Vediamo ora un altro esempio di definizione che ha dimensioni e metriche di interesse e di possibili analisi per un e-commerce.

Immaginiamo di avere un e-commerce tipo questo che stiamo vedendo a schermo, ovviamente un sito demo che ha varie sezioni, tra cui la homepage, una delle pagine che contengono delle liste di prodotti divisi per categoria.

Entrando in ciascun prodotto si vede la scheda prodotto, dopodiché io posso aggiungere il prodotto a carrello, vedere il carrello, poi andare al checkout, inserire i miei dati, il metodo di pagamento e pagare e alla fine vedrò la di acquisto.

Immaginiamo che il sito sia confinato a queste pagine qua questo diventa quindi il mio fanne di acquisto, cioè mi immagino che l'utente per una volta che entra sul sito per arrivare ad acquistare debba fare, se non comunque una buona parte di questi step, ad esempio entra sulla scheda prodotto, poi aggiunge al carrello va al carrello checkout e acquista il primo step da effettuare per poter definire che p i metriche dimensioni è quello di capire qual è il nostro obiettivo di business in termini quantitativi.

In questo caso ipotizziamo che il nostro obiettivo sia quello di incrementare il fatturato del trenta percento entro la fine dell'anno.

La seconda cosa che dobbiamo fare è definire quali sono le leve che abbiamo a disposizione per guidare la nostra macchina verso l'obiettivo.

In questo esempio ipersemplificato immaginiamo che la nostra unica leva a disposizione sia quella di poter ottimizzare i vari step che compongono il sito web, ovvero il nostro funnel di acquisto.

Ad esempio possiamo cambiare le cose all'interno delle pagine, modificare i prodotti, modificare il layout e così via.

Iniziamo col definire k i allora il primo K I che dobbiamo misurare e monitorare ovviamente è legato a quello che è l'obiettivo, ovvero il fatturato accanto al fatturato.

Dobbiamo andare a misurare una serie di altri k i sia in termini assoluti che in termini di efficienza, i quali, monitorando, ci daranno un'idea di che cosa sta succedendo all'interno del nostro sito e-commerce.

Tra questi k i misureremo sicuramente le transazioni, cioè le vendite che sono avvenute in un determinato periodo, le quantità di prodotto acquistate e poi due indicatori che ci aiutano a capire quante sono le persone e quante sono in generale e qual è stato il traffico all'interno del nostro sito web.

E questo lo faremo misurando gli utenti e le sessioni.

Dopodiché andremo a misurare anche dei K P i in termini di efficienza, ovvero il tasso di conversione e-commerce, cioè a parità di sessioni che entrano sul sito quante transazioni riusciamo a generare? E poi il fatto medio per transazione, cioè a parità di transazione, quanto fatturato riusciamo a generare? Misureremo anche le quantità medie per transazione che ci aiutano a capire mediamente ogni transazione.

Quanti prodotti vengono acquistati avendo questi K i a disposizione? Quando noi li andiamo a monitorare, avremo una visione top di che cosa sta succedendo e quindi da qui potremo iniziare a capire quali sono le potenziali aree critiche su cui noi dobbiamo soffermarci.

Quando vogliamo fare analisi di dettaglio, abbiamo bisogno di definire una serie di metriche di interesse di livello più basso.

In particolare se il nostro obiettivo è quello di ottimizzare tutto il nostro processo di acquisto, avremo bisogno di una serie di metriche che vanno a misurare step by step quali sono le performance che accompagnano l'utente dall'entrata fino all'abbandono oppure all'acquisto e quindi andremo a misurare la frequenza di rimbalzo, che è una metrica che abbiamo già spiegato nel dettaglio in altre lezioni e quindi qua non rispieghiamo di nuovo, però per sintetizzare è un indicatore che ci aiuta a capire qual è la percentuale di sessioni che entrano ed escono immediatamente dal nostro sito web, quindi ci aiuta a capire qual è la parte di traffico che viene totalmente sprecata perché entra ed esce immediatamente senza fare nulla.

Una seconda metrica di interesse è la durata media della sessione, che ci aiuta a capire mediamente quanto dura ogni visita al sito.

In questo caso noi non vogliamo raggiungere un valore ottimale o un valore massimo.

Siamo più che altro interessati a misurare un range forchetta ai quali estremi ci sono dei valori che noi consideriamo un pochino anomali e che ci aiutano a discriminare eventuali valori di dimensioni e quindi leve che stiamo muovendo rispetto appunto alla durata media delle sessioni.

Faccio un esempio pratico immaginiamo che noi vogliamo misurare le performance delle varie campagne.

Sappiamo che la durata media di navigazione sul sito è tre minuti cinque minuti, dieci minuti, le campagne che ci portano durate medie di dieci secondi, venti secondi, trenta secondi e quindi sono campagne in cui l'utente di fatto non fa quasi nulla, per cui possiamo giudicarle magari in maniera negativa.

Questo è solo un esempio molto molto generico, però, per farvi capire che questo questa metrica ci aiuta più che altro dal punto di vista qualitativo, a escludere cose che sono fuori range medio diciamo.

Poi vogliamo misurare le visualizzazioni delle schede prodotto.

Quindi quando l'utente va sul nostro sito, quante volte effettivamente vede la singola scheda prodotto con tutti i dettagli del prodotto che l'utente potrebbe acquistare e poi aggiunte del prodotto a carrello, poi ancora i checkout avviati.

Il check-out è quella parte del sito in cui L'utente inizia il processo di pagamento, quindi immette i suoi dati, ad esempio di spedizione, sceglie il metodo di pagamento, rivede l'ordine e poi acquista.

Queste sono le metriche di dettaglio che descrivono il singolo processo di acquisto.

Immaginiamo che un utente per acquistare debba per forza vedere una scheda prodotto, debba per forza aggiungere un prodotto a carrello e debba per forza avviare un checkout.

Dopodiché agganciamo una serie di ulteriori metriche di efficienza.

Per esempio la percentuale di aggiunta a carrello diviso, le visualizzazioni di schede prodotto.

Perché? Perché per noi è interessante, ad esempio, confrontare vari prodotti a parità di volte che le loro schede prodotto sono state viste.

Questo perché magari possiamo avere dei prodotti che spingiamo di più, altre che spingiamo di meno e quindi non avrebbe senso confrontare solamente gli acquisti o le aggiunte al carrello per questi prodotti qui, perché hanno livelli di traffico su ciascuno una scheda prodotto che sono differenti.

Quindi ci serve una metrica che li metta a parità di condizioni, ovvero a parità di visualizzazione delle schede prodotto.

Per questo mi misureremo ad esempio la percentuale di giunta a carrello diviso, le visualizzazioni di schede prodotto in maniera tale da mettere a parità di condizioni, capire quali sono i prodotti che vengono una propensione all'aggiunta a carrello maggiore a parità di volte che sono stati visti qua non li ho messi nella slide, ma idealmente potremmo mettere anche la percentuale di acquisti a parità di visualizzazione di schede prodotto che ci dà un'idea della propensione all'acquisto di un determinato prodotto a parità di volte che è stata vista la scheda prodotto.

Dopodiché vogliamo aggiungere anche un'altra metrica come la percentuale di checkout avviato rispetto alla visualizzazione del carrello.

Questo ci aiuta a capire, a parità di persone o di volte, che il carrello è stato visto che immaginiamo essere uno step obbligatorio per chi poi deve andare ad acquistare quante sono le volte che gli utenti hanno avviato il check out.

Questo ci dà un'idea di quant'è la propensione all'avvio del processo di pagamento di persone che di fatto non ancora step un pochino interlocutorio quale può essere quello di aver messo un prodotto a carrello.

Dopodiché vorremmo misurare la percentuale di acquisti completati.

Cioè, pur chase rispetto agli avvii del checkout ci aiuta a capire qual è la propensione del nostro checkout a portare l'utente da quando avvia il check out a finalizzare l'acquisto e poi, volendo analizzare il check out in maniera più granulare, il tasso di prosecuzione da ciascuno step al successivo immaginiamo di avere un check out che si compone di tre step, cioè inserimento di spedizione scelta a metodo di pagamento e acquisto.

Noi vogliamo misurare il tasso di prosecuzione dal primo step successivo dal secondo step all'acquisto in maniera tale da capire gli utenti principalmente dov'è che abbandonano il checkout.

Queste sono le metriche granulari che potrei essere interessato a misurare in ambito ecommerce, ovviamente confinate a quello che è il sito web.

Dopodiché andiamo a vedere quali potrebbero essere le dimensioni di interesse, sempre confinando alle attività, diciamo all'analisi del di quello che accade sul sito ueb.

Allora noi vogliamo misurare tutti gli step di tutto questo processo di acquisto, quindi è come se noi dividessimo tutta la navigazione sul sito e dessimo un nome ad ogni step che l'utente attraversa.

Per esempio, vede l'homepage lo chiameremo homepage.

Vede la categoria prodotto lo chiameremo categoria prodotto.

Vede la scheda prodotto scheda prodotto carrello carrello c'è c'è.

Quindi per ognuno di questi step potremo misurare, ad esempio, quante sessioni sono arrivate a ciascuno step.

Dopodiché, come altra dimensione potremmo voler vedere la sorgenti di traffico immaginando che sul nostro e-commerce gli utenti arrivano da Google Adder Ting, Google Organico, Bing, Adder Ting, Facebook sia organico che advertising, referral, traffico diretto e così via.

Vorremmo vedere per ciascuna di queste sorgenti di traffico quali sono le performance rispetto a tutti i K P i e le metri che abbiamo definito in maniera tale da capire quali sono le sorgenti che performa meglio e quali quelle che performa peggio rispetto ai diversi i.

Stessa cosa potremmo voler fare per i quindi desktop tablet.

Stessa cosa ancora per le città di provenienza.

Perché? Perché ognuna di queste cose, ognuna di queste dimensioni sono associate a leve che io poi posso muovere come manager.

Quindi nel caso degli step posso andare a capire quali sono gli step più visitati degli utenti e poi quelli che causano più abbandoni e cercare di agire di conseguenza.

Per fare questo mi serve una dimensione per ognuno degli step del fan, oppure posso andare ad agire in termini di sorge di traffico, quindi spostando magari il mio del mio budget in maniera tale da portare più traffico dalle sorgenti che hanno le migliori performance.

Questa è un'altra leva che ho a disposizione, per cui io voglio andare ad avere come dimensione una sorgente di traffico.

La stessa cosa per il device.

Io posso voler ottimizzare il mio sito su desktop su mobile o su tablet e quindi ho bisogno di una dimensione che mi aiuti a capire quali sono le performance su diversi dispositivi.

Stessa cosa per le città di provenienza.

Io ad esempio, posso direzionare i miei ait, ad esempio advertising promozionali in diverse città geografiche, localizzazione geografica o città di provenienza, e quindi ho bisogno di ogni dimensione che mi aiuti a capire ogni città quali sono le sue performance.

Stessa cosa per le date un giorno l'orario e così via.

Questo è un esempio super semplificato.

Chiaramente io quando gestisco l'e-commerce ho molte più leve a disposizione e ho bisogno di tante dimensioni di vario livello granulare o top level, che mi aiutano a capire ciascuna macro leva quando io la muovo.

Che cosa sta succedendo in termini di performance, però a livello ipersemplificato, questo ci aiuta a capire come ragionare.

A questo punto proviamo a fare un esempio.

In questo caso stiamo cercando di capire quali sono le performance del nostro panel di acquisto in senso allargato, ovvero questo panel di acquisto.

Poi vogliamo farne il breakdown per una dimensione di interesse.

In questo caso è la categoria del dispositivo il device, cioè desktop o mobile o proprio ipersemplificato.

Immaginiamo quindi di misurare come metriche le sessioni, le visualizzazioni dei prodotti, le aggiunte a carrello, i checkout e gli acquisti completati e di avere il black down di queste metriche per desktop e per mobile.

E quindi a questo punto qual è il vantaggio di avere una visione di questo tipo che noi possiamo confrontare queste metriche per ogni step del funnel, per desktop e per mobile, in maniera tale da capire dov'è che effettivamente gli utenti abbandonano più frequentemente il funnel di acquisto.

Immaginiamo quindi di avere le sessioni dieci mila da desktop e diciotto mila da mobile.

Già solo questo numero ci dà un'indicazione, cioè ci dice attenzione quasi il doppio delle sessioni arrivano da mobile rispetto a quelle che ci sono da desktop, ovvero il mobile per noi oggi conta maggiormente in termini di traffico in entrata sul sito.

Quindi cosa vuol dire? Vuol dire che dobbiamo dargli una maggiore attenzione perché di fatto se noi non abbiamo un sito ottimizzato per mobile rischiamo di sprecare quello che è la maggior parte del nostro traffico.

E già avere questa informazione sulla quantità di traffico che arriva da desktop e da mobile ci dà già una indicazione importante.

Dopodiché vediamo lo step successivo, cioè le visualizzazioni delle schede prodotto.

Qua abbiamo che in termini assoluti cinquemila visualizzazioni, schede prodotti le abbiamo avute da desktop, settemila da mobile e qui abbiamo messo tra parentesi la percentuale rispetto alle sessioni di questa azione.

Quindi nelle parentesi noi abbiamo sempre un percentuale rispetto a quello che lo step precedente.

In questo caso quindi abbiamo che cinquemila sono state le visualizzazioni delle schede prodotto e corrispondono al cinquanta per cento delle sessioni.

Nel caso mobile abbiamo invece il trentanove percento, cioè sette mila visualizzazioni, quindi di più di quelle da desktop.

Però, in percentuale rispetto alle sessioni, un numero nettamente inferiore, cioè il trentanove percento.

Cosa vuol dire questo? Quindi? Già questo ci dà una prima idea.

Cioè vuol dire che noi sviluppiamo più traffico da mobile.

Però siamo meno in grado di portare questo traffico a vedere una scheda prodotto, perché solo il trentanove percento del nostro traffico è arrivato alla scheda prodotto contro un cinquanta percento da desktop.

Anche questo ci dà un'indicazione importante.

Dopodiché vediamo lo step successivo l'aggiunta a carrello.

Qua vediamo che i termini in valori assoluti, novecento desktop e cinquecento mobile sono state le aggiunte a carrello in termini percentuali rispetto allo step precedente il diciotto percento, cioè NOVECENTO diviso cinquemila, ha aggiunto a carrello un prodotto da desktop, mentre solo il sette percento lo ha aggiunto da mobile.

Okay, quindi in questo caso non solo siamo stati meno bravi a portare le persone a vedere una scheda prodotto, ma a parità di visualizzazione della scheda prodotto siamo stati anche meno bravi a portare le persone ad aggiungere un prodotto a carrello perché da mobile, a parità di visualizzazioni di schede prodotto, abbiamo avuto un tasso di aggiunta a carrello più basso.

Dopodiché immaginiamo di essere arrivati allo step successivo.

Quindi al checkout abbiamo avuto trecento checkout desktop, centocinquanta mobile.

E se noi se noi li apportiamo a le aggiunte a carrello abbiamo in questo caso una differenza abbastanza lieve, cioè il trentatré percento da desktop contro il trenta percento mobile hanno aggiun- hanno iniziato il percorso di pagamento, cioè il check out rispetto alle aggiunte a carrello, quindi più o meno simile.

Dopodiché la parte dal check out fino all'acquisto completato ha avuto una differenza di performance un pochino più grande.

Cioè abbiamo avuto ottanta acquisti da desktop che corrispondono al ventisette percento dei checkout avviati, mentre da mobile abbiamo avuto il venti percento degli acquisti completati rispetto a un A i checkout avviati, ovvero trenta su centocinquanta.

Quindi, per riassumere, noi abbiamo portato più traffico da mobile quasi il doppio rispetto a quello da desktop.

Ma di questo traffico siamo riusciti a concludere cioè a portare all'acquisto un numero nettamente inferiore su mobile trenta acquisti rispetto a quelli che abbiamo generato da desktop, ovvero ottanta.

In questa slide non c'è, ma sicuramente sarebbe molto utile avere il tasso di conversione complessivo, quindi da sessione fino all'acquisto complessa completato, in cui vedremo chiaramente delle performance nettamente superiori per de rispetto a mobile.

In questa slide però vediamo bene qual è la differenza a livello dei singoli step.

Ovvero qua ci dice che tolto il fatto che abbiamo portato molte più persone a mobile, siamo stati però meno efficienti nel portare le persone che abbiamo portato sul sito a vedere i prodotti.

E poi siamo stati meno efficienti una volta che hanno visto i prodotti anche ad aggiungere i prodotti a carrello molto meno efficienti.

Da quando hanno aggiunto i prodotti a carrello siamo stati più o meno efficienti, uguali rispetto al desktop a portarli al checkout.

Però poi, una volta che loro hanno avviato il checkout, siamo stati ancora di nuovo meno efficienti da mobile a portare l'acquisto completato rispetto a quello che siamo stati adesso.

Abbiamo avuto quindi diversi punti del nostro in cui da mobile siamo stati meno efficienti rispetto a desktop, a portare l'utente a proseguire nel suo percorso.

Innanzitutto a vedere la scheda prodotto poi dalla scheda prodotto da aggiungere a carrello aggiunto a carrello il check out.

Più o meno siamo stati efficienti uguali e poi dal Check-out All'acquisto siamo stati di nuovo meno efficienti.

Abbiamo vari punti in cui potremo focalizzare la nostra attenzione per cercare di ottimizzare le cose.

Da questo momento in poi la nostra scelta può basarsi su ulteriori dati che siamo andati a raccogliere, oppure sul nostro intuito e buon senso di dove andare a intervenire.

Potremmo decidere di fare una B test sulla scheda prodotto per cercare di aumentare da mobile il tasso di aggiunta carrello.

Oppure potremmo decidere di agire sul checkout e cercare di ottimizzare un pochino il flusso di pagamento per portare più utenti da mobile ad acquistare.

La nostra decisione di cosa fare deriva dal nostro buon senso, dalla nostra esperienza, da altri dati che abbiamo a disposizione che abbiamo analizzato.

Già avere questo tipo di dati granulare a disposizione ci aiuta a capire dove dobbiamo focalizzare la nostra attenzione e la nostra futura indagine