Come leggere la curva di retention secondo per secondo di un annuncio: tre curve e un percentile

Il video più visto nel creative center non è automaticamente quello da copiare. Visualizzazioni e like dicono che un annuncio ha vinto, ma non spiegano in quale secondo abbia convinto il pubblico né con quale elemento. Per costruire la prossima creatività, sono proprio queste le informazioni che servono.

Il rituale più diffuso è semplice: si ordinano gli annunci dei competitor per numero di visualizzazioni, si apre il primo, lo si guarda tre volte e si arriva a conclusioni istintive come "parte con un ritmo veloce" oppure "centra bene il pain point". Poi se ne produce una versione propria. Se il risultato resta tiepido, si passa al prossimo caso di successo e si ricomincia.

Non è un problema di impegno: è il dato che si sta leggendo a essere sbagliato. Tutte le curve e i percentili citati qui provengono dalle ad library e dai creative center pubblici delle piattaforme, consultabili con il proprio account: nessuna acquisizione forzata, firma o aggiramento. Sono strumenti creati dalle piattaforme per gli inserzionisti; i dati sono già lì, ma quasi nessuno sa quali pochi numeri osservare.

Le visualizzazioni sono il dato meno utile

Il numero di visualizzazioni è fortemente condizionato dalla logica di distribuzione della piattaforma. Un dato elevato può dipendere dalla qualità della creatività, ma anche da un lancio anticipato, da una spinta di budget importante o da una finestra di traffico a basso costo. Dal play count, da solo, non si può distinguere una buona creatività da un budget elevato.

I like sono persino meno affidabili. Esprimono una reazione emotiva, spesso scollegata dalla conversione che conta davvero. Un annuncio può far ridere e raccogliere molti like, mentre gli utenti sorridono, scorrono oltre e non convertono. Ottimizzare per i like significa ottimizzare l'intrattenimento, non l'intenzione d'acquisto.

Entrambe le metriche hanno lo stesso difetto decisivo: sono valori scalari, privi di una dimensione temporale. Una creatività si sviluppa nel tempo; ciò che fa uno spettatore al secondo 2, al secondo 5 e al secondo 8 è completamente diverso. Un totale di visualizzazioni appiattisce tutta questa sequenza. Se si usa un numero appiattito per guidare un lavoro che vive di "cosa accade quando", l'informazione è già persa in partenza.

I dati con una dimensione temporale, invece, sono già presenti nel creative center, nella pagina di dettaglio della creatività. Solo che quasi nessuno la apre.

Tre curve per capire dove cambia tutto

Aprendo una creatività di successo, oltre al video la piattaforma mette a disposizione tre curve al secondo che quasi nessuno analizza: retention, clic e conversioni. Sull'asse x c'è il secondo del video, con la durata totale indicata dalla piattaforma; sull'asse y compaiono rispettivamente quante persone stanno ancora guardando, quante hanno cliccato e quante hanno convertito. La piattaforma evidenzia perfino alcuni frame rilevanti, ma segnalarli non significa interpretarli. Un highlight indica dove c'è stata una variazione, non che cosa quella variazione significhi.

Per leggere una curva non conta tanto quanto sia alta nel complesso, ma in quale secondo si trovi il punto di flesso. Ciascuna delle tre curve racconta qualcosa di preciso:

Il precipizio nella curva di retention rivela se l'apertura ha retto. Ogni curva di retention parte dal 100% e scende; a contare è la forma della discesa. Un crollo netto al secondo 2 o 3 significa che nei primi due secondi non è stata data una ragione per restare. Chi ha fatto swipe è chi non è stato agganciato. La posizione del crollo rimanda direttamente a quella riga o a quell'inquadratura dello script: se cade al secondo 3, il problema è il frame del secondo 3.

Il picco della curva dei clic mostra in quale secondo è arrivato davvero il messaggio commerciale. I clic non si distribuiscono in modo uniforme: esplodono in uno o due secondi. Ciò che accade in quel frame — il prezzo mostrato, il risultato dimostrato, la promessa dichiarata — è il vero hook della creatività. Molti danno per scontato che l'hook sia all'inizio, ma il picco dei clic spesso dimostra che si trova a metà video.

Il ritardo nella curva delle conversioni è il segnale più controintuitivo e più prezioso. Le conversioni non sono quasi mai sincronizzate con i clic: arrivano dopo. Uno spettatore viene convinto e clicca al secondo 5, ma converte solo al secondo 12, dopo aver visto svilupparsi il beneficio. Questo ritardo, cioè il numero di secondi tra il picco dei clic e la crescita delle conversioni, indica quanto deve durare il tratto persuasivo per passare da "interessato" a "disposto ad acquistare". Se il ritardo è troppo lungo, il beneficio è stato presentato troppo lentamente e gli utenti se ne sono andati prima di arrivarci.

Sovrapponendo le tre curve emerge tutta la storia della creatività: trattieni l'attenzione per alcuni secondi, conquista l'utente in un punto preciso, poi dedica alcuni secondi a trasformare quel risultato in conversione. I secondi in cui cadono questi tre punti di flesso sono la struttura da trasferire direttamente nel prossimo script.

Percentile CTR: il valore assoluto non basta

Oltre alle curve, la piattaforma fornisce un altro dato: il percentile CTR della creatività.

L'errore più comune di chi inizia è leggere il CTR come valore assoluto: "questo ha un CTR del 5%, niente male". Ma non si può dire se il 5% sia alto o basso senza confrontarlo con i pari categoria. In una categoria d'acquisto impulsivo, il 5% può essere in fondo alla classifica; in una categoria high-ticket, può essere al vertice. Il CTR assoluto non comunica abbastanza: il percentile sì. Un percentile di 0.9 significa che quella creatività ottiene più clic del 90% delle creatività nel suo settore. Questo è un dato su cui si può decidere.

Nel percentile c'è anche un parametro facile da trascurare: la finestra temporale. La stessa creatività può avere percentili molto diversi se calcolati sugli ultimi 7, 30 o 180 giorni. Una creatività che ha acquisito volume solo di recente può risultare alta nella finestra di 7 giorni e diluirsi in quella di 180. Il periodo scelto determina il significato del numero, quindi va allineato al ritmo dei propri lanci.

C'è poi un'altra curva che spesso passa inosservata: l'andamento della popolarità giorno per giorno, in crescita, stabile o già in discesa. Copiare ora una creatività con percentile CTR alto ma con una curva di popolarità già rivolta verso il basso significa inseguire l'ultima onda di traffico. Ha più senso guardare una creatività con un percentile discreto e una popolarità ancora in crescita. Questa curva non risponde a "copiarla o no", ma a "è già troppo tardi per copiarla".

Passare un batch di curve al modello

Le tre curve di una singola creatività sono ancora leggibili da una persona. Per arrivare a una conclusione riutilizzabile, però, bisogna analizzare un batch: una dozzina o una ventina di creatività che hanno funzionato nello stesso settore, cercando ciò che i loro punti di flesso hanno in comune. Mantengono tutte la retention prima del secondo 2? I picchi dei clic coincidono sempre con lo stesso tipo di frame? Farlo a mente è impossibile: bisognerebbe allineare contemporaneamente i valori punto per punto di decine di curve. È qui che entra in gioco il modello.

Il metodo corretto è composto da due passaggi, non da una singola richiesta. È lo stesso approccio descritto nell'articolo sul clustering dei testi pubblicitari:

Primo passaggio: estrarre campi strutturati per ogni creatività. Per ciascuna, raccogli in un record strutturato il secondo di flesso di ognuna delle tre curve, la variazione di valore attorno a ogni flesso e ciò che accade nel frame di quel secondo. È lavoro meccanico ad alta concorrenza: una chiamata per creatività, da centinaia a migliaia per batch.

Secondo passaggio: fornire al modello l'intera tabella in una volta sola per l'attribuzione. Il prompt deve vincolare il formato di output. Non chiedere "perché queste creatività sono efficaci" — otterrai una raccolta di vaghezze come "apertura coinvolgente" — ma richiedi tre elementi per ogni struttura ricorrente:

Riceverai riepiloghi delle curve al secondo per N creatività ad alte prestazioni in
una categoria, ciascuna con tre secondi di flesso, cali e una descrizione del
frame in quel secondo. Individua le strutture ricorrenti e restituisci ciascuna
nel formato seguente, senza testo discorsivo:

1. Secondo di flesso
   In quale secondo del video questa struttura compare in modo affidabile
   (fornisci un intervallo, non un singolo punto)

2. Cosa accade nel frame
   L'azione/elemento specifico in quel secondo, con riferimento a ID creatività
   specifici; non sono ammesse descrizioni vaghe

3. Struttura di script riutilizzabile
   Astrarla in un'istruzione da inserire nel prossimo script
   (ad es. "un frame con il risultato dopo l'uso deve comparire prima del secondo 2")

4. Controesempio
   Ci sono creatività in questo batch che infrangono questa struttura e hanno
   comunque buone prestazioni? In caso affermativo, elencale. Se la struttura
   non regge davvero, dichiaralo direttamente

Il primo passaggio è adatto a un tier economico per l'elaborazione in batch; il secondo deve mantenere contemporaneamente i valori delle curve di un intero batch, quindi è il terreno naturale di un tier a contesto lungo. Gli array punto per punto di decine di creatività arrivano facilmente a qualche centinaio di migliaia di token. Con due tier, costo e precisione trovano entrambi il giusto equilibrio.

L'attribuzione deve diventare una struttura di script

Il terzo punto del prompt è quello che rende utile l'intero processo. Un'attribuzione che non può trasformarsi in un'istruzione per lo script della prossima creatività è solo rumore.

"Questi annunci di successo hanno tutti un buon ritmo" non è un'attribuzione: è una sensazione, e non si può girare un video seguendo l'indicazione "buon ritmo". "Le creatività che trattengono gli spettatori mostrano tutte un frame con il risultato dopo l'uso, anziché il prodotto stesso, prima del secondo 2" è invece un'attribuzione, perché produce una direttiva di ripresa eseguibile: nel prossimo script, inserisci un frame con il risultato prima del secondo 2.

Per capire se un'attribuzione è utile basta una domanda: può diventare una variabile specifica dello script? Il secondo è una variabile, il tipo di frame è una variabile, la durata del tratto persuasivo è una variabile. Conserva ciò che diventa variabile ed elimina il resto. L'obiettivo finale non è un report sui competitor, ma una tabella di variabili per il prossimo batch di creatività: cosa mostrare in quale secondo, quanti secondi lasciare alla persuasione, su quale frame collocare l'hook.

Un passaggio oltre la tabella delle variabili c'è lo script; quello successivo è lo spot finito. Il passaggio da script a spot finito riguarda la generazione di immagini e video on-site, mentre il ciclo completo "keyword, attribuzione delle curve, script, spot finito" è trattato nell'articolo dalla keyword al video finito. Qui ci occupiamo solo della metà che trasforma le curve in una tabella di variabili.

La trappola: non scambiare correlazione e causalità

L'attribuzione su un batch ha una trappola quasi inevitabile: il modello tende con forza a trattare una correlazione come causalità.

Vede un gatto all'apertura di dieci creatività con retention elevata e conclude che "il gatto è la chiave della retention". In realtà, il batch potrebbe provenire da un solo team a cui piacciono i gatti: sia il gatto sia la retention sarebbero allora conseguenze dello stile di quel team, senza alcun rapporto causale tra loro. Se si crede a questa attribuzione e si inserisce un gatto nel batch successivo, la retention non cambierà.

È lo stesso problema del modello che, nel reverse engineering JavaScript, "riconosce una famiglia di algoritmi e smette di analizzare da vicino". Una volta trovata una spiegazione coerente, smette di metterla in dubbio. Il workflow di reverse engineering risolve questo problema imponendo al modello una sezione sulle prove contrarie nel prompt; qui il principio si applica direttamente. Il quarto punto del prompt precedente, il controesempio, non è facoltativo: è il test che stabilisce se un'attribuzione è affidabile.

L'uso è immediato: se il modello sostiene che "il frame del risultato al secondo 2 causa una retention alta", bisogna spingerlo a rispondere alla domanda "esistono in questo batch creatività che mostrano un frame del risultato al secondo 2 ma hanno una retention bassa?". Se sì, quella causalità è falsa e tra frame e retention interviene qualcos'altro. Se il modello cerca nell'intero batch e non trova controesempi, la struttura merita di entrare nella tabella delle variabili. Se un modello non sa produrre controesempi, nessuna delle sue attribuzioni dovrebbe guidare la creazione: si finirebbe per produrre una serie di correlazioni senza capire perché non funzionano.

Il modello giusto per ogni passaggio

Questa pipeline in quattro fasi chiede capacità molto diverse ai modelli. Usarne uno solo per tutto porta inevitabilmente a sprecare denaro o precisione:

Il passaggio da sottolineare più di tutti è quello dei controesempi. Verifica la stessa cosa della sezione sulle prove contrarie nell'identificazione delle famiglie di algoritmi: se il modello continua davvero a mettere in discussione una conclusione appena prodotta. Un modello più debole trasforma la sezione dei controesempi in una riformulazione della conclusione, ad esempio "la struttura è convalidata nella maggior parte delle creatività"; uno più forte trova davvero la creatività che la contraddice. La qualità di questa sezione determina direttamente quante false causalità finiscono nei video prodotti.

Non fidarti sulla parola: prova la differenza. Il protocollo è questo:

1. Raccogli da 10 a 15 creatività di punta in un settore, con le loro tre curve al secondo e il percentile CTR.

2. Estrai i dati in una tabella strutturata usando il tier economico: secondi di flesso e frame corrispondente.

3. Passa l'intera tabella a claude-opus-5 e gpt-5.6-sol, usando il prompt sui controesempi del punto 4 qui sopra.

4. Osserva un solo aspetto: il modello identifica autonomamente come controesempio una creatività con retention eccellente ma conversioni scarse? Il tier che propone controesempi senza dover essere guidato è quello dalle cui attribuzioni puoi ricavare script.

Basta un giro di prova per vedere la differenza in modo più diretto di qualsiasi benchmark.

Il vero attrito non è scegliere il modello, ma passare dall'uno all'altro

Quattro modelli di tre fornitori, tre SDK, tre schemi di autenticazione e tre formati di errore. Per usare modelli diversi nelle varie fasi, la soluzione ingenua è integrare tre client. Molti fanno i conti, concludono che non ne vale la pena e usano un solo modello dall'inizio alla fine. Così, nella fase di attribuzione batch, si ritrovano con un tier debole sui controesempi e producono creatività basate su false causalità senza sapere perché non funzionano.

AIReiter appiattisce questo livello: una chiave, un'interfaccia compatibile con OpenAI e tutti e quattro i tier dietro la stessa API. Per passare da un modello all'altro basta cambiare il campo model nel corpo della richiesta.

# Attribuzione batch + controesempi: il tier di ragionamento
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<prompt di attribuzione + tabella riepilogativa di N curve>"}]
  }'

# Estrazione dei campi per creatività: cambia il campo model, lascia invariato il resto
#   "model": "claude-sonnet-5"
# Contesto lungo per mantenere un intero batch di curve:
#   "model": "kimi-k3"

Se usi già l'SDK OpenAI, punta base_url a https://aireiter.com/api/v1 e non modificare altro. Con l'SDK Anthropic, usa POST /api/v1/messages con la stessa chiave.

Sui prezzi, i modelli Claude hanno uno sconto del 30% sul listino e i modelli GPT costano la metà. In questo flusso, lo sconto interviene proprio sul costo principale: l'estrazione dei campi per creatività è la fase con più chiamate, da centinaia a migliaia per batch, ed esegue Claude Sonnet con il 30% di sconto; l'attribuzione delle differenze sulla singola creatività gira su GPT-5.6 Sol a metà prezzo. L'input a contesto lungo dell'attribuzione batch arriva a qualche centinaio di migliaia di token e usa Kimi K3, richiamabile con la stessa chiave. Lo sconto colpisce esattamente le due parti più costose.

• Ottieni una chiave API

• Provalo senza registrarti: inserisci prima a mano alcune curve, confronta se i due modelli propongono controesempi, poi decidi quale integrare.

In sintesi

Leggere le creatività attraverso visualizzazioni e like significa prendere un valore scalare, con tutta la timeline appiattita, e usarlo per guidare un lavoro basato sul tempo dall'inizio alla fine. L'informazione era già persa all'origine.

Il creative center mostra da sempre dati dotati di dimensione temporale: i punti di flesso delle tre curve al secondo indicano i secondi in cui trattenere, conquistare e convertire; il percentile CTR stabilisce invece se una creatività è davvero valida rispetto ai suoi pari, mentre il valore assoluto da solo conta poco. Passando al modello le curve di un batch di creatività, l'attribuzione non restituisce una vaga impressione del tipo "funziona bene", ma una tabella di variabili da scrivere nel prossimo script — a condizione di obbligare il modello a fornire controesempi e di filtrare una a una le correlazioni presunte fino a isolare le causalità reali.

Il ruolo del modello qui è preciso: è l'attributore capace di allineare decine di curve insieme, trovare gli elementi comuni e, con il prompt giusto, contraddirsi. Non gira lo spot al posto tuo e non decide la causalità al posto tuo. I controesempi filtrano le causalità reali, la tabella delle variabili diventa script e lo spot finito è il compito dell'articolo successivo.