A/B testing dei testi: cosa si può testare davvero

"Secondo me questo titolo funziona meglio" è un'opinione, non un dato. Il copywriting SEO, per quanto guidato da principi solidi, resta pieno di scelte che sembrano ovvie finché non vengono messe alla prova con numeri reali. L'A/B testing serve esattamente a questo: sostituire l'intuizione con l'evidenza. Ma testare i testi in ottica SEO è diverso, per metodo e per requisiti, dal testare i testi in ottica di conversione, ed è una distinzione che vale la pena capire prima di iniziare.

## In breve

Esistono due tipi di A/B testing che riguardano il copy, e vanno tenuti distinti. Il primo è il test orientato alla conversione: due versioni di un testo mostrate a sessioni diverse di utenti, misurando quale converte di più. Il secondo è il test orientato al traffico organico, tipico della SEO su larga scala: non si dividono gli utenti, si dividono le pagine, un gruppo di controllo e un gruppo variante, ciascuno con una popolazione di pagine simile per traffico storico, e si misura l'impatto aggregato sul traffico organico nel tempo. Google stessa fornisce indicazioni ufficiali su come condurre A/B test senza danneggiare l'indicizzazione, un punto di partenza necessario prima di lanciare qualsiasi test che tocchi contenuti indicizzati.

Che cos'è (e cosa non è)

L'A/B testing dei testi è un confronto controllato tra due (o più) versioni di un copy, per misurare quale produce un risultato migliore rispetto a un obiettivo definito in anticipo, un tasso di conversione, un traffico organico, un CTR. Non è cambiare un titolo e osservare "a occhio" se il traffico è salito nei giorni successivi: quella è un'osservazione informale, soggetta a stagionalità, aggiornamenti dell'algoritmo, o semplice rumore statistico. E non è nemmeno un dibattito interno su quale versione "suoni meglio": è, per definizione, una domanda a cui risponde un dato misurato, non un'opinione.

Come funziona

### Test orientati alla conversione

Su una landing page, una scheda prodotto o un'email, si mostrano due varianti di un testo, un titolo, una CTA, un paragrafo di apertura, a gruppi diversi di sessioni, e si misura quale versione converte meglio. È il terreno classico del CRO (conversion rate optimization), affrontato da risorse come la guida di CXL all'A/B testing, che raccomanda di testare una variabile alla volta per poter attribuire con chiarezza l'effetto osservato a quel singolo cambiamento. Alcuni strumenti di test sui titoli, come quelli citati da Copyhackers, permettono di raccogliere segnali utili più rapidamente di un tradizionale test A/B, che può richiedere settimane o mesi per raggiungere un campione sufficiente.

### Test orientati al traffico organico

Qui il paradigma cambia. Non esiste un solo "Googlebot" da dividere in due gruppi casuali come si fa con gli utenti: la popolazione che si testa è quella delle pagine, non quella delle persone. Si prende un gruppo di pagine con lo stesso template, ad esempio tutte le pagine prodotto di un ecommerce, o tutte le pagine funzionalità di un SaaS, e lo si divide in due bucket statisticamente comparabili per traffico e andamento storico: metà resta invariata (controllo), metà riceve la modifica (variante). Si confronta poi il traffico organico reale con quello previsto da un modello costruito sui dati storici, per isolare l'effetto della modifica da fattori esterni come stagionalità o aggiornamenti dell'algoritmo. Questo tipo di test richiede in genere centinaia di pagine sullo stesso template e un volume di traffico sufficiente, indicativamente decine di migliaia di sessioni organiche al mese sul gruppo testato, per raggiungere risultati statisticamente affidabili, e i risultati impiegano tipicamente alcune settimane a consolidarsi.

## Perché conta

Senza un metodo rigoroso, un "test" rischia di confermare semplicemente quello che si voleva già credere. Un aumento di traffico nei giorni dopo un cambiamento potrebbe dipendere da un aggiornamento di Google, da un evento stagionale, da un'azione di un competitor, non dalla modifica al testo. Solo un confronto controllato, con un gruppo di riferimento e una soglia di significatività statistica, permette di distinguere un effetto reale da una coincidenza.

## Esempio lampante

### Settore: SaaS B2B

### INPUT

Un'azienda SaaS ha circa 200 pagine di funzionalità prodotto, tutte costruite sullo stesso template. Il team di marketing è convinto che aggiungere il prezzo direttamente nel title tag di ogni pagina possa aumentare il traffico organico, ma non ne ha la certezza.

### ANALISI

Cambiare il title su tutte le 200 pagine insieme e osservare il traffico della settimana successiva non permetterebbe di isolare l'effetto della modifica da altri fattori, un aggiornamento di Google nello stesso periodo renderebbe impossibile capire cosa ha causato cosa.

### DECISIONE

Le 200 pagine vengono divise in due gruppi di 100, bilanciati per traffico storico e categoria di prodotto. Il gruppo variante riceve il prezzo nel title tag, il gruppo di controllo resta invariato. Il traffico organico aggregato dei due gruppi viene confrontato nelle settimane successive, insieme a una previsione costruita sui dati storici di entrambi.

### OUTPUT

Dopo alcune settimane il gruppo variante mostra un traffico organico superiore a quanto previsto dal modello, con una differenza che raggiunge la significatività statistica rispetto al gruppo di controllo. Solo a questo punto la modifica viene estesa a tutte le pagine.

Come farlo

1. Stabilisci prima di tutto cosa vuoi misurare: conversioni su una singola pagina (test CRO) o traffico organico su un insieme di pagine (test SEO), le due cose richiedono metodologie diverse e non sono intercambiabili.
2. Per un test di conversione, cambia una sola variabile alla volta e usa uno strumento che assegni le sessioni in modo casuale, misurando fino al raggiungimento della significatività statistica.
3. Per un test orientato al traffico organico, verifica di avere una base sufficiente di pagine sullo stesso template e di traffico: senza questa base, il test non produrrà risultati affidabili.
4. Dividi le pagine (non gli utenti) in due gruppi comparabili per traffico storico, non per criteri arbitrari che potrebbero introdurre un bias, ad esempio non raggruppare per categoria se le categorie hanno stagionalità diverse.
5. Segui le best practice ufficiali di Google per l'A/B testing: usa redirect 302 (non 301) se cambi URL, indica l'URL originale con rel="canonical", non mostrare contenuti diversi a Googlebot e agli utenti, e concludi il test non appena hai un risultato affidabile.
6. Aspetta la significatività statistica prima di trarre conclusioni, anche se il segnale iniziale sembra già chiaro: i primi giorni di un test sono spesso inconcludenti.
7. Documenta l'ipotesi di partenza e il risultato, così puoi riutilizzare quanto imparato, se hai raccolto dati storici da Search Console, usali anche per costruire la previsione di riferimento.

## Errori comuni

Giudicare un cambiamento da una sensazione o da pochi giorni di traffico

Senza un gruppo di controllo e una soglia di significatività, è impossibile distinguere un effetto reale da una coincidenza.

Confondere un test di conversione con un test SEO

Dividere gli utenti in due gruppi non dice nulla sull'impatto di una modifica sul traffico organico complessivo, che dipende dal comportamento dei motori di ricerca su una popolazione di pagine, non di sessioni.

Mostrare contenuti diversi a Google e agli utenti durante il test

È cloaking, viola le policy di Google indipendentemente dall'intento del test, e può portare a penalizzazioni.

### Interrompere il test troppo presto

Concludere un test prima di aver raggiunto la significatività statistica porta a decisioni basate su rumore, non su un effetto reale.

Testare con un volume di pagine o traffico insufficiente

Senza una base sufficiente, anche il test meglio disegnato non produce un risultato affidabile.

Quando non serve

Su siti piccoli, con poche pagine sullo stesso template o traffico organico limitato, un test SEO strutturato come quello descritto qui non è realisticamente praticabile: non c'è abbastanza dati per raggiungere una significatività affidabile. In questi casi ha più senso applicare con costanza i principi già visti in questo corso, leggibilità, chiarezza, struttura persuasiva, e monitorare l'andamento nel tempo in modo più qualitativo, invece di inseguire un test che non potrebbe comunque dare una risposta solida.

## In sintesi

Testare i testi in ottica di conversione e testarli in ottica SEO sono due esercizi diversi, con metodi diversi: il primo divide utenti, il secondo divide pagine. Entrambi richiedono un gruppo di riferimento, un'ipotesi chiara e una soglia di significatività statistica prima di trarre conclusioni, senza questi elementi, quello che sembra un test è solo un'osservazione informale. Google fornisce indicazioni precise su come condurre test senza danneggiare l'indicizzazione, ed è un punto di partenza da rispettare prima di lanciare qualsiasi esperimento su contenuti già indicizzati.

Per approfondire

Molto prima che esistessero gli A/B test digitali, John Caples testava headline e annunci pubblicitari confrontando i risultati reali di versioni diverse dello stesso testo: Tested Advertising Methods nasce da quei test ed è probabilmente il testo che ha reso popolare l'idea stessa che il copywriting si possa (e si debba) misurare, non solo giudicare a sensazione.

## Cosa imparare dopo

Nella prossima e ultima lezione di questo modulo restiamo nell'ottimizzazione del testo, ma guardando a un obiettivo specifico: come scrivere per aumentare le probabilità di comparire nei featured snippet e negli AI Overviews.