Le anomalie arrivano su Telegram.
Ho automatizzato un report che raccoglie le performance, le confronta con le tre settimane precedenti e porta su Telegram un’analisi dei cambiamenti. Python gestisce dati e invio. DeepSeek, tramite OpenRouter, interpreta i confronti.
- Finestra di confronto
- Settimana analizzata + 3 precedenti
- Stack
- Python · API · DeepSeek via OpenRouter · Telegram
- Estensione sperimentata
- Google Ads + Clarity + Mixpanel
Il problema che volevo risolvere
Consultare più piattaforme richiede tempo, soprattutto quando l’obiettivo è capire che cosa è cambiato rispetto alle settimane precedenti. Volevo ricevere un report leggibile che evidenziasse i segnali da approfondire, insieme ai dati necessari per valutarli.
Ho diviso il lavoro in due passaggi. Python raccoglie i dati dalle API e prepara i confronti. Il modello riceve questi dati per analizzare variazioni, anomalie e possibili punti di attenzione.
- Raccolta dalle APIPython richiama i dati necessari al report.
- Confronti temporaliLo script prepara la settimana analizzata e le tre precedenti.
- Analisi con DeepSeekOpenRouter collega il modello, che interpreta i dati forniti e segnala i cambiamenti da approfondire.
- Consegna su TelegramPython invia l’analisi quando è pronta.
La lettura dipende dai dati passati al modello. La raccolta e il confronto avvengono nello script Python.
Schema della finestra temporale usata nel report. Il confronto dà contesto al cambiamento rispetto alla sola settimana precedente.
Che cosa cerco nell’analisi
Il report entra nel merito delle performance. Tra i segnali analizzati ci sono il calo del CTR, ossia il rapporto tra clic e impressioni, i cambiamenti dei costi di acquisizione e le differenze tra dispositivi e fasce orarie.
- CTR. Quali segmenti mostrano una variazione del rapporto tra clic e impressioni e come si colloca nelle settimane osservate.
- Costi di acquisizione. Dove il costo cambia e quali segmenti contribuiscono alla variazione.
- Dispositivi e orari. Dove si concentrano differenze che il dato aggregato può nascondere.
Per leggere correttamente il costo di acquisizione cliente (CAC), il dato deve riferirsi a clienti acquisiti. Quando la conversione misurata è un lead o un’altra azione, il costo per quella conversione va interpretato secondo il suo significato.
Gli insight orientano gli approfondimenti. Un calo del CTR o un aumento del costo richiede poi una verifica su campagne, creatività, pagine e qualità del tracciamento.
Quando ho collegato anche Clarity e Mixpanel
Ho sperimentato il collegamento tra le API di Google Ads, Clarity e Mixpanel. Mettere insieme acquisizione pubblicitaria, comportamento sul sito ed eventi mi ha aiutato a individuare rapidamente colli di bottiglia nelle campagne e problemi nel tracciamento.
- Google AdsAcquisizione e performance pubblicitarie.
- ClarityComportamento e frizioni sul sito.
- MixpanelEventi e passaggi del percorso misurato.
- Lettura congiuntaConfronto dei segnali per localizzare il problema e verificare la misurazione.
Il valore del collegamento dipende dalla coerenza di periodi, eventi e definizioni delle metriche tra le piattaforme.
Questa estensione mi ha dato una lettura più completa del percorso. Per esempio, una discrepanza tra conversioni pubblicitarie ed eventi registrati diventa un punto da verificare nel tracciamento, prima di attribuire tutto all’efficacia della campagna.
Che cosa mi porto da questo lavoro
La parte più interessante è il collegamento tra raccolta, confronto e interpretazione. Ho costruito un flusso che porta l’analisi dove posso leggerla subito e usare i segnali per decidere che cosa controllare.
Il passo sperimentato con più fonti amplia questa possibilità. L’obiettivo è passare da un report delle campagne a una lettura del percorso che tenga insieme media, esperienza sul sito e affidabilità dei dati.