Vediamo adesso che cosa sono le dimensioni di interesse che sono l'altro mattone fondamentale in ambito digital analytics.

Una dimensione di interesse di fatto è un attributo normalmente testuale, per cui io vado a effettuare delle misurazioni dei K P i e delle metriche di interesse che io ho definito.

Facciamo però prima una premessa i manager per muovere la loro macchina, cioè il loro business verso gli obiettivi che si sono prefissi, hanno a disposizione una serie di leve che possono muovere.

Ad esempio, tra queste leve ci sono i canali di acquisizione, ovvero io posso allocare una serie di risorse effort e budget per far vedere i miei prodotti e i miei servizi a degli utenti che corrispondono a un certo target e li posso portare sul mio sito web, dove poi posso convincerli a comprare i miei prodotti o servizi.

Quindi la macro leva chiamiamola è il canale di acquisizione al cui interno però ci sono delle leve più piccole che io posso muovere.

Per esempio io posso decidere di allocare risorse a forte budget su diverse piattaforme su Google Apps su meta, quindi Facebook e Instagram, su Tik Tok e e così via e all'interno di ciascuna piattaforma.

Poi ci sono tutta una serie di micro leve che io posso muovere, per esempio nelle campagne su Facebook o su Instagram.

Io posso appunto definire quali campagne attivare per ciascuna campagna definire uno o più ad set in cui poi definirò il mio target, i posizionamenti e tutta una serie di altri parametri che determina effettivamente come la campagna viene visualizzata e da chi a seconda di come io muovo tutte queste micro leve.

Ovviamente le performance di tutto il canale, quindi di tutta la leva possono variare e in generale quindi io posso raggiungere o meno i miei obiettivi in base a come ho mosso le mie micro leve in quanto manager, io voglio cercare di capire qual è l'effetto effetto del movimento di ciascun parametro, di ciascuna micro leva rispetto alle mie performance complessive di business, quindi ai miei k p i e anche a una serie di metriche di interesse che mi aiutano a capire che cosa sta succedendo quando io muovo una determinata leva in un modo o in un altro, vediamo un esempio.

In questo esempio noi vediamo nella dashboard una tabella che ci fa vedere la dimensione canali e tutti i valori che essa ha assunto nel periodo selezionato.

Quindi la dimensione canali poteva essere traffico diretto.

Poteva essere ricerca a pagamento le persone che hanno cliccato gli annunci, ad esempio su google poteva essere influencer, influencer, marketing di utenti, appunto influencer che hanno magari pubblicato qualche post con un link al sito, annunci di bin gas e così via.

Quindi la macro leva canali può assumere questi valori e io quindi già se ho una dimensione che si chiama canali e che viene popolata con questi valori come manager ho una prima visione di alto livello di quelle che sono le mie performance, sia in termini di traffico, come vediamo qua in in questo caso di k p i.

Che di altre metriche che mi possono essere utili per capire che cosa sta succedendo.

Nel caso di questo esempio io vedo tra le altre metriche la frequenza di rimbalzo e quindi la percentuale di sessione che entra ed esce immediatamente dal sito senza fare nulla.

E poi posso vedere altre metriche quali il tasso di conversione e-commerce, cioè il rapporto percentuale tra transazioni e sessioni e poi le transazioni e il fatturato.

Le entrate quindi già da questa prima tabella mi posso rendere conto ad altre livello di che cosa sta succedendo.

Se io adesso vado a mettere un filtro per isolare solo i dati della ricerca a pagamento, posso fare da qua sopra.

Ora i dati che vedrò nella tabella sottostante e in quelle successive sono legati soltanto al canale ricerca a pagamento.

Se scendo sotto, io vedo tutte le campagne nel canale ricerca a pagamento che ho avuto attivo nel periodo selezionato e quindi è come se scendessi a un livello.

Nella mia analisi sto isolando la ricerca a pagamento e sto cercando di fare un conto confronto tra le varie campagne per capire quelle che hanno avuto la migliore performance rispetto ai diversi k p i che io ho definito se voglio scendere di un livello.

Io non ho bisogno soltanto di una dimensione che identifica su quali canali io ho investito risorse e budget, ma ho bisogno di una dimensione ulteriore che si chiama campagna e che mi fa vedere all'interno del singolo canale.

Il vario budget può essere stato diviso in diverse campagne e quindi in questa maniera riesco a vedere in quali campagne ho avuto le performance migliori e di conseguenza, decidere di riallocare il budget oppure di modificare le le campagne in funzione di questi dati all'interno di ciascuna campagna della ricerca a pagamento.

Io posso avere una serie di parole chiave che possa portare all'attivazione dei miei annunci e quindi io, facendo il confronto anche sulla dimensione parole chiave, posso cercare di capire ancora in maniera più granulare quella singola campagna o quelle singole campagne.

Come stanno performando in base alle diverse parole chiave che io ho utilizzato.

Ad esempio, posso vedere che la parola chiave ne prendo uno a caso.

Google T-shirt ha avuto un traffico all'incirca dell'uno virgola quarantatré per cento sul totale e ha avuto una frequenza in basso circa il trenta per cento ha portato cinquantadue transazioni con un tasso di conversione del cinque e ventitré per cento.

Altre parole chiave quali ad esempio Google Mecha, Andy Store, Merch Store scritto Io ho ancora Google closing ha avuto un traffico circa la metà ha avuto un una frequenza rimbalzo uguale e un tasso di conversione, però un po' più basso.

Quindi, in base anche a questi numeri, posso decidere di modificare o riallocare il mio budget in base agli insite che ho dedotto.

Quindi per sintetizzare, per poter muovere le mie leve e le mie micro leve che ho a disposizione.

Io devo trovare una corrispondenza tra le cose che posso fare in ciascuna leva e una serie di dimensioni che rappresentano appunto la micro leva.

Questione nel caso dei canali io ho identificato come dimensione canali all'interno c'è il valore pate search che è uno dei possibili canali e all'interno della sotto leva pete search.

Io ho una serie di micro leve che posso muovere, tra cui decidere quante e quali campagne attivare e in ciascuna campagna, per esempio posso decidere quali parole chiave andranno a attivare i miei annunci oppure no.

L'ho ipersemplificato la parte soprattutto l'advertising però solo per far capire che all'interno di ogni leva ci sono una serie di micro leve spesso concatenate una dentro l'altra nidificati di cui io però come manager voglio vedere effettivamente i dati e gli effetti quando io ho mosso le leve in una maniera o nell'altra e per fare questo devo trovare una o più dimensioni che possono essere associate alle micro leve che io posso muovere.

Nel caso della ricerca a pagamento qua ne ho fatte vedere tre di esempio in realtà ce ne sono molte di più.

Ma questo è solo un esempio perché io potevo avere altre macro leve di cui volevo andare a studiare i singoli movimenti che potevo fare e di conseguenza andare a definire una serie di dimensioni.

Faccio altri esempi per capire meglio tra le varie leve che io posso utilizzare.

Ad esempio c'è la targhettizzazione dei miei messaggi, io posso decidere di far vedere ad esempio ai maschi del mio audience un determinato annuncio, un determinato prodotto e alle femmine un altro annuncio e un altro prodotto.

Quindi gli attributi associati all'utente, quali ad esempio il mi, aiutano a capire quali sono le mie performance in base proprio a valori che questo genere può avere.

Quindi se è maschio, io posso magari avere più vendite, più tasse di conversione, più fatturato se è femmina posso avere una quantità diversa.

Sulla base di questo inside posso prendere decisioni.

Quindi il genere tipicamente è una dimensione che io come manager voglio avere, perché rappresenta una caratteristica del mio audience del mio target, che mi aiuta poi a capire meglio come direzionare i miei sforzi pubblicitari e come configurarli al meglio allo stesso modo l'età, o meglio la fascia di età chiaro che a un adulto nella fascia cinquantacinque sessantaquattro anni potrei far vedere un annuncio che sarà diverso di quello che farò vedere a diciotto ventiquattrenne, quindi avere a disposizione una tabella tipo quella che sto mostrando schermo in cui invece della colonna canali ci sia la colonna genere oppure la colonna fascia di età, ciascuno con i rispettivi valori.

Quindi immaginiamo per la colonna genere di avere due righe maschio femmina o c'è anche un specificato, il terzo valore non specificato.

A quel punto io confrontando il valore della dimensione genere con le varie metriche e k che sto guardando insieme posso estrarre insite e poi decidere di muovere determinate leve.

Di conseguenza, quindi, in generale io devo andare a definire una serie di dimensioni legate a tutti gli aspetti di leve che posso muovere nel mio ambito di marketing e business.

Ci saranno una serie, ad esempio, di attributi legati agli utenti, quali il genere l'età, gli interessi, la provenienza geografica e così via.

Ci potrebbero essere ulteriori attributi sempre legati agli utenti, come se questo utente è già un mio cliente oppure no.

E poi posso avere ulteriori attributi invece non più legati all'utente, ma altri aspetti quali ad esempio la sua sessione, cioè quando lui visita il sito.

Lui lo potrebbe fare, ad esempio da mobile o da desktop, oppure da tablet.

Di conseguenza io voglio avere una dimensione in cui vado a memorizzare il tipo di dispositivo da cui gli utenti sono entrati.

Ci sono quindi un po' di visite da desktop, un po' di visite da mobile, un po' di visite da tablet.

E per ciascuna di questi valori io potrei andare a vedere tutte le mie metriche k P i che ho definito.

Ed è proprio il confronto tra i valori tra desktop mobile e tablet che mi potrebbe generare degli insight e di conseguenza farmi muovere alcune leve tra queste leve.

Ad esempio, potrei scoprire, facendo questo tipo di analisi, che il mio sito non è ottimizzato da mobile per quanto riguarda tutto il flusso di checkout, quindi tutta la parte legata al pagamento.

Questo lo potrei vedere proprio da questo tipo di dati e facendo un confronto del tasso di abbandono del check out tra desktop mobile e tablet, ad esempio, e quindi di conseguenza potrei decidere di muovere la mia leva di ottimizzazione del sito da mobile andando a rivedere o a modificare ottimizzando il check out da mobile.

Una volta effettuata questa operazione, potrei vedere poi nei dati un incremento delle performance per la riga mobile rispetto a una serie di K i che ho definito, tra cui ad esempio, il tasso di abbandono del check out.

Quindi è molto molto importante capire tutte le cose che posso fare come manager e sulla base di le leve che io posso muovere definire tutte le dimensioni di cui ho bisogno per poter valutare le mie mosse.

Ogni leva ha le sue, quindi c'è la leva dei canali di traffico che hanno tutta una serie di di micro leve e di conseguenza di dimensioni associate.

Ci sarà la leva del se o della e anche lì ci saranno una serie di dimensioni e di metriche associate e ci saranno anche delle leve email marketing.

Ci saranno il sito web l'organizzazione dei prodotti e così via.

Questa è proprio qui la bravura di fatto dello stratega di Analytics che riesce a capire in base alle esigenze del manager, delle leve che può muovere delle decisioni che può prendere, capire quali sono le dimensioni che lui deve andare a tracciare e ovviamente anche k p e le metriche, come abbiamo detto precedentemente