In breve
Un’analisi dati per un e-commerce parte dalle domande di chi decide, non dagli strumenti: come vanno le vendite, se i clienti tornano, dove si perdono gli acquisti, se gli A/B test funzionano e quale canale vale di più. In questo progetto di studio le metriche sono definite una sola volta in dbt e MetricFlow sopra BigQuery, e tornano identiche in Power BI e Tableau.
| Scenario | theLook, negozio online di abbigliamento (dataset pubblico e sintetico di Google su BigQuery) |
| Stack | BigQuery (SQL), modello a stella, dbt e MetricFlow, Power BI e DAX, Tableau Public, Python (DuckDB, SciPy) |
| Dati di funnel e test | 5,65 milioni di sessioni simulate su cinque marketplace, bot esclusi |
| Coerenza | 54 test dbt superati; ricavi uguali al centesimo tra MetricFlow e Power BI |
| Per chi decide | Readout di 10 slide e due memo con raccomandazioni |
I dati sono pubblici e sintetici: i numeri mostrano il metodo, non il comportamento di un’azienda reale.
Quali sono le cinque domande?
| # | Domanda del management | Tipo di analisi |
|---|---|---|
| 1 | Quali canali portano clienti che tornano, e quanto vale ciascuno? | Attribution e valore del cliente |
| 2 | Dove si perde il funnel prodotto → carrello → acquisto? | Funnel |
| 3 | I clienti nuovi tornano più o meno di quelli dell’anno prima? | Coorti |
| 4 | Quali categorie pesano di più, e quali hanno più resi? | Analisi descrittiva |
| 5 | Quale variante di un esperimento migliora la conversione? | A/B test |
Come vanno le vendite e i clienti?
| Indicatore (gennaio–settembre 2026) | Valore |
|---|---|
| Ricavi netti | $2,22 milioni, +73,6% sullo stesso periodo del 2025 |
| Giacche, cappotti e jeans | Quasi un quarto dei ricavi ($525K) |
| Resi | 11,7% degli articoli, tra 10,7% e 12,3% per categoria |
| Clienti acquirenti | 24.377, di cui il 41,7% con almeno un riacquisto |
| Riacquisto entro 90 giorni | 12,5% per i clienti 2026 contro 7,6% per quelli 2025 (+4,9 punti, IC 95%: 4,2–5,7) |
| Valore di un cliente nei primi 12 mesi | Tra $49 e $54 di margine lordo, senza differenze significative tra canali |
Dove si perdono gli acquisti?
Su 100 sessioni, 3,2 arrivano al carrello, 1,1 al checkout e 0,8 all’acquisto; canale, browser e dispositivo non cambiano il quadro. Una piattaforma però porta al checkout solo il 15,9% dei carrelli, contro il 37,9% delle altre, in ogni segmento: allinearla varrebbe circa 425.000 dollari di ricavi in più l’anno. È il tipo di risultato che giustifica un intervento mirato.
Gli A/B test hanno funzionato?
- Nessuno dei 6 esperimenti ha un effetto certo dopo la correzione per i confronti multipli: con circa 50.000 utenti per gruppo si vedevano solo effetti dal 6% in su.
- Il confronto prezzi completo ha il 97% di probabilità di migliorare la conversione e una perdita attesa dello 0,05%: si può lanciare gradualmente, aspettandosi un guadagno piccolo (la meta-analisi ridimensiona il +9,2% osservato a circa +0,4%).
- In tutti gli esperimenti con due versioni, la versione completa converte più della leggera (+0,4 punti, p = 0,048).
- Con questa base utenti si possono testare solo modifiche da +5% in su; per vedere un +3% servirebbe il 77% degli utenti.
Quale canale vale di più?
Sette clienti su dieci si iscrivono da Paid Search, ma il canale delle visite successive non dipende da quello di iscrizione (chi-quadro p = 0,13): un modello di attribution non avrebbe segnale. Il valore dei clienti però è misurabile e simile tra canali, quindi i canali si scelgono in base al costo, con un tetto di circa 50 dollari per cliente. Per misurare l’effetto reale di Paid Search è stato progettato un test geografico: sospenderlo nel 30% delle regioni per 6 settimane, con un costo massimo dell’1,45% dei ricavi annui.
Perché definire le metriche una sola volta?
Perché «ricavi», «cliente di ritorno» o «conversione» devono significare la stessa cosa in ogni report. In questo progetto le definizioni stanno in un unico livello semantico (dbt e MetricFlow) e vengono riprese identiche dalle misure DAX di Power BI.
| Metrica | Definizione |
|---|---|
| Ricavi lordi | Vendite esclusi gli articoli cancellati |
| Ricavi netti | Vendite esclusi gli articoli cancellati e resi |
| Ordini | Ordini non cancellati |
| Coorte | Mese del primo ordine non cancellato |
| Retention % | Clienti della coorte che comprano in un dato mese, sul totale della coorte |
Cosa può fare per un’azienda
Le stesse cinque domande valgono per quasi ogni e-commerce, e la risposta parte sempre da dati affidabili:
- un piano di misurazione con metriche condivise tra marketing, vendite e direzione;
- analisi di funnel e coorti per capire dove intervenire;
- disegno e lettura degli A/B test, compresa la dimensione minima del campione;
- dashboard che rispondono a domande, non che mostrano tutti i dati.
Se stai valutando qualcosa di simile per la tua organizzazione, raccontami il tuo caso: partiamo dalle domande a cui deve rispondere, non dalla tecnologia.
Cosa ho imparato
- Le metriche vanno definite una volta sola, in un posto solo: è il modo per evitare discussioni sui numeri.
- Un A/B test va letto con la statistica, non con l’intuito: la significatività conta quanto la differenza.
- Chi decide ha bisogno di un memo, non di una dashboard: la sintesi è parte dell’analisi.
Domande frequenti
Quali sono le metriche principali per analizzare un e-commerce?
Ricavi netti, ordini, tasso di reso, clienti che riacquistano (retention per coorte), conversione del funnel e valore del cliente per canale, tutte con una definizione unica condivisa tra i team.
Quanti utenti servono per un A/B test?
Dipende dall’effetto da misurare: in questo progetto, con circa 50.000 utenti per gruppo, si vedevano solo effetti dal 6% in su, e per un +3% sarebbe servito il 77% degli utenti.
Che cos’è un semantic layer?
È un livello in cui le metriche vengono definite una sola volta (per esempio con dbt e MetricFlow) e riusate da tutti gli strumenti di analisi, così ogni report dà gli stessi numeri.

