{"id":4673,"date":"2026-11-12T11:02:57","date_gmt":"2026-11-12T10:02:57","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=4673"},"modified":"2026-11-12T11:02:57","modified_gmt":"2026-11-12T10:02:57","slug":"buchi-di-tracciamento","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/buchi-di-tracciamento\/","title":{"rendered":"Il mese in cui il modulo non contava: trovare e ricostruire i buchi di tracciamento"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Il report di settembre \u00e8 quasi pronto, e c&#8217;\u00e8 un numero che stona: ad agosto il modulo dei contatti ha raccolto 11 richieste. A luglio erano state 82, a giugno 98. <br>La prima spiegazione \u00e8 a portata di mano: \u00e8 agosto, le aziende sono chiuse, la gente \u00e8 al mare. E in effetti anche l&#8217;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&#8217;invio del modulo era stato rotto da un aggiornamento del tema, e che quelle richieste erano arrivate quasi tutte: semplicemente, nessuno le aveva contate.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ogni analista prima o poi incontra un <strong>buco di tracciamento<\/strong>: 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 \u00e8 il buco in s\u00e9, 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 \u00e8 meglio non ricostruirlo affatto.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> un buco di tracciamento si riconosce confrontando l&#8217;osservato con l&#8217;atteso: se il numero registrato \u00e8 troppo improbabile rispetto a un riferimento ragionevole, qualcosa va verificato. L&#8217;indizio pi\u00f9 forte viene da un <strong>evento gemello<\/strong>, un evento collegato che nel frattempo ha continuato a essere registrato (per esempio l&#8217;apertura del modulo accanto al suo invio): se il gemello \u00e8 normale e il rapporto fra i due crolla, il problema sta nell&#8217;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 \u00e8 solo nel tracciamento, il dato mancante si pu\u00f2 ricostruire applicando al gemello il rapporto stimato sui periodi puliti, con un intervallo di previsione. Un dato ricostruito per\u00f2 non \u00e8 un dato misurato: va segnato come tale e dichiarato. Il rimedio migliore resta la prevenzione: un controllo automatico settimanale che confronta l&#8217;osservato con l&#8217;atteso, e che nel nostro esempio d\u00e0 l&#8217;allarme gi\u00e0 alla prima settimana.<\/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=\"#caso\">Il caso: chiusura estiva o tag rotto?<\/a><\/li><li><a href=\"#atteso-osservato\">Trovarlo: atteso contro osservato<\/a><\/li><li><a href=\"#evento-gemello\">La prova del nove: l&#8217;evento gemello<\/a><\/li><li><a href=\"#ricostruire\">Ricostruire con un rapporto<\/a><\/li><li><a href=\"#ricostruire-o-dichiarare\">Ricostruire o dichiarare?<\/a><\/li><li><a href=\"#prevenire\">Prevenire: il controllo del luned\u00ec<\/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=\"caso\">Il caso: chiusura estiva o tag rotto?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">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:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>le <strong>aperture del modulo<\/strong>, cio\u00e8 le volte in cui qualcuno inizia a compilarlo: una ventina al giorno nei feriali, meno nel fine settimana, con un po&#8217; di stagionalit\u00e0, un agosto lento (quasi la met\u00e0 degli altri mesi) e una leggera crescita nei due anni;<\/li><li>gli <strong>invii<\/strong>, cio\u00e8 i moduli inviati davvero: circa uno ogni sei aperture.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Dal 28 luglio al 24 agosto 2025, quattro settimane esatte, il tag dell&#8217;invio smette di funzionare. Le aperture continuano a essere registrate, gli invii no.<\/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)\ngiorno &lt;- seq.Date(as.Date(\"2024-01-01\"), as.Date(\"2025-12-31\"), by = \"day\")\nn &lt;- length(giorno)\n\nferiale  &lt;- ifelse(format(giorno, \"%u\") %in% c(\"6\", \"7\"), 0.4, 1)\ndoy      &lt;- as.numeric(format(giorno, \"%j\"))\nstagione &lt;- 1 + 0.15 * cos(2 * pi * (doy - 60) \/ 365)\nagosto   &lt;- ifelse(format(giorno, \"%m\") == \"08\", 0.55, 1)\ncrescita &lt;- 1 + 0.10 * (seq_len(n) - 1) \/ n\n\nritmo      &lt;- 22 * feriale * stagione * agosto * crescita\naperture   &lt;- rnbinom(n, mu = ritmo, size = 15)\ninvii_veri &lt;- rbinom(n, aperture, 0.17)\n\n# il buco: il tag registra solo il 4% degli invii\nbuco  &lt;- giorno &gt;= as.Date(\"2025-07-28\") &amp; giorno &lt;= as.Date(\"2025-08-24\")\ninvii &lt;- invii_veri\ninvii[buco] &lt;- rbinom(sum(buco), invii_veri[buco], 0.04)\n\ndati &lt;- data.frame(giorno, aperture, invii, invii_veri, buco)\ndati$mese &lt;- format(giorno, \"%Y-%m\")\nmensile &lt;- aggregate(cbind(aperture, invii, invii_veri) ~ mese, dati, sum)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La colonna <code>invii_veri<\/code> \u00e8 il lusso della simulazione: nella realt\u00e0 non l&#8217;abbiamo, e ci servir\u00e0 solo alla fine per controllare quanto \u00e8 buona la ricostruzione. Guardiamo quello che vedrebbe chi prepara il report, cio\u00e8 gli invii registrati mese per mese.<\/p>\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\/buchi-mensile.png\" alt=\"Gli invii del modulo registrati mese per mese, da gennaio 2024 a dicembre 2025. Quasi tutti i mesi stanno fra 70 e 140 invii; i due agosti sono i pi\u00f9 bassi, 37 nel 2024 e 11 nel 2025.\"\/><figcaption class=\"wp-element-caption\">Gli invii del modulo registrati mese per mese, da gennaio 2024 a dicembre 2025. Quasi tutti i mesi stanno fra 70 e 140 invii; i due agosti sono i pi\u00f9 bassi, 37 nel 2024 e 11 nel 2025.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Il grafico \u00e8 esattamente il motivo per cui questi buchi passano inosservati. <strong>Agosto \u00e8 basso tutti gli anni<\/strong>, e un agosto pi\u00f9 basso del solito non fa scattare nessun campanello: sembra una versione un po&#8217; pi\u00f9 accentuata di una cosa che sappiamo gi\u00e0. La domanda giusta non \u00e8 \u00abagosto \u00e8 basso?\u00bb, ma \u00ab\u00e8 basso <strong>quanto ci aspettiamo<\/strong>?\u00bb.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"atteso-osservato\">Trovarlo: atteso contro osservato<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Per sapere quanto ci aspettiamo serve una previsione, anche rozza. La pi\u00f9 semplice prende l&#8217;agosto dell&#8217;anno prima e lo corregge per la crescita del sito, misurata su un periodo pulito: da marzo a giugno.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo l&#8217;atteso in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>rif25 &lt;- sum(mensile$invii[mensile$mese %in% c(\"2025-03\", \"2025-04\", \"2025-05\", \"2025-06\")])\nrif24 &lt;- sum(mensile$invii[mensile$mese %in% c(\"2024-03\", \"2024-04\", \"2024-05\", \"2024-06\")])\ncrescita_anno &lt;- rif25 \/ rif24\natteso &lt;- mensile$invii[mensile$mese == \"2024-08\"] * crescita_anno\nosservato &lt;- mensile$invii[mensile$mese == \"2025-08\"]<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Da marzo a giugno il sito \u00e8 passato da 392 a 444 invii, una crescita del 13,3%. Agosto 2024 ne aveva 37, quindi per agosto 2025 ce ne aspettiamo circa <strong>41,9<\/strong>. Ne abbiamo osservati <strong>11<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Quanto \u00e8 improbabile? Se gli invii seguissero una <a href=\"https:\/\/www.gironi.it\/blog\/la-distribuzione-di-poisson\/\">distribuzione di Poisson<\/a> con media 41,9, la probabilit\u00e0 di vederne 11 o meno sarebbe la funzione di ripartizione calcolata in 11.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo la probabilit\u00e0 in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>ppois(osservato, atteso)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato \u00e8 circa <strong>1,5 su cento milioni<\/strong>. Ma qui serve prudenza, per due motivi. Il primo \u00e8 che l&#8217;atteso, 41,9, \u00e8 a sua volta una stima, costruita su conteggi che hanno la loro variabilit\u00e0, e il conto lo tratta come se fosse noto. Il secondo \u00e8 che i conteggi reali variano quasi sempre pi\u00f9 di quanto preveda la Poisson, ed \u00e8 quello che abbiamo chiamato <a href=\"https:\/\/www.gironi.it\/blog\/sovradispersione\/\">sovradispersione<\/a>. Rifacciamo il conto con una binomiale negativa che abbia una varianza cinque volte la media, un&#8217;ipotesi generosa sulla variabilit\u00e0 (ma pur sempre un&#8217;ipotesi, scelta da noi).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ripeto il calcolo in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>pnbinom(osservato, mu = atteso, size = atteso \/ 4)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La probabilit\u00e0 sale a <strong>0,0026<\/strong>, circa una su quattrocento. Molto pi\u00f9 alta, ma ancora piccola. Nessuno dei due conti \u00e8 una prova: sono controlli esplorativi, che valgono sotto le ipotesi che abbiamo fatto. Ma dicono la stessa cosa: <strong>rispetto a questo riferimento, il dato \u00e8 anomalo e va verificato<\/strong>. Il conto ci dice che c&#8217;\u00e8 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.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"evento-gemello\">La prova del nove: l&#8217;evento gemello<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un buco di tracciamento colpisce di solito un evento solo, o pochi. Gli eventi vicini, quelli che stanno sullo stesso percorso dell&#8217;utente ma sono registrati in un altro modo, continuano a contare. Nel nostro caso l&#8217;evento gemello \u00e8 l&#8217;<strong>apertura del modulo<\/strong>: se le persone avessero davvero smesso di cercare un contatto con l&#8217;azienda, avrebbero smesso anche di aprire il modulo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">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&#8217;anno. La gente ha continuato ad aprire il modulo come sempre: sono gli invii a essere spariti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il modo pi\u00f9 chiaro di vederlo \u00e8 guardare il <strong>rapporto<\/strong> 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 \u00e8 il comportamento del modulo. Nella simulazione \u00e8 cos\u00ec per costruzione; nei dati veri lo \u00e8 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 pi\u00f9 stabile dei due conteggi presi da soli.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo il rapporto settimanale in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>dati$settimana &lt;- as.Date(cut(dati$giorno, \"week\"))\nsett &lt;- aggregate(cbind(aperture, invii) ~ settimana, dati, sum)\nsett$rapporto &lt;- sett$invii \/ sett$aperture<\/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\/buchi-rapporto.png\" alt=\"Sopra, le aperture e gli invii del modulo registrati per settimana, dal 3 marzo al 30 novembre 2025; sotto, il rapporto fra invii e aperture. Il rapporto oscilla per lo pi\u00f9 fra 0,12 e 0,21, con qualche settimana pi\u00f9 bassa, tranne quattro settimane, dal 28 luglio al 24 agosto, in cui crolla a zero mentre le aperture restano normali.\"\/><figcaption class=\"wp-element-caption\">Sopra, le aperture e gli invii del modulo registrati per settimana, dal 3 marzo al 30 novembre 2025; sotto, il rapporto fra invii e aperture. Il rapporto oscilla per lo pi\u00f9 fra 0,12 e 0,21, con qualche settimana pi\u00f9 bassa, tranne quattro settimane, dal 28 luglio al 24 agosto, in cui crolla a zero mentre le aperture restano normali.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Nelle settimane normali il rapporto oscilla per lo pi\u00f9 fra 0,12 e 0,21: circa un invio ogni sei aperture. Qualche settimana va pi\u00f9 gi\u00f9 (a inizio novembre scende a 0,09, per puro caso, visto che la simulazione non cambia nulla in quel periodo), ed \u00e8 un buon promemoria di quanto un rapporto settimanale possa ballare. Poi per\u00f2 ci sono quattro settimane di fila in cui \u00e8 <strong>zero<\/strong>. Non 0,10, non 0,05: zero invii su 60-70 aperture a settimana. \u00c8 difficile immaginare una stagione o un cambiamento nel comportamento delle persone che porti un rapporto a zero da un luned\u00ec all&#8217;altro e lo faccia risalire di colpo quattro settimane dopo, mentre per un guasto tecnico \u00e8 la firma tipica. Una caduta cos\u00ec 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, perch\u00e9 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 \u00e8 cos\u00ec.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il gemello ci d\u00e0 anche le date. Andando a guardare i giorni, l&#8217;ultimo invio registrato \u00e8 di domenica 27 luglio, e da luned\u00ec 28 luglio ci sono giorni con 11, 14, 18 aperture e nessun invio. Il primo invio torna luned\u00ec 25 agosto. Con le date in mano si pu\u00f2 andare a cercare la causa: un rilascio del sito, un aggiornamento del tema, una modifica al contenitore di Tag Manager. Trovare la causa \u00e8 importante quanto trovare il buco, perch\u00e9 \u00e8 l&#8217;unico modo per essere sicuri che non si ripeta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Non sempre esiste un gemello perfetto. Alternative possibili sono le email di notifica che il modulo invia all&#8217;azienda (se arrivano, le richieste sono partite), i dati del CRM, le visite alla pagina di ringraziamento, oppure le stesse conversioni registrate da un&#8217;altra piattaforma, come Google Ads. Ognuna ha i suoi difetti, ma basta che sia registrata in modo indipendente dall&#8217;evento rotto.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"ricostruire\">Ricostruire con un rapporto<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Sappiamo che il buco c&#8217;\u00e8 e dove sta. Possiamo stimare quanti invii sono andati persi? L&#8217;idea \u00e8 usare proprio il rapporto: se normalmente c&#8217;\u00e8 un invio ogni sei aperture circa, e nel buco ci sono state tot aperture, gli invii saranno stati circa un sesto di quelle aperture.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il rapporto va stimato su un <strong>periodo pulito vicino al buco<\/strong>: le otto settimane prima e le otto settimane dopo, cos\u00ec che rifletta il comportamento del modulo in quel momento e non quello di un anno prima.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcolo la ricostruzione in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>taratura &lt;- (dati$giorno &gt;= as.Date(\"2025-06-02\") &amp; dati$giorno &lt;= as.Date(\"2025-07-27\")) |\n            (dati$giorno &gt;= as.Date(\"2025-08-25\") &amp; dati$giorno &lt;= as.Date(\"2025-10-19\"))\na_t &lt;- sum(dati$aperture[taratura])\ni_t &lt;- sum(dati$invii[taratura])\nr   &lt;- i_t \/ a_t\nbinom.test(i_t, a_t)$conf.int\n\na_buco &lt;- sum(dati$aperture[dati$buco])\nr * a_buco<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Nelle sedici settimane di taratura ci sono 339 invii su 2.004 aperture: un rapporto di <strong>0,169<\/strong>, 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 \u00e8 0,169 \u00d7 259 = <strong>43,8<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un numero solo, per\u00f2, promette una precisione che non abbiamo. Le fonti di incertezza che possiamo misurare sono due: il rapporto stesso, che conosciamo solo con l&#8217;intervallo appena visto, e il caso, perch\u00e9 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Simulo l&#8217;intervallo di previsione in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(1)\nsim &lt;- replicate(10000, {\n  rr &lt;- rbeta(1, i_t + 0.5, a_t - i_t + 0.5)   # un rapporto plausibile\n  rbinom(1, a_buco, rr)                        # gli invii che ne derivano\n})\nquantile(sim, c(0.025, 0.975))<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Per estrarre il rapporto usiamo una distribuzione beta costruita sugli invii e sulle aperture del periodo di taratura (\u00e8 la distribuzione a posteriori che si ottiene partendo da una beta(0,5; 0,5), il cosiddetto prior di Jeffreys, poco informativo): \u00e8 un modo semplice di rappresentare quanto ne sappiamo. L&#8217;intervallo di previsione al 95% va da <strong>32 a 57 invii<\/strong>. \u00c8 largo, ed \u00e8 giusto che lo sia: stiamo stimando un numero che non abbiamo mai visto. <br>E vale sotto le sue ipotesi: che ogni apertura diventi un invio con la stessa probabilit\u00e0, 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 \u00e8 positiva ignorarla rende l&#8217;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&#8217;intervallo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ora possiamo usare il lusso della simulazione e guardare il valore vero: nel buco gli invii veri sono stati <strong>47<\/strong>, e il tag ne ha registrati zero. La stima puntuale, 43,8, sbaglia di poco, e il valore vero cade comodamente dentro l&#8217;intervallo. Sui mesi interi il quadro \u00e8 questo:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>mese<\/th><th>registrati<\/th><th>ricostruiti<\/th><th>veri<\/th><\/tr><\/thead><tbody><tr><td>luglio 2025<\/td><td>82<\/td><td>90,3<\/td><td>89<\/td><\/tr><tr><td>agosto 2025<\/td><td>11<\/td><td>46,5<\/td><td>51<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Agosto non era un mese da 11 richieste ma da una cinquantina: pi\u00f9 dell&#8217;agosto dell&#8217;anno prima, in linea con la crescita del sito. <strong>La conclusione del report si capovolge<\/strong>: non un crollo estivo, ma un agosto normale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La ricostruzione regge su un&#8217;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 pi\u00f9, un errore di validazione che impediva l&#8217;invio), il rapporto sarebbe cambiato davvero, e la ricostruzione sovrastimerebbe le richieste. Per questo trovare la causa del buco non \u00e8 un dettaglio: se la causa \u00e8 solo il tag, l&#8217;ipotesi \u00e8 ragionevole; se la causa ha toccato anche il modulo, no.<\/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: un dato ricostruito non \u00e8 un dato misurato. Va segnato come tale nella serie, con una nota che spieghi come \u00e8 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.<\/p>\n<\/div><\/div>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"ricostruire-o-dichiarare\">Ricostruire o dichiarare?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Avere una stima non obbliga a usarla. Ci sono due strade, e la scelta dipende da come verr\u00e0 usato il dato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Ricostruire<\/strong> conviene quando la serie deve restare continua: un modello di previsione, un confronto anno su anno che l&#8217;anno prossimo metter\u00e0 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Dichiarare senza ricostruire<\/strong> conviene quando il dato \u00e8 gi\u00e0 entrato in documenti consegnati, oppure quando l&#8217;incertezza della ricostruzione \u00e8 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le due strade hanno una cosa in comune: <strong>la scelta va dichiarata sempre<\/strong>. Il caso peggiore non \u00e8 ricostruire male o non ricostruire: \u00e8 un report in cui una parte dei numeri \u00e8 stimata e nessuno lo sa. E se il buco viene scoperto dopo che un report \u00e8 gi\u00e0 stato consegnato, la cosa giusta \u00e8 tornare da chi l&#8217;ha ricevuto e correggerlo, per quanto sia scomodo.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prevenire\">Prevenire: il controllo del luned\u00ec<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Nel nostro esempio il buco \u00e8 durato quattro settimane, ed \u00e8 stato scoperto, nella migliore delle ipotesi, a fine mese. Con un controllo automatico si pu\u00f2 scoprirlo in sette giorni. L&#8217;idea \u00e8 la stessa del rapporto: ogni luned\u00ec, 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 \u00e8 probabile il numero osservato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Scrivo il controllo in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>controllo &lt;- function(s) {\n  prima &lt;- sett[sett$settimana &lt; s &amp; sett$settimana &gt;= s - 56, ]\n  rr &lt;- sum(prima$invii) \/ sum(prima$aperture)\n  q  &lt;- sett[sett$settimana == s, ]\n  c(attesi = rr * q$aperture, osservati = q$invii, p = pbinom(q$invii, q$aperture, rr))\n}\ncontrollo(as.Date(\"2025-07-28\"))<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il numero di invii, date le aperture, si pu\u00f2 approssimare con una binomiale: ogni apertura diventa un invio con una certa probabilit\u00e0, al massimo una volta e indipendentemente dalle altre. <code>pbinom()<\/code> d\u00e0 la probabilit\u00e0 di vedere un numero di invii cos\u00ec basso o pi\u00f9 basso. Per la settimana del 28 luglio ci aspettavamo 11,8 invii e ne abbiamo visti zero: la probabilit\u00e0 \u00e8 <strong>2,5 su un milione<\/strong>. L&#8217;allarme sarebbe scattato luned\u00ec 4 agosto, alla prima occasione, invece che a settembre.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Una soglia d&#8217;allarme ragionevole \u00e8 una probabilit\u00e0 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 probabilit\u00e0 pi\u00f9 bassa \u00e8 0,0075, lontana dalla soglia. <br>Il controllo per\u00f2 \u00e8 approssimativo, e la soglia non garantisce un falso allarme ogni mille settimane: il rapporto di riferimento \u00e8 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 pi\u00f9 di quelli simulati, qualche falso allarme ci sar\u00e0, 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">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&#8217;atteso e il controllo diventa meno sensibile proprio quando serve (la funzione dell&#8217;esempio, per semplicit\u00e0, 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&#8217;apertura e l&#8217;invio dello stesso modulo. Per coppie come sessioni e conversioni, dove una sessione pu\u00f2 portare pi\u00f9 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 \u00e8 un&#8217;applicazione diretta dell&#8217;<a href=\"https:\/\/www.gironi.it\/blog\/anomaly-detection\/\">anomaly detection<\/a> a un problema molto concreto: non un giorno strano, ma un metro che ha smesso di contare.<\/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>Come si capisce se un calo di conversioni \u00e8 vero o \u00e8 un problema di tracciamento?<\/strong><br>Si confronta l&#8217;evento con un evento gemello registrato in modo indipendente, per esempio l&#8217;invio del modulo con la sua apertura, oppure con le email di notifica o i dati del CRM. Se il gemello \u00e8 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Si possono ricostruire le conversioni mancanti in GA4?<\/strong><br>GA4 non consente di sostituire con stime i conteggi di un buco come questo, scoperto settimane o mesi dopo, ma in un&#8217;analisi esterna s\u00ec: 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&#8217;incertezza. Il dato ricostruito va sempre segnato come stimato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Quanto \u00e8 affidabile una ricostruzione con il rapporto?<\/strong><br>Dipende dalla stabilit\u00e0 del rapporto e da quanti dati ci sono nel periodo di taratura. L&#8217;ipotesi chiave \u00e8 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 \u00e8 affidabile.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Come ci si accorge in tempo di un buco di tracciamento?<\/strong><br>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&#8217;allarme sarebbe scattato alla prima settimana del buco.<\/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\">La simulazione si pu\u00f2 modificare in molti modi. Tre proposte:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>Un buco parziale.<\/strong> Invece di registrare il 4% degli invii, facciamo registrare il tag al 60% (per esempio perch\u00e9 si rompe solo da mobile). Il controllo del luned\u00ec lo vede ancora? Dopo quante settimane?<\/li><li><strong>Un calo vero nello stesso periodo.<\/strong> 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 pi\u00f9). Di quanto sbaglia la ricostruzione? Il valore vero cade ancora nell&#8217;intervallo?<\/li><li><strong>Il gemello rotto.<\/strong> Rompiamo anche le aperture, nello stesso periodo. Che cosa resta, per accorgersi del buco, oltre al confronto con l&#8217;anno prima?<\/li><\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Suggerimento: la seconda prova \u00e8 la pi\u00f9 istruttiva, perch\u00e9 mostra il limite principale della ricostruzione. Il rapporto ricostruisce bene solo quello che il tag ha perso, non quello che il sito ha perso.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">Il buco del nostro esempio \u00e8 stato facile da trovare perch\u00e9 era totale: zero invii per quattro settimane. I problemi pi\u00f9 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. \u00c8 il tema del prossimo articolo: <strong>contare eventi o contare persone<\/strong>.<\/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\">Il libro che prende pi\u00f9 sul serio la qualit\u00e0 dei dati \u00e8 <a href=\"https:\/\/www.amazon.it\/dp\/1108724264?tag=consulenzeinf-21&amp;ascsubtag=buchi-di-tracciamento\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Trustworthy Online Controlled Experiments<\/em><\/a> 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 \u00e8 scritto da chi quei controlli li ha costruiti in aziende come Microsoft, Google e LinkedIn (in inglese). Per l&#8217;idea di fondo, che un numero vale quanto il modo in cui \u00e8 stato misurato, <a href=\"https:\/\/www.amazon.it\/dp\/8889479094?tag=consulenzeinf-21&amp;ascsubtag=buchi-di-tracciamento\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Mentire con le statistiche<\/em><\/a> di Darrell Huff resta la lettura pi\u00f9 rapida e divertente.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Il report di settembre \u00e8 quasi pronto, e c&#8217;\u00e8 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 \u00e8 a portata di mano: \u00e8 agosto, le aziende sono chiuse, la gente \u00e8 al mare. E in effetti anche l&#8217;anno &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/buchi-di-tracciamento\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Il mese in cui il modulo non contava: trovare e ricostruire i buchi di tracciamento&#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-4673","post","type-post","status-publish","format-standard","hentry","category-statistica-it"],"lang":"it","translations":{"it":4673,"en":4676},"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":1,"uagb_excerpt":"Il report di settembre \u00e8 quasi pronto, e c&#8217;\u00e8 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 \u00e8 a portata di mano: \u00e8 agosto, le aziende sono chiuse, la gente \u00e8 al mare. E in effetti anche l&#8217;anno&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4673","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=4673"}],"version-history":[{"count":1,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4673\/revisions"}],"predecessor-version":[{"id":4677,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4673\/revisions\/4677"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=4673"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=4673"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=4673"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}