Attribution first-touch vs last-touch nelle paid ads: quale modello sta distorcendo il tuo ROAS?

Se i tuoi report ROAS sulle paid ads sembrano incoerenti — canali diversi che rivendicano le stesse conversioni, dibattiti sul budget che non si risolvono mai, Meta e Google che insistono ciascuno di meritare più credito — la causa di fondo è quasi sempre la scelta del modello di attribution. La reportistica first touch vs last touch attribution paid ads rappresenta i due estremi di uno spettro, ed entrambi distorcono i tuoi numeri in direzioni opposte e prevedibili. Questa guida spiega come ciascun modello falsa il tuo funnel, quali scenari ognuno gestisce meglio e il percorso verso la data-driven attribution per i team pronti a superare i modelli single-touch.

Perché l'attribution conta più del ROAS stesso

Il ROAS è un rapporto: ricavo diviso spesa. Cambia il modello di attribution e cambi il numeratore dei ricavi per ogni canale senza toccare la spesa reale. Un canale con un ROAS di 3,5× in last-touch potrebbe mostrare 1,8× in first-touch — la stessa identica performance nel mondo reale, riportata come quasi due volte peggiore. La scelta del modello di attribution può innescare una riallocazione di budget da sei cifre basata su nient'altro che una convenzione di misurazione.

Questa è la posta in gioco della questione del modello di attribution. Non è accademica. Secondo il 2024 Nielsen Annual Marketing Report, il 65% dei marketer ha dichiarato di faticare ad attribuire la performance tra i canali — e i modelli single-touch sono la causa principale, perché costringono journey multi-touchpoint in un'unica assegnazione di credito che non soddisfa nessuno.

First-touch attribution: cosa azzecca e cosa sbaglia

La first-touch attribution accredita il canale dove il cliente ha interagito per la prima volta con il tuo brand. La conversione è avvenuta grazie all'inserzione che ha creato awareness, e quell'inserzione ottiene il 100% del credito — indipendentemente da tutto ciò che è successo nelle settimane o nei mesi tra quel primo click e l'acquisto finale.

Dove la first-touch è utile: Per valutare quali canali introducono nuovi clienti su larga scala, la first-touch fornisce un segnale chiaro. Se vuoi sapere quale canale porta il volume più alto di potenziali acquirenti, la first-touch attribution è la lente giusta. Identifica correttamente i canali di prospecting come il motore del volume top-of-funnel.

Dove la first-touch distorce: La first-touch attribution gonfia sistematicamente il ROAS dei canali di awareness. Un'inserzione di prospecting Meta che ha raggiunto un cliente sei mesi prima della conversione ottiene il 100% del credito sui ricavi, anche se il cliente ha visitato il sito dodici volte tramite ricerca organica e ha visto tre inserzioni di retargeting prima di acquistare. Il touchpoint di awareness ha creato awareness — non ha chiuso la vendita da solo.

Per i brand DTC e i dropshipper con cicli di considerazione brevi (72 ore o meno), la first-touch è una semplificazione ragionevole, perché tra la prima e l'ultima interazione ci sono pochi touchpoint. Per gli advertiser B2B, i brand in abbonamento o gli acquisti ad alta considerazione con cicli di 30+ giorni, la first-touch sovrastima enormemente il ROAS dell'upper funnel e ti porterà a investire troppo nel prospecting, investendo troppo poco nei touchpoint di nurturing e retention che chiudono davvero i ricavi.

Last-touch attribution: cosa azzecca e cosa sbaglia

La last-touch attribution accredita l'interazione finale prima della conversione — quasi sempre una ricerca branded, una visita diretta o un'inserzione di retargeting. È il modello di default nella maggior parte delle piattaforme di analytics, incluso lo storico default di Google Analytics, e si adatta bene a un buyer journey semplice in cui un'inserzione genera un acquisto.

Dove la last-touch è utile: Per l'ottimizzazione in fase di conversione, la last-touch attribution fa emergere quali inserzioni e landing page specifiche chiudono i deal in modo più efficiente. Se vuoi ottimizzare le creatività di retargeting o la strategia di bidding sulla ricerca branded, la last-touch fornisce un segnale diretto.

Dove la last-touch distorce: La last-touch attribution è catastrofica per valutare i canali di demand generation. Ogni campagna di prospecting Meta, ogni pre-roll YouTube e ogni impression display che ha introdotto il cliente al brand ottiene credito zero — nonostante il fatto che il cliente non avrebbe mai cercato il tuo brand se quei touchpoint upper-funnel non avessero creato awareness.

La conseguenza pratica è che i team che usano la last-touch attribution sottofinanziano costantemente i canali upper-funnel, perché nei dati quei canali sembrano non profittevoli. Col tempo, il volume di ricerca branded che generavano in precedenza cala, e il team si chiede perché il ROAS in last-touch stia scendendo — senza collegare i puntini tra il taglio della spesa in prospecting e lo svuotamento della pipeline che la ricerca branded stava convertendo.

La distorsione del ROAS nella pratica

Per rendere concreta la distorsione, considera un singolo customer journey:

• Giorno 1: Clicca un'inserzione di prospecting Meta → visita il sito → non acquista
• Giorno 8: Vede un'inserzione di retargeting Meta → visita il sito → non acquista
• Giorno 15: Cerca un termine branded su Google → clicca sulla ricerca branded a pagamento → acquista per 200 €

In last-touch, Google Ads ottiene il 100% del credito sui 200 € di ricavo. Meta ottiene 0 € su due interazioni pubblicitarie.

In first-touch, Meta ottiene il 100% del credito sui 200 € di ricavo (dal click di prospecting del Giorno 1). Google ottiene 0 €, nonostante abbia chiuso la vendita.

In data-driven attribution, i 200 € vengono distribuiti tra tutti e tre i touchpoint in base al loro contributo statistico — magari il prospecting Meta ottiene il 35%, il retargeting Meta il 25% e la ricerca branded Google il 40%.

Solo il modello data-driven approssima il reale contributo economico di ciascun canale. Entrambi i modelli single-touch producono numeri che porteranno alla decisione di budget sbagliata per almeno uno dei tre canali di questo journey.

L'analisi reported-roas-vs-true-roas-framework documenta questo divario in modo più dettagliato — perché il ROAS che il tuo tool di reporting mostra e il ROAS che stai realmente generando possono divergere in modo significativo solo per la scelta del modello.

Lineare, time-decay e position-based: i modelli intermedi

Tra first-touch e last-touch esistono tre modelli intermedi che distribuiscono il credito su più touchpoint:

L'attribution lineare distribuisce il credito di conversione in modo uguale su tutti i touchpoint. Ogni interazione del customer journey ottiene la stessa quota. Nell'esempio a tre touchpoint qui sopra, ogni canale ottiene il 33%. La lineare è semplice ed evita il bias mono-canale di first e last-touch, ma sopravvaluta i touchpoint che non hanno realmente influenzato la decisione (un'impression banner che l'utente potrebbe non aver nemmeno visto).

La time-decay attribution dà più credito ai touchpoint più vicini alla conversione, scontando in modo esponenziale le interazioni più vecchie. In un journey di 30 giorni, un touchpoint a 28 giorni dalla conversione ottiene una frazione del credito assegnato al touchpoint a 2 giorni di distanza. La time-decay si adatta meglio del last-touch puro ai cicli di considerazione lunghi, perché premia comunque la recency senza ignorare del tutto i touchpoint di awareness iniziali.

La position-based attribution (a U) divide il credito tra il primo e l'ultimo touchpoint, di solito il 40% ciascuno, distribuendo il restante 20% in modo uguale sulle interazioni intermedie. Riconosce che la prima awareness e la conversione finale sono entrambe significative, accreditando al contempo i touchpoint middle-of-funnel che hanno supportato il journey.

Ognuno di questi modelli introduce distorsioni diverse. La scelta giusta dipende dalla struttura del tuo funnel, dalla durata tipica della considerazione e da quale domanda di business stai cercando di rispondere.

Data-driven attribution: requisiti e limiti

La data-driven attribution (DDA) usa il machine learning per analizzare i tuoi percorsi di conversione reali e assegnare pesi di credito in base al contributo statistico di ogni touchpoint alla probabilità di conversione. Invece di applicare una regola fissa, la DDA impara dai tuoi dati.

La DDA è disponibile nativamente in Google Analytics 4 per le property idonee. I requisiti sono consistenti: di norma 300+ conversioni al mese per canale e una diversità di percorsi sufficiente perché il modello identifichi pattern significativi. Per gli account sotto queste soglie, la DDA ripiega sul last-touch, vanificandone lo scopo.

L'allontanamento dai rigidi modelli single-touch è già in corso a livello di settore. Nel 2024 Gartner ha osservato che la multi-touch attribution e il marketing-mix modeling erano tra le priorità in più rapida crescita per i team di performance marketing in cerca di accuratezza cross-channel — una risposta diretta al problema della cattiva allocazione di budget che first-touch e last-touch creano quando i funnel si estendono su più piattaforme.

I limiti della DDA sono reali. È una black box — non puoi ispezionare perché uno specifico canale abbia ricevuto uno specifico peso di credito. È sensibile ai dati che riceve, il che significa che un tracking UTM rotto o lacune nei dati di conversione producono pesi inaffidabili. E può modellare solo i touchpoint avvenuti in canali tracciabili: non può pesare le visite in negozio, le telefonate o la newsletter via email che un cliente ha letto ma da cui non ha cliccato.

Ecco perché sistemare a monte la qualità dei dati — UTM coerenti, naming delle campagne pulito, Conversions API affidabile — è il prerequisito perché la data-driven attribution funzioni, non un miglioramento opzionale.

Scegliere il modello giusto per il tuo funnel

Il framework per selezionare un modello di attribution parte da due domande: Quanto è lungo il tuo ciclo di considerazione tipico? e Quanti touchpoint ha un cliente tipico prima di convertire?

Per le agenzie che gestiscono account su più clienti e funnel, la risposta varierà da cliente a cliente — ed è esattamente per questo che il framework cross-channel-ad-analytics-fragmented-reporting-fix conta: costruisce un layer di reporting capace di far emergere le differenze di modello di attribution per cliente, senza richiedere una riconciliazione manuale per ogni account.

Come Wevion aiuta con la visibilità sull'attribution

Wevion aiuta a costruire il prerequisito perché qualsiasi modello di attribution funzioni: dati puliti e coerenti alla fonte. L'UTM Builder impone un'unica struttura di tagging su ogni campagna, così che le piattaforme di analytics ricevano input uniformi. L'integrazione con la Conversions API garantisce che l'attribution di Meta abbia un segnale server-side completo, invece di affidarsi solo al pixel del browser, che le restrizioni di iOS e dei browser degradano progressivamente.

Gli analytics cross-account di Wevion fanno emergere la performance per campagna e per canale, così puoi confrontare ciò che il reporting di ogni piattaforma rivendica con ciò che mostrano i tuoi analytics — la gap analysis che identifica dove le differenze di modello stanno creando cattive allocazioni di budget. Le funzionalità aiutano a preparare e a far emergere questo confronto; la decisione su quale modello fidarsi per quale scelta di budget resta al tuo team.

Poiché Wevion sincronizza i dati delle campagne con una cadenza di circa 15 minuti, il layer di analytics riflette una performance quasi attuale invece dei numeri di ieri, cosa che conta quando stai valutando differenze di performance a livello di modello, che si spostano con l'ottimizzazione delle campagne.

Un piano pratico di transizione: dal last-touch al multi-touch

Se al momento giri su puro last-touch e vuoi passare a un modello più accurato, il rischio della transizione è gestibile con un approccio a esecuzione parallela:

Passo 1 — Audita la coerenza degli UTM. Prima di cambiare qualsiasi modello, verifica che i tuoi tag UTM siano coerenti su tutti i canali paid. Un tagging incoerente produce input spazzatura per qualsiasi modello multi-touch. La guida how-to-build-utm-tracking-system-paid-ads fornisce la checklist di setup.

Passo 2 — Attiva un modello multi-touch in parallelo. In GA4, attiva la data-driven attribution (se idoneo) o la position-based come modello di confronto. Fai girare contemporaneamente sia il modello attuale che il nuovo per 4-6 settimane, senza cambiare le decisioni di budget in base al nuovo modello.

Passo 3 — Quantifica lo spostamento del credito. Identifica quali canali guadagnano e quali perdono credito con il nuovo modello. I canali che guadagnano credito in multi-touch sono quelli che il tuo modello attuale sta sottofinanziando; quelli che perdono credito sono probabilmente sovrafinanziati.

Passo 4 — Fai aggiustamenti di budget incrementali. Non riallocare il 30% del budget da un giorno all'altro in base a un cambio di modello. Fai spostamenti del 10-15%, lascia che i dati di performance si stabilizzino su uno o due cicli di reporting, poi aggiusta di nuovo. Una riallocazione rapida basata su un nuovo modello, prima che il modello sia stato validato sui tuoi dati reali, è una causa comune di calo di performance inutile.

Per chiudere

Il dibattito first-touch vs last-touch attribution non riguarda quale modello sia corretto — sono entrambi sbagliati in modi prevedibili. La first-touch accredita troppo l'awareness e gonfia il ROAS dell'upper funnel. La last-touch accredita troppo i canali in fase di conversione e nasconde il contributo della demand generation. L'obiettivo è scegliere il modello le cui distorsioni producono il minor numero di decisioni di budget sbagliate per il tuo funnel specifico.

Per gli acquisti d'impulso a ciclo breve, il last-touch spesso basta. Per i funnel multi-touchpoint con cicli di 7+ giorni, un modello multi-touch o data-driven produrrà un'allocazione di budget significativamente migliore. In ogni caso, un tracking pulito a monte — UTM coerenti, Conversions API completa — è la precondizione perché qualsiasi modello produca un output affidabile.

Inizia una prova gratuita di 14 giorni di Wevion — o resta sul piano free permanente — e costruisci la base dati che rende il tuo modello di attribution uno strumento di precisione invece che una fonte di confusione.

Questa guida fa parte del nostro hub di ecosystem education — esplora l'intero cluster per playbook correlati.