In un’era dominata dal Data-Driven Marketing, l’ossessione per la precisione millimetrica è diventata il nuovo standard. Tuttavia, per chiunque gestisca campagne di Search Advertising su larga scala, esiste una discrepanza ricorrente, quasi rituale, che emerge durante i board di revisione delle performance: l'allineamento mancato tra le due piattaforme Search Ads 360 e Google Analytics.
Questa discrepanza non è un errore di sistema, né un bug temporaneo. È il risultato fisiologico di due architetture nate con scopi e metodologie di misurazione diametralmente opposti. Per un Senior Media Planner o un Marketing Director, accettare che la corrispondenza al 100% sia un miraggio non significa rassegnarsi al caos, ma acquisire la maturità strategica necessaria per governare l'investimento. Comprendere il "perché" dietro lo scarto tra Search Ads 360 (SA360) e Google Analytics (GA4) è l'unico modo per costruire una reale fiducia nei dati e prendere decisioni di business guidate dalle evidenze.
1. L’illusione della corrispondenza perfetta
Il primo errore tattico è trattare SA360 e GA4 come specchi identici. SA360 è una piattaforma di buy-side management, progettata per l'ottimizzazione in tempo reale delle offerte e la gestione granulare delle campagne Search. Il suo cuore pulsante sono i tag Floodlight, focalizzati sulla misurazione dell'efficacia dell'annuncio rispetto all'obiettivo di conversione dell'inserzionista.
Google Analytics è, per definizione, una piattaforma di User Interaction e Site Analysis. Il suo obiettivo è comprendere l'intero customer journey, indipendentemente dalla sorgente, mappando il comportamento dell'utente sul sito web o sull'app. Quando confrontiamo i dati, stiamo essenzialmente cercando di sovrapporre una visione "centrata sull'advertising" con una "centrata sull'utente".
Prima di scalare verso l'analisi dei modelli di attribuzione, la base tecnica deve essere solida. Una delle cause più frequenti di discrepanza risiede banalmente nell'implementazione dei tag. Se il tag Floodlight di SA360 si attiva su un trigger di "clic sul pulsante" mentre l'evento di GA4 è impostato sulla "visualizzazione della pagina di conferma", il confronto perde di significato istantaneamente. Allineare questi trigger è, quindi, la conditio sine qua non per muovere qualsiasi passo successivo.
Non va poi sottovalutata la gestione del consenso. Generalmente i cookie di GA4 sono classificati come analitici e i Floodlight come marketing, di conseguenza l’utente può decidere di autorizzare i primi e non i secondi. Questa asimmetria fa sì che GA4 registri eventi che Floodlight finisce per ignorare, rendendo lo scarto tra i dati una conseguenza inevitabile delle diverse finalità di tracciamento.
2. Session-based vs Event-based
Uno dei punti di maggiore attrito risiede nel modo in cui GA4 organizza e riporta i dati rispetto a SA360. La distinzione tra dati basati sulla sessione e dati basati sull'evento è cruciale per il calcolo del ROAS.
In GA4, la piattaforma può riportare le conversioni in modi diversi a seconda del report consultato. Se un utente clicca su un link in una newsletter, naviga, poi esce e rientra tramite un link di affiliazione per completare l'acquisto, il Report Traffic Acquisition (session-based) attribuirà l'intera sessione alla "email" se questa è stata il punto di ingresso. Al contrario, la sezione Advertising di GA4 (event-based) seguirà le impostazioni di attribuzione della proprietà, assegnando probabilmente il merito all'ultimo clic (l'affiliazione).
I Floodlight di SA360, dal canto loro, riportano tipicamente solo dati che GA considera "Google-paid only". Se un CMO confronta i dati basati sulla sessione di GA4 con i dati Floodlight di SA360, vedrà discrepanze massicce per impostazione predefinita. Ignorare questa differenza strutturale significa sovrastimare o sottostimare l'impatto della Search, portando a decisioni di budget potenzialmente errate.
3. Perché allineare l’attribuzione
L'attribuzione è il campo di battaglia dove si decide il valore di ogni euro investito. Allineare i modelli tra le piattaforme è essenziale, ma complesso. Mentre GA4 offre modelli sofisticati come il Data-Driven, SA360 è storicamente ancorato a logiche legate all'interazione con l'annuncio Search. Se un utente interagisce con più canali prima di convertire, GA4 distribuirà il credito secondo il modello impostato, mentre SA360 rivendicherà la conversione se il punto di contatto Search rientra nei parametri definiti.
A questo si aggiunge il fattore temporale: la distinzione tra Click-time e Conversion-time. Per impostazione predefinita, SA360 attribuisce la conversione al momento in cui è avvenuto il clic originale. Se un utente clicca il 28 agosto ma acquista il 2 settembre, la conversione apparirà nel report di agosto. GA4, invece, registra la conversione nel momento esatto dell'evento (settembre). In settori con un lungo ciclo d'acquisto (come l'Automotive), questo sfasamento rende i dati di fine mese apparentemente inconciliabili, alimentando dubbi sulla validità dei report.
Case Scenario: Il "Paradosso dello Sconto"
Immaginiamo un utente che scopre un prodotto tramite un annuncio Search, ritorna sul sito via Newsletter e finalizza l'acquisto dopo aver cliccato su un portale di Affiliazione per un coupon.
L'analisi dei risultati rivela tre verità divergenti:
- SA360 rivendica la conversione come successo della Search (Last-Click Search).
- GA4 (Traffic Acquisition) attribuisce il merito all’Email, che ha generato la sessione d'acquisto.
- GA4 (Advertising Report) riconosce l’ultimo tocco dell’Affiliazione.
Se il Media Planner guarda solo SA360, percepirà la Search come l'unico driver di vendita. Se il CMO guarda solo il report di sessione di GA, potrebbe erroneamente decidere di spostare tutto il budget sulla newsletter. Questa discrepanza non è un errore, ma una doppia lettura necessaria, poiché entrambi i sistemi misurano correttamente, analizzando però sfumature diverse dello stesso Customer Journey.
Verso una discrepanza consapevole
In definitiva, la ricerca della perfetta uguaglianza tra SA360 e Google Analytics è una battaglia persa in partenza. Il valore aggiunto sta nell’interpretare lo scarto, tenendo a mente che le discrepanze non sono errori di tracciamento, ma segnali della complessità del customer journey. Un marketer non dovrebbe chiedere perché i numeri non corrispondono, ma pretendere di sapere perché differiscono. Accettare una tolleranza fisiologica significa smettere di rincorrere il numero perfetto per iniziare a usare i dati come driver reali di business.