Come trattare CRO, ricerca sulle persona e produzione creativa come un unico sistema connesso ha prodotto +265% di ricavi YoY e 3× il target di ricavi annuale di un brand in meno di dodici mesi.
I numeri, prima del metodo
Nella crescita eCommerce nessuna variabile singola spiega da sola un +265% di vendite anno su anno. Il caso JNPR è il resoconto di cosa succede quando data research, ottimizzazione della conversione e produzione creativa smettono di essere funzioni separate e vengono gestite come un unico sistema — osservato, misurato e iterato di continuo.
+265% di ricavi YoY. +49% di conversion rate YoY. −4,1% di costo di acquisizione. 3× il target di ricavi annuale, raggiunto in meno di dodici mesi.
Un brand già validato, prima del sistema
JNPR è un brand francese di spirits analcolici costruito su una promessa precisa: rendere possibile il momento dell’aperitivo senza rinunciare al gusto, qualunque sia la ragione per cui si sceglie un’alternativa senza alcol e senza zucchero. La gamma copre le alternative analcoliche agli spirits classici dell’aperitivo — gin, spritz, bitter e oltre — insieme a cofanetti regalo e ricettari pensati per ricreare il rituale a casa. Il posizionamento — "L’apéritif, réinventé" — parla a chi cerca moderazione senza rinunciare al piacere.
Dal lancio nel 2020 quella traiettoria si è consolidata in un track record visibile ben oltre i canali del brand: la fondatrice ha ricevuto il premio Choiseul 2025 e vinto la categoria Croissance del premio Business with Attitude di Madame Figaro nel 2026, oltre a pubblicare un libro sul mindful drinking, mentre la gamma senza zucchero è stata nominata migliore innovazione soft-drink del 2025. La copertura su Le Monde, Elle, Le Figaro e Vogue ha seguito la stessa traiettoria. A sei anni dal lancio, si trattava di un’azienda già visibile e già osservata: ogni decisione su creative e conversione pesava più del normale.
È su questo sfondo che emerge un tratto ricorrente del lavoro: a ogni fase, la disponibilità ad ampliare il perimetro dei test oltre quanto pianificato all’inizio, ogni volta che i dati indicavano una direzione diversa dall’ipotesi iniziale. Quell’apertura — testare persona, angle e formati che si allontanavano dalle assunzioni del brand sulla propria audience — è gran parte del motivo per cui i risultati che seguono sono stati possibili.
Un solo sistema, non due progetti paralleli
Il lavoro non ha mai separato l’ottimizzazione on-site dalla produzione creativa e dal media buying. Entrambe le aree giravano sullo stesso ciclo — ricerca, ipotesi, test, misurazione, iterazione — alimentate dagli stessi dati e tracciate attraverso un layer tecnologico proprietario che ha funzionato come punto di riferimento unico in ogni fase, dalla diagnosi iniziale alla decisione su quale concept scalare. Ogni ipotesi, ogni test e ogni risultato passavano da quello stesso layer: è ciò che ha permesso di avere sempre una lettura aggiornata dello stato delle cose e del passo successivo, invece di ricomporre a posteriori iniziative separate.
CRO: dai dati al test
Il lavoro è partito da un processo strutturato di Conversion Rate Optimization sull’intero percorso da visitatore a cliente, costruito su tre fasi.
Ricerca e analisi. Prima di formulare qualsiasi ipotesi, un audit tecnico ha verificato la correttezza del tracciamento analytics e misurato i conversion rate per browser e device insieme alle performance di velocità del sito, usando strumenti dedicati per individuare i colli di bottiglia. Questo primo passaggio ha fatto emergere e risolto problemi che, lasciati irrisolti, avrebbero reso ogni step successivo più difficile da leggere correttamente, con il rischio di intervenire su questioni secondarie.
Al layer tecnico è seguito un audit euristico pagina per pagina, valutando ogni pagina su cinque criteri: rilevanza (la pagina risponde alle aspettative dell’utente, per contenuto e design?), chiarezza e immediatezza (l’offerta è evidente?), valore (comunica motivazione sufficiente ad agire?), frizione (cosa genera esitazione o dubbio, e come si può semplificare?) e distrazione (cosa distoglie attenzione dall’azione desiderata?). A questo si è affiancata l’analisi comportamentale on-site — heatmap, scroll map, click map e session recording — per vedere esattamente dove gli utenti si fermavano e dove abbandonavano, con una soglia minima di circa 2.000–3.000 pageview prima di considerare affidabile qualsiasi pattern.
Il terzo layer è stato qualitativo: interviste ai clienti e survey post-acquisto hanno fatto emergere informazioni che nessun dataset quantitativo avrebbe prodotto da solo. È qui che la ricerca ha scoperto un utilizzo del prodotto non previsto dal team — ricette di cocktail improvvisate dai clienti stessi — un bisogno ricorrente di ispirazione per aperitivi alternativi, tradotto in un aumento misurabile dei clienti di ritorno, e un segmento secondario diventato presto primario: i partner che acquistano il prodotto per una compagna in gravidanza, accanto all’audience già nota delle "mums-to-be".
Ipotesi e prioritizzazione. Ogni insight della fase di ricerca è stato convertito in un’ipotesi testabile e inserito in una checklist pesata su impatto atteso e costo, seguendo una struttura fissa: crediamo che fare [A] per le persone [B] produrrà il risultato [C]; lo sapremo quando vedremo il dato [D] e il feedback [E]. È questo che ha determinato quali cicli di lavoro affrontare per primi, invece di procedere nell’ordine in cui i problemi venivano notati.
Implementazione, misurazione, iterazione. Ogni test è stato tracciato con strumenti dedicati alla mappatura dei risultati, così che l’esito di un ciclo modellasse direttamente il successivo. Il backlog non è mai stato un documento statico: veniva aggiornato di continuo sulle performance delle settimane più recenti, così che le priorità riflettessero sempre lo stato attuale dei dati e non un piano fissato mesi prima.
Quel primo ciclo di lavoro ha prodotto i risultati iniziali: +265% di ricavi YoY, +49% di conversion rate, −4,1% di costo di acquisizione. Da lì il lavoro si è esteso su due binari paralleli: aumentare l’average order value e sistematizzare la produzione creativa.
Dalle persona alle creative alle landing page dedicate
I dati quantitativi e qualitativi raccolti nella fase CRO sono confluiti direttamente nella costruzione di persona testabili — un lavoro partito da sei persona e ampliato man mano che i primi risultati indicavano segmenti con più potenziale di quanto le ipotesi iniziali assumessero. La prioritizzazione tra persona ha seguito quattro assi — quota di ricavi generata, costo di acquisizione, lifetime value e priorità strategica — per decidere dove concentrare il volume creativo invece di distribuirlo in modo uniforme.
Un asse è stato dedicato specificamente a chi acquista "per qualcun altro" e non per sé. In linea con quanto emerso dalla ricerca qualitativa — il partner che compra per una compagna in gravidanza — le creative sono state costruite dal punto di vista di chi compie l’acquisto come gesto verso un’altra persona, invece di rivolgersi direttamente all’utilizzatore finale. È un territorio tipicamente poco presidiato nella pubblicità DTC, ma particolarmente rilevante per un prodotto costruito attorno a momenti condivisi e conviviali.
Ogni persona non ha ricevuto semplicemente un annuncio dedicato: ha ricevuto un’esperienza end-to-end. Ogni creative è stata abbinata a una landing page personalizzata, allineata per linguaggio e offerta al messaggio che aveva portato il visitatore lì. L’obiettivo era chiudere la distanza tra la promessa dell’annuncio e la pagina di atterraggio — un’esperienza specifica per ogni persona, invece di una pagina generica valida per tutti indipendentemente da cosa avesse generato il clic.
Partnership ads ancorate alle persona
Accanto alle campagne standard sono state testate le partnership ads — creative costruite in un formato nativo e dall’aspetto organico, più vicino a una Instagram Story che a un annuncio tradizionale, mantenendo la stessa disciplina di mappatura di ogni esecuzione sui pain point e sui bisogni già identificati per persona. La resa più naturale di questo formato si è tradotta in un costo per mille impression più basso e in una conversione solida su segmenti già scaldati da altri touchpoint — senza mai abbandonare la logica di targeting per persona usata nel resto del sistema.
Mix creativo e volume calcolato
Non ogni variazione creativa produce diversità reale agli occhi degli algoritmi di distribuzione. Il lavoro ha tracciato una linea netta tra assi deboli di variazione — formato, rotazione dell’hook su un corpo altrimenti identico, modifiche cosmetiche — e assi forti — persona, framing del problema, mondo visivo, tono di voce e fonte di autorevolezza del messaggio. Solo la variazione lungo gli assi forti è stata trattata come concept davvero nuovo, testato per conto proprio; la variazione lungo gli assi deboli è servita a remixare concept già validati, isolando ciò che in una creative vincente deve restare fisso (angle, promessa, struttura argomentativa) da ciò che può essere riespresso in formati diversi — static, UGC e talking-head, video ad alta produzione, animazione AI-generated.
Il volume creativo non è stato stimato, è stato calcolato. Partendo dalla spesa allocata all’acquisizione di nuovi clienti, dalla spesa media storica necessaria a produrre un concept vincente e dall’hit rate osservato nei cicli precedenti, è stato possibile ricavare esattamente quanti asset produrre in un dato periodo per sostenere sia il target di spesa sia i risultati attesi — con un buffer integrato per assorbire la normale incertezza del processo.
La stessa disciplina si è estesa al test dei formati: how-to esplicativi, comparazioni "3 motivi per cui", unboxing, UGC short-form, recensioni prodotto che affrontano le obiezioni fin dall’inizio, griglie multi-SKU, slideshow narrati, framing before/after e contenuti in stile reaction sono stati trattati come territori distinti da validare, non come scelte di stile intercambiabili sullo stesso messaggio.
Il ciclo scientifico: dati, creative, iterazione
Ogni nuovo concept ha seguito lo stesso percorso in tre fasi. L’esplorazione ha identificato territori davvero distinti — differenze di persona, problema, livello di consapevolezza, messaggio e formato, non piccoli aggiustamenti dell’hook. La validazione ha usato un test controllato a variabile singola costruito su un’ipotesi scritta prima del lancio. Lo scaling ha diversificato l’esecuzione di un concept validato preservando esattamente il segnale che lo aveva fatto vincere, invece di duplicare semplicemente l’asset vincente.
I risultati di ogni test sono stati letti lungo una catena sequenziale di segnali — attenzione, interesse, intento commerciale, risultato di business — invece di essere giudicati sulla performance giornaliera di un singolo asset isolato; la lettura è sempre stata a livello di portafoglio. Ogni ciclo di test, vinto o perso, è rientrato nel backlog: i concept vincenti aggiornavano la mappa di copertura per persona e territorio, mentre quelli non validati restringevano le aree ancora da esplorare. Nessun ciclo è partito da zero: ogni nuovo batch di test si è costruito su quanto stabilito dal precedente.
È qui che il layer tecnologico proprietario ha contato di più: tenendo traccia di ogni ipotesi, ogni test e ogni risultato lungo l’intero processo, ha reso possibile mantenere una lettura continua e coerente di come stesse performando il sistema, invece di una serie di iniziative scollegate da riconciliare manualmente a posteriori.
Far crescere l’average order value
Dopo il primo ciclo di miglioramento su conversion rate e costo di acquisizione, l’attenzione si è spostata sull’aumento dell’average order value — una leva che sostiene costi di acquisizione più alti nei periodi di maggiore competizione e migliora il cash flow mantenendo o migliorando il margine.
Il punto di partenza è stato correggere un errore comune: trattare l’AOV come un valore medio unico senza guardare la distribuzione reale dei valori d’ordine. Invece di una media aggregata, i volumi si concentravano attorno a due prezzi distinti — una distribuzione bimodale che una media singola avrebbe nascosto completamente, e che indicava due comportamenti d’acquisto diversi dentro lo stesso numero.
Su quella base sono state sviluppate leve mirate: incentivi in carrello calibrati sulla soglia di spedizione gratuita, nuove offerte di cross-sell con prezzi calcolati specificamente per spingere gli ordini verso il target di AOV, e bundle costruiti per cluster di clienti specifici — distinguendo, per esempio, se i clienti del cluster di prezzo più basso fossero primi acquisti o clienti di ritorno, perché quella distinzione cambiava quale offerta avesse senso per ciascun gruppo. Questo lavoro ha prodotto un aumento del 96% dell’AOV nella sua prima fase.
Cosa ha prodotto il sistema
Nel loro insieme — data research, CRO, persona, creative, landing page dedicate, partnership ads, mix creativo calcolato e un ciclo di test continuo — questi elementi hanno prodotto:
+265% di ricavi YoY. +49% di conversion rate YoY. −4,1% di costo di acquisizione. +96% di average order value. 3× il target di ricavi annuale, raggiunto in meno di dodici mesi.
Non un singolo intervento, ma un sistema che si aggiorna da solo: ogni test alimenta il successivo e ogni iterazione parte da un livello di conoscenza più alto del precedente.
Vuoi applicarlo al tuo brand?
Porta il contesto: il nostro senior team ti aiuta a tradurlo in priorità operative.