Il primo lavoro è scegliere cosa vuoi distinguere

Migliaia di termini di ricerca sono difficili da leggere uno per uno. Un modello può aiutare a raggrupparli, ma ‘classifica queste query’ è un compito troppo vago. Vuoi separare ricerca commerciale e assistenza? Brand e non brand? Prodotti disponibili e prodotti fuori catalogo? La tassonomia deve servire una decisione precisa.

Nel suo audit raccontato su PPC Mastery, Miles McNair parte dal contesto economico e divide il lavoro in verifiche circoscritte. Per i termini di ricerca adottiamo la stessa disciplina: prima definiamo cosa vende l'azienda e quali richieste sono utili, poi classifichiamo. Una query apparentemente insolita può descrivere un'esigenza commerciale reale.

L'export disponibile va trattato come un perimetro osservato. Confronta il suo costo complessivo con il totale della campagna e conserva la quota coperta. Se una parte della spesa non è rappresentata dalle query estratte, il grafico delle intenzioni non descrive l'intero account. L'analisi comincia dalla copertura, prima delle etichette.

Una tassonomia piccola, con una vera uscita per i dubbi

Partiamo, per esempio, da cinque intenzioni: acquisto, confronto, informazione, assistenza e ambiguo. Separiamo l'intenzione dalla relazione con il catalogo: disponibile, non disponibile, da verificare. Una ricerca informativa può essere pertinente; una ricerca commerciale può riguardare un prodotto che l'azienda non vende.

Definisci esempi positivi e controesempi. Per un fornitore di software, ‘gestionale magazzino prezzo’ suggerisce valutazione commerciale; ‘gestionale magazzino errore accesso’ suggerisce assistenza. ‘magazzino automatico’ può riferirsi a software, impianti o servizi: senza contesto deve rimanere ambiguo. Verifica questi esempi con chi conosce le richieste dei clienti: la tassonomia deve distinguere casi che contano davvero per quel business.

Conserva versione delle categorie, lingua, regole sui brand e data del catalogo usato come contesto. Se cambi la definizione di una categoria a metà mese, il grafico può muoversi anche quando il comportamento delle persone è identico.

Esempio operativoDati illustrativi, non dati cliente
SegnaleControlloDecisione
«manuale pdf»Informativo · confidenza 0,92Confermare su campione umano
«prezzo modello x»Transazionale · confidenza 0,81Mantenere nella categoria
Confidenza 0,48Query ambiguaMandare in revisione manuale
La decisione arriva dopo il controllo del dato e del contesto, non dal numero isolato.

Chiedi un risultato che il software possa controllare

Nel tutorial su AI.GENERATE, Measurelab propone di usare il modello per classificare testo e interpretare contesto, lasciando i calcoli a SQL. Mostra anche come raggruppare più righe in una chiamata. Riprendiamo questi due accorgimenti: inviamo piccoli lotti di termini, poi verifichiamo che ogni identificatore abbia esattamente una risposta.

Usiamo quindi un identificatore immutabile della riga e un elenco chiuso di categorie. Il testo della query arriva come dato da classificare: eventuali istruzioni presenti nel testo non devono diventare comandi. La risposta non deve inventare nuove righe, modificare metriche o restituire azioni pubblicitarie eseguibili.

L'esempio seguente descrive il risultato atteso. Valida categorie, tipi e identificatori con il software; rimanda in revisione righe mancanti, duplicate o ambigue. Un JSON valido dimostra soltanto che il formato è leggibile. La breve motivazione aiuta il revisore a capire l'etichetta, ma non ne certifica la correttezza.

json
{
  "rowId": "query-0042",
  "intent": "comparison",
  "catalogFit": "available",
  "needsReview": false,
  "reason": "Explicit price comparison for an offered product"
}

Misura gli errori che costano di più

Prepara un campione etichettato da una persona competente e tieni separati gli esempi usati nel prompt da quelli del test. Nel campione includi query frequenti, query con molta spesa, errori ortografici, altre lingue e casi ambigui. Se testi soltanto frasi facili, il risultato descrive la facilità del test.

Seer racconta una revisione dei propri agenti in cui emergono numeri presi dalla sorgente sbagliata, variazioni interpretate male e risultati non tracciabili. Il team trasforma il feedback in correzioni, approvate da persone, e riprova su dati diversi. Per il classificatore, traduciamo questo ciclo in errori etichettati, casi di test conservati e confronti fra versioni.

Esempio: su 200 query valutate, 184 etichette corrette danno il 92%. Ma se 10 dei 16 errori colpiscono le ricerche che generano più valore, quella precisione complessiva non giustifica l'automazione delle esclusioni. Aggiungiamo quindi una lettura degli errori ponderata per spesa e una verifica specifica dei falsi suggerimenti di irrilevanza.

Riduci il contesto e controlla ogni lotto

Per classificare una query normalmente non serve inviare email dei clienti, dati dei lead, credenziali o un export completo del CRM. Riduci il contenuto a termine, lingua, categoria commerciale e contesto utile. Rimuovi dati personali riconoscibili prima dell'invio e definisci accessi, conservazione e cancellazione degli output.

Conserva l'export originale separato dalle etichette. Calcola un identificatore per la combinazione di termine, lingua e versione della tassonomia: se l'hai già classificata con lo stesso contesto puoi riusare il risultato verificato. Quando cambia il catalogo, decidi quali categorie riesaminare. Non riclassificare automaticamente tutto e non conservare per sempre un'etichetta che dipende da un'offerta ormai cambiata.

Se una chiamata fallisce, riprova soltanto il lotto mancante. Registra stato, tentativi e versione del modello; ferma l'elaborazione dopo un numero definito di errori. La velocità ha valore solo se sai distinguere le righe elaborate da quelle saltate. Per grandi volumi, parti da un campione e aumenta il carico dopo aver misurato qualità e costo.

Le etichette devono portare a domande migliori

Riaggancia i risultati all'export originale attraverso rowId e calcola costo, conversioni e valore con codice deterministico. È la separazione suggerita da Measurelab: al modello il significato del testo, a SQL i numeri. Prima controlla che ogni riga abbia una sola classificazione e che i totali economici non cambino. Mantieni esplicito il peso delle query senza etichetta.

A quel punto puoi chiedere quanta spesa va all'assistenza, quali categorie commerciali hanno poca copertura e dove il catalogo non risponde alla domanda. Le azioni possibili includono una landing page diversa, una revisione degli annunci, un confronto con il commerciale o una proposta di esclusione da verificare.

Ogni cambio di modello, prompt o tassonomia richiede lo stesso test di confronto. Salva gli errori corretti: diventano nuovi casi di verifica. L'AI è utile quando rende leggibile più materiale e lascia una traccia delle decisioni, non quando trasforma un'etichetta plausibile in una certezza.

Fonti e approfondimenti

Riferimenti citati nella guida. Gli esempi numerici sono illustrativi.