— Case Studies
Non slide teoriche. Challenge reali, interventi concreti, numeri verificabili. Ogni caso è la dimostrazione che il metodo funziona.
2011–2019 · Account Manager → Enterprise Lead
Costruito il motore commerciale enterprise di Pratiche.it per 8 anni, raggiungendo NRR 110% e adozione 92%.
Prodotto complesso (digitalizzazione processi PA) in un mercato resistente al cambiamento. Ciclo di vendita lungo, stakeholder multipli, ROI difficile da quantificare per clienti non-tech.
Approccio solution selling puro, senza AI ma con uno stack dati solido: (1) sourcing e arricchimento lead via API Apollo, (2) pipeline e forecast gestiti su Pipedrive connesso in API, (3) discovery profonda con framework JTBD (Job to Be Done), (4) business case personalizzato per ogni decision maker, (5) customer success strutturato (onboarding + check-in trimestrali) e case study interni come social proof.
| Metrica | Prima | Dopo | Delta |
|---|---|---|---|
| Net Retention Rate | 88% | 110% | +22 NRR |
| CSAT Score | 78% | 95% | +17% |
| Product Adoption | 61% | 92% | +31% |
| Revenue Growth (YoY) | Flat | +20% YoY | +20% |
2019–2023 · VP Commercial (fase di crescita)
Revenue scalato 10x riducendo il churn con process redesign e, nell'ultima fase, i primi workflow AI con ChatGPT.
SaaS con PMF raggiunto (€50k ARR) ma nessun playbook scalabile. Churn alto (15%+ mensile). Sales process ad-hoc. Customer success inesistente. 120+ clienti dispersi.
Ridisegno completo di sales + customer success: (1) ICP + buyer personas definiti sui dati, (2) playbook di discovery a 3 stage (Jobs to Be Done), (3) programma di customer success (onboarding + check-in trimestrali), (4) data dashboard per pipeline + visibilità churn, (5) retrospettive settimanali + tracking CAC/LTV. Nella fase finale (2022–2023) ho introdotto i primi workflow AI con ChatGPT per lead scoring e copy outreach.
| Metrica | Prima | Dopo | Delta |
|---|---|---|---|
| Annual Recurring Revenue | €50k | €500k+ | 10x crescita |
| Total Customers | 15 active | 120+ clienti | 8x crescita |
| Churn Rate | 15% monthly | 3% monthly | -80% |
| Net Retention Rate | 85% | 110%+ | +25 NRR |
| CSAT Score | 75% | 95% | +20% |
2024–2025 · VP Commercial (fase startup)
SaaS portato da 0 a 21 clienti in 18 mesi con un GTM AI-native (Claude API).
SaaS giovane, PMF incerto. 0 clienti paganti. Sales cycle 90+ giorni. Outreach manuale non scalabile. Nessun feedback loop.
Costruito un playbook GTM AI-native: (1) lead scoring AI-assisted (Claude API + analisi dati), (2) personalizzazione email a scala (AI + customer research), (3) objection scripting (AI role-play), (4) pipeline review quotidiano (sintesi AI). Retrospettive settimanali per iterare.
| Metrica | Prima | Dopo | Delta |
|---|---|---|---|
| Customer Acquisition | 0 clients | 21 clients | ∞ crescita |
| Revenue | €0 | €1.2M ARR | 3x crescita |
| Cost per Acquisition | €950 (est.) | €500 | -42% |
| Conversion Rate | 3% | 7% | +133% |
| Sales Cycle | 90 days | 30 days | -67% |
— Lab R&D
Oltre ai case aziendali, documento i framework e gli strumenti che costruisco. Building in public.
Guida · Lab R&D
Il framework replicabile per scalare il go-to-market: pipeline, ICP scoring e le fasi che applico in ogni ruolo. Con mockup ispirati a HubSpot e Attio.
→Guida · Lab R&D
Come leggo CAC, LTV, churn e NRR per decidere sui dati. Una dashboard commerciale ricostruita, ispirata a SugarCRM.
→— Prossimo passo
Il metodo è replicabile. Cerco VP Sales, CRO o Head of GTM in azienda ambiziosa — dove i numeri contano.