Ho poco tempo per consegnare un piano marketing completo. Zero storico advertising, dati sparsi ovunque, numeri in calo. Impossibile? No, se hai un metodo replicabile e sai dove mettere l’AI (spoiler: non al posto di comando).
Questa è la storia di come ho costruito diagnosi strategica, scelte operative e roadmap a 12 mesi per un’azienda vinicola italiana usando AI come acceleratore, non come sostituto del pensiero critico.
L’AI è una macchina da miniera, riesce a scavare, ripulire e ordinare per bene. Ma il piano lo fa chi decide le priorità, il tono e le responsabilità. Senza pensiero critico, l’AI ti porta fuori strada più velocemente.
Nota importante: piano completo significa diagnosi + scelte strategiche + roadmap operativa. Non l’implementazione. La settimana è stata possibile perché avevo già accesso ai dati aziendali e gli abbonamenti tool attivi. Il costo reale è il tempo e la capacità di orchestrare le fonti, non i 100 euro di budget incrementale.
In sintesi:
- Tempo: 7 giorni di lavoro intenso full-time
- Budget incrementale: sotto i 100 euro
- Output: diagnosi + strategia + roadmap 12 mesi
- AI usate: ChatGPT, Gemini, Perplexity, Claude, NotebookLM
- Metodo replicabile per qualsiasi settore
Il contesto: quando hai dati ma nessuna strategia
Mi viene chiesto di realizzare un piano marketing per una nota azienda vinicola italiana. La situazione è classica: per anni hanno gestito comunicazione digitale e offline in modo “artigianale”, senza strategia. I numeri cominciano a calare, serve cambiare passo.
Prima di mettere mano sulla loro infrastruttura marketing, dovevo capire dove mi stavo infilando. Non puoi costruire una strategia seria senza conoscere i punti deboli reputazionali. Inutile creare una potenza di fuoco pubblicitaria se non sai quali sono i buchi neri da sistemare prima. Meglio lavorare sui pain point, creare chiarezza, e poi costruire il resto.
La situazione di partenza dell’azienda vinicola
Il problema non era la mancanza di dati. Al contrario, ce n’erano troppi, sparsi dappertutto e mai analizzati in modo sistematico. Bilanci societari, vendite punto vendita, dati e-commerce, analytics web, insight social, commenti Google Business Profile, recensioni Vivino, conversazioni sui competitor. Una miniera d’oro sepolta sotto tonnellate di materiale grezzo.
Il metodo in 4 fasi per costruire un piano marketing data-driven
Fase 1: mappatura fonti e raccolta dati
Ho iniziato dalla parte più noiosa ma fondamentale, quindi dati di vendita dei punti vendita interni alle tenute, vendite a terzi (GDO, esportatori), e-commerce, ultimi due bilanci depositati. Poi la parte web e social analytics: insight di Meta, report GA4 e Google Search Console. Per capire il posizionamento organico, audit SEO completo con SeoZoom.
Fin qui, niente di rivoluzionario. Il lavoro standard di ogni analisi seria.
Fase 2: sentiment analysis e deep research
Qui cominciano le cose interessanti. Ho costruito un prompt specifico da esperto di sentiment analysis usando un GPT personalizzato di ChatGPT. L’ho usato per lanciare una deep research parallela su tre piattaforme: ChatGPT, Gemini e Perplexity.
Perché tre? Ogni LLM ha bias diversi e fonti diverse. ChatGPT è eccellente nella sintesi e nell’organizzazione delle informazioni, Perplexity mi dà razionalità e precisione nelle citazioni delle fonti, Gemini… beh, questa volta mi ha deluso, mi aspettavo di più essendo concepito da casa Google.
Ma attenzione.
Ho scaricato tutti i report e controllato ogni singola fonte manualmente. Spesso gli LLM pescavano informazioni che centravano poco o niente con il mio cliente o target. Altre volte mescolavano dati di aziende diverse dello stesso settore. Questo è il primo momento dove il pensiero critico umano fa la differenza, l’AI ti porta il materiale grezzo, tu devi saper riconoscere l’oro dalla sabbia.
Le fonti più solide le ho importate in NotebookLM, insieme ai link di tutti i prodotti dell’e-commerce. I report di sentiment li ho bonificati eliminando parti ripetitive e quelle basate su fonti poco attendibili.
Fase 3: scraping e analisi commenti reali
Questa è stata la parte più rivelatrice e tecnicamente più interessante. Con Apify (grazie a Massimo Giacchino per la scoperta) ho estratto:
- Tutti i commenti delle tenute su Google Business Profile
- Tutti i link dei post Instagram dell’azienda
- Per ogni post Instagram, tutti i commenti
Tutto scaricato in formato JSON. Perché JSON e non CSV? Perché è strutturato, leggero, e soprattutto non spreco token degli LLM con delimitatori, escape characters e altri problemi di parsing tipici dei CSV. JSON è la chiave per processare grandi volumi di dati testuali senza mandare in bancarotta il budget degli LLM.
Processare documenti pesanti con Gemini
Tutto ciò che ero costretto a scaricare in PDF o CSV lunghi (bilanci, audit SEO, dati di vendita) l’ho passato su Gemini. Perché Gemini? Perché ha la finestra di contesto più grande sul mercato. Ho creato prompt dove un “data analyst” incontrava un collega specializzato nell’obiettivo specifico.
Per i bilanci in PDF, il data analyst aveva davanti un revisore contabile senior che lo aiutava ad estrarre tutti i KPI importanti: EBITDA, indici di liquidità, reddito netto, struttura dei costi. Per l’audit SEO scaricato da SeoZoom, stesso approccio con un SEO specialist. Per i CSV delle vendite, ho estratto KPI come prezzo medio di vendita, prodotti più venduti, confronti pluriennali.
Risultato finale: un JSON pulito con dati sintetici aggregati, pronti per l’analisi strategica.
Analisi competitor con Apify
Ho usato Perplexity per identificare i cinque competitor principali, selezionandoli per segmento e terroir comparabile. Poi ho reiterato l’attività con Apify sui loro canali social per capire cosa i clienti apprezzano delle loro visite, dei prodotti, dell’esperienza complessiva attraverso i commenti.
Tutti questi JSON li ho importati in NotebookLM e ho cominciato a fare domande strategiche per fare analisi senza rischiare allucinazioni: dati demografici, comportamentali, interessi, pattern ricorrenti. Ogni nota generata me la salvavo. Ho anche sbobinato le registrazioni audio delle riunioni in presenza e su Teams, estraendo errori commessi in passato, punti di forza percepiti, aspettative del management.
Nota importante su compliance e igiene dati: tutto il materiale raccolto è stato anonimizzato e aggregato. Ho usato insight collettivi, non profiling individuale. Nessun dato personale è stato caricato su tool esterni senza necessità. Rispetto ToS delle piattaforme e policy aziendali del cliente. Non è sexy, ma evita rogne.
Fase 4: strategia e piano esecutivo
A questo punto avevo una montagna di dati puliti e verificati. Era il momento del mio turno, scrivere la visione strategica e il piano operativo. Questo passaggio non lo delego mai all’AI. È il momento dove il pensiero divergente umano fa la differenza.
Insight chiave: “L’AI ti porta il materiale grezzo, tu devi saper riconoscere l’oro dalla sabbia. Senza pensiero critico, costruisci strategie su fondamenta fragili.”
Il documento strategico scritto a mano (il cuore del metodo)
Questo è il cuore del metodo. Prima di dare qualsiasi input all’AI per la stesura finale, scrivo personalmente un documento strutturato così:
Step 1: brief di business
- Canali da includere (DTC, enoturismo, B2B)
- Obiettivi 12 mesi (numerici dove possibile)
- Vincoli (budget, risorse, timing)
Step 2: diagnosi
- Dove si fa margine e dove no
- Chi compra cosa e perché (segmentazione clienti)
- Dove perdiamo clienti nel funnel
- Percezione brand vs competitor
Step 3: scelte strategiche
- Posizionamento (in questo caso partivamo quasi da zero)
- Priorità canali con motivazione data-driven
- Focus prodotti (top, premium, entry)
- Scelte non negoziabili: cosa facciamo e cosa NON facciamo
Step 4: piano operativo 90/180/365 giorni
- Azioni per canale
- Budget e stima ritorni (anche a range)
- KPI e routine da tirar su
Questo documento è la bussola. L’AI può aiutare a sviluppare i capitoli, ma le scelte le fai tu.
Stesura finale con Claude
Solo dopo aver scritto questa base strategica, ho creato un progetto su Claude e caricato tutti i file: JSON generati da Apify e processati da Gemini, CSV puliti, pochi PDF (il mio documento strategico e l’esito delle deep research di ChatGPT e Perplexity bonificate), e il testo delle note generate da NotebookLM.
Perché Claude per la stesura finale? Perché ha la migliore capacità di scrittura e seguire istruzioni mantenendo coerenza su documenti lunghi. Ho costruito un prompt dove Claude agiva come head of marketing che doveva basarsi esclusivamente sui dati presenti nei documenti caricati, seguendo la linea contenutistica del mio documento strategico.
Nota tecnica: se modifichi gli allegati tra i file del progetto Claude, devi avviare una nuova chat dentro il progetto, altrimenti non carica la nuova risorsa. E ricorda sempre di dirgli esplicitamente “apri e leggi per bene tutti i file presenti nel progetto”, altrimenti è pigro e non lo fa.
Prima di generare i capitoli ho fatto un double check per verificare che avesse tutto il necessario. Già sapevo che mancava un dato importante, le marginalità su singoli prodotti. Il committente ha tergiversato a darmelo, così sono andato avanti comunque chiedendo di buttare giù un indice. Anche l’indice l’ho modellato, approvato e inserito nel prompt.
Con tutti i dati caricati ho raggiunto nemmeno il 30% della capacità di contesto di Claude. Dopo diverse ore di lavoro iterativo, il documento era completo e pronto per la revisione.
Gli errori dell’AI (e perché il controllo umano è fondamentale)
Ecco il punto cruciale, l’AI sbaglia. E sbaglia in modi subdoli se non la controlli (le cosiddette “allucinazioni”).
Errore più grave: durante le deep research con ChatGPT, Gemini e Perplexity, gli LLM hanno preso fonti che trattavano più aziende vinicole dello stesso territorio e mescolato i dati. Nel report finale c’erano informazioni che riguardavano competitor presentate come se fossero dell’azienda analizzata. Se non avessi controllato ogni fonte manualmente, avrei costruito una strategia su dati falsi.
Altro problema ricorrente: in alcuni report di deep research, interi periodi erano completamente sbagliati. Gli altri li ho dovuti validare manualmente, uno per uno. Questo ha richiesto tempo, ma è stato tempo ben speso, meglio due giorni in più di verifica che sei mesi di strategia su fondamenta fragili.
Questa è la differenza tra usare l’AI come acceleratore o come sostituto del pensiero, ho scelto di farle fare il lavoro pesante (scraping con Apify, estrazione dati con Gemini, sintesi iniziale con ChatGPT e Perplexity, aggregazione con NotebookLM, stesura con Claude) e poi ho validato tutto con occhio critico. L’AI non ha il contesto di business, non conosce le dinamiche del settore, non sa distinguere una fonte autorevole da una mediocre. Quello sei tu.
Attenzione agli errori comuni:
- Fonti mischiate: l’AI può confondere dati di competitor con quelli della tua azienda
- Periodi sbagliati: date e tempistiche vanno sempre verificate manualmente
- CSV vs JSON: usa JSON per dati testuali, risparmi token e riduci errori di parsing
- Context window: non tutti gli LLM sono uguali, scegli in base al tipo di documento
I tre insight strategici che hanno cambiato tutto
Dall’analisi sono emersi tre insight fondamentali che hanno guidato tutte le scelte successive:
1. Effetto wow vs pricing incoerente
L’azienda aveva un’ottima reputazione. I commenti estratti da Google Business Profile e Instagram con Apify parlavano tutti di un “effetto wow” appena si entrava nelle tenute: location curata, esperienza memorabile, personale preparato. Eppure possedevano due prodotti di punta il cui prezzo era stato abbassato negli anni. Un controsenso totale, se la percezione è premium, perché abbassare i prezzi? Questo ha guidato la strategia di riposizionamento verso l’alto.
2. Incongruenze qualitative tra annate
Con lo scraping dei commenti su Vivino ho scoperto che alcuni prodotti avevano avuto problemi di qualità in specifiche annate. Clienti fedeli segnalavano differenze evidenti tra una bottiglia e l’altra dello stesso vino. Questo ha fatto emergere un problema di controllo qualità in produzione che nessun report interno aveva mai evidenziato. Un pain point da risolvere prima di spingere sull’acquisizione.
3. Benchmark competitor: l’estetica conta
Analizzando i commenti sui competitor (sempre via Apify) nello stesso segmento e terroir, ho dato peso agli apprezzamenti per capire cosa piace davvero. Risultato? La bellezza della bottiglia veniva citata quasi quanto la qualità del vino. Nel settore premium, il packaging non è un dettaglio, è parte integrante dell’esperienza. Questo ha influenzato le raccomandazioni sul redesign delle etichette.
Sistemare casa prima di costruire
La mia raccomandazione strategica è stata chiara, prima di tutto “sistemare casa”. Risolvere i problemi reputazionali emersi dall’analisi dei commenti, bonificare la comunicazione delle etichette, lavorare su naming dove necessario, valorizzare le tenute come asset esperienziali (l’effetto wow esiste, va amplificato).
Poi il resto, costruire un sistema per possedere il proprio traffico (non fare campagne tanto per generare visite), valorizzare i clienti abituali con programmi di ambassador e referral, inserire cartoline personalizzate in ogni ordine e-commerce per trasformare transazioni in relazioni.
Tutto questo è emerso non perché l’AI lo ha suggerito, ma perché i dati raccolti e bonificati raccontavano una storia precisa. L’AI mi ha permesso di lavorare su scala in una settimana invece di un mese, ma la strategia l’ho costruita io.
Stack tecnologico e budget reale
Per trasparenza, ecco gli strumenti che ho utilizzato e il contesto economico reale:
Tool per analisi e dati
- SeoZoom per audit SEO completo
- Google Analytics 4 e Search Console per analytics web
- Meta Business Suite per insight organici social
- Apify per scraping massivo (commenti Google Business Profile, post e commenti Instagram, recensioni Vivino)
Tool AI utilizzati
- ChatGPT deep research e GPTs personalizzato per ottimizzare i prompt (non mio, preso dallo store)
- Gemini per processare PDF pesanti (bilanci) e CSV lunghi (vendite) grazie alla finestra di contesto ampia
- Perplexity per ricerca competitor e validazione fonti con citazioni precise
- NotebookLM per aggregazione di tutti gli insight e analisi strategica senza rischio allucinazioni (senza i video tutorial di Massimiliano Pioli non sarei mai riuscito a sfruttarlo al massimo)
- Claude con un Progetto configurato per stesura finale del piano marketing seguendo le mie linee guida strategiche (ho approfittato del momento 2X concesso durante le feste)
Budget incrementale: sotto i 100 euro
Principalmente su Apify per lo scraping. ChatGPT Plus, Gemini, Perplexity, Claude e SeoZoom erano già in abbonamento per altri progetti. Il vero investimento è stato il tempo di orchestrazione (architettura della soluzione, scelta del tool giusto per ogni fase) e la capacità di accesso ai dati aziendali.
Tempo investito: una settimana intensa di lavoro full-time. Senza AI? Probabilmente un mese, con il tempo maggiore speso sulla scrittura del documento e sui calcoli di matematica finanziaria per l’analisi dei bilanci.
Checklist: quando un piano è davvero pronto
Prima di consegnare qualsiasi piano al cliente o al team, verifico sempre questa checklist. È la mia “definition of done”:
- Obiettivi numerici a 12 mesi (fatturato, margine, traffico, conversion, ecc)
- Budget per canale (anche a range min/max se mancano dati storici)
- Roadmap 90/180/365 giorni con owner definiti per ogni macro-azione
- KPI di controllo e routine di misurazione (settimanale, mensile, trimestrale)
- Assunzioni scritte in modo esplicito (es. “assumiamo che il tasso di conversione e-commerce parta da X%”)
- Rischi identificati e piani di mitigazione (es. “se il cliente non fornisce marginalità prodotti, lavoreremo su fasce generiche”)
- Decisioni non negoziabili esplicitate (cosa facciamo e cosa NON facciamo)
Vuoi applicare questo metodo al tuo business? Contattami per una consulenza strategica
Quanto tempo serve davvero per costruire un piano marketing completo?
Con il metodo strutturato e gli strumenti giusti, una settimana di lavoro intenso full-time. Senza AI probabilmente un mese. La variabile non è l’AI, ma la tua capacità di orchestrare le fonti, validare i dati e costruire la visione strategica.
Quali sono gli strumenti AI migliori per fare marketing strategico?
Non esiste “lo strumento migliore”. Ogni AI ha un punto di forza specifico:
- ChatGPT: sintesi e organizzazione informazioni
- Perplexity: ricerca con citazioni precise delle fonti
- Gemini: processare documenti pesanti (finestra di contesto ampia)
- Claude: stesura documenti lunghi mantenendo coerenza
- NotebookLM: aggregazione insight senza rischio allucinazioni
La chiave è usare il tool giusto per ogni fase del processo.
L'AI può sostituire un consulente marketing nella creazione del piano?
No. L’AI può accelerare raccolta dati, analisi e stesura, ma le scelte strategiche rimangono umane. L’AI non ha contesto di business, non conosce dinamiche di settore, non sa distinguere fonti autorevoli da mediocri. È un acceleratore potente, non un sostituto del pensiero critico.
Quanto costa realmente fare un piano marketing con AI?
Nel mio caso, budget incrementale sotto i 100 euro (principalmente Apify per lo scraping). Gli altri tool (ChatGPT Plus, Gemini, Perplexity, Claude, SeoZoom) erano già in abbonamento. Il vero investimento è il tempo di orchestrazione e l’accesso ai dati aziendali.
Come si evitano le "allucinazioni" dell'AI nei dati strategici?
Quattro regole ferree:
Valida numeri e KPI con fonti primarie (bilanci, analytics, non report AI)
Verifica manuale di ogni fonte citata dall’AI
Cross-reference tra più LLM (ChatGPT, Gemini, Perplexity) per confrontare output
Usa JSON invece di CSV per dati strutturati (riduce errori di parsing)
Quali dati servono per costruire un piano marketing serio?
Dati di business: bilanci, vendite per canale, marginalità prodotti
Dati web: Google Analytics, Search Console, insight social
Sentiment: commenti Google Business Profile, recensioni, post social
Benchmark: analisi competitor (canali, prezzi, posizionamento) SEO: audit tecnico e posizionamento organico
Come si sceglie tra fare tutto internamente o delegare il piano marketing?
Dipende da tre fattori:
- Competenze interne: hai qualcuno che sa costruire strategia data-driven?
- Accesso ai dati: riesci a raccogliere e processare dati da fonti multiple?
- Tempo disponibile: hai una settimana full-time da dedicare?
Se manca uno di questi, meglio un consulente esterno con metodo replicabile.
Il metodo funziona solo per aziende vinicole o è replicabile?
È totalmente replicabile. Il framework (raccolta dati, sentiment analysis, scelte strategiche, roadmap operativa) vale per qualsiasi settore. Cambiano le fonti specifiche (per un SaaS userai dati diversi da una winery), ma la logica rimane identica.
Cosa significa "sistemare casa prima di costruire"?
Significa risolvere pain point reputazionali e operativi prima di investire in advertising. Se hai problemi di qualità prodotto, incongruenze di pricing o comunicazione confusa, spingere sull’acquisizione è buttare soldi. Prima sistemi le fondamenta, poi costruisci la macchina di acquisizione.
Quali sono i rischi principali usando AI per strategia marketing?
Fidarsi ciecamente degli output senza validazione
Mescolare dati di fonti diverse (es. competitor vs tua azienda)
Usare AI per decisioni strategiche invece che per accelerazione operativa
Non verificare compliance (GDPR, ToS piattaforme, policy aziendali)
Generare piani generici senza personalizzazione sul business specifico
Perché usare JSON invece di CSV per i dati testuali?
JSON è strutturato, leggero e non spreca token degli LLM con delimitatori, escape characters e problemi di parsing tipici dei CSV. Quando processi grandi volumi di commenti, recensioni o testi, JSON ti fa risparmiare budget e riduce gli errori di interpretazione dell’AI.
Come si costruisce un prompt efficace per sentiment analysis?
Ho usato un GPT personalizzato che agisce da esperto di sentiment analysis. Il prompt deve specificare:
- Obiettivo dell’analisi (es. “identificare pain point reputazionali”)
- Fonti da analizzare (commenti, recensioni, menzioni)
- Output desiderato (JSON strutturato con sentiment, temi ricorrenti, insight)
- Istruzioni per gestire ambiguità e fonte delle informazioni
Non usare prompt generici tipo “analizza questi commenti”. Sii specifico su cosa cerchi e in che formato vuoi il risultato.
l’AI accelera, tu guidi
Questo progetto mi ha confermato una convinzione, l’AI è uno strumento potente per chi sa cosa cercare e come validare quello che trova. È un amplificatore di capacità, non un sostituto.
Se hai un metodo solido e sai scegliere il tool giusto per ogni fase (Apify per scraping, Gemini per PDF pesanti, ChatGPT per sintesi, Perplexity per ricerca, NotebookLM per aggregazione, Claude per stesura), l’AI ti fa risparmiare settimane di lavoro manuale. Se non ce l’hai, ti porta fuori strada più velocemente di quanto immagini.
Il mio approccio è ingegneristico, quindi strutturare il problema, scomporre in fasi, scegliere lo strumento giusto per ogni fase in base alle sue caratteristiche tecniche (context window, capacità di reasoning, gestione dei formati, qualità delle fonti), validare ogni output prima di usarlo come input della fase successiva. L’AI entra in questo processo come un collaboratore efficiente ma inesperto quindi è necessario dargli compiti precisi, controllare il lavoro, e usare solo ciò che supera il tuo standard di qualità.
In un mondo dove tutti possono generare contenuti con un prompt, il vantaggio competitivo sta nella capacità di pensiero critico, nel metodo e nell’architettura della soluzione. L’AI può scrivere report, ma non sa quali domande fare. Può estrarre dati, ma non sa quali contano davvero. Può generare strategie, ma non sa quale funzionerà per quel business specifico.
Quella competenza rimane umana. E lo rimarrà ancora per un bel po’.