Un ingaggio di consulenza simulato: dai dati grezzi di un negozio online a un modello controllato da 54 test, due report, un readout per il management e cinque raccomandazioni.
Come vanno le vendite, e quali categorie pesano di più?
Bene: $2,22 milioni di ricavi netti da gennaio a settembre, il 73,6% in più del 2025. Settembre vale il doppio di un anno prima.
Ricavi netti mensili nel 2026
Migliaia di dollari
195gen
179feb
217mar
210apr
238mag
251giu
277lug
306ago
347set
ordini non cancellati
29.123
valore medio dell’ordine
$86,32
margine lordo
51,8%
articoli resi
11,7%
Giacche, cappotti e jeans fanno quasi un quarto dei ricavi. I resi sono simili in tutte le categorie, dal 10,7% al 12,3%.
Ricavi netti per categoria, le prime dieci
Gennaio–settembre 2026, migliaia di dollari
Giacche e cappotti$265K
Jeans$260K
Maglioni$170K
Abiti e giacche sportive$140K
Felpe$137K
Costumi da bagno$130K
Pigiami e loungewear$117K
Shorts$108K
T-shirt e top$98K
Vestiti$95K
Come l’ho verificato
Il dataset pubblico viene rigenerato: lavoro su una fotografia fissa, con righe e totale di controllo per riconoscerla.
L’analisi si ferma al 30 settembre: un controllo settimanale ha trovato i dati di fine ottobre gonfiati dal generatore.
I ricavi netti, $2.219.620,07, escono identici da SQL, Power BI e MetricFlow.
Cosa consiglio
Un controllo automatico della qualità prima di ogni aggiornamento dei report: senza, ottobre avrebbe mostrato una crescita del 30%, in buona parte falsa. Una prima versione è già nel progetto dbt.
Domanda 2 di 5theLook, coorti 2025 e 2026
I nuovi clienti tornano a comprare?
Sì, e sempre di più: entro 90 giorni ricompra il 12,5% dei clienti acquisiti nel 2026, contro il 7,6% di quelli del 2025.
Clienti che ricomprano entro 90 giorni dal primo acquisto
Per anno del primo acquisto
Clienti 20257,6%
Clienti 202612,5%
La differenza è di 4,9 punti, con un intervallo di confidenza al 95% da 4,2 a 5,7, e cresce di circa mezzo punto per ogni coorte mensile. I clienti di ritorno passano da circa 1.000 al mese a gennaio a 1.900 a settembre.
Clienti di ritorno al mese nel 2026
Migliaia di clienti con un ordine che non è il loro primo
1,0Kgen
0,9Kfeb
1,1Kmar
1,1Kapr
1,3Kmag
1,3Kgiu
1,4Klug
1,7Kago
1,9Kset
Come l’ho verificato
Coorte = mese del primo ordine non cancellato. Confronto 2026 contro 2025 con un test z su due proporzioni.
Una regressione sulle coorti mensili mostra una crescita lineare di circa mezzo punto al mese (R² 0,83).
I dati sono sintetici: una crescita così regolare può dipendere dal generatore più che dai clienti.
Cosa consiglio
Fare del riacquisto entro 90 giorni un indicatore ufficiale, con una sola definizione in tutti i report, e scomporlo per canale e categoria prima di attribuirlo a un’iniziativa.
Domanda 3 di 5Marketplace simulati, 2023–2024
Dove si perdono gli acquisti?
Al checkout di Flipkart: ci arriva il 15,9% dei carrelli, contro il 37,9% delle altre piattaforme. Allineato alle altre, varrebbe circa $425.000 di ricavi in più l’anno.
Per funnel ed esperimenti ho usato un secondo dataset, perché theLook non ha esperimenti: 5,7 milioni di sessioni su cinque marketplace.
Su 1.000 visite
Nei riquadri blu, la quota che passa da una fase alla successiva
1.000visite
3,2%32carrelli
34,3%11checkout
71,9%8acquisti
Canale, browser e dispositivo non cambiano nulla. Le piattaforme sì, ma in un solo passaggio.
Carrelli che arrivano al checkout, per piattaforma
2023–2024
Walmart38,4%
Amazon37,9%
BestBuy37,8%
eBay37,5%
Flipkart15,9%
Come l’ho verificato
Con milioni di sessioni ogni differenza è significativa, quindi conta la sua forza: V di Cramér sotto 0,01 per canale, browser e dispositivo, 0,17 per Flipkart.
Il calo di Flipkart resta tra il 14% e il 17% per ogni dispositivo, canale, paese e trimestre: è il passaggio al checkout, non un gruppo di clienti.
Ho escluso 121.242 sessioni di bot. Dove la documentazione del dataset non coincide con i dati, valgono i dati.
Cosa consiglio
Ricostruire il passaggio dal carrello al checkout su Flipkart (pagine, dati richiesti, metodi di pagamento) e testare una correzione.
Domanda 4 di 5Marketplace simulati, 6 esperimenti
Gli esperimenti sul sito hanno funzionato?
Nessuno con certezza: con circa 50.000 utenti per gruppo, i test potevano vedere solo effetti dal 6% in su.
Effetto di ogni variante sulla conversione
Il punto è il lift rispetto al controllo, la barra l’intervallo di confidenza al 95%: se attraversa lo zero, l’effetto non è certo. Passa sopra una riga per i dettagli.
Timer nei saldi, versione completa1.344 utenti+10,5%
Confronto prezzi, versione completa5.330 utenti+9,2%
Badge prezzo minimo49.990 utenti+2,5%
Confronto prezzi41.914 utenti+1,1%
Riprova sociale, versione completa26.683 utenti+0,8%
Riprova sociale9.994 utenti+0,7%
Prezzo di riferimento49.943 utenti-0,8%
Riprova sociale, versione leggera26.358 utenti-1,5%
Timer nei saldi47.945 utenti-2,4%
Avviso sconti gonfiati50.207 utenti-2,9%
Confronto prezzi, versione leggera5.153 utenti-4,6%
Timer nei saldi, versione leggera1.263 utenti-14,8%
-30%-20%-10%0%+10%+20%+30%
La più promettente è la versione completa del confronto prezzi: +9,2%, con il 97% di probabilità di migliorare la conversione. Letta insieme alle altre 11 varianti, però, la stima scende a circa +0,4%.
La stessa idea, in versione leggera e completa
Conversione per utente. In tutti e tre gli esperimenti la versione completa converte di più.
Confronto prezzileggera7,92%
completa9,06%
Timer nei saldileggera7,28%
completa9,45%
Riprova socialeleggera8,25%
completa8,44%
Come l’ho verificato
Unità di analisi: l’utente, non la sessione. I gruppi sono bilanciati per archetipo, dispositivo, canale e paese (V di Cramér al massimo 0,014).
12 confronti con la correzione di Holm: nessuno resta significativo, né sulla conversione né sui ricavi per utente.
Lettura bayesiana con distribuzione a priori uniforme e meta-analisi a effetti casuali (DerSimonian-Laird), che ridimensiona le stime più alte.
48 test di eterogeneità per segmento, nessuno significativo dopo la correzione. Il “segmento cliente” del dataset è escluso: è costruito sugli acquisti.
Domanda 5 di 5theLook e marketplace simulati
Quale canale porta più valore?
Nessuno in particolare: nel primo anno un cliente vale tra $49 e $54 di margine, da qualsiasi canale arrivi.
Margine lordo per cliente nei primi 12 mesi, per canale di iscrizione
theLook, clienti con il primo acquisto tra gennaio e settembre 2025. Differenze non significative (p = 0,11). La linea tratteggiata è il tetto di $50 per cliente.
Email551 clienti$54,19
Paid Search7.627 clienti$52,51
Display438 clienti$51,69
Social652 clienti$51,13
Organic Search1.627 clienti$48,61
Se i clienti valgono lo stesso, conta quanto costa acquisirli: oltre circa $50 per cliente, un canale perde soldi nel primo anno. Un modello di attribution qui non aiuta, perché nei dati non ci sono percorsi tra canali.
Quota di acquisti attribuita a ogni canale
Marketplace simulati. Scegli un modello: le barre restano ferme, perché ogni modello dà la quota di traffico.
Ricerca organica30,9%
Diretto22,1%
Ricerca a pagamento17,9%
Social14,0%
Email8,0%
Referral4,9%
Affiliazione2,1%
Come misurare Paid Search
Spegnerlo in alcune regioni e confrontarle con le altre. Una simulazione sui ricavi storici di theLook dice come:
delle regioni senza Paid Search, scelte a caso
30%
di durata del test
6 sett.
incrementalità minima che il test può vedere
46%
dei ricavi annui: costo nel caso peggiore
1,45%
Come l’ho verificato
10.895 clienti seguiti per 12 mesi dal primo acquisto, con intervalli di confidenza bootstrap. Margine: Kruskal-Wallis p = 0,11; riacquisto: chi-quadro p = 0,18.
Su 539.467 percorsi utente: last click, first click, lineare, a U e removal effect delle catene di Markov.
Test geografico: 3.000 simulazioni senza effetto (A/A) sulle 129 regioni che fanno il 95% dei ricavi, con 13 settimane di confronto prima del test.
Cosa consiglio
Un tetto di circa $50 per cliente, uguale per tutti i canali, e un test geografico su Paid Search. Intanto, raccogliere i dati che servono per l’attribution: canale di ogni sessione, contatti prima dell’acquisto, costi.
Come è fatto
Il percorso dei dati, dalla fonte al readout. Ogni passaggio legge solo dal precedente e le metriche sono definite una volta sola.
theLookvendite e clienti
BigQuerydati pubblici, rigenerati di frequente
Fotografiacopia fissa con righe e totale di controllo
Staging e martschema a stella in SQL e in dbt, 54 test
MetricFlow14 metriche con un’unica definizione
Power BI e Pythonreport, coorti, valore dei canali, test geografico
Marketplacefunnel, esperimenti e canali
Kaggle5,77 milioni di sessioni, 3,1 GB
DuckDB in ColabSQL sui file, senza caricarli in memoria
Notebookfunnel, attribution e A/B test in Python
Tableau Publicdashboard su dati già aggregati
Readout e memo per il management: un’unica storia dai due dataset.
Problemi trovati lungo la strada
Power BI e MetricFlow davano totali diversi.
Il dataset pubblico era cambiato da un giorno all’altro. Da allora si lavora su una fotografia fissa, con la sua carta d’identità.
Ottobre cresceva del 30% sul mese prima.
Le ultime settimane erano gonfiate dal generatore. Taglio al 30 settembre e un test che segnala le settimane anomale.
Un segmento convertiva al 100%, un altro allo 0%.
Era una variabile costruita sugli acquisti: esclusa dalle analisi per segmento.
La documentazione non coincideva con i dati.
Conversione, numero di paesi e due segnali sempre falsi. Valgono i dati, e le differenze sono dichiarate.
Materiali
I report, la dashboard e tutto il codice.
Report Power BI, pagina VenditeRicavi mensili contro il 2025, categorie e resi. File e misure DAXReport Power BI, pagina ClientiMatrice delle coorti, clienti nuovi e di ritorno, canali. File e misure DAXDashboard Tableau PublicCheckout per piattaforma, esperimenti e canali, con i dettagli al passaggio del mouse. Apri la dashboard interattiva
