Analisi dei prompt : un nuovo mondo da esplorare

L’analisi delle ricerche è nata come strumento tattico per il posizionamento sui motori. Con l’avvento dei chatbot e dei Large Language Model, la materia prima cambia strutturalmente – e con essa alcune delle sue regole fondamentali.

Agli albori della SEO in Italia l’attività di analisi delle keyword necessaria a definire le strategie di “Search Engine Positioning” – il posizionamento organico sui motori di ricerca – si svolgeva senza alcuno strumento dedicato, solo con il buon senso. Wordtracker esisteva già dal 1998 (esiste ancora, peraltro), ma offriva dati esclusivamente su query in lingua inglese. Per l’italiano non c’era praticamente nulla.

Il primo spiraglio si aprì con l’avvento dei bid engine, motori antichi che speravano di risolvere il problema della qualità dei risultati – e di un modello efficace di monetizzazione – mettendo all’asta le posizioni di maggiore evidenza per specifiche parole chiave. L’idea di fondo era che nessuno sano di mente avrebbe pagato un costo per click ottenuti su risultati di ricerca non correlati ai prodotti o servizi offerti. Il primo player a livello globale fu Goto.com, seguito dall’italiano Godado. La storia dice che la vera risposta al problema della qualità dei risultati sarebbe arrivata con Google, ma i bid engine ebbero il merito di rendere disponibili, per la prima volta, dati concreti sulle ricerche degli utenti. Restava però un limite strutturale: la loro base utenti era limitata – quella di Godado potremmo dire striminzita – quindi i dati che offrivano non risultavano particolarmente rappresentativi dello scenario. Per disporre di un campione davvero ampio e statisticamente rilevante fu necessario attendere la nascita di Google AdWords e del suo Keyword Tool. Da quel momento in poi il dataset divenne abbondante… e con l’abbondanza emersero nuovi problemi.

Il confessionale digitale

L’analisi delle ricerche è stata per anni percepita come attività funzionale quasi esclusivamente alle strategie SEM, acronimo che indica il Search Engine Marketing nella sua accezione più ampia, ovvero la somma di SEO (Search Engine Optimization, il posizionamento organico) e SEA (Search Engine Advertising, la pubblicità a pagamento sui motori). Questo ne ha limitato l’importanza per molti stakeholder aziendali.

Eppure il pannello di ricerca di un motore – e oggi dovremmo aggiungere l’interfaccia dei vari chatbot – è qualcosa di molto più ricco: una sorta di confessionale in cui l’utente esprime i propri bisogni senza censure, un luogo in cui i desideri si trasformano in fatti misurabili. Analizzare questi dati significa guadagnare accesso a un vero spaccato della società, un mare magnum di informazioni preziose non solo per la strategia search, ma per comprendere in profondità l’audience potenziale e il target di riferimento.

Il problema della classificazione

Non appena i dati si fecero abbondanti, fu subito chiaro che per estrarne valore era necessario organizzarli. Trasformare una massa informe di keyword in dataset puliti, ordinati e intelligibili è esattamente l’obiettivo di quell’attività che per anni è stata definita Search Intelligence – ed è un’attività molto più complessa di quanto sembri a prima vista, soprattutto quando si opera su migliaia o decine di migliaia di query e si vuole articolare la classificazione su più livelli.

Nel tempo si sono affermati diversi approcci. Il primo è semantico: le query vengono raggruppate per significato, con logiche che possono essere nidificate – ad esempio PC → Portatili → Dimensioni schermo – oppure trasversali, flaggando tutte le keyword che contengono un riferimento a un determinato attributo (tipo di processore, RAM, spazio di archiviazione) indipendentemente dal cluster principale di appartenenza. In entrambi i casi emergono presto le ambiguità, che vanno gestite con criteri espliciti e documentati. Una query come “pc portatile 15 pollici nero” può essere assegnata al cluster dimensione schermo o a quello colore: la scelta dipende da cosa è più rilevante per il business del cliente e va codificata come regola condivisa dal team di analisi, non lasciata alla discrezionalità del singolo analista. Stesso discorso per i cluster sottodimensionati: “mac portatile 15 pollici retina” potrebbe trovare posto in un cluster “monitor retina” oppure essere assorbito da quello “dimensioni schermo”, in base al numero di query e ai volumi presenti nel dataset.

Il secondo approccio è quello del search intent: prescindendo dagli aspetti semantici, è possibile classificare le query in base al tipo di intenzione che potrebbe animare l’utente. Una query come “macbook offerte” suggerisce chiaramente un intento transazionale; “meglio mac o pc” rimanda ragionevolmente a una fase di consideration. In teoria è un approccio elegante. Nella pratica presenta limiti strutturali che ho imparato a non sottovalutare.

L’idea che si possano definire delle “search personas” è antica quanto l’analisi delle ricerche. A mio modo di vedere, però, si tratta di un approccio suggestivo quanto poco concludente: nella mia esperienza non ha quasi mai prodotto indicazioni operative particolarmente utili, ma solo casi accademici.

Molte stringhe di ricerca sono espressione di intenti assai diversi tra loro e, in certi casi, del tutto imperscrutabili. La classificazione per search intent è certamente utile, ma applicabile con un certo grado di certezza solo a una porzione ridotta del dataset – tipicamente alle query che contengono elementi inequivocabilmente associati a uno specifico intento. La zona grigia, che comprende spesso le query più popolari e con i volumi maggiori, resta perlopiù impossibile da disambiguare, limitando le indicazioni operative che ci si potrebbero attendere da questo approccio.

Prompt più ricchi, analisi più precisa

L’affermazione dei modelli LLM come interfacce di ricerca ha determinato un cambiamento marcato nel modo in cui gli utenti formulano le proprie domande. I prompt sono generalmente molto più articolati rispetto alle classiche keyword – probabilmente perché i chatbot vengono percepiti in modo diverso rispetto ai motori di ricerca tradizionali. La capacità di comprensione del linguaggio naturale sembra indurre l’utente a personificare il modello e a rapportarsi ad esso come si farebbe con una persona. Il risultato è un linguaggio più naturale, con prompt ricchi di contesto che offrono informazioni capaci di semplificare l’attività di classificazione.

Attenzione: questa semplificazione non significa che grazie all’avvento dei prompt sia diventato facile automatizzare la classificazione con il supporto dell’AI. Errori e vere allucinazioni sono all’ordine del giorno anche quando si offre al modello un contesto molto dettagliato e un set di esempi già classificati molto corposo. Su questo fronte si sono fatti molti progressi, ma c’è ancora da lavorare e ad oggi è consigliabile un sistema integrato a base di palleggi fra diversi modelli AI e abbondanti dosi di human in the loop.

Torniamo ai nostri prompt: la loro maggiore verbosità semplifica innanzitutto alcune operazioni di pulizia del dataset. Identificare ed eliminare le domande in lingua diversa da quella oggetto di analisi, per esempio, diventa quasi banale. Ma il vantaggio principale offerto da queste query articolate riguarda proprio la classificazione per search intent. Domande strutturate contengono molti più elementi utili allo scopo e riducono drasticamente i problemi di disambiguazione tipici delle query più laconiche (spesso quelle con i volumi più alti). La percentuale del dataset classificabile per intent con buona confidenza cresce in modo significativo.

Le stesse regole, risultati migliori

Le regole di ingaggio della classificazione restano le stesse. In quella semantica nidificata, per gestire le ambiguità, è necessario definire convenzioni esplicite come i criteri di prevalenza da usare quando un prompt potrebbe finire in due cluster diversi e di assorbimento dei cluster “specie” sottodimensionati in quelli che ne rappresentano il “genere”. La classificazione trasversale trova applicazione, anche nel caso dei prompt, solo su una parte del dataset, ma con una decisa riduzione delle ambiguità e dei casi dubbi.

Quello che cambia, infatti, è la qualità del segnale. I prompt offrono maggiori indicazioni sul bisogno informativo espresso dall’utente e sull’intento di ricerca che ne è alla base. Questo permette di lavorare con maggiore precisione su tre fronti che nella mia esperienza sono strettamente connessi: la definizione dello scenario competitivo, la content strategy orientata a colmare il content gap, e – cosa che spesso viene sottovalutata – la struttura dei singoli contenuti. Perché un contenuto non deve solo intercettare un intento di ricerca: deve soddisfarlo. E per farlo bisogna sapere con precisione cosa l’utente sta cercando, non solo intuirlo.