Previsione SEO

TL;DR — La previsione SEO consiste nell’usare i tuoi dati passati — traffico, posizionamenti, percentuali di clic — per stimare cosa la ricerca organica potrebbe portarti in futuro, e più o meno quando. È il numero che metti davanti a un capo o a un cliente per giustificare l’investimento in SEO. È una stima informata, non una promessa: nessuno può garantirti una quantità specifica di traffico.

Cos’è la previsione SEO

Una previsione risponde a una domanda: “Se investiamo in SEO ora, cosa dovremmo aspettarci, e quando?” Prendi i dati storici — quanto traffico organico hai ottenuto, per quali parole chiave ti posizioni, quanto spesso le persone cliccano — e li usi per proiettare in avanti.

La cosa importante da capire subito: una previsione è una migliore stima sotto un insieme di assunzioni, non una garanzia. Le previsioni del tempo dicono 70% di probabilità di pioggia; non promettono pioggia. La SEO è la stessa cosa. Chiunque garantisca che raggiungerai un numero specifico di traffico sta vendendo più di quanto la SEO possa fare.

Perché qualcuno lo fa

Soprattutto soldi e consenso. “Fidati, i posizionamenti arriveranno” non fa approvare un budget. Un CFO o un direttore marketing vuole un numero attorno a cui pianificare — traffico previsto, e idealmente ricavi previsti. Una previsione trasforma la SEO da una promessa vaga in qualcosa che assomiglia a qualsiasi altro investimento aziendale.

Ecco perché la previsione vive nel mondo enterprise/metriche. È il ponte tra “la SEO è buona per te” e “ecco il ritorno previsto, ecco la tempistica, ecco quanto costa.”

I due modi fondamentali per farlo

1. Guarda il tuo trend e estendilo. Se il tuo traffico è stato in crescita, proietta quella linea in avanti. Funziona quando hai già una storia su cui basarti. La versione più semplice è la funzione FORECAST in Google Sheets; la versione più elaborata usa un modello come Prophet (maggiori dettagli nella scheda Avanzate).
2. Somma le opportunità di parole chiave. Fai una lista di parole chiave per cui vuoi posizionarti, stima quante ricerche ricevono, stima quale quota di quei clic vinceresti in una data posizione, e somma il tutto. Funziona quando stai pianificando nuovi contenuti e non hai ancora una storia.

Le migliori previsioni usano un po’ di entrambi.

La grande trappola

I vecchi numeri di “percentuale di clic” sono sbagliati ora. Per anni la gente ha assunto che il risultato #1 su Google ottenga circa il 30% dei clic. Non è più vero per molte ricerche — gli AI Overviews (la risposta AI in cima a Google) e i risultati “zero-click” significano che molte meno persone cliccano. Se costruisci una previsione sul vecchio numero del 30%, sovrastimerai enormemente il tuo traffico.

La soluzione: usa i tuoi dati di clic da Google Search Console invece di medie settoriali generiche, e assumi percentuali di clic più basse per le ricerche informative dove Google mostra una risposta AI.

Come presentarlo

Evita cifre isolate. Mostra invece tre scenari — prudente, probabile e ottimistico — spiegando le rispettive ipotesi. Poi confronta periodicamente la previsione ai risultati reali (la verifica mensile è normalmente adeguata) e ricostruiscila, anziché limitarti a ritoccarla, quando salta qualche ipotesi fondamentale: cambiano i dati, interviene qualche aggiornamento core, i concorrenti compiono mosse importanti oppure peggiora l’accuratezza storica prevista.

Vuoi i metodi, le formule, i limiti dei dati, e come li costruisco davvero? Passa alla scheda Avanzate.

Il report sulle prestazioni standard di Search Console fornisce fino a 16 mesi di storia. Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report Bing ha anch’esso ampliato la cronologia delle prestazioni di ricerca di Webmaster Tools a 16 mesi in ottobre 2024 e ha indicato la previsione come caso d’uso. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

TL;DR — Il SEO forecasting utilizza dati storici di prima o terza parte (traffico, valore del traffico, CTR, volume di ricerca) per proiettare le prestazioni organiche future. Due metodi: statistico/basato sui trend (Prophet, SARIMA o FORECAST in Sheets sui tuoi dati) e basato sulle parole chiave (volume × CTR × conversione per nuovi obiettivi); combinali. Usa il CTR di prima parte di GSC per il tuo sito e strumenti di terze parti per competitor e dimensionamento delle opportunità — i loro volumi sono indicativi, non precisi. Costruisci una curva CTR specifica per il sito; i benchmark legacy “30% in posizione 1” sono superati da AI Overviews e zero-click. Presenta scenari conservativo/base/aggressivo con assunzioni esplicite — mai un singolo numero, mai una garanzia. Monitora i risultati effettivi rispetto alle previsioni mensilmente e ricostruisci quando le assunzioni vengono meno.

Cos’è realmente il forecasting

La mia definizione operativa: il SEO forecasting è un processo che utilizza dati storici per prevedere i futuri risultati SEO di un’azienda. Si basa su dati storici di prima o terza parte come traffico, valore del traffico, tasso di clic (CTR) e volume di ricerca. Il risultato è un modello probabilistico, non una garanzia — una bussola, non un GPS. Indica la direzione probabile e l’ordine di grandezza approssimativo date le ipotesi dichiarate, e perde validità quando tali ipotesi cambiano.

Il motivo per cui conta in modo sproporzionato a livello enterprise è il budget. “Fidati, le posizioni arriveranno” non viene finanziato. La SEO compete con i media a pagamento e con il personale per le stesse risorse e deve parlare lo stesso linguaggio del ROI. La dinamica è ben documentata: una larga parte dei leader di marketing afferma che i loro budget sono inferiori ai loro obiettivi, e gran parte di quel divario risale al fatto che la leadership non è convinta dei ritorni della SEO. I leader che possono prevedere in modo credibile l’impatto finanziario delle loro iniziative sono quelli che tendono a ottenere aumenti di budget — motivo per cui la prima previsione è spesso tanto uno strumento di vendita quanto uno strumento di pianificazione.

Definisci il contratto di previsione prima di modellare qualsiasi cosa

Prima di scegliere un metodo, scrivi a cosa deve realmente rispondere la previsione — altrimenti costruisci qualcosa di tecnicamente corretto che risponde alla domanda sbagliata:

• Obiettivo e ambito — la metrica esatta (sessioni organiche, clic non-brand, ricavi pipeline), per quale proprietà, sezione o segmento.
• Granularità temporale e orizzonte — giornaliero, settimanale o mensile; proiettato fino a quanto in là.
• Data di cutoff — l’ultima data di storia che il modello ha effettivamente visto. Scrivila così la previsione è riproducibile in seguito, e così sai esattamente contro cosa viene misurato un “superamento” o un “mancato raggiungimento”.
• Baseline vs. intervento — cosa succede se non cambi nulla, rispetto al miglioramento incrementale che rivendichi da un’iniziativa specifica. Non lasciare che una linea di tendenza estesa in avanti si spacci per l’effetto di un lavoro che non hai ancora iniziato.
• Esclusioni — cosa viene deliberatamente escluso (una migrazione nota, una campagna in pausa, un outlier stagionale che non stai cercando di modellare).
• Responsabile e decisione — chi è responsabile del numero, e quale decisione è realmente destinato a supportare (una richiesta di budget, un caso per il personale, un go/no-go).

Se salti questo passaggio, ti ritrovi a fare debug di un modello quando il vero problema è che nessuno ha concordato su cosa dovesse rispondere.

I due metodi principali

Il forecasting statistico / basato sui trend esegue un modello di serie temporali sui tuoi dati storici di traffico e proietta la traiettoria in avanti. Cattura trend e stagionalità dal comportamento osservato. Ho usato il modello Prophet di Meta per questo — gestisce stagionalità annuale, settimanale e giornaliera più effetti festivi, ed è accessibile tramite Python o R. Ci sono molte alternative: SARIMA offre più rigore statistico con una curva di apprendimento più ripida, e per esigenze più semplici la funzione FORECAST in Google Sheets (regressione lineare), lo smoothing esponenziale, o una media mobile semplice possono bastare. Usa questo metodo quando hai una storia utilizzabile (idealmente 18–24 mesi) e vuoi prevedere la traiettoria complessiva del sito o della sezione.

La previsione basata sulle parole chiave è bottom-up: partendo da una lista di parole chiave target, stima search volume × expected CTR × conversion rate. Usala quando stai pianificando nuovi contenuti e non hai traffico storico a cui ancorarti — un sito nuovo, una baseline post-migrazione, o un cluster di contenuti che non hai ancora costruito. È meno ancorata al comportamento osservato, che è esattamente il motivo per cui è lo strumento giusto quando non c’è comportamento da osservare.

Le previsioni più credibili combinano entrambi: un trend statistico per ciò che già hai, più una stima delle opportunità basata sulle parole chiave per ciò che costruirai.

Dati di prima parte vs. dati di terze parti

Questa distinzione determina quanto fidarti dei tuoi input:

• I dati di prima parte (GSC / GA4) sono autorevoli per il tuo sito. Se vuoi una stima accurata per il tuo sito web o la tua pagina, questi sono assolutamente i migliori dati da usare. GSC ti fornisce un CTR reale e specifico per posizione — che supera qualsiasi curva media di settore.
• I dati di terze parti (Ahrefs, Semrush) sono come prevedi i concorrenti. L’unico modo per ottenere dati sui tuoi concorrenti è tramite fonti di terze parti. Inoltre, dimensionano le parole chiave per cui non sei ancora in classifica. I dati di terze parti forniscono pattern e trend di previsione, ma mancano della granularità giornaliera delle tue analisi, e strumenti diversi riportano volumi diversi per la stessa parola chiave. Tratta il volume come relativo, non assoluto — input direzionale per la stima delle opportunità, non un moltiplicatore preciso.

Le mie previsioni sui concorrenti (traffico futuro, valore del traffico e traffico a livello di pagina, inclusa la performance attraverso gli aggiornamenti principali) si basano su esportazioni CSV di ricerca organica di Ahrefs Site Explorer inserite in un modello Prophet.

Il problema del CTR — perché i benchmark legacy rompono le previsioni

Questa è la singola cosa più grande che sta rompendo le previsioni in questo momento. La vecchia assunzione — la posizione 1 ottiene circa il 27–34% dei clic — era approssimativamente vera prima del 2020. Non lo è più.

Lo studio di Ahrefs su 300 000 parole chiave ha rilevato che tra dicembre 2023 e dicembre 2025, il CTR in posizione 1 per query con un AI Overview è sceso dal 7,3% a circa 1,6%. Anche per query informative pulite senza AI Overview, il CTR è sceso dal 7,6% al 3,9% nello stesso periodo. Uno studio separato di Seer Interactive che misura il CTR aggregato su tutte le posizioni (piuttosto che la posizione 1) ha trovato lo stesso crollo da un’angolazione diversa — CTR organico su query AIO in calo di circa il 61% — la cifra che uso nel pezzo SEO enterprise ROI. Separatamente, circa il 60% delle ricerche Google ora termina senza alcun clic (Sparktoro/Datos). Inserisci un CTR del 30% in una previsione 2026 e sovrastimerai enormemente il traffico previsto per le query informative.

Le soluzioni:

• Costruisci una curva CTR specifica per il sito da GSC invece di usare qualsiasi tabella di settore generica. La tua curva reale è nei tuoi dati di performance.
• Riduci il CTR per intento informativo del 20–40% ovunque siano presenti AI Overview. Una curva CTR piatta su tutti i tipi di query non è più un input valido.
• Tratta la visibilità AI come una metrica a sé. La quota di voce nelle risposte AI è sempre più una voce separata dai clic organici, non un sostituto.

Passo dopo passo: come ne costruisco una

1. Definisci l’ambito — a livello di sito, di cluster o di pagina. Non fare previsioni su “tutto” quando la decisione riguarda solo una sezione.
2. Raccogli e pulisci i dati storici — GSC + GA4, 18–24 mesi ideali; terze parti per la visione competitiva.
3. Rimuovi il traffico di marca per isolare le prestazioni realmente guidate dalla SEO e non di marca — altrimenti la domanda di marca gonfia la previsione.
4. Costruisci una curva CTR personalizzata da GSC, non medie di settore.
5. Adatta il modello alle funzionalità SERP — AI Overviews, featured snippet e annunci nella parte visibile senza scorrimento riducono tutti i clic.
6. Modella la stagionalità — Google Trends e modelli anno su anno. Retail/B2C ha evidenti oscillazioni stagionali; il B2B tende a seguire i cicli di budget del Q4.
7. Applica i moltiplicatori di conversione e ricavo — tasso di conversione × AOV (o CLV) trasforma il traffico in denaro, che è il numero che viene effettivamente finanziato.
8. Costruisci tre scenari — conservativo, base, aggressivo — ciascuno con ipotesi esplicite associate.
9. Fai un back-test — riadatta il modello a pochi cutoff passati nella tua storia, prevedi lo stesso orizzonte che intendi usare dal vivo e confronta con i dati reali che hai già prima di fidarti dell’intervallo che stai per presentare.
10. Presenta l’intervallo come tre cose distinte — stima puntuale, intervallo del modello e scenari con ipotesi esplicite — non iniziare mai con un singolo numero, e non lasciare mai che nessuno dei tre prenda in prestito una probabilità calibrata che non ha.
11. Imposta una cadenza di revisione e scrivi i trigger di ricostruzione — mensile è un default ragionevole, ma il trigger per una ricostruzione è un cambiamento nei dati, una rottura strutturale, una soglia di errore del back-test o un cambiamento nella decisione — non solo il calendario.

Un esempio pratico — un cluster, dall’inizio alla fine

I passaggi sono astratti finché non ci fai girare i numeri. Diciamo che stai facendo una previsione per un nuovo cluster di confronto di 40 pagine per un sito SaaS B2B, bottom-up:

• Dimensione dell’opportunità: le parole chiave target portano circa 50 000 ricerche mensili combinate (una stima di terze parti, trattata come indicativa, non esatta).
• CTR: la maggior parte sono informative con AI Overviews presenti, quindi invece di un legacy 30% tiri fuori la tua curva GSC e arrivi a un ~4% combinato per le posizioni che realisticamente prevedi di mantenere nel primo anno.
• Traffico: 50 000 × 4% = 2 000 visite organiche/mese a maturità.
• Conversione: con un tasso di visita→lead del 2% e un tasso di lead→opportunità del 20%, 2 000 × 2% × 20% = 8 opportunità/mese.
• Ricavo: con un valore medio per contratto di 15 000 USD e un tasso di chiusura del 25%, 8 × 25% × 15 000 USD = 30 000 USD/mese di ricavi generati dalla pipeline a maturità.

Poi non presenti quei 30K come il numero. Lo avvolgi in scenari: conservativo assume un CTR combinato del 3% e una rampa più lenta (~18K USD/mese entro il mese 12); base è il 30K sopra; aggressivo assume un CTR del 5% e un ranking più veloce (~40K USD/mese). Ciascuno porta le sue ipotesi esplicite. La banda di confidenza statistica del tuo modello di trend — l’intervallo dell’80% di Prophet, per esempio — è da cui quei tre scenari sono tratti, non un numero separato e concorrente: la banda ti dà la dispersione, gli scenari danno alla leadership qualcosa su cui pianificare. (È la stessa traduzione da banda di confidenza a scenari che uso nel articolo sulle metriche SEO enterprise.) Queste sono tre cose diverse e vale la pena essere precisi su quale stai mostrando: una stima puntuale è un singolo numero; un intervallo di previsione è un intervallo calcolato dal modello con le sue assunzioni incorporate; uno scenario è un insieme scelto manualmente di ipotesi esplicite. Nessuno dei tre è una probabilità calibrata — “conservativo/base/aggressivo” non significa probabilità del 10%/50%/90% a meno che tu non abbia effettivamente validato questo — quindi non lasciare che un intervallo di scenario prenda in prestito l’autorità di un intervallo statisticamente derivato, o viceversa.

Metti alla prova le ipotesi che possono ribaltare la decisione

Un intervallo di scenari ripaga solo se sai quale input sposta davvero il risultato abbastanza da cambiare la decisione. Prendi l’esempio pratico qui sopra e varia un input alla volta — CTR, tasso lead→opportunità, tasso di chiusura — su un intervallo plausibile mantenendo fissi gli altri, poi osserva cosa succede ai ricavi al 12° mese.

In questo cluster, il CTR provoca l’errore maggiore quando è sbagliato: le visite crescono direttamente con i clic, quindi l’errore si propaga in ogni passaggio successivo (lead, opportunità, ricavi), come mostra già la differenza tra scenario conservativo e aggressivo. Anche il tasso di chiusura e quello da lead a opportunità incidono sul risultato, ma sono dati di competenza commerciale che di solito puoi ricavare dalla cronologia del CRM con maggiore affidabilità rispetto al futuro CTR di una pagina non ancora costruita.

Il risultato di un’analisi di sensibilità non è un grafico più elaborato, ma un elenco breve: «se X si rivela sbagliato, il valore cambia pressappoco così, ed ecco come gestiremo il rischio prima della presentazione». In questo modo chi decide capisce da quale ipotesi dipende davvero la raccomandazione, invece di vedere tre numeri ugualmente arbitrari.

Previsioni per ottenere il consenso aziendale

Alcuni modi di presentarla funzionano particolarmente bene con il team finanziario e la dirigenza:

• Traduci tutto in denaro. I dirigenti pensano in termini di ricavi, pipeline e CAC — non sessioni e posizionamenti. Equipara le metriche SEO al denaro.
• Inquadramento TAM. Stima la domanda di ricerca totale indirizzabile per la tua categoria (potential market × competitive position), poi posiziona i guadagni incrementali — 10%, 20% del TAM — invece di affermare che ti classificherai al #1 per tutto. I team I team finanziari si aspettano un passaggio di dimensionamento del mercato che la maggior parte dei SEO salta.
• Share of Traffic Value (SoTV). Questo è il mio KPI preferito per i dirigenti — fa avanzare la share of voice monetizzando il confronto del traffico, così il consiglio di amministrazione vede la posizione competitiva in termini economici.
• Confronta con una traiettoria, non con zero. La previsione più persuasiva mostra dove sarai rispetto a dove sta andando un concorrente, e il divario tra il tuo percorso attuale e l’obiettivo dichiarato dell’organizzazione.

Limiti — dillo ad alta voce

Sono esplicito su questo in ogni previsione: le previsioni portano sempre incertezza perché i cambiamenti avvengono continuamente. Tu o i tuoi concorrenti potete modificare il sito web, cambiare strategia o fare investimenti aggiuntivi, e il modello non può vedere nulla di tutto ciò in anticipo.

E resisti all’impulso di sovra-ingegnerizzare. Previsioni più complesse richiedono più tempo e impegno e non sono necessariamente migliori — la maggior parte delle volte il ROI di costruire una previsione complessa non c’è. Una linea di tendenza pulita o un modello Prophet su 18 mesi di dati GSC batteranno un foglio di calcolo elaborato basato su assunzioni traballanti. L’obiettivo è una stima direzionale difendibile, non una falsa precisione.

Mantenerlo vivo

Una previsione è un documento vivo, non un risultato da consegnare una volta sola — ma non esiste una cadenza unica che si adatti a ogni programma. Rivedi abbastanza spesso da cogliere la deriva prima che la decisione che supporta diventi obsoleta; mensile è un default ragionevole per la maggior parte dei programmi enterprise, più stretto se l’orizzonte è breve o la posta in gioco è alta. Ciò che innesca davvero una ricostruzione (non solo una ricalibrazione) è uno di:

• i dati sono cambiati — un’interruzione del tracciamento, un cambio di proprietà GSC/GA4, una ridefinizione di ciò che conta come conversione;
• è successo qualcosa di strutturale — un aggiornamento core di Google, una mossa importante di un concorrente, un rollout di AI Overview sulle tue query chiave, una migrazione del sito;
• l’errore del modello stesso ha superato una soglia che hai impostato in anticipo — se la copertura o l’errore backtestato è ora peggiore di quello che hai validato, l’intervallo che stai presentando non è più onesto; oppure
• la decisione che supporta è cambiata — tempi diversi, ambito diverso, stakeholder diversi.

L’orizzonte affidabile è di circa 3–12 mesi; oltre i 12, tratta la previsione come un piano direzionale piuttosto che una previsione precisa al mese.

Una disciplina correlata vive accanto: collegare queste proiezioni alle metriche e agli obiettivi su cui riporti effettivamente, e agli obiettivi che imposti rispetto ad esse.

Il report sulle prestazioni standard di Search Console espone fino a 16 mesi di cronologia. Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report Bing ha ampliato la cronologia delle prestazioni di ricerca da sei a 16 mesi nell’ottobre 2024 nominando esplicitamente una previsione più accurata come caso d’uso. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

Entrambe le principali piattaforme webmaster di prima parte ora espongono finestre di prestazioni standard di 16 mesi: Search Console documenta fino a 16 mesi, Evidence for this claim Search Console's performance report provides up to 16 months of data. Scope: The standard Search Console performance-report window; retained bulk-export data can extend an organization's own history after export is configured. Confidence: high · Verified: 2026-07-14 Google Search Console Help: Performance report e Bing ha ampliato la sua cronologia a 16 mesi nell’ottobre 2024 nominando la previsione come caso d’uso. Evidence for this claim Bing expanded Webmaster Tools Search Performance history from six months to 16 months in October 2024 and explicitly described forecasting as a use case. Scope: Bing Webmaster Tools' Search Performance history; it does not validate a particular forecasting method or guarantee forecast accuracy. Confidence: high · Verified: 2026-07-14 Bing Webmaster Blog: Search Performance data extended to 16 months

Riepilogo AI

Una sintesi della versione Advanced:

• La previsione SEO = proiettare il traffico organico/le conversioni/i ricavi futuri dai dati storici (traffico, valore del traffico, CTR, volume di ricerca). È un modello probabilistico sotto assunzioni dichiarate — una bussola, non un GPS — usato principalmente per giustificare il budget e ottenere l’approvazione esecutiva.
• Fissa prima il contratto: metrica e ambito target, granularità temporale, orizzonte, cutoff dei dati, baseline vs. intervento pianificato, esclusioni, proprietario e la decisione che supporta — prima di scegliere un metodo.
• Due metodi: statistico/basato sulle tendenze (Prophet, SARIMA o Sheets FORECAST sui tuoi dati) e basato sulle parole chiave (volume × CTR × conversione per nuovi target). Combinali.
• Fonti di dati: GSC/GA4 sono autorevoli per il tuo sito (CTR reale specifico del sito); gli strumenti di terze parti (Ahrefs, Semrush) sono per i concorrenti e la dimensione delle opportunità — i loro volumi sono indicativi, non precisi.
• Il problema del CTR: i benchmark legacy “~30% alla posizione 1” sono rotti. Il CTR alla posizione 1 per le query con AI Overviews è sceso a ~1,6%; ~60% delle ricerche sono zero-click. Costruisci una curva CTR specifica del sito da GSC e aggiusta il CTR informativo verso il basso del 20–40% dove appaiono le AI Overviews.
• Limiti dei dati: GSC conserva 16 mesi; Bing Webmaster Tools esteso a 16 mesi (ott 2024). Esporta proattivamente (BigQuery per una cronologia più lunga).
• Processo: definisci l’ambito → pulisci i dati → rimuovi il traffico di marca → curva CTR personalizzata → aggiusta per le funzionalità SERP → modella la stagionalità → applica conversione/ricavi → costruisci scenari conservativo/base/aggressivo → back-test ai cutoff passati → presenta l’intervallo come tre cose etichettate (stima puntuale, intervallo del modello, scenario) → imposta una cadenza e trigger di ricostruzione.
• Controllo di sensibilità: varia un input alla volta per trovare quale ribalta la decisione — quella è l’assunzione che vale la pena ricercare o coprire, non le altre.
• Inquadramenti aziendali: traduci in denaro, usa la dimensione TAM, riporta la Share of Traffic Value, confronta con le traiettorie dei concorrenti.
• Regole: non garantire mai un numero (“Nessuno può garantirti traffico” — Mueller); non sovra-ingegnerizzare (complesso ≠ migliore); tratta la previsione come un documento vivo, affidabile ~3–12 mesi in avanti.

Documentazione ufficiale

Non esiste una metodologia ufficiale di Google o Bing per la previsione SEO — nessuno dei due pubblica una guida o un modello di previsione. Quello che pubblicano è il dato di verità di base e i vincoli entro cui prevedi.

Google

• Conservazione dei dati di Search Console (16 mesi) — i dati sulle prestazioni vengono conservati per 16 mesi e poi eliminati definitivamente; esporta prima che la finestra si chiuda.
• Guida approfondita su come funziona la Ricerca Google — Google posiziona Search Console come la fonte autorevole per come il tuo sito appare nella Ricerca, motivo per cui il CTR di GSC supera le stime di terze parti.
• Google Trends — lo strumento di Google per l’input di stagionalità di cui ogni previsione ha bisogno.
• Esportazione bulk dei dati BigQuery per Search Console — l’unico modo per estendere la cronologia di GSC oltre la finestra mobile di 16 mesi.

Bing / Microsoft

• Bing Webmaster Tools Estende i Dati sulle Performance di Ricerca a 16 Mesi — Fabrice Canel & Krishna Madhavan (16 ott 2024); Bing ha ampliato la finestra delle performance di ricerca da 6 a 16 mesi esplicitamente per supportare “previsioni più accurate”.
• Bing Webmaster Tools — Report sulle Performance di Ricerca — impressioni, clic, CTR e posizionamenti medi, i dati rilevanti per le previsioni che Bing espone.

Citazioni dalla fonte

Dichiarazioni ufficiali dei rappresentanti dei motori di ricerca rilevanti per le previsioni e i limiti di ciò che chiunque può promettere.

Google — nessuna garanzia

• “Nobody can guarantee you traffic, sorry.” (traduzione) «Nessuno può garantirti traffico, scusa.» — John Mueller, Google Search Advocate (pubblicato su X, 25 gennaio 2024, rispondendo a se un cambiamento tecnico avrebbe prodotto guadagni di traffico misurabili). Questa è la frase che metterei sulla copertina di ogni previsione: è una stima, non un contratto. Vai alla citazione

Bing / Microsoft — dati per le previsioni

• “With 16 months of data in Bing Webmaster Tools, you can identify long-term patterns previously hidden, allowing for more accurate forecasting and strategy development.” (traduzione) «Con 16 mesi di dati in Bing Webmaster Tools, puoi identificare modelli a lungo termine precedentemente nascosti, consentendo previsioni più accurate e sviluppo di strategie.» — Fabrice Canel & Krishna Madhavan, Principal PM, Microsoft Bing (16 ottobre 2024). Bing inquadra la finestra estesa esplicitamente attorno a modelli stagionali, performance delle campagne passate e tendenze estese. Vai alla citazione

Checklist per la costruzione delle previsioni

Un passaggio da eseguire prima di mettere una previsione davanti a chiunque:

• L’ambito è definito e corrisponde alla decisione (sito / cluster / pagina) — non “tutto il traffico” quando la richiesta riguarda una sezione.
• 18–24 mesi di cronologia GSC + GA4 estratti (o quanto esiste), esportati prima che la finestra di conservazione di 16 mesi li cancelli.
• Traffico di marca identificato e rimosso così che la previsione isoli le performance SEO-driven, non di marca.
• Curva CTR costruita dai tuoi dati GSC, non da una tabella di medie di settore.
• CTR ridotto per le funzionalità SERP — AI Overviews, featured snippets, annunci — specialmente su query con intento informativo.
• Stagionalità modellata da Google Trends e modelli anno su anno.
• Volume di terze parti trattato come direzionale/relativo, non come un moltiplicatore preciso.
• Traffico convertito in denaro tramite tasso di conversione × AOV (o CLV).
• Tre scenari costruiti (conservativo / base / aggressivo), ciascuno con assunzioni nominate scritte.
• L’input che capovolgerebbe la decisione se fosse sbagliato è identificato (un passaggio di sensibilità, non solo tre scenari paralleli).
• Modello testato retroattivamente su cutoff passati contro i dati reali prima che l’intervallo sia considerato affidabile.
• Il risultato è un intervallo con margini di confidenza, non un singolo numero — e stima puntuale, intervallo del modello e scenario sono etichettati come tre cose diverse, nessuna una probabilità calibrata.
• Nessun linguaggio in alcun punto implica una garanzia.
• Una cadenza di revisione è pianificata (mensile è un default ragionevole) e i trigger di ricostruzione — cambiamento dei dati, rottura strutturale, soglia di errore del modello, cambiamento di decisione — sono scritti in anticipo.

I modelli mentali

1. Bussola, non GPS. Una previsione dà direzione e ordine di grandezza approssimativo sotto assunzioni dichiarate — non una promessa passo-passo. Ogni conclusione che trai dovrebbe sopravvivere alla domanda “e su quale assunzione si basa?”

2. Due metodi, una previsione combinata. Statistico/basato sui trend per ciò che hai (proietta la storia in avanti); basato sulle parole chiave per ciò che costruirai (volume × CTR × conversione). In caso di dubbio, esegui entrambi e riconciliali.

3. Dati proprietari per te, dati di terze parti per loro. GSC/GA4 è autorevole per il CTR e il trend del tuo sito. Gli strumenti di terze parti sono per le previsioni sui competitor e per dimensionare le parole chiave per cui non sei ancora in classifica — direzionali, relativi, mai precisi.

4. Scaletta di scenari. Conservativo / base / aggressivo, ciascuno con assunzioni esplicite e nominate. La finanza non cancella la pianificazione del budget perché i mercati sono imprevedibili; modella scenari. Fai lo stesso — una stima direzionale con assunzioni nominate è meglio di nessuna stima. Uno scenario è un insieme scelto di assunzioni, non una probabilità calibrata — tienilo etichettato come tale, separato dall’intervallo del modello stesso.

5. TAM → quota → ricavi. Potential market × competitive position = TAM. Posiziona i guadagni incrementali di quota (10%, 20%) piuttosto che il dominio totale, poi esegui quota → traffico → conversioni → ricavi. Questa è la catena che la finanza si aspetta di vedere.

6. Analisi di sensibilità prima di presentare. Varia un input alla volta in un intervallo plausibile e osserva quale ribalta la decisione. Quella è l’assunzione che vale la pena ricercare, testare o coprire — le altre non valgono la pena di discuterne.

7. Back-test prima di fidarti. Riadatta a cutoff passati, prevedi in avanti, confronta con i dati effettivi che hai già. La complessità del modello deve essere guadagnata con l’accuratezza fuori campione, non assunta.

8. Il documento vivo. Costruisci → presenta un intervallo → rivedi con una cadenza fissa (mensile è un default ragionevole) → ricostruisci su un trigger: i dati sono cambiati, qualcosa di strutturale è successo, l’errore del back-test ha superato la soglia, o la decisione è cambiata. Orizzonte affidabile: ~3–12 mesi.

Previsione SEO — cheat sheet

Scegli un metodo

Verifica della realtà del CTR (non usare i vecchi numeri)

→ Costruisci il CTR dai tuoi dati GSC; riduci il CTR informativo del 20–40% dove compaiono le AI Overview.

Vincoli sui dati

• Conservazione GSC: 16 mesi, poi eliminati — esporta in modo proattivo; esportazione BigQuery per una storia più lunga.
• Bing Webmaster Tools: 16 mesi (esteso da 6, ott 2024).
• Volumi di terze parti: direzionali, non precisi — solo confronto relativo.

Gli aspetti non negoziabili

• Fissa il contratto di previsione (obiettivo, ambito, granularità, orizzonte, cutoff, baseline vs. intervento, proprietario, decisione) prima di scegliere il metodo.
• Rimuovi il traffico brandizzato prima di fare previsioni sulla SEO non brand.
• Presenta tre elementi etichettati — stima puntuale, intervallo fornito dal modello, scenario — mai cifre isolate prive di etichetta.
• Esegui un’analisi di sensibilità per trovare l’input che potrebbe ribaltare la decisione.
• Fai il back-test sui cutoff passati prima di fidarti dell’intervallo.
• Non garantire mai cifre — “Nessuno può garantirti traffico” (Mueller).
• Complesso ≠ migliore; raramente vale la pena sovra-ingegnerizzare le previsioni.
• La previsione è documento vivo — rivedila secondo cadenza fissa (mensile è normalmente adeguata) e ricostruiscila al verificarsi di trigger definiti, non soltanto in date prestabilite.

Una previsione basata su parole chiave in Google Sheets

Per nuovi contenuti senza storico, la formula bottom-up è volume × expected CTR × conversion rate. In un foglio di calcolo, con il volume di ricerca in B, il CTR per posizione target in C e il tasso di conversione in D:

Estimated clicks:       =B2 * C2
Estimated conversions:  =B2 * C2 * D2
Estimated revenue:      =B2 * C2 * D2 * AOV

Prendi i tuoi valori di CTR per posizione (C) dai tuoi dati GSC, non da una tabella di settore — e riducili per le query informative dove compaiono gli AI Overview.

Una previsione di tendenza dal tuo storico

Quando hai uno storico, la proiezione più semplice è la regressione lineare con la funzione integrata FORECAST — i mesi storici nella colonna A, il traffico in B:

=FORECAST(next_month_date, B2:B25, A2:A25)

Questa è una linea retta. Ignora la stagionalità, quindi fidatene solo per orizzonti brevi e stabili. Per stagionalità ed effetti festivi, passa a un modello di serie temporali — io uso Prophet di Meta (gratuito, open source, accessibile via Python o R), alimentato da un export CSV di ricerca organica di Ahrefs Site Explorer. Un’esecuzione minima di Prophet in un notebook:

import pandas as pd
from prophet import Prophet

# df must have two columns: ds (date), y (traffic)
df = pd.read_csv("organic_traffic.csv")

m = Prophet(yearly_seasonality=True, weekly_seasonality=True)
m.fit(df)

future = m.make_future_dataframe(periods=365)   # one year forward
forecast = m.predict(future)
# yhat_lower / yhat_upper give you the confidence band — present THAT, not yhat alone
forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail()

La banda yhat_lower/yhat_upper è il punto centrale: è il tuo intervallo. Non riportare yhat come un singolo numero. Prophet è un’opzione — SARIMA è un’alternativa più rigorosa con una curva di apprendimento più ripida. E ricorda: un modello complesso non è automaticamente migliore.

Valida prima di fidarti

Non prendere un fit per fede. Il modulo di diagnostica di Prophet simula previsioni storiche: riadatta il modello ai cutoff all’interno del tuo storico, prevede in avanti lo stesso orizzonte che intendi usare in produzione e confronta quella previsione solo con i dati reali avvenuti dopo il cutoff — mai con dati che il modello poteva già vedere.

from prophet.diagnostics import cross_validation, performance_metrics

df_cv = cross_validation(m, initial="730 days", period="90 days", horizon="90 days")
df_p = performance_metrics(df_cv)
df_p[["horizon", "mae", "mape", "coverage"]].tail()

coverage ti dice se il tuo intervallo dichiarato ha effettivamente contenuto quella quota di risultati reali storicamente — se non lo fa, l’intervallo è mal calibrato e l’intervallo che stai per consegnare a uno stakeholder non è onesto quanto sembra. Un modello che non è mai stato verificato in questo modo è una supposizione con un grafico attorno.

Strumenti per la previsione SEO

Dati di prima parte (autorevoli per il tuo sito)

• Google Search Console — CTR reale, specifico per sito e posizione, più lo storico autorevole delle prestazioni (finestra di 16 mesi; esporta in modo proattivo).
• GA4 — comportamento on-site, tassi di conversione e ricavi per trasformare il traffico in denaro.
• BigQuery (esportazione bulk GSC) — l’unico modo per conservare lo storico oltre i 16 mesi.

Competitivo / dimensionamento delle opportunità (terze parti)

• Ahrefs Site Explorer — stime di traffico e valore del traffico dei competitor, export CSV di ricerca organica per modelli di tendenza e analisi del gap di parole chiave per il dimensionamento delle opportunità.
• Semrush e simili — stime di volume alternative; ricorda che strumenti diversi non concordano, quindi tratta i volumi come relativi.

Stagionalità

• Google Trends — quando la domanda raggiunge picchi e minimi durante l’anno.

Modellazione

• Meta Prophet (gratuito, open source; Python/R) — il mio modello di serie temporali di riferimento; gestisce stagionalità ed effetti festivi.
• SARIMA — più rigore statistico, curva più ripida.
• Google Sheets FORECAST / smoothing esponenziale / medie mobili — quando ti serve solo una linea direzionale rapida.

Piattaforma / reporting

• Le suite aziendali di previsione e reporting (es. SEOmonitor, BrightEdge, seoClarity) e gli strumenti di reporting per agenzie (es. AgencyAnalytics, Advanced Web Ranking) integrano le previsioni nei dashboard — comodi, ma validi solo quanto le ipotesi di CTR e volume su cui si basano.

Errori di previsione che creano falsa fiducia

Pubblicare un unico numero preciso

Perché fallisce: Una stima puntuale nasconde l’incertezza nei ranking, nel CTR, nella stagionalità, nelle conversioni, nei concorrenti e nei cambiamenti degli algoritmi. Gli stakeholder ricordano il numero e dimenticano le ipotesi.

Fai invece così: Presenta scenari conservativi, base e aggressivi con le ipotesi che li generano. Usa l’intervallo del modello per definire l’ampiezza, non come decorazione attorno a un risultato promesso.

Applicare una curva CTR generica a ogni query

Perché fallisce: Il CTR varia in base a sito, posizione, intento, dispositivo e funzionalità SERP. I benchmark legacy per la prima posizione sono particolarmente fuorvianti per le query con AI Overview o altre risposte zero-click.

Fai invece così: Costruisci una curva specifica per il sito dai dati GSC e segmentala dove la SERP o l’intento cambiano materialmente il comportamento di click.

Mescolare la domanda di marca nel caso di crescita SEO

Perché fallisce: Le ricerche di marca possono riflettere la domanda creata da altri canali e gonfiare la baseline o il guadagno previsto attribuito alla SEO.

Fai invece così: Separa le serie storiche di marca e non di marca prima di adattare il modello, poi indica quale linea l’investimento dovrebbe influenzare.

Trattare i volumi di terze parti come verità assoluta

Perché fallisce: Gli strumenti esterni stimano concorrenti e opportunità non sfruttate; strumenti diversi possono discordare e i loro valori non equivalgono al traffico osservato del sito.

Fai invece così: Usa dati di prima parte per la tua baseline e etichetta i dati di terze parti come stime indicative delle opportunità.

Costruire il modello più complesso possibile

Perché fallisce: Una sofisticazione extra non può riparare input deboli e può rendere la previsione più difficile da spiegare, testare e aggiornare.

Fai invece così: Usa il modello più semplice che catturi la tendenza e la stagionalità rilevanti per la decisione. Ricostruisci quando le ipotesi si rompono invece di proteggere un modello elaborato dalla realtà.

Lasciare la previsione intatta dopo l’approvazione

Perché fallisce: Una previsione è condizionale. Un aggiornamento core, una mossa del concorrente, un cambiamento del sito o uno spostamento della SERP possono invalidare le ipotesi originali.

Fai invece così: Confronta i dati effettivi con la previsione mensilmente, rivedi le ipotesi trimestralmente e documenta il trigger che richiede una ricostruzione.

Mettiti alla prova: previsione SEO

Cinque domande su metodi, input, scenari e manutenzione del modello.

Risorse che meritano il tuo tempo

I miei scritti correlati

• SEO Forecasting: The Art Of Getting Buy-In — la mia guida completa con sei notebook Google Colab gratuiti, copia e incolla (traffico del sito e valore del traffico, traffico/valore/pagine del concorrente e performance attraverso gli aggiornamenti core).
• Enterprise SEO Storytelling: Metrics, Reports & Dashboards — equiparare le metriche SEO al denaro, Share of Traffic Value e curve CTR personalizzate da GSC.

I miei interventi

• The Great Decoupling (traduzione: «Il grande disaccoppiamento») (Ahrefs Evolve 2025) — il crescente divario tra impressioni e click in GSC e perché le ipotesi legacy sul CTR nelle previsioni sono ora superate. SlideShare

Da altri

• La tua guida al forecasting SEO con Google Sheets — Sara Taher (Search Engine Land): FORECAST, SMA e smoothing esponenziale in un foglio di calcolo.
• Come fare una proiezione SEO — Rob Tindula (Search Engine Land): una metodologia di proiezione in 8 passaggi con un modello ibrido.
• Come calcolare il tuo Total Addressable Market (TAM) per la SEO — Dan Taylor (Search Engine Journal): la struttura TAM/SAM che Finance si aspetta.
• Come modellare la stagionalità SEO non lineare con Prophet — il lato stagionalità dell’approccio Prophet.
• SEO Forecasting: Prevedere la crescita del traffico organico — AgencyAnalytics: l’angolo dell’agenzia e i rischi di over-forecasting.
• Cos’è il Search Forecasting e perché è importante? — Rachel Vandernick (Search Engine Journal): struttura di base sul perché il forecasting è importante e dove si inserisce in un programma SEO.
• Come fare un forecasting SEO realistico passo dopo passo — Kate Starr (Backlinko): metodologia passo dopo passo con un template gratuito e una formula di estensione delle entrate.
• Calcolatore di ROI forecasting SEO enterprise — Directive Consulting: calcolatore di ROI enterprise con input di dati cross-funzionali e attribuzione SQL/MQL per previsioni rivolte a Finance.
• Strumento CTR organico di Google — Advanced Web Ranking: benchmark storici di CTR per posizione e dispositivo — contesto utile per capire quanto si è allontanata la vecchia assunzione del 30%.

Statistiche da citare

• Il CTR in posizione 1 è crollato per le query con AI Overview. Dal 7,3% a circa 1,6% tra dicembre 2023 e dicembre 2025 (studio Ahrefs, 300 000 keyword) — il numero che rompe ogni previsione legacy. Fonte
• Anche il CTR informativo pulito è calato — le query informative in posizione 1 senza AI Overview sono passate dal 7,6% a circa 3,9% nello stesso periodo (stesso studio). Fonte
• ~60% delle ricerche Google finiscono senza click — la baseline zero-click che qualsiasi previsione 2026 deve assumere (ricerca Sparktoro / Datos).
• Le AI Overview riducono i click di circa il 34,5% per le query interessate nello studio precedente di Ahrefs dell’aprile 2025 — il calo direzionale da applicare al CTR informativo. Fonte
• Il budget segue previsioni credibili. Circa un quarto dei marketer dichiara un budget sufficiente, in parte perché la leadership non è convinta dei ritorni SEO; i leader che sanno prevedere l’impatto finanziario hanno più probabilità di ottenere aumenti di budget (GTM 8020, 2024).

Cronologia modifiche