell&#8217;articolo sul CTR atteso; ogni pagina ha poi una sua &#8220;bont\u00e0&#8221; dello <em>snippet<\/em>, fissa nel tempo, e un po&#8217; di rumore mese per mese.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo il confronto che faremmo tutti, d&#8217;istinto: CTR complessivo e posizione media per gruppo, prima e dopo.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>grezzo &lt;- aggregate(cbind(clic, impression) ~ gruppo + periodo, data = dati, FUN = sum)\ngrezzo$ctr &lt;- grezzo$clic \/ grezzo$impression\npos_media &lt;- aggregate(posizione ~ gruppo + periodo, data = dati, FUN = mean)\nmerge(grezzo, pos_media)<\/code><\/pre>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>gruppo<\/th><th>periodo<\/th><th>clic<\/th><th>impressioni<\/th><th>CTR<\/th><th>posizione media<\/th><\/tr><\/thead><tbody><tr><td>guide<\/td><td>prima<\/td><td>47.414<\/td><td>550.794<\/td><td>8,61%<\/td><td>5,11<\/td><\/tr><tr><td>guide<\/td><td>dopo<\/td><td>40.454<\/td><td>694.205<\/td><td>5,83%<\/td><td>4,38<\/td><\/tr><tr><td>prodotto<\/td><td>prima<\/td><td>42.137<\/td><td>684.866<\/td><td>6,15%<\/td><td>6,97<\/td><\/tr><tr><td>prodotto<\/td><td>dopo<\/td><td>38.637<\/td><td>682.065<\/td><td>5,67%<\/td><td>6,98<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Il CTR delle guide scende del 32% (5,83 diviso 8,61 fa 0,677). Sembra una misura dell&#8217;effetto, e invece \u00e8 sbagliata in due modi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il primo difetto: <strong>le guide sono salite<\/strong>, dalla posizione 5,1 alla 4,4. A parit\u00e0 di tutto il resto, salire vuol dire pi\u00f9 CTR, non meno. Il CTR grezzo confronta pagine che stanno in posti diversi della SERP, e quindi <em>sottostima<\/em> il danno: la caduta vera \u00e8 quella rispetto al CTR che le guide avrebbero dovuto avere nella loro nuova posizione.<br>Il secondo difetto: <strong>nello stesso periodo \u00e8 calato tutto il sito<\/strong>. Anche le pagine prodotto, che l&#8217;evento non tocca, perdono l&#8217;8% di CTR. Attribuire all&#8217;evento tutto il calo delle guide vorrebbe dire caricargli sulle spalle anche quello che sarebbe successo comunque.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al primo difetto risponde il CTR atteso, al secondo il gruppo di controllo. Li vediamo uno alla volta.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"curva\">Una curva sola per due periodi<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il CTR atteso \u00e8 il valore che la curva posizione-CTR del nostro sito assegna a una pagina, data la sua posizione. Il rapporto fra clic reali e clic attesi ci dice se una pagina rende pi\u00f9 o meno di quanto la sua posizione prometta, e ha una propriet\u00e0 preziosa: <strong>tiene conto della posizione<\/strong>. Se una guida sale dalla 5 alla 4, i suoi clic attesi crescono con lei, e il rapporto resta un confronto equo. (Con una precisazione: la correzione vale nella misura in cui la curva descrive bene il legame fra posizione e CTR. Una curva sbagliata lascia nel rapporto un residuo di dipendenza dalla posizione.)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 per\u00f2 una scelta da fare, ed \u00e8 quella che rende tutto il resto possibile: <strong>la curva va stimata sul solo periodo prima dell&#8217;evento<\/strong>, e poi applicata a entrambi i periodi. <br>Il motivo \u00e8 che il metro non deve dipendere da ci\u00f2 che misura. Se la stimassimo su tutti i dodici mesi, nella curva entrerebbero anche i clic persi dalle guide, che nel periodo dopo stanno in posizioni diverse da prima: la curva cambierebbe forma per effetto dell&#8217;evento stesso, e con lei i clic attesi su cui costruiamo tutto il confronto. (Un semplice abbassamento uniforme della curva, invece, non farebbe danni: toccherebbe tutti e due i gruppi nella stessa proporzione, e nel confronto finale si cancellerebbe.) <strong>Stimata sul periodo prima, la curva \u00e8 un metro che l&#8217;evento non ha potuto toccare.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Stimo la curva con la regressione sui logaritmi pesata per le impressioni, come nell&#8217;articolo sul CTR atteso, ma solo sui mesi da 1 a 6:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>prima &lt;- subset(dati, !dopo &amp; clic &gt; 0)\ncurva &lt;- lm(log(ctr) ~ log(posizione), data = prima, weights = impression)\nround(coef(curva), 3)\n#    (Intercept) log(posizione)\n#         -1.135         -1.055<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La pendenza di \u22121,055 \u00e8 vicina al \u22121 che abbiamo messo nella simulazione. Ora calcolo per ogni pagina e per ogni mese i clic attesi, e sommo clic reali e clic attesi per gruppo e periodo:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>dati$ctr_atteso  &lt;- exp(predict(curva, newdata = dati))\ndati$clic_attesi &lt;- dati$impression * dati$ctr_atteso\n\ntab &lt;- aggregate(cbind(clic, clic_attesi) ~ gruppo + periodo, data = dati, FUN = sum)\ntab$rapporto &lt;- tab$clic \/ tab$clic_attesi\ntab<\/code><\/pre>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>gruppo<\/th><th>periodo<\/th><th>clic reali<\/th><th>clic attesi<\/th><th>reali \/ attesi<\/th><\/tr><\/thead><tbody><tr><td>guide<\/td><td>prima<\/td><td>47.414<\/td><td>45.795<\/td><td>1,035<\/td><\/tr><tr><td>guide<\/td><td>dopo<\/td><td>40.454<\/td><td>68.327<\/td><td>0,592<\/td><\/tr><tr><td>prodotto<\/td><td>prima<\/td><td>42.137<\/td><td>38.828<\/td><td>1,085<\/td><\/tr><tr><td>prodotto<\/td><td>dopo<\/td><td>38.637<\/td><td>38.114<\/td><td>1,014<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Guardiamo la riga delle guide nel periodo dopo: con le nuove posizioni e le nuove impressioni, la curva si aspettava pi\u00f9 di 68 mila clic, e ne sono arrivati poco pi\u00f9 di 40 mila. Il rapporto passa da 1,035 a 0,592, un calo del 43%. <strong>Tenere conto della posizione ha fatto emergere un danno pi\u00f9 grande di quello che il CTR grezzo lasciava vedere.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">n.b. i rapporti del periodo prima non sono esattamente 1: la curva \u00e8 una sola per tutto il sito, e le guide e i prodotti se ne discostano un po&#8217; ciascuno a modo suo. Non \u00e8 un problema, perch\u00e9 non confronteremo mai i rapporti con 1, ma ciascun gruppo con se stesso.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"controllo\">Il gruppo di controllo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il CTR atteso ha sistemato le posizioni, ma non dice nulla del secondo difetto: il calo che avrebbe colpito le guide anche senza l&#8217;evento. Per stimarlo ci serve un <strong>gruppo di controllo<\/strong>, cio\u00e8 un insieme di pagine che abbia due caratteristiche:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>l&#8217;evento non lo tocca<\/strong>, o lo tocca molto meno: per le risposte AI, pagine prodotto e ricerche transazionali, dove chi cerca vuole comprare o contattare e un riassunto in cima alla SERP non gli basta;<\/li><li><strong>subisce tutto il resto come le pagine esposte<\/strong>: la stagione, gli aggiornamenti dell&#8217;algoritmo, i cambi nel modo di misurare di Search Console.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 la stessa logica dello <a href=\"https:\/\/www.gironi.it\/blog\/split-test-seo\/\">split test SEO<\/a>, con una differenza importante: l\u00ec il gruppo di controllo lo scegliamo noi, a caso, prima di intervenire; qui l'&#8221;intervento&#8221; lo ha deciso qualcun altro, e i due gruppi sono dati, non sorteggiati. Come dicono gli anglosassoni, \u00e8 un <em>quasi-esperimento<\/em>. <strong>Senza il sorteggio, la somiglianza fra i due gruppi non \u00e8 garantita: va argomentata e, dove si pu\u00f2, controllata nei dati.<\/strong> Ci torneremo fra poco.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel nostro caso le pagine prodotto, nel periodo dopo, passano da 1,085 a 1,014 volte i clic attesi: un calo del 6,6% che l&#8217;evento non ha causato, perch\u00e9 l&#8217;evento non le riguarda. \u00c8 la nostra stima di quello che sarebbe successo alle guide se le risposte AI non ci fossero state.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"did\">La differenza delle differenze<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo due cambiamenti. Quello delle guide, che mescola l&#8217;effetto dell&#8217;evento con tutto il resto; e quello delle pagine prodotto, che contiene solo tutto il resto. L&#8217;effetto dell&#8217;evento \u00e8 ci\u00f2 che resta togliendo il secondo dal primo: la <strong>differenza delle differenze<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dato che lavoriamo con rapporti (un calo del 43%, un calo del 6,6%), la &#8220;differenza&#8221; diventa un rapporto fra rapporti. A parole: dividiamo il cambiamento delle guide per il cambiamento delle pagine di controllo.<\/p>\n\n\n\n<p class=\"has-text-align-center\">\\( \\displaystyle \\text{effetto} = \\frac{R_{\\text{guide, dopo}} \\;\/\\; R_{\\text{guide, prima}}}{R_{\\text{prodotto, dopo}} \\;\/\\; R_{\\text{prodotto, prima}}} \\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dove ogni \\( R \\) \u00e8 il rapporto fra clic reali e clic attesi di un gruppo in un periodo. Al numeratore c&#8217;\u00e8 la variazione delle guide, al denominatore quella del controllo. Se l&#8217;evento non avesse fatto niente, i due cambiamenti sarebbero uguali e l&#8217;effetto varrebbe 1.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>r &lt;- function(g, p) tab$rapporto[tab$gruppo == g &amp; tab$periodo == p]\nvar_guide    &lt;- r(\"guide\", \"dopo\") \/ r(\"guide\", \"prima\")        # 0,572\nvar_prodotto &lt;- r(\"prodotto\", \"dopo\") \/ r(\"prodotto\", \"prima\")  # 0,934\nvar_guide \/ var_prodotto                                        # 0,612<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Le guide scendono a 0,572 volte il livello di prima, le pagine prodotto a 0,934. Il rapporto fra i due fa <strong>0,612<\/strong>: l&#8217;evento ha tolto alle guide circa il 39% dei clic che avrebbero ricevuto altrimenti. Nella simulazione l&#8217;effetto vero era del 40%, e lo shock comune del 5%: il metodo li ha separati quasi alla perfezione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Vale la pena mettere in fila le tre stime che abbiamo incontrato:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>confronto<\/th><th>effetto stimato<\/th><\/tr><\/thead><tbody><tr><td>CTR grezzo delle guide, prima e dopo<\/td><td>\u221232%<\/td><\/tr><tr><td>Differenza delle differenze sul CTR grezzo<\/td><td>\u221226%<\/td><\/tr><tr><td>Differenza delle differenze sui clic attesi<\/td><td>\u221239%<\/td><\/tr><tr><td><em>Effetto vero, messo nella simulazione<\/em><\/td><td><em>\u221240%<\/em><\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">La seconda riga \u00e8 istruttiva: il gruppo di controllo da solo non basta (0,677 diviso 0,921 fa 0,735). Senza il CTR atteso, la salita delle guide in classifica continua a mascherare una parte del danno. <strong>Le due correzioni lavorano su difetti diversi, e servono tutte e due.<\/strong><\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"modello\">La stessa stima con il suo intervallo<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un numero solo, per quanto ben costruito, non dice quanto ci possiamo fidare. Per avere un intervallo di confidenza scriviamo la differenza delle differenze come un modello per i conteggi, della famiglia che abbiamo visto parlando di <a href=\"https:\/\/www.gironi.it\/blog\/sovradispersione\/\">sovradispersione<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;idea \u00e8 questa. Modelliamo i clic di ogni pagina in ogni mese partendo dai suoi clic attesi, che entrano nel modello come <em>offset<\/em>: un termine con coefficiente fissato a 1, che dice al modello &#8220;parti da qui&#8221;. Sopra i clic attesi il modello stima tre cose: un livello proprio di ogni pagina (la sua bont\u00e0, fissa nel tempo), uno spostamento comune a tutte le pagine nel periodo dopo, e uno spostamento in pi\u00f9 per le sole guide nel periodo dopo. <strong>Quest&#8217;ultimo \u00e8 l&#8217;effetto dell&#8217;evento.<\/strong><br>Il livello di ogni pagina fa s\u00ec che ogni pagina venga confrontata con se stessa: \u00e8 la versione &#8220;una pagina per volta&#8221; della tabella di prima.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Stimo il modello con la quasi-Poisson:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>dati$evento &lt;- as.integer(esposta &amp; dati$dopo)   # 1 solo per le guide nel periodo dopo\nmod &lt;- glm(clic ~ factor(pagina) + dopo + evento + offset(log(clic_attesi)),\n           family = quasipoisson, data = dati)\n\nic &lt;- function(m, k) {\n  b &lt;- coef(m)[k]; se &lt;- sqrt(vcov(m)[k, k])\n  round(exp(c(stima = b, basso = b - 1.96 * se, alto = b + 1.96 * se)), 3)\n}\nic(mod, \"evento\")     # 0,607  da 0,587 a 0,627\nic(mod, \"dopoTRUE\")   # 0,939  da 0,917 a 0,962\nsummary(mod)$dispersion   # 2,98<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;effetto stimato \u00e8 <strong>0,607, con un intervallo al 95% da 0,587 a 0,627<\/strong>: un calo fra il 37% e il 41%. Lo shock comune vale 0,939, cio\u00e8 un 6% di clic in meno su tutto il sito, e anche questo \u00e8 vicino al 5% della simulazione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il fattore di dispersione, 2,98, ci dice che i clic variano tre volte pi\u00f9 di quanto ammetterebbe una Poisson: per questo usiamo la quasi-Poisson, che allarga gli errori standard di conseguenza. <br>Vale la pena provare a togliere <code>factor(pagina)<\/code> dal modello (e mettere al suo posto un termine per il gruppo): la stima puntuale quasi non cambia (0,612), ma la dispersione sale a 20,9 e l&#8217;intervallo si allarga, da 0,561 a 0,668. Senza il livello di ogni pagina, la differenza di bont\u00e0 fra una pagina e l&#8217;altra finisce nel rumore. <strong>Confrontare ogni pagina con se stessa toglie di mezzo una grossa fetta di variabilit\u00e0 che con l&#8217;evento non c&#8217;entra.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">n.b. questo intervallo va preso per quello che \u00e8, perch\u00e9 poggia su due semplificazioni. La prima: tratta la curva del CTR atteso come se fosse nota, mentre anche lei \u00e8 una stima. Dato che la stessa curva vale per tutti e due i gruppi e per tutti e due i periodi, buona parte di quell&#8217;incertezza si cancella nel confronto; quella che resta pesa di pi\u00f9 quando le posizioni dei due gruppi cambiano in modo molto diverso. <br>La seconda: tratta i mesi di una stessa pagina come osservazioni indipendenti, una volta tenuto conto del suo livello. Nei dati veri non lo sono quasi mai (un mese buono tende a essere seguito da un altro mese buono), e la quasi-Poisson corregge la dispersione, non questa dipendenza. Il rimedio pi\u00f9 diretto \u00e8 il <em>bootstrap<\/em> sulle pagine: si ricampionano le pagine intere, con tutti i loro mesi, e a ogni giro si ristimano curva e modello. Non risolve tutto (uno shock che colpisce insieme molte pagine dello stesso gruppo resta un problema), ma d\u00e0 un intervallo pi\u00f9 onesto.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"tendenze-parallele\">L&#8217;ipotesi delle tendenze parallele<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Tutto quello che abbiamo fatto poggia su un&#8217;ipotesi che finora abbiamo lasciato sottintesa: che <strong>senza l&#8217;evento, le guide e le pagine prodotto si sarebbero mosse insieme<\/strong>. \u00c8 ci\u00f2 che ci autorizza a usare il calo delle pagine prodotto come stima del calo &#8220;naturale&#8221; delle guide. Si chiama ipotesi delle <strong>tendenze parallele<\/strong>, ed \u00e8 il punto su cui la difference-in-differences sta in piedi o cade. <br>Dato che noi lavoriamo con rapporti, &#8220;muoversi insieme&#8221; va inteso in senso proporzionale: senza l&#8217;evento, il rapporto fra clic reali e attesi delle guide sarebbe cambiato <em>della stessa percentuale<\/em> di quello delle pagine prodotto (non dello stesso numero di punti). In termini pi\u00f9 tecnici, le tendenze devono essere parallele su scala logaritmica.<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow\">\n<p>Un avvertimento: la difference-in-differences misura un effetto causale solo se, in assenza dell&#8217;evento, i due gruppi si sarebbero mossi in parallelo. Se le guide stavano gi\u00e0 perdendo terreno prima delle risposte AI (perch\u00e9 invecchiano, perch\u00e9 i concorrenti hanno pubblicato di meglio), il metodo attribuisce all&#8217;evento un calo che non \u00e8 suo. <strong>L&#8217;ipotesi non si pu\u00f2 dimostrare, perch\u00e9 riguarda un mondo che non abbiamo osservato; si pu\u00f2 solo rendere credibile guardando i mesi prima dell&#8217;evento.<\/strong><\/p>\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Il controllo pi\u00f9 semplice \u00e8 guardare il rapporto fra clic reali e clic attesi mese per mese, per i due gruppi. Lo calcolo in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>mensile &lt;- aggregate(cbind(clic, clic_attesi) ~ gruppo + mese, data = dati, FUN = sum)\nmensile$rapporto &lt;- mensile$clic \/ mensile$clic_attesi<\/code><\/pre>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/11\/ctr-prima-dopo-mensile.png\" alt=\"Il rapporto fra clic reali e clic attesi, mese per mese, per le guide (esposte all'evento) e per le pagine prodotto (gruppo di controllo). Nei sei mesi prima dell'evento le due linee oscillano insieme, senza che una si allontani dall'altra; dal mese 7 le guide crollano intorno a 0,6, mentre le pagine prodotto restano poco sopra 1.\"\/><figcaption class=\"wp-element-caption\">Il rapporto fra clic reali e clic attesi, mese per mese, per le guide (esposte all&#8217;evento) e per le pagine prodotto (gruppo di controllo). Nei sei mesi prima dell&#8217;evento le due linee oscillano insieme, senza che una si allontani dall&#8217;altra; dal mese 7 le guide crollano intorno a 0,6, mentre le pagine prodotto restano poco sopra 1.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Nei mesi da 1 a 6 le due linee oscillano, ma nessuna delle due prende una strada propria: le guide stanno fra 0,97 e 1,08, le pagine prodotto fra 1,00 e 1,16. Dal mese 7 le guide scendono di colpo intorno a 0,6 e ci restano. <strong>\u00c8 il disegno che vogliamo vedere: un salto netto nel momento dell&#8217;evento, nessuna deriva prima.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;occhio per\u00f2 si lascia convincere facilmente. Due verifiche formali, entrambe sui soli mesi prima dell&#8217;evento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La prima cerca una <strong>tendenza diversa<\/strong> delle guide: aggiungiamo al modello un termine che cresce di mese in mese solo per le guide. Se le guide stessero gi\u00e0 scivolando, il suo coefficiente sarebbe negativo e lontano da zero.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Stimo la tendenza in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>pre &lt;- subset(dati, !dopo)\npre$guide_mese &lt;- (pre$gruppo == \"guide\") * pre$mese\ntrend &lt;- glm(clic ~ factor(pagina) + factor(mese) + guide_mese + offset(log(clic_attesi)),\n             family = quasipoisson, data = pre)\nsummary(trend)$coefficients[\"guide_mese\", ]\n# stima 0,0060   errore standard 0,0069   p = 0,38<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Una differenza di tendenza dello 0,6% al mese, con un errore standard pi\u00f9 grande della stima: nessuna evidenza di una deriva propria delle guide. Attenzione per\u00f2 a non leggerla come una prova di assenza: l&#8217;intervallo al 95% va all&#8217;incirca da \u22120,8% a +2% al mese, e con soli sei mesi di dati una deriva piccola potrebbe sfuggirci.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La seconda \u00e8 un <strong>placebo<\/strong>: facciamo finta che l&#8217;evento sia avvenuto al mese 4, quando in realt\u00e0 non \u00e8 successo niente, e rifacciamo la stima. Se trovassimo un &#8220;effetto&#8221; anche l\u00ec, sarebbe il segnale che qualcosa non va: gruppi che si muovono gi\u00e0 in modo diverso, o un modello che non descrive bene i dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo il placebo in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>pre$finto &lt;- as.integer(pre$gruppo == \"guide\" &amp; pre$mese &gt;= 4)\nplacebo &lt;- glm(clic ~ factor(pagina) + I(mese &gt;= 4) + finto + offset(log(clic_attesi)),\n               family = quasipoisson, data = pre)\nic(placebo, \"finto\")\n# 1,027  da 0,981 a 1,076  (p = 0,25)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;effetto placebo vale 1,027, con un intervallo che comprende tranquillamente 1: dove non \u00e8 successo niente, non troviamo nessuna evidenza di un effetto. Anche qui, l&#8217;intervallo (da \u22121,9% a +7,6%) ricorda che &#8220;nessuna evidenza&#8221; non vuol dire &#8220;nessuna differenza&#8221;.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Teniamo bene a mente il limite di queste verifiche: al massimo dicono che <strong>prima<\/strong> dell&#8217;evento i gruppi non si muovevano in modo visibilmente diverso, non che avrebbero continuato a farlo <strong>dopo<\/strong>. Se nello stesso mese dell&#8217;evento fosse successo qualcos&#8217;altro che tocca solo le guide (una riscrittura dei loro <em>title<\/em>, un problema tecnico sulla loro sezione del sito), nessun controllo sui dati di prima potrebbe accorgersene. L\u00ec serve la conoscenza del sito, non la statistica.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"robustezza\">Robustezza: cambiare le carte in tavola<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una stima che regge solo con una particolare scelta di finestra temporale, o solo con certe pagine dentro, non \u00e8 una stima: \u00e8 un caso fortunato. Prima di fidarci, cambiamo le carte in tavola e guardiamo se il risultato resta in piedi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La prima prova \u00e8 la <strong>finestra<\/strong>: invece di tutti e sei i mesi dopo, prendiamo solo l&#8217;ultimo. Se l&#8217;effetto fosse un fuoco di paglia, o se crescesse col tempo, lo vedremmo.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>ult &lt;- subset(dati, !dopo | mese == 12)\nic(update(mod, data = ult), \"evento\")\n# 0,591  da 0,553 a 0,630<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;effetto del solo mese 12 \u00e8 0,591, con un intervallo che si sovrappone largamente a quello dei sei mesi: il risultato dell&#8217;ultimo mese \u00e8 compatibile con quello complessivo. Non basta per dire che l&#8217;effetto sia costante nel tempo (le due stime condividono gli stessi mesi prima, e un&#8217;evoluzione lenta potrebbe sfuggire), ma esclude che tutto il calo stia in un fuoco di paglia dei primi mesi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Con dati veri, poi, ci sono due esclusioni che conviene sempre provare.<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>La homepage<\/strong>: ha un comportamento tutto suo (ricerche di marca, traffico di navigazione), e una pagina sola con moltissime impressioni pu\u00f2 spostare da sola un intero gruppo.<\/li><li><strong>Le query di marca<\/strong>: chi cerca il nome del sito clicca comunque, risposte AI o no. Mescolarle alle altre diluisce l&#8217;effetto, e se pesano in modo diverso nei due gruppi lo distorce.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Se togliendo l&#8217;una o le altre la stima cambia poco, abbiamo un risultato robusto; se cambia molto, abbiamo scoperto che l&#8217;effetto sta tutto in poche pagine, e questa \u00e8 un&#8217;informazione ancora pi\u00f9 utile.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 infine una trappola specifica di Search Console, che merita un articolo a s\u00e9: a volte non cambia il comportamento degli utenti ma <strong>il modo in cui lo misuriamo<\/strong>. A settembre 2025, per esempio, Google ha smesso di supportare il parametro <code>&amp;num=100<\/code> (quello che permetteva di vedere cento risultati per pagina), e molti siti hanno visto le impressioni calare e le posizioni medie migliorare di colpo, senza che fosse cambiato niente nel traffico vero. Se un cambio del genere cade vicino al nostro evento, il gruppo di controllo ci protegge solo se colpisce i due gruppi allo stesso modo.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"significativo\">Significativo non vuol dire grande (e nemmeno piccolo)<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Torniamo per un momento al confronto pi\u00f9 semplice di tutti: il CTR delle guide prima e dopo, con un test sulle proporzioni. Lo usiamo solo come illustrazione: il test tratta ogni impressione come una prova indipendente dalle altre, e ignora le differenze fra pagine e fra mesi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Eseguo il test in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>g &lt;- subset(grezzo, gruppo == \"guide\")\nprop.test(g$clic[c(2, 1)], g$impression[c(2, 1)])$p.value   # prima, dopo\n# 0: troppo piccolo perch\u00e9 R lo distingua da zero<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Con pi\u00f9 di un milione di impressioni il <a href=\"https:\/\/www.gironi.it\/blog\/p-value\/\">p-value<\/a> \u00e8 cos\u00ec piccolo che R lo stampa come zero. Ma lo sappiamo: il p-value \u00e8 la probabilit\u00e0 di osservare una differenza almeno cos\u00ec estrema se non ci fosse nessuna differenza vera (e se le ipotesi del test reggessero). <strong>Il p-value misura la sorpresa, non la grandezza.<\/strong> Con questi volumi, anche una differenza di un decimo di punto sarebbe &#8220;significativa&#8221;.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per la grandezza c&#8217;\u00e8 l&#8217;<a href=\"https:\/\/www.gironi.it\/blog\/effect-size-e-power-analysis\/\">effect size<\/a>, e per due proporzioni la misura classica \u00e8 la <em>h<\/em> di Cohen, la differenza fra le due proporzioni dopo una trasformazione che le rende confrontabili (l&#8217;arcoseno della radice).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo <em>h<\/em> in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>h &lt;- function(p1, p2) abs(2 * asin(sqrt(p1)) - 2 * asin(sqrt(p2)))\nh(0.0861, 0.0583)   # 0,108<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Un valore di 0,108 sta sotto la soglia di 0,2 che Cohen chiamava &#8220;effetto piccolo&#8221;. Dovremmo concludere che l&#8217;effetto \u00e8 trascurabile? Proprio no. La <em>h<\/em> misura la distanza fra due proporzioni in un senso generale, pensato per confrontare studi diversi; la soglia di 0,2 non sa niente di quanto valga un clic per il nostro sito. Quello che conta per un sito \u00e8 un&#8217;altra cosa: <strong>quanti clic ha tolto l&#8217;evento<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il conto \u00e8 diretto, e lo facciamo sulla tabella aggregata. Prendiamo i clic attesi delle guide nel periodo dopo, li riportiamo al livello che le guide avevano prima e li correggiamo per lo shock comune misurato sul controllo: \u00e8 la stima di quanti clic le guide avrebbero ricevuto senza l&#8217;evento, a parit\u00e0 di impressioni e di posizioni. Togliamo quelli ricevuti davvero:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>clic_senza_evento &lt;- sum(dati$clic_attesi[esposta &amp; dati$dopo]) *\n  r(\"guide\", \"prima\") * var_prodotto\nclic_senza_evento - sum(dati$clic[esposta &amp; dati$dopo])\n# 25.626 clic persi, su 40.454 ricevuti<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">In sei mesi le guide hanno perso circa 25.600 clic per la riduzione del CTR (con il modello a effetti di pagina il conto viene simile, circa 26.200). n.b. il conto tiene ferme le impressioni e le posizioni osservate dopo l&#8217;evento: se l&#8217;evento avesse cambiato anche quelle, quella parte non sarebbe compresa. In altri termini: per ogni 100 clic arrivati, ce ne sono 63 che sarebbero arrivati senza l&#8217;evento e non sono arrivati. Un effetto &#8220;piccolo&#8221; secondo la <em>h<\/em> di Cohen, e enorme per chi deve far quadrare il traffico del sito. <strong>Le etichette &#8220;piccolo&#8221;, &#8220;medio&#8221;, &#8220;grande&#8221; sono convenzioni nate in altri campi; la misura giusta della grandezza \u00e8 quella che si traduce nella decisione da prendere.<\/strong><\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"citazione\">Dal clic alla citazione<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una volta misurato il calo, la tentazione \u00e8 chiudere il discorso con un &#8220;le risposte AI ci tolgono il 39% dei clic sulle guide&#8221;. Il numero \u00e8 giusto, ma la storia potrebbe non essere finita. <br>Se una guida viene citata nella risposta AI come fonte, una parte del suo valore si \u00e8 spostata, non \u00e8 scomparsa: il marchio compare davanti a chi cerca, anche se quella persona non clicca. Il clic, insomma, \u00e8 una misura del valore delle guide, non il valore stesso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Misurare quella presenza \u00e8 un problema statistico tutto suo: le risposte cambiano da una ricerca all&#8217;altra, gli strumenti che le monitorano campionano un numero limitato di domande, e la stessa domanda pu\u00f2 dare risposte diverse a distanza di un&#8217;ora. <strong>Contare le citazioni \u00e8 facile; stimare con un&#8217;incertezza onesta quanto spesso compariamo \u00e8 tutt&#8217;altra faccenda.<\/strong> Lo affronteremo in un articolo dedicato.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Che cos&#8217;\u00e8 la difference-in-differences, in una frase?<\/strong><br>\u00c8 il confronto fra il cambiamento di un gruppo toccato da un evento e il cambiamento di un gruppo non toccato nello stesso periodo: la differenza fra i due cambiamenti \u00e8 la stima dell&#8217;effetto dell&#8217;evento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Perch\u00e9 non basta confrontare il CTR prima e dopo?<\/strong><br>Perch\u00e9 il CTR cambia con la posizione e con tutto ci\u00f2 che succede al sito nello stesso periodo. Il CTR atteso toglie l&#8217;effetto della posizione, il gruppo di controllo toglie quello del resto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Come si sceglie il gruppo di controllo?<\/strong><br>Deve essere poco o per niente esposto all&#8217;evento e, per il resto, soggetto alle stesse influenze delle pagine esposte. Per le risposte AI le pagine transazionali sono un buon candidato; la scelta va argomentata e poi controllata con le tendenze dei mesi precedenti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>E se i mesi prima dell&#8217;evento non sono paralleli?<\/strong><br>Allora la differenza delle differenze non misura l&#8217;effetto dell&#8217;evento. Si pu\u00f2 cercare un gruppo di controllo migliore, modellare la tendenza esplicitamente o, quanto meno, dichiarare la stima come poco affidabile.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prova-tu\">Prova tu<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il codice \u00e8 tutto qui sopra, e la simulazione \u00e8 fatta apposta per essere modificata. Tre direzioni per mettere alla prova il metodo:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>Rompiamo le tendenze parallele.<\/strong> Moltiplichiamo il <code>ctr_vero<\/code> delle guide per <code>exp(-0.03 * (dati$mese - 1))<\/code>, cio\u00e8 facciamo perdere alle guide il 3% al mese <em>dall&#8217;inizio<\/em>, prima dell&#8217;evento. Quanto vale ora la differenza delle differenze? Il test sulla tendenza del periodo prima se ne accorge?<\/li><li><strong>Stimiamo la curva su tutti i dodici mesi<\/strong> invece che sui soli primi sei, e rifacciamo la tabella dei rapporti: quanto cambiano i coefficienti della curva, e quanto l&#8217;effetto stimato? Perch\u00e9 l&#8217;effetto cambia molto meno della curva?<\/li><li><strong>Scegliamo un controllo sbagliato.<\/strong> Applichiamo l&#8217;evento anche a met\u00e0 delle pagine prodotto (con un effetto pi\u00f9 piccolo, per esempio \u221220%) e rifacciamo la stima: che cosa succede all&#8217;effetto quando il gruppo di controllo \u00e8 &#8220;contaminato&#8221;?<\/li><\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Suggerimento: tutte e tre le prove rispondono alla stessa domanda. Il metodo non \u00e8 una formula che produce la verit\u00e0 da qualunque dato, ma un ragionamento che funziona finch\u00e9 le sue ipotesi tengono: vale la pena vedere coi nostri occhi quanto sbaglia quando non tengono.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo dato per scontato, in tutto l&#8217;articolo, che i clic e le impressioni di Search Console misurino sempre la stessa cosa. Non \u00e8 cos\u00ec: a volte un numero cambia di colpo non perch\u00e9 sia cambiato il comportamento delle persone, ma perch\u00e9 \u00e8 cambiato il modo di contarle, come nel caso del parametro <code>&amp;num=100<\/code>. Distinguere un cambiamento del fenomeno da un cambiamento del metro \u00e8 il tema del prossimo articolo, sulle <strong>rotture strutturali<\/strong> nelle metriche.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"per-approfondire\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per il ragionamento di questo articolo, consiglio <a href=\"https:\/\/www.amazon.it\/dp\/8891906190?tag=consulenzeinf-21&amp;ascsubtag=ctr-atteso-prima-dopo\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Introduzione all&#8217;econometria<\/em><\/a> di Stock e Watson: il capitolo sugli esperimenti e i quasi-esperimenti spiega la differenza delle differenze, i suoi presupposti e le sue trappole partendo da casi applicati, ed \u00e8 il ponte naturale fra la regressione e l&#8217;inferenza causale. Chi lavora con i dati di un sito trover\u00e0 in <a href=\"https:\/\/www.amazon.it\/dp\/1108724264?tag=consulenzeinf-21&amp;ascsubtag=ctr-atteso-prima-dopo\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Trustworthy Online Controlled Experiments<\/em><\/a> di Kohavi, Tang e Xu il complemento giusto: \u00e8 il riferimento sugli esperimenti online, e dedica un capitolo agli studi osservazionali, cio\u00e8 proprio a quello che si pu\u00f2 (e non si pu\u00f2) concludere quando il gruppo di controllo non l&#8217;abbiamo sorteggiato noi.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Le guide tecniche di un sito salgono nei risultati di ricerca, compaiono pi\u00f9 spesso, e nonostante questo ricevono meno clic. Il CTR delle guide passa dall&#8217;8,6% al 5,8% in sei mesi. La spiegazione che viene in mente per prima \u00e8 anche la pi\u00f9 alla moda: le risposte generate dall&#8217;intelligenza artificiale in cima alla SERP (le &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/ctr-atteso-prima-dopo-ai-overviews\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Le risposte AI di Google ci tolgono clic? Misurarlo con il CTR atteso e un gruppo di controllo&#8221;<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[],"class_list":["post-4589","post","type-post","status-publish","format-standard","hentry","category-statistica-it"],"lang":"it","translations":{"it":4589,"en":4591},"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":"Le guide tecniche di un sito salgono nei risultati di ricerca, compaiono pi\u00f9 spesso, e nonostante questo ricevono meno clic. Il CTR delle guide passa dall&#8217;8,6% al 5,8% in sei mesi. La spiegazione che viene in mente per prima \u00e8 anche la pi\u00f9 alla moda: le risposte generate dall&#8217;intelligenza artificiale in cima alla SERP (le&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4589","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"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=4589"}],"version-history":[{"count":2,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4589\/revisions"}],"predecessor-version":[{"id":4594,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4589\/revisions\/4594"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=4589"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=4589"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=4589"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}