Il contesto di partenza
L'app era nata da due co-founder con background tecnico solido e una visione di prodotto chiara: una piattaforma food-tech focalizzata su un segmento verticale specifico, con un'esperienza utente curata e un product-market fit confermato dalle prime metriche di engagement. Il prodotto funzionava. Il problema era la distribuzione.
Nei dodici mesi precedenti l'intervento, la app aveva raggiunto 18.000 utenti attivi mensili grazie a un mix di passaparola, qualche menzione su testate verticali, e una campagna Facebook Ads gestita internamente con budget contenuto. Negli ultimi quattro mesi, però, la crescita si era appiattita. Ogni nuovo utente acquisito costava sempre di più, la retention non migliorava, e i due founder erano vicini al burnout tipico di chi prova a fare tutto da solo.
Il brief è arrivato chiaro: "Abbiamo round in chiusura, dobbiamo dimostrare scalability metrics in 6 mesi. Servono 100K utenti attivi e un CAC sotto il benchmark di categoria." Tradotto: serviva una growth machine, non una campagna.
La diagnosi: 3 colli di bottiglia
Il primo mese è stato di sola diagnosi. Solo dati per un mese. Zero nuove campagne, zero ottimizzazioni superficiali. Dopo aver collegato gli SDK di tracking (AppsFlyer per attribution, Mixpanel per behavioral), il quadro è emerso con chiarezza.
| Collo di bottiglia | Sintomo | Impatto stimato |
|---|---|---|
| Dipendenza Meta | 92% del budget su un solo canale, audience saturation crescente | CPI in aumento del 6% mese su mese |
| ASO trascurato | Scheda store generica, screenshot non ottimizzati, zero strategia keyword | 30-40% install organici lasciati sul piatto |
| Retention non segmentata | Solo metrica DAU/MAU aggregata, no cohort analysis | Decisioni di product basate su intuizione, non su dato |
Il quarto nodo, emerso al secondo mese, era più sottile: l'app non aveva un meccanismo di referral nativo. Gli utenti soddisfatti volevano consigliarla, ma dovevano farlo manualmente. Nessuna leva virale, nessun reward, nessun tracking. Un cassetto pieno di crescita potenziale chiuso a chiave.
La growth machine in 4 pilastri
L'errore più frequente nello scaling di app è trattare i quattro canali come silos paralleli. Si fanno campagne paid, si fa ASO, si lancia un referral, si guarda la retention. Ma se non si chiude il loop, ogni canale funziona al 60% del suo potenziale.
La growth machine integrata che abbiamo disegnato aveva questa logica:
- Paid acquisition porta utenti qualificati e genera recensioni che alimentano l'ASO.
- ASO migliora il tasso di conversione visita-install, riducendo il CPI effettivo e portando install organici.
- Referral program trasforma gli utenti retainati in canale di acquisizione a CAC bassissimo.
- Cohort retention identifica quali utenti hanno più valore, permettendo di ottimizzare creative e targeting paid per attrarre simili.
Ognuno dei quattro pilastri aveva metriche dedicate, owner chiari e un ciclo di review settimanale. Zero "facciamo tutto a sentimento". Decisioni binarie su dati binari.
Paid acquisition: creative-led scaling
Il principio di base nello scaling paid di un'app non è il budget, è la velocità di produzione creativa. Le piattaforme paid (Meta, TikTok, Google) premiano la freschezza degli annunci con CPI più bassi. Un creative testato per troppe settimane satura l'audience e fa schizzare il costo.
Abbiamo ridisegnato la produzione creativa con un sistema che, in 12 settimane, ha portato il portfolio attivo da 4 a oltre 25 creative:
- UGC production setup: 8 micro-creator per produrre video autentici, 2 nuovi creative ogni settimana.
- Iterazione iconografica: variazioni rapide su angle che funzionavano (cambio thumbnail, primi 3 secondi, CTA).
- A/B testing strutturato: ogni nuovo creative testato in adset dedicato per 7 giorni, decisione binaria a fine periodo.
- Geo-segmentazione: creative localizzati per macro-aree con differenze linguistiche/culturali rilevanti.
Sul lato canali, la diversificazione è stata graduale ma decisa:
| Canale | Share budget iniziale | Share budget a 6 mesi | CPI medio finale |
|---|---|---|---|
| Meta Ads | 92% | 55% | 1,80 € |
| TikTok Ads | 0% | 25% | 1,20 € |
| Google App Campaigns | 5% | 12% | 2,10 € |
| Apple Search Ads | 3% | 8% | 1,40 € |
TikTok si è rivelato la sorpresa positiva. Il CPI più basso del mix, ma soprattutto un'audience più giovane e con retention D7 superiore del 18% rispetto a quella acquisita da Meta. Il dato ha cambiato la strategia: non basta misurare il CPI, conta il LTV per canale.
ASO: il canale sottovalutato
L'ASO è il canale più sottovalutato del marketing mobile. Lo dico con una metafora: è come avere un negozio in via centrale e tenere la vetrina sporca. Chiunque passi davanti se ne va.
L'intervento ASO ha lavorato su sei leve, tutte misurate e iterate ogni due settimane:
- Keyword research strutturata: identificazione di 40+ keyword rilevanti, mappate per volume di ricerca e difficoltà, prioritizzate in 3 tier.
- Titolo e sottotitolo: riscrittura con keyword principale + value proposition chiara. Zero clichè marketing, frasi che un utente cercherebbe davvero.
- Screenshot redesign: nuovi screenshot con caption testuali sopra ogni schermata, focus sul beneficio non sulla feature.
- Video preview: 30 secondi in cui si vede l'esperienza utente reale, non un trailer da product hunt.
- Recensioni gestite: sistema di in-app prompt per chiedere recensione ai NPS-promoter, risposte pubbliche a tutte le recensioni negative entro 24 ore.
- Iterazione conversion rate: A/B test mensile su screenshot e copy per migliorare visit-to-install rate.
L'ASO è il canale che lavora 24/7 senza chiederti budget incrementale. Sottovalutarlo significa pagare per traffico che potevi avere gratis. — Matteo Coloru
L'effetto leva è stato significativo: a fine intervento, il 38% degli install mensili era organico (contro l'8% di partenza). Tradotto in costi, ogni install organico è un install non pagato. A scala 100K, parliamo di un risparmio mensile di circa 60.000 € di paid budget evitato.
Referral program: viralità calcolata
Il referral program è la leva più potente per un'app B2C, ma è anche quella più facile da implementare male. L'errore tipico è copiare quello che fa il competitor senza capire la logica psicologica e operativa che lo fa funzionare.
Abbiamo disegnato un sistema double-sided (reward sia per chi invita sia per chi accetta) con quattro leve:
- Reward economico double-sided: 5 € per il referrer al primo utilizzo dell'invitato, 5 € all'invitato come benvenuto. Importo calibrato sul margine unitario, non sul "che genera FOMO".
- UX di sharing fluida: link personalizzato generato automaticamente, condivisibile in 2 tap su WhatsApp/Telegram/SMS.
- Trigger contestuali: prompt di referral mostrato dopo eventi positivi nell'app (es. dopo un'azione completata con successo, mai a freddo).
- Tracking attribution affidabile: deferred deep link per attribuzione cross-platform, anche su download da iOS senza app installata.
Lezione operativa
Un referral program funziona solo se il prodotto ha già product-market fit. Lanciarlo prima è una scorciatoia che brucia budget reward senza creare crescita strutturale. Prima retention, poi referral.
Cohort retention: la metrica vera
La retention è il moltiplicatore di ogni euro speso in acquisition. Un'app con retention D30 al 14% deve acquisire il doppio degli utenti di un'app al 28% per generare lo stesso engagement netto. Eppure, la maggioranza delle app early-stage non misura la retention per cohort. Guarda DAU/MAU aggregato e si illude che vada bene.
Abbiamo introdotto un sistema di reporting retention con tre livelli:
- Cohort acquisition: utenti raggruppati per settimana di install, retention misurata a D1, D7, D30, D90.
- Cohort per canale: stesso schema, ma segmentato per fonte di acquisizione (Meta, TikTok, ASO, referral).
- Cohort per comportamento: utenti raggruppati per evento chiave compiuto nei primi 3 giorni (es. completamento onboarding, primo utilizzo feature core).
L'insight più importante è arrivato dal terzo livello: gli utenti che completavano l'onboarding nelle prime 24 ore avevano una retention D30 quasi tripla rispetto a chi non lo completava. Cambio di prodotto immediato: onboarding ridotto da 9 a 4 step, completamento aumentato dal 42% al 71%, retention D30 media salita di 9 punti percentuali in 6 settimane.
Risultati a 6 mesi
| Metrica | Mese 0 | Mese 6 | Variazione |
|---|---|---|---|
| Utenti attivi mensili | 18.000 | 108.500 | +503% |
| CPI medio | 3,20 € | 1,60 € | −50% |
| Retention D30 | 14% | 28% | +100% |
| Share install organici | 8% | 38% | +375% |
| NPS | 32 | 51 | +19 punti |
| Mix canali paid | 92% Meta | 4 canali bilanciati | diversificato |
Il dato più sottovalutato è il +19 punti NPS. Non è una metrica di vanità: una crescita NPS così marcata in un periodo di scaling acquisition è anomala. Il motivo è chiaro: gli interventi su onboarding, retention e referral hanno migliorato l'esperienza percepita, non solo i volumi.
Lezioni replicabili per chi fa scaling di app
1. Non scalare prima del product-market fit
Se la retention D30 è sotto il 10%, scalare l'acquisition è un suicidio finanziario. Prima si lavora sul prodotto e sull'onboarding, poi si apre il rubinetto del paid.
2. Diversifica i canali prima della saturazione
Non aspettare che il CPI su Meta diventi insostenibile per aprire TikTok o Google App Campaigns. La diversificazione va costruita quando le cose vanno bene, non quando vanno male.
3. ASO è un canale, non un afterthought
Trattare l'ASO come "una cosa da fare quando avremo tempo" significa pagare due-tre volte tanto per install che potevi avere organici. ASO va trattato con ruoli dedicati, sprint settimanali, metriche proprie.
4. Retention per cohort, non aggregata
DAU/MAU aggregato nasconde la verità. Solo il cohort retention per canale e per segmento comportamentale dice cosa funziona. Senza questo dato, ogni decisione è una scommessa.
5. Il referral è un moltiplicatore
Un referral program funziona solo se la retention è alta. Lanciarlo su un'app con retention bassa è bruciare budget reward. Prima si fixa la retention, poi si attiva il referral.
Domande frequenti sullo scaling di app food-tech
Quanto costa acquisire un utente per un'app food-tech?
Il CPI medio per app food-tech in Italia oscilla tra 1,80 € e 4,50 € a seconda del segmento (delivery, ricette, nutrizione, recensioni). Nel caso descritto siamo partiti da 3,20 € e abbiamo portato il CPI medio a 1,60 € in sei mesi grazie a ottimizzazione creativa, ASO e canali alternativi al paid puro.
Cos'è l'ASO e perché è critico per un'app food-tech?
L'ASO (App Store Optimization) è il processo di ottimizzazione della scheda app su App Store e Google Play. Per il food-tech vale il 30-40% degli install organici. Le leve sono: titolo, sottotitolo, keyword, screenshot, video preview, recensioni, tasso di conversione visita-install. Sottostimarlo significa pagare 2-3 volte tanto in paid.
Cos'è la cohort retention e come si misura?
La cohort retention misura quanti utenti acquisiti in un periodo continuano a usare l'app dopo X giorni. Le metriche standard sono D1, D7, D30, D90. Per il food-tech, una retention D30 sopra il 20% è considerata buona. Nel caso descritto abbiamo portato la D30 dal 14% al 28% in sei mesi.
Quanto budget serve per lanciare un programma di referral efficace?
Un referral program parte con costi marginali quasi nulli sul prodotto (sviluppo del meccanismo + tracking) ma richiede budget di reward. Per app food-tech, un reward economico tra 3 € e 10 € per referrer + 3 € e 10 € per referee genera tipicamente CAC più basso del 40-60% rispetto al paid puro.
Quanto tempo serve per scalare un'app fino a 100K utenti?
Dipende dal punto di partenza e dal product-market fit. Nel caso descritto, partendo da 18.000 utenti, abbiamo raggiunto 100K in 6 mesi grazie a una growth machine integrata. Senza product-market fit confermato, scalare è impossibile: si bruciano soldi in acquisition senza retention.
Meta o TikTok per scalare un'app food-tech?
Entrambe, in mix bilanciato. Meta resta il canale principale per volumi (audience più matura, segmentazione precisa), ma TikTok genera CPI più bassi e audience più giovane con buona retention. Nel caso descritto, il mix finale era 55% Meta + 25% TikTok + 12% Google + 8% Apple Search Ads.
