La sfida di BrainMix
Costruire un sistema AI che interpreta i dati di un eCommerce e suggerisce cosa fare.
L'integrazione delle piattaforme pubblicitarie, l'analisi dei prodotti, fino a un AI Robot che ogni giorno individua problemi e opportunità. Ecco alcune riflessioni che stanno guidando lo sviluppo di questo strumento.
Negli ultimi anni ho dedicato una parte importante del mio lavoro allo sviluppo di BrainMix, un progetto nato da un problema che incontro spesso lavorando con gli e-commerce e le campagne pubblicitarie: abbiamo a disposizione una quantità enorme di dati, ma trasformarli in decisioni utili richiede ancora parecchio lavoro manuale.
Shopify ci dice cosa vendiamo, Google Ads e Meta Ads ci mostrano quanto spendiamo e quali risultati vengono attribuiti alle campagne. Google Analytics 4 descrive il comportamento degli utenti.
Ognuna di queste piattaforme racconta però una parte diversa della stessa storia.
Il problema non è raccogliere altre metriche. È riuscire a collegarle, interpretarle e capire cosa merita davvero attenzione.
Da questa esigenza è nato BrainMix, che nel tempo si sta evolvendo da sistema di monitoraggio e analisi a una piattaforma nella quale diversi processi di intelligenza artificiale collaborano per osservare l'andamento di un eCommerce.
Il primo problema tecnico: mettere insieme dati che parlano lingue diverse
Una delle difficoltà principali è l'integrazione tra le diverse sorgenti.
Shopify, Meta Ads, Google Ads e GA4 utilizzano modelli di dati differenti. Anche quando due piattaforme mostrano una metrica apparentemente identica, il suo significato può cambiare.
Prendiamo il ROAS.
Meta Ads e Google Ads attribuiscono le conversioni secondo logiche e finestre temporali proprie. Uno stesso ordine può essere attribuito a più piattaforme, rendendo poco attendibile la semplice somma dei ricavi pubblicitari dichiarati.
Per avere una misura più concreta dell'efficienza complessiva utilizziamo anche il MER (Marketing Efficiency Ratio), calcolato rapportando il fatturato Shopify alla spesa pubblicitaria complessiva.
MER = Fatturato / Spesa ADV
È una metrica relativamente semplice, ma richiede attenzione alla coerenza dei periodi, alla definizione di fatturato utilizzata e alla completezza dei costi pubblicitari. Non sostituisce le analisi di attribuzione, ma offre un riferimento utile per capire se l'investimento pubblicitario sta producendo risultati sostenibili. In BrainMix questi dati vengono raccolti e organizzati per consentire analisi trasversali che una singola piattaforma non potrebbe realizzare.
Un'architettura basata su worker specializzati
Una delle scelte progettuali è stata quella di separare la raccolta dei dati dalla loro interpretazione. Il sistema utilizza diversi worker, ciascuno responsabile di un'attività specifica.
Alcuni acquisiscono informazioni dalle sorgenti esterne, altri analizzano immagini e contenuti, altri ancora elaborano eventi e generano insight. Per esempio, nel monitoraggio dei competitor utilizziamo processi che acquisiscono screenshot di siti e contenuti pubblicitari, strumenti di computer vision e modelli linguistici per interpretare ciò che è cambiato. Le informazioni vengono archiviate in DB nosql come segnali anonimizzati, mantenendo separati i dati raccolti, gli eventi identificati e i suggerimenti generati.
Questo approccio consente di evitare che ogni richiesta dell'utente debba attivare nuovamente l'intera catena di analisi.
Un altro aspetto importante è la gestione del tempo. Un singolo cambiamento osservato oggi potrebbe non avere particolare significato, mentre una sequenza di eventi distribuita su più giorni può raccontare una strategia commerciale. Per questo abbiamo introdotto analisi su finestre temporali differenti, con insight giornalieri e riepiloghi di mercato su periodi più lunghi.
L'intelligenza artificiale non dovrebbe inventare i numeri
Questo è probabilmente uno degli aspetti sui quali sto concentrando maggiormente l'attenzione.
Un LLM è molto efficace nell'interpretare informazioni e produrre spiegazioni, ma non dovrebbe essere responsabile del calcolo delle metriche fondamentali.
Preferisco un'architettura nella quale i valori numerici vengono elaborati attraverso codice deterministico, mentre il modello linguistico riceve informazioni già strutturate.
Per esempio, il sistema può calcolare che:
- Il MER è passato da 3,9 a 2,6.
- L'obiettivo configurato è 4.
- La spesa Meta è aumentata.
- Il fatturato non è cresciuto nella stessa proporzione.
A quel punto l'AI può interpretare la situazione, spiegare perché merita attenzione e suggerire alcune verifiche.
La distinzione è importante: il codice misura, il modello interpreta.
Naturalmente anche l'interpretazione può sbagliare. Per questo è utile mantenere il collegamento tra suggerimenti e dati di origine, evitando di presentare come certe conclusioni che sono soltanto ipotesi.
Dall'analisi dei prodotti alla Zona d'Ombra
Una funzione sulla quale abbiamo lavorato riguarda i prodotti che ricevono poca attenzione dalle campagne pubblicitarie. Gli algoritmi di ottimizzazione tendono spesso a concentrare la distribuzione sui prodotti che mostrano segnali di performance migliori. Questo comportamento può essere ragionevole dal punto di vista della piattaforma pubblicitaria, ma non sempre coincide con gli obiettivi commerciali del negozio.
Un catalogo può contenere prodotti con disponibilità elevata, buoni margini o potenziale commerciale che non stanno ricevendo sufficiente visibilità. Abbiamo chiamato questa condizione Zona d'Ombra. Il sistema identifica prodotti con vendite molto basse o assenti nel periodo analizzato e li mette in relazione con altre informazioni disponibili.
Non significa che ogni prodotto poco venduto debba essere pubblicizzato. Alcuni potrebbero semplicemente non avere domanda.
L'obiettivo è individuare elementi che meritano una verifica, magari attraverso campagne dedicate, bundle o iniziative commerciali specifiche.
Analizzare anche ciò che le persone scrivono
Un'altra area interessante riguarda i commenti lasciati sotto le inserzioni Meta. Tradizionalmente le campagne vengono valutate soprattutto attraverso impression, click, conversioni e costi.
Ma sotto gli annunci le persone fanno domande, esprimono dubbi, chiedono informazioni sulle spedizioni, criticano i prodotti o manifestano interesse all'acquisto. Queste conversazioni contengono informazioni che difficilmente emergono dalle metriche numeriche.
Abbiamo quindi sviluppato un modulo che utilizza l'AI per classificare i commenti secondo sentiment, argomento e intenzione. L'analisi cerca di distinguere, per esempio, una lamentela da una richiesta di informazioni, oppure un semplice apprezzamento da un possibile segnale di acquisto.
Un aspetto al quale abbiamo prestato attenzione è la privacy: l'analisi utilizza il contenuto testuale senza costruire profili personali degli autori.
Il risultato è una lettura aggregata delle conversazioni, utile per individuare domande ricorrenti e possibili problemi nella comunicazione pubblicitaria.
Dalle analisi ai task: il ruolo dell'AI Robot
La funzionalità più recente rappresenta un cambiamento nel modo in cui sto pensando l'interazione con la piattaforma.
Mi sono chiesto: perché un utente dovrebbe aprire ogni giorno cinque o sei sezioni differenti per cercare eventuali problemi?
Se il sistema possiede già i dati, conosce gli obiettivi e ha gli strumenti per interpretarli, dovrebbe essere in grado di segnalare autonomamente ciò che merita attenzione. Da questa idea è nato Task del giorno, una sorta di briefing operativo generato dall'AI Robot.
Ogni mattina il sistema analizza le informazioni disponibili e produce una serie di segnalazioni organizzate per priorità.
Possono riguardare un peggioramento del MER, campagne che stanno spendendo senza generare risultati, prodotti a rischio esaurimento o obiettivi commerciali che richiedono interventi. Ma possono essere anche segnalazioni positive:
Se una campagna sta migliorando o un gruppo di prodotti sta crescendo, è utile che il sistema lo evidenzi.
Le attività vengono organizzate in una bacheca con stati come Da fare, In corso ed Eseguiti.
In questo modo l'output dell'AI non rimane soltanto un testo da leggere, ma entra in un processo operativo nel quale l'utente può prendere in carico le attività e seguirne l'avanzamento. È un primo passo verso un modello nel quale l'interfaccia principale non è necessariamente una dashboard, ma un elenco ragionato di cose da verificare o fare.
L'AI entra anche nella produzione creativa
Un altro esperimento riguarda la generazione di contenuti pubblicitari.
Con il modulo Art Director possiamo partire direttamente dai prodotti presenti nel catalogo Shopify e utilizzare il contesto del progetto per preparare immagini destinate alle campagne.
L'aspetto che mi interessa non è tanto la generazione dell'immagine in sé, ormai disponibile attraverso numerosi strumenti, quanto la possibilità di collegarla alle informazioni commerciali.
Un sistema che conosce l'andamento di un prodotto, gli obiettivi della campagna e le performance precedenti può fornire un contesto più utile al processo creativo. Questo non garantisce che una creatività generata dall'AI funzioni meglio. La sua efficacia deve comunque essere verificata attraverso test e risultati reali.
Ma può rendere più veloce il passaggio dall'individuazione di un'opportunità alla preparazione di un contenuto da sperimentare.
Le difficoltà che restano aperte
Sviluppare un sistema di questo tipo significa affrontare problemi che vanno ben oltre la scelta del modello linguistico. La qualità dei dati è probabilmente la difficoltà maggiore.
API differenti, ritardi di aggiornamento, attribuzioni non omogenee, cataloghi incompleti e campagne con naming poco coerente possono compromettere la qualità dell'analisi.
C'è poi il problema dei falsi positivi.
Un sistema che segnala continuamente anomalie poco importanti rischia di diventare fastidioso quanto una dashboard troppo complessa. Bisogna quindi lavorare sulla rilevanza delle segnalazioni, sulla loro priorità e sulla capacità di distinguere una variazione fisiologica da un problema reale.
Un'altra sfida è misurare l'utilità dell'AI.
Non basta che un suggerimento sia scritto bene o sembri convincente. Bisogna capire se è corretto, se è applicabile e se l'azione proposta produce effettivamente un miglioramento. Questo richiede meccanismi di feedback, verifiche sui risultati e un approccio sperimentale continuo.
Verso sistemi AI che osservano, ragionano e propongono
BrainMix è ancora un progetto in evoluzione e molte delle scelte architetturali continueranno a cambiare.
Ma il percorso di sviluppo mi sta confermando una convinzione: il valore dell'intelligenza artificiale nelle applicazioni aziendali non dipende soltanto dalla potenza del modello, ma dalla qualità del contesto che siamo capaci di costruirgli intorno.
Un LLM isolato può rispondere a una domanda. Un sistema collegato a dati affidabili, processi di analisi e obiettivi aziendali può iniziare a svolgere un ruolo più interessante: osservare ciò che accade, individuare situazioni rilevanti e proporre interventi.
La parte difficile non è far generare una risposta all'AI.
È fare in modo che quella risposta sia basata su informazioni corrette, arrivi al momento giusto e sia davvero utile a chi deve prendere una decisione.
Ed è proprio su questo che sto continuando a lavorare.