Le 6 categorie di dati che Meta usa per profilare un utente

Quando uno strategist usa Detailed Targeting o configura un’audience Advantage+, sta accedendo (indirettamente) al profilo che Meta ha costruito su ogni utente. Quel profilo deriva da 6 famiglie distinte di dati, ciascuna con fonte, granularità e affidabilità diverse. Capirle aiuta a interpretare correttamente cosa "sa" Meta degli utenti italiani nel 2026, dopo le restrizioni post-Cambridge Analytica.

1. Dati dichiarati dall’utente

Sono i dati che l’utente ha inserito esplicitamente nel proprio profilo Meta: nome, età, città, lingua, scuole frequentate, università, lavoro attuale, stato relazionale, interessi dichiarati, eventi a cui partecipa.

Pro: alta affidabilità (l’utente li ha inseriti volontariamente), longevità (cambiano raramente).

Contro: incompletezza (molti campi sono opzionali e gli utenti li lasciano vuoti), staleness (un lavoro inserito 5 anni fa può non essere più attuale).

Per il targeting: alimentano i criteri demografici di base (4 segmentazioni).

2. Dati comportamentali sulle Family of Apps

Sono i segnali che Meta raccoglie osservando il comportamento dell’utente sulle proprie piattaforme: cosa metti like, cosa condividi, quali pagine segui, quali post salvi, quali video guardi per quanti secondi, con chi interagisci, a che ora apri l’app, da che device, quanto a lungo resti su ogni post.

Pro: ricchezza e profondità senza pari (Meta ha decenni di osservazione, miliardi di data point al giorno), aggiornati in tempo reale.

Contro: non sempre interpretabili univocamente (un like può essere ironico, un follow può essere obbligatorio sociale).

Per il targeting: alimentano gli "interessi" del Detailed Targeting (dedotti dai pattern di engagement), il Estimated Action Rate dell’asta, i modelli Advantage+.

3. Dati cross-app · tracking esterno

Sono i segnali che Meta riceve da app e siti web terzi tramite Pixel (browser-side) e Conversion API (server-side): quali siti visiti, quali prodotti vedi, cosa metti nel carrello, cosa compri, a quale fascia di prezzo prodotto sei sensibile.

Pro: segnale forte di intent reale (chi visita PDP è in valutazione, chi mette in carrello è altamente in-market).

Contro: dipende dal consenso (GDPR cookie, ATT iOS). In Italia 2026 il 30-50% degli utenti rifiuta tracking esterno, riducendo significativamente la copertura.

Per il targeting: alimentano Custom Audience website-based, retargeting, eventi di conversione per ottimizzazione algoritmica.

4. Dati di prima parte caricati dall’inserzionista

Sono i dati che l’inserzionista carica esplicitamente in Meta tramite Customer List, eventi sito custom, eventi app: email, telefono, nome cognome, city/zipcode, eventi di acquisto offline, valore cliente.

Pro: l’inserzionista controlla quali utenti e quali attributi caricare, la qualità è altissima (sono i suoi veri clienti).

Contro: richiede infrastruttura dati (CRM ben tenuto, processi di estrazione), match rate non 100% (in Italia 70-85% match rate medio su lista email+telefono).

Per il targeting: alimentano Custom Audience customer-list, base seme per Lookalike di qualità.

5. Dati di seconda parte · partnership commerciali

Sono dati che Meta acquisisce da partner commerciali tramite accordi formali: dati di consumo (uso carte di credito, abbonamenti, programmi fedeltà), dati di geolocation aggregati, dati demografici da panel research.

Pro: complementare ai dati di prima Meta (es. comportamento d’acquisto offline che Meta non vede da sé).

Contro: copertura geografica limitata (USA molto più ricca di EU), restrizioni regolatorie sempre più severe in UE post-DSA, partnership in riduzione progressiva.

Per il targeting: alimentano alcune categorie comportamentali del Detailed Targeting (es. frequent grocery shoppers, frequent international travelers), particolarmente in USA. In Italia il loro peso è significativamente più basso.

6. Dati inferiti · modelli predittivi

Non sono dati raccolti direttamente. Sono predizioni che Meta fa partendo dai dati delle famiglie 1-5: probabilità di interesse per categoria X, probabilità di acquisto in fascia di prezzo Y, propensione a conversione su prodotti Z, affinità a brand competitor.

Pro: estensione e copertura piena (anche utenti con pochi dati dichiarati hanno predizioni).

Contro: opacità (non sono dichiarate al singolo utente), accuracy variabile (alcune predizioni sono molto buone, altre azzardate).

Per il targeting: sono al cuore di Advantage+ Audience, Lookalike, Estimated Action Rate. Sono diventate sempre più importanti man mano che i dati di tracking esterno (famiglia 3) si sono ridotti.

Come si combinano nella pratica

Una singola Core Audience ben costruita pesca da più famiglie contemporaneamente:

• "Donne 30-50, Milano" → famiglia 1 (dichiarata) + famiglia 6 (località inferita da check-in e GPS).
• "Interesse plant-based eating" → famiglia 2 (comportamento Meta) + famiglia 6 (inferito da pattern di engagement).
• "Frequent grocery shoppers" → famiglia 5 (partnership) + famiglia 6 (inferito).
• Audience LAL → famiglia 4 (seme di prima parte) + famiglia 6 (modello predittivo che identifica simili).

Lo strategist non vede questa stratificazione esplicitamente, ma capirla aiuta a interpretare:

• Perché alcuni criteri (es. interesse "yoga") generano audience più o meno aderenti a seconda della finezza del modello inferenziale dietro.
• Perché audience che sembrano simili (es. "interesse cooking" vs "comportamento frequent home cooking") hanno performance diverse: la prima è famiglia 2 (light signal), la seconda è famiglia 5+6 (heavier signal).
• Perché Advantage+ a volte supera la Core: pesca da famiglia 6 in modo più aggressivo, trovando segnali che la Core non sfrutta.

Cosa è cambiato dal 2018

Le 6 famiglie esistono da prima dello scandalo Cambridge Analytica. Cosa è cambiato:

• Famiglia 1: stabile.
• Famiglia 2: stabile (è il core del sistema Meta).
• Famiglia 3: significativamente ridotta in Europa post-GDPR e su iOS post-ATT.
• Famiglia 4: in crescita (gli inserzionisti adottano CRM ben curati come compensazione di famiglia 3).
• Famiglia 5: in declino in UE per regolamentazione.
• Famiglia 6: in crescita (i modelli predittivi sopperiscono al segnale perso da famiglie 3 e 5).

Il trend è chiaro: più dati di prima parte (caricati dall’inserzionista) e più modelli predittivi, meno dati di tracking esterno.

Vedi anche: 4 segmentazioni, Privacy ATT, Custom Audience, Lookalike, Advantage+ Audience.