Ho passato buona parte degli ultimi anni a costruire A/B test dentro Adobe Target: due varianti, una metrica di successo, si aspetta la significatività statistica, si dichiara un vincitore. È un rito che conosco a memoria. Eppure, entrando nel 2025, la domanda che mi porto dietro da qualche mese è un’altra: quanto di questo lavoro manuale ha ancora senso farlo a mano, adesso che Target sa ottimizzarsi da solo?
La mia risposta breve è: meno di quanto pensassi. Ma non zero. E la parte interessante è capire dove passa il confine.
Cosa fa davvero l’automazione dentro Target
Sgombro subito il campo, perché nel marketing “automazione” è una parola che significa tutto e niente. Dentro Adobe Target, quando parlo di ottimizzazione automatica, intendo tre cose precise, con nomi precisi.
Auto-Allocate è la più semplice da capire e da adottare. Imposti un test A/B classico, con più esperienze, ma invece di dividere il traffico 50/50 e aspettare la fine, Target sposta progressivamente i visitatori verso le varianti che stanno performando meglio, mentre continua a raccoglierne dati. È un multi-armed bandit: riduce il costo di tenere in vita una variante perdente mentre il test è ancora aperto.
Auto-Target alza l’asticella. Non cerca “l’esperienza migliore per tutti”, ma la migliore per ogni segmento. Usa i modelli di Adobe Sensei per capire quali attributi del visitatore (provenienza, comportamento, contesto) predicono la risposta a una variante piuttosto che a un’altra, e serve a ciascuno quella con la probabilità di conversione più alta. Qui non hai più un vincitore unico: hai vincitori diversi per pubblici diversi.
Automated Personalization (AP) è la più ambiziosa. Prendi diversi elementi di contenuto — un’immagine, una headline, una call-to-action — e lasci che Sensei combini e serva la combinazione ottimale per ogni profilo. Da poche varianti costruite a mano passi a decine o centinaia di combinazioni che nessuno ha mai testato esplicitamente. Il motore fa girare il modello e decide.
Il filo comune è che, in tutti e tre i casi, l’algoritmo prende una decisione che prima prendevo io leggendo un report.
Quando l’automazione batte l’intuizione
La mia posizione, dopo averle usate sul campo, è netta: nella maggior parte degli scenari ad alto traffico, l’automazione vince. E vince non perché sia “intelligente”, ma per due ragioni molto concrete.
La prima è il costo del test manuale in termini di conversioni perse. Un A/B test onesto tiene metà del traffico su una variante che magari è chiaramente peggiore, e la tiene lì per settimane finché non raggiungi la significatività. Auto-Allocate quel costo lo taglia mentre il test è in corso. Su un merchant fashion con cui ho lavorato, il volume era abbastanza alto da rendere quasi imbarazzante il conto di quante conversioni stavamo lasciando sul tavolo per rispettare la liturgia del 50/50.
La seconda è che l’intuizione umana è pessima con l’interazione tra segmenti. Io posso avere un’ottima ipotesi su quale headline funzioni meglio in media. Ma “in media” spesso non esiste: la variante che converte i visitatori da paid search affonda su quelli che arrivano da newsletter, e viceversa. Auto-Target queste interazioni le trova senza che io debba immaginarle a priori. È esattamente il tipo di pattern multidimensionale su cui la mia testa fa fatica e un modello no.
Detto in modo estraibile: l’automazione di Target conviene quando hai traffico sufficiente e quando la risposta cambia in modo non ovvio da segmento a segmento. Sono le due condizioni in cui il vantaggio è reale, non cosmetico.
Quando invece serve ancora la mano
Qui arriva la parte che i venditori di automazione tendono a saltare, e che secondo me è la più importante.
Il volume di dati è un vincolo, non un dettaglio. Auto-Target e soprattutto Automated Personalization sono affamati di conversioni: più elementi metti in gioco, più il modello ha bisogno di dati per distinguere il segnale dal rumore. Su un sito con poche centinaia di conversioni al mese, riempire AP di offerte significa dare in pasto a Sensei tanti dati insufficienti. Il modello non fa magie: converge lento, o non converge. Lì un A/B test classico, più povero ma leggibile, resta la scelta giusta.
L’automazione ottimizza, non spiega. Quando chiudo un A/B test, so perché ho vinto: ho un’ipotesi confermata o smentita, e quella conoscenza me la porto nel prossimo progetto. Auto-Target mi dà lift, ma il “perché” resta in gran parte dentro il modello. Se il mio obiettivo è imparare qualcosa sul comportamento dei clienti — non solo spremere qualche punto di conversione — il test manuale ha ancora un valore che l’ottimizzazione automatica non sostituisce.
Poi c’è quello che il modello non sa. Sensei ottimizza sulla metrica che gli dai, di solito una conversione a breve. Non sa che quella variante aggressiva brucia il margine, che quella promessa non è sostenibile a magazzino, che quel claim il legal non lo vuole. La strategia, i vincoli di business, la scelta di cosa mettere nel test: tutto questo resta mano umana. L’automazione decide tra le opzioni che le do io, non decide quali opzioni siano lecite.
La formulo così, e ci credo: l’automazione di Target sostituisce il lavoro di allocazione del traffico, non il lavoro di ipotesi. Il primo è meccanico e lo fa meglio la macchina. Il secondo è strategico e resta nostro.
Come lo sto impostando nel 2025
Concretamente, l’approccio che porto ai progetti quest’anno è a strati. Auto-Allocate come default per quasi ogni test ad alto traffico: costa poco adottarlo e riduce lo spreco, senza togliermi la leggibilità. Auto-Target quando ho il sospetto — supportato dai dati — che i segmenti reagiscano in modo diverso e il volume regge. Automated Personalization solo dove ho tanti contenuti modulari e tanto traffico, cioè in pochi punti caldi del sito, non ovunque.
E tengo comunque una quota di A/B test manuali “puri”, non per nostalgia, ma perché sono il mio strumento di apprendimento. L’automazione mi dà i risultati; i test manuali mi danno le idee da automatizzare dopo.
Il passaggio del 2025 non è “spegnere il cervello e accendere Sensei”. È spostare il cervello dove serve davvero: dalla gestione del traffico, che la macchina fa meglio, alla qualità delle ipotesi e dei vincoli, dove la macchina è cieca. Chi fa questo spostamento ottimizza sul serio. Chi delega tutto al motore ottimizza una metrica sbagliata, molto efficientemente.
Mini-FAQ
Qual è la differenza tra Auto-Allocate e Auto-Target?
Auto-Allocate cerca un’unica esperienza vincente per tutti e sposta il traffico verso di essa durante il test. Auto-Target usa i modelli di Adobe Sensei per servire a ogni segmento l’esperienza migliore per quel segmento: non un solo vincitore, ma vincitori diversi per pubblici diversi.
Serve tanto traffico per usare l’automazione di Adobe Target?
Per Auto-Allocate serve relativamente poco. Auto-Target e Automated Personalization sono invece esigenti: più elementi e segmenti metti in gioco, più conversioni servono perché i modelli convergano. Con pochi dati, un A/B test manuale resta più affidabile.
L’automazione rende inutile l’A/B test manuale?
No. L’automazione sostituisce l’allocazione del traffico, non la formulazione delle ipotesi. Il test manuale resta utile per capire il perché di un risultato e per portare quella conoscenza nel progetto successivo.
Automated Personalization può decidere cose contrarie al business?
Sì, se non la vincoli. Sensei ottimizza sulla metrica che gli assegni, di solito una conversione a breve, e ignora margine, disponibilità a magazzino e vincoli legali. Quei limiti li deve porre la persona che imposta l’attività.
Fabio Canovi è consulente Adobe presso il gruppo Lutech, certificato Adobe Commerce, Adobe Experience Manager, Adobe Analytics e Adobe Target (livello Master su Target). Da tempo approfondisce l’AI agentica applicata all’e-commerce.