Adobe Target nel 2025: dall’A/B test all’ottimizzazione automatica

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, quella su cui ho cambiato idea almeno due volte, è capire dove passa il confine. Anticipo la tesi, così poi si può contestare: l’ottimizzazione automatica di Target non sostituisce chi sa fare esperimenti, moltiplica chi sa già farli. Nelle mani di chi ha ipotesi solide e vincoli chiari è un acceleratore vero. Nelle mani di chi non sa cosa sta cercando, è un modo molto efficiente di ottimizzare la metrica sbagliata.

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. Adobe qui ha messo in mano ai practitioner strumenti seri, che dieci anni fa avresti dovuto costruirti da solo. Il problema non è mai stato il motore. È cosa gli dai da masticare.

Quando l’automazione batte l’intuizione

La mia posizione, dopo averle usate sul campo, è netta: negli scenari ad alto traffico e con dati puliti, l’automazione vince quasi sempre. 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.

L’automazione di Target conviene quando hai traffico sufficiente, dati puliti e una risposta che cambia in modo non ovvio da segmento a segmento. Sono le tre 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. La racconto partendo da una cosa che ho sbagliato io.

Il volume di dati è un vincolo, non un dettaglio. Su un merchant B2B con poche centinaia di conversioni al mese ho spinto per accendere Automated Personalization su una landing con parecchi contenuti modulari. Ero convinto che avrebbe trovato combinazioni che noi non avremmo mai testato. Dopo settimane il modello non aveva ancora un’allocazione stabile, i risultati oscillavano, e la discussione con il cliente si è ridotta a difendere uno strumento che in quel contesto non poteva funzionare. Ho spento tutto e siamo tornati a un A/B test a due varianti, che ha dato una risposta leggibile in metà tempo. L’errore non era di Sensei: era mio, avevo scelto lo strumento sbagliato per il volume che avevo. Il modello non fa magie: con pochi dati converge lento, oppure non converge.

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, e 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 giudizio, e resta nostro. Ed è esattamente qui che si vede la differenza tra chi ha metodo e chi no: lo stesso identico strumento, in mano a due persone diverse, produce risultati incomparabili.

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. Dopo la storia della landing B2B, su AP sono diventato prudente per esperienza, non per principio.

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, e lo dico dopo averlo imparato sbagliando.

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.