Cinque domande che ogni e-commerce si fa, e cinque risposte dai dati

Vendite, riacquisti, funnel, A/B test e canali: un’analisi dati e-commerce con BigQuery, dbt, Power BI e Python, con i risultati in tabelle.

·

in
theLook Analytics: cinque domande di business su un e-commerce

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.

Il progetto in meno di un minuto.
ScenariotheLook, negozio online di abbigliamento (dataset pubblico e sintetico di Google su BigQuery)
StackBigQuery (SQL), modello a stella, dbt e MetricFlow, Power BI e DAX, Tableau Public, Python (DuckDB, SciPy)
Dati di funnel e test5,65 milioni di sessioni simulate su cinque marketplace, bot esclusi
Coerenza54 test dbt superati; ricavi uguali al centesimo tra MetricFlow e Power BI
Per chi decideReadout 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 managementTipo di analisi
1Quali canali portano clienti che tornano, e quanto vale ciascuno?Attribution e valore del cliente
2Dove si perde il funnel prodotto → carrello → acquisto?Funnel
3I clienti nuovi tornano più o meno di quelli dell’anno prima?Coorti
4Quali categorie pesano di più, e quali hanno più resi?Analisi descrittiva
5Quale 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 jeansQuasi un quarto dei ricavi ($525K)
Resi11,7% degli articoli, tra 10,7% e 12,3% per categoria
Clienti acquirenti24.377, di cui il 41,7% con almeno un riacquisto
Riacquisto entro 90 giorni12,5% 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 mesiTra $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.

MetricaDefinizione
Ricavi lordiVendite esclusi gli articoli cancellati
Ricavi nettiVendite esclusi gli articoli cancellati e resi
OrdiniOrdini non cancellati
CoorteMese 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.

Fonti e riferimenti

Scritto da

Stefano Manco

Dal 2004 tra comunicazione, UX e front-end, SEO tecnica e analytics; oggi sperimento con AI, LLM e applicazioni basate sui dati.