Auto ADS: come funziona una pipeline che ottimizza le Meta Ads in autonomia

In progress. Da qualche mese sto costruendo Auto ADS: una pipeline di ottimizzazione autonoma per Meta Ads, progettata intorno ai dati comportamentali del sito di Tosky Records. Non è ancora in produzione completa — ma il documento di architettura e strategia è abbastanza maturo da valere un case study.

In questo articolo racconto cosa è, come funziona e perché l'ho pensato così. Il case study completo è nella sezione Progetti AI.

Il problema che risolve

Gestire campagne Meta Ads per una label indipendente è un lavoro che scala male. Ogni giorno ci sono micro-decisioni da prendere: quando alzare il budget, quale variante creativa promuovere, quando lo scheduling ha senso e quando no. E poi c'è il problema dei lead: arrivano, ma senza contesto. Non sai se chi ha compilato il form è pronto a parlare o stava solo esplorando.

Il risultato è che passi tempo a fare lavoro operativo invece di fare strategia. E se non hai un team dedicato — come nel caso di una label indipendente — quel tempo lo togli da qualcos'altro.

La struttura della pipeline

Auto ADS è organizzato in quattro moduli che lavorano in sequenza:

1. Intent Scoring Engine

Ogni 30 minuti il sistema calcola un punteggio da 0 a 100 per segmento di audience, basato su segnali comportamentali del sito:

• +20 se l'utente ha visitato 2 o più pagine ad alta intenzione in una sessione
• +15 per visite ripetute negli ultimi 7 giorni
• +20 se ha iniziato un form senza completarlo nelle ultime 24 ore
• +10 se la fonte di traffico converte storicamente sopra la baseline
• +15 se il cluster tematico è in crescita (oltre 30% nelle ultime 48 ore)

Il punteggio finale determina l'azione da prendere.

2. Trigger Bands

Quattro band di risposta automatica:

• Band A (80–100): lancio immediato con budget moltiplicatore
• Band B (60–79): accodamento al migliore daypart della giornata
• Band C (40–59): inserimento in audience di nurture, nessun lancio immediato
• Band D (<40): monitoraggio passivo

I daypart di default sono calibrati su comportamenti storici: 11:00–14:00 e 18:00–22:00 nei giorni feriali, leggermente spostati nel weekend. Il sistema non supera 2 modifiche maggiori di budget per ad set al giorno per evitare instabilità nell'algoritmo Meta.

3. Adaptive Query Engine

Dopo ogni compilazione di form, parte un flusso di follow-up con 6 domande a branching adattivo. Le prime due verificano urgency e obiettivo principale. Le successive due valutano fit e readiness. Le ultime due approfondiscono e chiedono il next step preferito.

Il risultato è un lead score da 0 a 100, che definisce tre percorsi:

• 75–100: coda prioritaria, outreach entro la stessa giornata
• 50–74: nurture assistito con prompts di booking
• 0–49: educational nurture + retargeting refresh

4. KPI Framework e 30-Day Loop

Il KPI primario è il Qualified Lead Rate (QLR): lead qualificati su totale lead. Le settimane del primo mese hanno obiettivi distinti: baseline e tracking (settimana 1), test di hook e audience (settimana 2), ottimizzazione del follow-up (settimana 3), scaling selettivo (settimana 4).

Le soglie di intervento sono definite: scala un segmento quando QLR è >20% sopra baseline per 5+ giorni. Metti in pausa una variante quando CPL sale >30% e QLR scende >15% rispetto al controllo.

Cosa manca per andare in produzione

Il documento di architettura è completo. Quello che manca è l'implementazione tecnica dei moduli di connessione tra GA4, Meta Ads API e il motore di scoring. È un progetto che richiede circa 2–3 settimane di lavoro continuativo per arrivare a un MVP funzionante.

Nel frattempo, usare questa struttura come framework decisionale per le campagne manuali cambia già il modo in cui ragiono sulle finestre di lancio e sulla qualificazione dei lead. Non è ancora automazione, ma è comunque un upgrade rispetto all'intuizione pura.

Perché vale la pena documentarlo adesso

Uno degli errori che faccio spesso è aspettare che un sistema sia in produzione prima di documentarlo. Il risultato è che la documentazione non arriva mai, o arriva male perché stai cercando di ricostruire decisioni prese settimane prima.

Documentare prima — specialmente l'architettura e le ragioni dietro le scelte di design — serve anche quando il sistema non esiste ancora. Ti costringe a essere preciso su cosa stai cercando di fare e perché. E se poi il sistema viene costruito da qualcun altro, o da te in un momento diverso, hai già tutto il contesto necessario.

Il case study completo di Auto ADS è disponibile nella sezione Progetti AI, con stack, flow decisionale, KPI framework e implementation checklist.