L’LTV ha un punto cieco

Sintesi

L’LTV è probabilmente la metrica SaaS più importante in assoluto, perché predice il futuro: il ricavo totale che un cliente o una coorte genererà. Ma la realtà corrisponde davvero alla previsione? In caso contrario, sta causando decisioni strategiche sbagliate in migliaia di aziende proprio in questo momento.

L’LTV è una formula semplice: ARPA diviso il tasso di churn. Inserisci due numeri e ottieni un numero che stima il valore totale di una relazione con il cliente. È una delle metriche fondamentali del SaaS, e influenza i budget di acquisizione, le aspettative di payback, le conversazioni sui finanziamenti e la strategia di prodotto.

Ma quanto è accurata quando confronti la previsione con la realtà?

Per rispondere a questa domanda, abbiamo messo alla prova l’LTV confrontandolo con la realtà su 35.512 coorti di clienti provenienti da 3.331 account aziendali di ChartMogul. Nello specifico, ci siamo chiesti: se calcoli l’LTV nel momento in cui si forma una coorte, quanto si avvicina quella previsione alla realtà dopo 12, 24 e 36 mesi?

Il dato principale è controintuitivo: gli errori di previsione dell’LTV non sono casuali. Sono sistematici, il che rende la metrica affidabile in alcune situazioni e costantemente fuorviante in altre.

Risultati principali

• Gli errori di previsione sono sistematici, non casuali. Le aziende di e-commerce sovrastimano costantemente il valore dei clienti, mentre quelle a forte componente enterprise spesso lo sottostimano, perché dimensione del cliente, retention ed espansione interagiscono in modo diverso.
• Molte coorti sono sostanzialmente sbagliate. Il 28,3% delle coorti si discosta dalla realtà di oltre il 50%.
• L’errore mediano è piccolo solo perché errori opposti spesso si annullano a vicenda. L’LTV è spesso troppo alto e troppo basso di quantità simili, il che fa apparire accurata la mediana complessiva.
• La maggior parte dell’errore di previsione deriva da un’unica assunzione: usare l’ARPA a livello aziendale per stimare il ricavo dei nuovi clienti.
• I clienti che pagano meno, controintuitivamente, spesso restano più a lungo di quelli che pagano di più, ma l’espansione da parte di chi sopravvive finisce per far passare l’LTV dal sovrastimare al sottostimare il ricavo.
• L’LTV va usato al meglio come metrica direzionale, non come previsione precisa. Le curve di ricavo delle coorti e i movimenti di MRR netto forniscono il contesto mancante.

Invece di chiederci se l’LTV sia «giusto», ci siamo chiesti dove sbagli. Cosa causa gli errori? Come si sommano? Come cambiano nel tempo? E cosa significano per il modo in cui dovresti usare l’LTV?

Scritto da Thomas Anastaselos, con indicazioni di ricerca e revisione editoriale di Jason Cohen.

Cosa presuppone la formula dell’LTV

LTV = ARPA ÷ tasso di churn è un modello a due variabili. La sua semplicità comporta dei limiti.

Per capire dove sbaglia, partiamo da ciò che la formula presuppone:

Ogni nuovo cliente paga come la media aziendale. L’ARPA è un numero aggregato. Rappresenta ogni abbonato del tuo account in questo momento: piccolo e grande, nuovo e di lunga data, in espansione e in contrazione. Quando lo usi per prevedere il ricavo che genererà una nuova coorte, stai assumendo che i clienti appena iscritti assomiglino all’intera base clienti attuale, compresi i clienti che sono con te da tre anni e hanno aumentato la propria spesa più volte.

Il tasso di churn resta costante. Il tasso medio di logo churn dei sei mesi precedenti viene applicato in modo uniforme a ogni nuova coorte, indipendentemente da chi siano i clienti, da come sono stati acquisiti, da quanto si adattino al prodotto o dal fatto che alcuni clienti abbiano già abbandonato.

Il ricavo per cliente resta piatto. Espansione e contrazione non vengono considerate in modo specifico, ma solo indirettamente tramite l’ARPA aggregata. Qualunque cifra i clienti paghino al momento dell’ingresso, la pagano per sempre, e i clienti che hanno disdetto presto pagano in media come i clienti che sono in azienda da cinque anni.

Si tratta di compromessi noti. I modelli più semplici sono più facili da capire e più difficili da manipolare. La domanda è se questi compromessi contino nella pratica. Vediamo i dati.

Come l’abbiamo testato

Per ogni account ChartMogul nel dataset, abbiamo definito le coorti: tutti i clienti iscritti in un determinato trimestre solare, identificati dal momento in cui sono diventati clienti paganti per la prima volta. Abbiamo analizzato 20 coorti trimestrali, dal Q1 2020 al Q4 2024, su tutti i 3.331 account, ottenendo in totale 35.512 coppie (account, trimestre di coorte).

Nel momento in cui ogni coorte veniva creata, abbiamo registrato l’ARPA dell’account e il tasso di churn dei sei mesi precedenti, esattamente come fa la formula dell’LTV. Abbiamo poi calcolato il ricavo previsto dalla formula dell’LTV per quei clienti su un orizzonte di 12, 24 e 36 mesi.

Successivamente, abbiamo misurato cosa hanno effettivamente generato quegli stessi clienti. Per ogni cliente, abbiamo monitorato l’MRR mese per mese. Abbiamo sommato l’MRR effettivo su ciascuna finestra temporale. Abbiamo escluso le coorti la cui finestra di osservazione si estendeva oltre la data di taglio dei dati (giugno 2026), per evitare bias da censura.

Questo ci ha permesso di ottenere un confronto diretto tra ricavo previsto ed effettivo per gli stessi clienti nello stesso periodo di tempo, usando solo le informazioni disponibili nel momento in cui sono diventati clienti paganti per la prima volta.

La formula sembra piuttosto accurata

La coorte tipica genera il 2,4% in meno di ricavo su 12 mesi rispetto a quanto previsto dall’LTV. Sembra rassicurante.

Tuttavia, il 28,3% di tutte le coorti ha un errore di previsione superiore al 50% in entrambe le direzioni.

La formula utilizza un’ARPA aggregata che include anni di espansione da parte dei clienti esistenti. Questi clienti hanno aggiunto posti, effettuato upgrade di piano e aumentato la propria spesa per mesi o anni. I nuovi clienti non hanno ancora fatto nulla di tutto ciò. La formula presuppone che assomiglino già al cliente medio, anche se non hanno ancora avuto il tempo di diventarlo.

Due input, due modi di sbagliare

La formula ha due input, quindi può sbagliare in due punti: l’ARPA al numeratore o il tasso di churn al denominatore. Entrambi sono sbagliati, ma in direzioni diverse, in misura diversa e per ragioni diverse.

Modalità di errore 1: i nuovi clienti non sono clienti medi.

La formula usa il ricavo medio aggregato per cliente dell’azienda. I nuovi clienti pagano quasi sempre meno di quella media. Si sono appena iscritti, il che significa nessuna espansione di posti, nessun upgrade di piano, nessuna crescita pluriennale. La media aggregata include tutto questo. Quindi la formula presuppone che i nuovi clienti generino un ricavo che non hanno ancora guadagnato.

Sulla mediana, questo disallineamento dell’ARPA ha un effetto modesto sull’accuratezza della previsione: -4,9%. Ma la mediana nasconde quanto vari il disallineamento tra le coorti. Quando abbiamo scomposto l’errore di previsione di ogni coorte nelle sue componenti di ARPA e retention, il disallineamento dell’ARPA spiegava l’84,9% della variazione nell’accuratezza della previsione. In altre parole: l’effetto tipico dell’ARPA è piccolo, ma le differenze nel disallineamento dell’ARPA sono una delle ragioni principali per cui le previsioni di LTV sono più accurate per alcune coorti che per altre.

Modalità di errore 2: le coorti non abbandonano al tasso medio.

La formula usa il tasso di churn dell’azienda dei sei mesi precedenti per proiettare quanti clienti sopravviveranno ogni mese. Ma una coorte specifica può abbandonare a un tasso molto diverso. Nuovi acquirenti enterprise, clienti SMB convertiti e utenti passati da trial a pagamento non condividono le stesse curve di sopravvivenza, anche se si sono iscritti tutti nello stesso trimestre. La media aziendale dice poco sulla coorte specifica che hai davanti.

Sulla mediana, questi due errori (ARPA e churn) finiscono per compensarsi parzialmente. Ecco perché -2,4% sembra piccolo.

Il paradosso della sopravvivenza

Uno dei risultati più sorprendenti riguarda quali clienti restano effettivamente più a lungo.

La saggezza convenzionale del SaaS dice che i clienti che pagano di più restano più a lungo. I clienti enterprise hanno lock-in, contratti pluriennali e account management dedicato. I clienti più economici hanno più alternative, costi di switching più bassi e meno gravità organizzativa. In WP Engine, per esempio, questo schema si applica: le aziende più grandi sono più «appiccicose».

Il dataset di ChartMogul è sbilanciato verso le SMB e include un segmento B2C consistente. All’interno di questo dataset, lo schema si inverte. Abbiamo diviso i clienti in quattro gruppi in base al loro MRR di iscrizione e misurato quanti fossero ancora attivi dopo 12 mesi. Il risultato è stato sorprendente: i tassi di retention a 12 mesi diminuiscono man mano che il prezzo relativo aumenta. Il quartile più economico è sopravvissuto al 74%; quello più costoso solo al 45%.

Un secondo controllo ha raccontato la stessa storia: l’MRR mediano di iscrizione dei clienti ancora attivi diminuisce nel tempo, non aumenta. All’interno di una coorte, i clienti che pagano di più tendono ad andarsene per primi. Questo può riflettere in parte lo schema «diventano ciò che cacciano» descritto nella nostra ricerca precedente: molte aziende SaaS riescono ad acquisire con successo clienti SMB prima di spingersi verso l’alto del mercato, dove trattenere i clienti più grandi diventa più difficile.

È l’espansione, non la sopravvivenza, a gonfiare l’ARPA

A prima vista, questo sembra contraddire la storia dell’ARPA. Se i clienti più economici sopravvivono più a lungo, l’ARPA della coorte non dovrebbe forse diminuire nel tempo invece di aumentare? Una possibile spiegazione è che nei mercati a forte componente SMB, gli abbonati più economici hanno poche ragioni per andarsene. Il software è incorporato nel loro flusso di lavoro, e il costo è sotto la soglia che richiederebbe una decisione deliberata di disdetta.

Le aziende che pagano di più sono più attente al ROI. Quando il valore non è chiaro, cambiano fornitore. La dinamica di lock-in enterprise che rende «appiccicosi» i clienti B2B più grandi non si applica all’acquirente SMB da 500 $ al mese o al consumatore da 29 $ al mese.

Cosa significa questo per l’ARPA. Se i clienti più economici sopravvivono più a lungo, allora man mano che una coorte invecchia il suo MRR medio dovrebbe diminuire. È l’opposto del gonfiamento dell’ARPA, ed è proprio ciò che sembra accadere a livello di singolo cliente.

Allora da dove viene il gonfiamento dell’ARPA a livello aziendale? Dall’espansione. I clienti che restano fanno upgrade. Lo abbiamo misurato direttamente: il 45,6% dell’MRR attuale dei clienti sopravvissuti dal 2020 al 2021 proviene dall’espansione successiva all’iscrizione, non dagli abbonamenti originali. L’ARPA aggregata è gonfiata perché chi sopravvive si espande.

Cosa significa questo per l’LTV? L’ARPA usata per prevedere il ricavo delle nuove coorti è gonfiata dall’espansione che i tuoi clienti esistenti hanno già vissuto, ma che i nuovi clienti non hanno ancora avuto il tempo di raggiungere.

Fin qui abbiamo spiegato perché l’LTV sovrastima inizialmente il valore dei nuovi clienti. Ma queste fonti di errore non sono costanti. Man mano che le coorti maturano, i clienti iniziano a espandersi. Questo rende gradualmente meno importante il disallineamento iniziale dell’ARPA, mentre l’espansione diventa più rilevante. Puoi vedere questo spostamento quando confrontiamo le stesse coorti su orizzonti temporali più lunghi.

Come cambia la previsione nel tempo

All’inizio, l’ARPA aggregata rende l’LTV troppo ottimista. Nel tempo, l’espansione dei clienti supera quel bias iniziale. A 24 mesi, l’errore mediano di previsione è +6,9% e a 36 mesi è +14,4%. A 24 mesi, l’LTV sottostima il ricavo invece di sovrastimarlo.

La ragione è l’espansione. A 12 mesi, il disallineamento dell’ARPA e l’espansione si annullano più o meno a vicenda. A 24 mesi, abbastanza clienti hanno fatto upgrade di posti e piani da far prevalere l’espansione. A 36 mesi, l’espansione cumulativa spinge il numero ancora più in là.

Anche la dispersione dei risultati quasi raddoppia entro i 36 mesi, rendendo l’LTV molto meno affidabile.

Non tutte le aziende si comportano così

Lo schema generale, cioè che i clienti più economici restano più a lungo, è reale ma non universale. Non tutte le aziende si comportano così, quindi vediamo dove succede e dove no.

Per ogni azienda, abbiamo misurato la correlazione tra l’MRR di iscrizione dei clienti e la sopravvivenza a 12 mesi. Una correlazione positiva significa che i clienti più grandi restano più a lungo, una negativa significa che i clienti più grandi abbandonano prima.

Ecco cosa abbiamo trovato:

Lo schema enterprise atteso, cioè che i più grandi restano più a lungo, vale solo per il 14% delle aziende. Per il 37%, è vero l’inverso.

Le aziende B2C rappresentano il 37,8% del gruppo negativo, ma solo il 6,6% del gruppo positivo. Questo è in linea con l’intuizione per molte aziende consumer: il prodotto è incorporato nella vita quotidiana e il costo è troppo basso per giustificare una disdetta. Gli abbonati che pagano di più, invece, sono più attenti e più propensi ad abbandonare quando il valore non è chiaro. Le piccole aziende B2B seguono lo stesso schema: il 77% del gruppo a correlazione negativa ha meno di 500.000 $ di ARR.

Il gruppo positivo (clienti più grandi che restano più a lungo) è per il 93% B2B ed è dominato dalle aziende più grandi. È lo schema enterprise classico: un MRR più alto comporta maggiore integrazione, costi di switching più elevati e una dipendenza organizzativa più profonda.

Queste differenze nel comportamento dei clienti si riflettono direttamente in differenze nell’accuratezza dell’LTV.

L’LTV è più accurato quando i clienti più grandi abbandonano prima, e meno accurato quando restano più a lungo.

Il modello è più accurato quando i suoi due errori si compensano a vicenda: sovrastima il valore dei nuovi clienti, ma quei clienti che pagano di più abbandonano anche più in fretta, avvicinando il ricavo effettivo alla previsione. È meno accurato quando gli errori si sommano: i clienti che pagano di più partono già con un valore maggiore e restano anche più a lungo, quindi la formula li sottostima due volte: prima al momento dell’iscrizione, e di nuovo man mano che si espandono nel tempo.

Per chi fallisce di più

L’errore mediano non è distribuito in modo uniforme. Le differenze maggiori emergono tra settore, dimensione aziendale e modello di business.

Per settore:

L’e-commerce ha la sovrastima più ampia. I nuovi clienti pagano ben al di sotto della media e mostrano poca espansione, lasciando poco a compensare il disallineamento iniziale dell’ARPA.

All’altro estremo della tabella vediamo la storia opposta. La Business Intelligence mostra l’effetto di espansione più ampio (1.18x), perché gli strumenti di analytics diventano più radicati nel tempo e i clienti fanno upgrade man mano che l’utilizzo cresce. I settori con una forte espansione post-iscrizione mostrano costantemente errori di LTV più piccoli, nonostante disallineamenti dell’ARPA simili.

Le differenze sembrano riflettere i modelli di business più dei settori in sé. L’LTV è più accurato quando i nuovi clienti assomigliano alla base clienti esistente e si espandono dopo l’iscrizione. È meno accurato quando i nuovi clienti partono ben al di sotto della media e non colmano mai il divario.

Per dimensione dell’azienda:

Le aziende più grandi (30 M$ o più di ARR) mostrano la sovrastima maggiore, ma il minor numero di errori marcati. I loro errori sono ampi, con una mediana del -19%, ma coerenti. Queste aziende esistono da abbastanza tempo perché i clienti consolidati si espandano in modo drastico, gonfiando l’ARPA aggregata ben oltre quanto pagano realmente le nuove coorti. Ma anche quei nuovi clienti tendono a espandersi in modo sostanziale dopo l’iscrizione, chiudendo parzialmente il divario nel tempo.

Le piccole aziende (sotto i 500.000 $ di ARR) mostrano ora una lieve sottostima (errore mediano di +0,5%), poiché la formula sottostima leggermente il ricavo per le aziende più piccole, forse perché le loro traiettorie di espansione superano quanto implicito nella media. Ma hanno anche le coorti più inaffidabili (29,5%). I loro errori sono rumorosi più che sistematici. In media la formula è più o meno corretta, ma le previsioni delle singole coorti variano molto.

Per modello di business:

B2B e B2C presentano profili di accuratezza fondamentalmente diversi.

Per le aziende B2B, il problema principale è il disallineamento dell’ARPA. I clienti esistenti si sono espansi, spingendo la media al di sopra di quanto pagano i nuovi clienti.

Le aziende B2C sono sostanzialmente neutre in aggregato (errore mediano di +0,4%) e hanno il tasso più basso di coorti gravemente sbagliate (20,2%). Il pricing B2C è più semplice e uniforme, il che significa che le assunzioni di base della formula reggono meglio. Il punto cieco della formula è più piccolo nei mercati consumer.

Non basta aggiungere un’etichetta di avviso

Lo abbiamo testato usando il segnale più forte disponibile nel momento in cui si crea una coorte: il rapporto ARPA. Misura quanto il ricavo per cliente di una nuova coorte sia diverso dalla media aziendale usata nella formula. Poiché è osservabile immediatamente, può essere usato prima che esistano dati di retention.

La logica è semplice. Se i nuovi clienti pagano sostanzialmente più o meno della media, l’assunzione sull’ARPA della formula è già sbagliata. Questo da solo può rendere inaffidabile la stima di LTV risultante.

Abbiamo testato diverse soglie per segnalare queste coorti e misurato il compromesso tra precisione e recall: quanto spesso la segnalazione identificava correttamente una stima sbagliata, e quante stime sbagliate riusciva a intercettare.

Per intercettare il 57% delle previsioni gravemente sbagliate al miglior equilibrio tra precisione e recall, dovresti segnalare il 37% di tutte le aziende. Alzando la soglia per catturare solo i casi più estremi (soglia 1.00), la precisione sale all’81%, ma si intercetta solo il 10% delle previsioni sbagliate.

Il che riflette la realtà di fondo: i nuovi clienti sono raramente identici alla media, quindi l’assunzione sull’ARPA è sbagliata in una certa misura per quasi ogni azienda. Un’etichetta di avviso finirebbe per segnalare una quota enorme di aziende, rendendola né praticabile né particolarmente credibile.

Cosa significa questo per come usi l’LTV

Ci sono tre modi per rispondere a ciò che mostrano i dati: modificare il modo in cui leggi il tuo numero attuale, correggere la formula stessa, oppure appoggiarti a metriche complementari.

Modifica il modo in cui leggi il tuo numero attuale.

Tratta l’LTV come una metrica direzionale, non precisa. L’errore mediano è piccolo, ma la distribuzione attorno a esso è ampia. Per qualsiasi coorte specifica, il risultato effettivo potrebbe facilmente collocarsi il 25-30% sopra o sotto la previsione. Se il tuo target LTV:CAC include già un margine di sicurezza, ricorda che parte di quel margine potrebbe già essere assorbita dalla normale incertezza dell’LTV.

Alcuni aggiustamenti specifici per segmento, basati su ciò che mostrano i dati:

• E-Commerce: qui l’assunzione sull’ARPA è sistematicamente troppo ottimistica (errore mediano -10,9%). Valuta di scontare l’LTV del 10-15% prima di usarlo per decisioni di acquisizione.
• Aziende grandi (30 M$ o più di ARR): l’errore è prevedibile e unidirezionale. L’LTV tende a sovrastimare di circa il 20%, in gran parte perché l’ARPA aggregata incorpora anni di espansione dei clienti esistenti.
• Trimestri a forte componente enterprise: se i nuovi clienti sono sensibilmente più grandi della tua base esistente, aspettati il problema opposto. È probabile che l’LTV sottostimi il loro valore reale.

Un avvertimento: queste descrivono l’azienda tipica di ciascun segmento, non ogni singola azienda. Prima di applicare qualsiasi aggiustamento, verifica quanto le tue previsioni storiche di LTV abbiano corrisposto alla realtà.

Correggi la formula stessa.

La correzione strutturale a maggiore impatto è sostituire l’ARPA aggregata a livello aziendale con il ricavo effettivo al momento dell’iscrizione della nuova coorte. Poiché il disallineamento dell’ARPA guida la quota maggiore della varianza dell’errore, questo da solo migliorerebbe in modo significativo l’accuratezza, e i dati necessari (l’MRR al momento dell’iscrizione) esistono già.

L’espansione è più difficile da correggere in questo modo. Non è conoscibile al momento dell’iscrizione, e rappresenta una quota consistente dell’errore residuo, quindi una formula corretta continuerebbe comunque a mancare la seconda, più ampia fonte di deriva. C’è anche un costo pratico: l’ARPA realizzata di una coorte non è definitiva finché la coorte non si chiude, il che ritarderebbe il calcolo e aggiungerebbe complessità.

Usa metriche complementari.

Per l’unit economics a breve termine, il payback period può essere un sostituto più affidabile. È limitato (tipicamente 12-24 mesi anziché un orizzonte infinito) e sensibile alle variabili che effettivamente si muovono (margine, churn iniziale, CAC), anche se una singola spinta di acquisizione costosa può distorcerlo temporaneamente.

Per un orizzonte più lungo, le curve di ricavo delle coorti mostrano ciò che le coorti passate hanno effettivamente generato: non una proiezione, ma un dato storico. Una pendenza crescente a 24-36 mesi segnala retention ed espansione sane; un appiattimento o un calo precoce è un problema visibile e databile.

I movimenti di MRR netto completano entrambe le prospettive spiegando perché quelle curve hanno l’andamento che hanno, scomponendo espansione, contrazione, churn e riattivazione, laddove l’LTV comprime tutto questo in un unico numero.

Nessuna singola prospettiva è completa. Insieme, offrono un quadro molto più accurato del valore del cliente rispetto al solo LTV.

La domanda finale

L’LTV è limitato perché comprime due assunzioni instabili in un unico numero. Capire quelle assunzioni conta più che fidarsi del numero in sé.

La formula resterà utile, perché è abbastanza semplice da spiegare in un consiglio di amministrazione, facile da monitorare nel tempo e capace di sintetizzare un’azienda in un unico numero. Usato in modo direzionale e insieme ad altre metriche, l’LTV resta uno strumento prezioso.

Metodologia e dati

Note metodologiche

• Dataset: dati della piattaforma ChartMogul provenienti da 3.331 account aziendali, che coprono dal Q1 2020 al Q4 2024 e producono 35.512 coppie (account, trimestre di coorte). Le coorti sono definite come tutti i clienti il cui primo movimento di new business si è verificato nello stesso trimestre solare.
• Previsione: nel momento in cui si formava ogni coorte, abbiamo calcolato l’LTV usando la formula di ChartMogul basata sull’ARPA aggregata dell’account e sul tasso di logo churn dei sei mesi precedenti. Abbiamo poi calcolato la previsione di ricavo implicita nell’LTV per i successivi 12, 24 e 36 mesi.
• Dati effettivi: per ogni cliente, abbiamo monitorato l’MRR mese per mese e sommato l’MRR effettivo su ciascuna finestra temporale. Le coorti la cui finestra di osservazione si estendeva oltre la data di taglio dei dati (giugno 2026) sono state escluse per evitare bias da censura.
• Metrica di errore: l’errore di previsione è (effettivo - previsto) / previsto × 100. Un valore negativo significa che la formula ha sovrastimato, uno positivo che ha sottostimato. Le coorti inaffidabili sono quelle con un errore assoluto superiore al 50%.
• Scomposizione della varianza: abbiamo suddiviso l’errore di previsione di ogni coorte in due componenti: disallineamento dell’ARPA e disallineamento della retention. Abbiamo poi misurato quanta parte della variazione nell’accuratezza di previsione tra le coorti fosse spiegata da ciascuna componente. Le due componenti, più la loro interazione, spiegano il 100% dell’errore.
• Correlazione ARPA-retention: per ogni account, abbiamo misurato la relazione tra l’MRR di iscrizione dei clienti e la sopravvivenza a 12 mesi. Gli account in cui i clienti più grandi tendevano a restare più a lungo sono stati classificati come positivi; quelli in cui abbandonavano prima come negativi; il resto come neutri. È stata applicata una soglia minima di correlazione per ridurre il rumore dei campioni piccoli.

Una nota sui dati

Questo articolo riflette un’analisi condotta sui dati live della piattaforma ChartMogul aggiornati a giugno 2026. Versioni precedenti di questo lavoro mostravano errori mediani e varianze leggermente diversi, ma i punti fondamentali e i fattori che li determinano restano gli stessi. Le variazioni sono dovute all’evoluzione dei dataset sottostanti e all’aggiunta o rimozione di account aziendali dal dataset.