In questa lezione vediamo due rapporti che secondo me sono veramente di secondaria importanza.

Quindi se per caso non volete perdere particolare tempo, sentitevi liberi di skippare.

Questa lezione diciamo non credo che vi cambierà la vita, però se invece siete interessati ai report di coorte e di Life and che si trovano su G nella sezione Esplora, allora potete vedere questo video e aggiungo anche che, anche se quei report non sono particolarmente utili dal mio punto di vista e adesso vi spiegherò il perché.

Però la mentalità che serve, la metodologia di analisi che questi report um utilizzano secondo me è utile e interessante in altre circostanze, per cui sono cose che secondo me vale la pena conoscere.

Quindi se non avete tempo da perdere skippare.

Se invece vi interessa la parte di analisi dei dati e capire come estrarre degli insetti utili la vostra base dati con le analisi di corte, rimanete in questo video.

Vediamo, ci troviamo come al solito nella sezione Esplora di G a quattro per il Google Merchandise Store e i rapporti in questione che voglio velocemente andare a vedere in questo video sono esplorazione della corte e dell'utente che sono si basano su concetti abbastanza simili e soffrono di fatto degli stessi problemi.

Partiamo da esplorazione della Corte Quando noi clicchiamo sull'icona come al solito lui crea un report con una sorta di predefinito e adesso cerchiamo di capire che cos'è effettivamente questo grafico e come si legge e soprattutto perché è utile allora nelle sue impostazioni di default.

Quindi senza che io vada a modificare nulla qui a sinistra Lui cosa fa? Eh? Partendo da questo periodo che ho impostato qua sulla sinistra, lui va a dividere questo periodo di fatto in corti, cioè in periodi.

Diciamo che teoricamente dovrebbero essere di settimane qua dal quindici al diciassette la corte è più piccola semplicemente perché evidentemente questa non parte da una settimana intera e lui evidentemente ragiona per settimane predefinite.

Quindi vedi dal diciotto al ventiquattro, dal venticinque al due febbraio, dal tre al nove, dal dieci al tredici.

Perché? Perché il nostro periodo finisce il tredici, così come dal quindici al diciassette.

Perché? Perché il nostro periodo iniziava il quindici.

Quindi la cosa migliore qui sarebbe in realtà mettere un periodo in maniera tale che ci siano settimane intere e non pezzettini di settimane.

Vedete qua, per esempio, lui parte dal quindici, mentre invece la settimana successiva parte dal diciotto.

Quindi se noi volessimo prenderla per intero, diciamo dovremmo dovremmo partire dall'undici e diciamo finiamo.

Proviamo a fare così vediamo un secondo.

Okay, va bene così.

C'abbiamo quattro corti teoricamente dovrebbero essere intere, ma adesso non è questa la cosa importante.

Se se avessi sbagliato anche di un giorno in cui in uno di questi diciamo non è adesso questa la cosa importante, la cosa importante è capire più che altro il il modo con cui questo report può essere analizzata e perché ci potrebbe essere utile allora, ciascuna di di queste di questi periodi qua per ciascuno di questi periodi qua noi andiamo a vedere quanti sono gli utenti che sono stati acquisiti, cioè sono entrati per la prima volta sul nostro sito in questo periodo.

Per esempio, tra il quindici e il diciassette febbraio sono stati acquisiti tremilanovecentoquarantadue utenti, cioè sono tremilanovecentoquarantadue gli utenti che per la prima volta nella loro vita sono entrati sul sito qui in questo periodo qua tra il diciotto e il ventiquattro febbraio, diciassettemilacinquecento Sessantotto tra il venticinque e due febbraio e diecimila ottocentocinquanta.

Quindi questi sono tutti gli utenti che sono entrati per la prima volta sul sito ciascuno nel periodo in cui è entrato per la prima volta ciascuno di questi gruppi di utenti si chiama coorte.

Ora la domanda che noi ci facciamo è con V.

Vogliamo confrontare le performance di questi gruppi di utenti, cioè di queste corti rispetto a determinati criteri? Tipicamente.

Quello che vogliamo fare è seguire questi gruppi di utenti nel tempo per vedere per esempio, se un gruppo di utenti che è stato acquisito un certo periodo è rimasto più fidelizzato al nostro sito oppure ha fatto più transazioni nel tempo sul nostro sito e così via per capire se qualche gruppo di fatto contiene utenti di maggior valore rispetto ad altri.

Immaginiamo, ad esempio, che io durante questo periodo ho fatto delle campagne.

Queste campagne sono variate.

Magari qui ho fatto, che ne so, la campagna di San Valentino.

Qui ho fatto una campagna successiva qui ho fatto la campagna di inizio marzo così e allora mi chiedo ma tra queste varie campagne ce n'è qualcuna che mi ha portato utenti di maggior valore? Quindi io vado di fatto a analizzare i vari gruppi di utenti e li seguo nel tempo per vedere effettivamente che cosa hanno fatto.

Quindi lui dice Prendiamo per esempio questo gruppo qua.

Diciassettemila utenti.

Ne in questa settimana ne ho acquisiti diciassettemilacinquecento sessantotto di questi.

Quanti poi sono tornati sul sito anche la settimana successiva, Cioè la settimana uno quattrocentotrentasette, ovvero il due virgola.

Quarantanove percento.

Okay, sempre del di questa corte.

Quanti sono tornati la settimana? Due.

Uno.

Cioè l'uno virgola zero otto percento durante la settimana.

Tre zero virgola.

Sessantuno percento.

Quindi, vedete, qua ci ci fa vedere un po'.

Il decadimento, diciamo di fidelizzazione di questa corte qui.

Ovviamente noi idealmente vorremmo più utenti tornassero nelle varie settimane in maniera tale che più torno.

E magari ci immaginiamo che più comprano, più fanno le azioni che noi vogliamo, più restano affezionati al nostro brand.

Quindi, quando individuo una corte che ha una percentuale di utenti che rimane fidelizzata più a lungo o che compra più a lungo nel tempo, per me quella corte è di maggior valore, Quindi E quindi è come se avessi de mi dicessi a me stesso.

Okay, quindi quella campagna che io ho fatto per acquisire quella corte di utente, evidentemente ha funzionato meglio di altre campagne.

Quindi è un modo questo per andare oltre la valutazione del mero tasso di conversione di una campagna che si esaurisce alla prima sessione va oltre questa cosa qua e ci ce ci permette di fare emergere il valore di campagne o idealmente di altre attività nel tempo, non soltanto nella prima volta che qua quanti primi acquisti mi hanno portato, ma proprio nel tempo, seguendo gli utenti nel tempo.

Ora ci vediamo um alcune cara- molto velocemente alcune caratteristiche.

Poi vi spiego il perché questo report purtroppo c'ha grossi problemi.

Allora innanzitutto qua io ho detto um questi utenti sono quelli che sono entrati per la prima volta sul sito in questo periodo qua in ciascuno di questi periodi qui.

In realtà questo criterio, cioè la prima volta che sono entrati sul sito io lo posso modificare con questo switch.

Quindi io potrei dire no, non voglio vedere quelli che sono per la prima volta entrati in contatto col sito magari e voglio vedere quelli che hanno fatto una transazione in questo periodo.

Quindi okay quelli che hanno fatto la transazione in questo periodo.

A questo punto la corte è formata da gente che ha fatto una transazione almeno una transazione.

In questo periodo selezionato ciascuno per il suo periodo e seguo questi utenti che sono entrati in questa corte nelle settimane successive per vedere quanti poi sono tornati sul sito.

Quindi c'è un criterio di inclusione per decidere quali utenti entrano in ciascuna corte e io lo posso modificare da qui.

Tipicamente le corti più semplici sono quelle con l'acquisizione il primo punto di contatto, ma io, volendo potrei potrei cambiare questo criterio.

Poi ci sta un criterio di ritorno, cioè quand'è che io considero l'utente che è tornato sul sito qua di default lui mette qualsiasi evento, cioè quando l'utente torna e fa qualsiasi azione sul sito.

Allora io lo considero tornato la settimana uno o la settimana, due la settimana tre e così via.

Però posso restringere questo criterio e dire no io per me è tornato quando lui fa una transazione e quindi diciamo um lui entra sul sito ma per me io io dico che lui e poi è tornato se ha comprato e così via.

Adesso secondo me non ha molto senso addentrarci in tutti questi dettagli.

Perché? Perché questo Repos ha un grosso limite.

Il limite qual è? È quello che, come si può vedere anche da qua sopra è basato solo su i dati del dispositivo, cioè in altre parole sui cookie o sull'app su su sulla parte di identificativo del dispositivo.

Però, immaginiamo il sito web.

Il problema qua è legato ai cookie.

Quindi se io ovviamente non ho altri modi per identificare l'utente, questo report lascia il tempo che trova, perché g a quattro non è in grado veramente di capire che questi utenti qui poi sono tornati alla settimana uno la settimana, due alla settimana tre, semplicemente perché quando loro tornano, magari tornano da un altro browser, da un altro device, hanno cancellato i cookie eccetera eccetera e quindi lui non capisce che questo, che magari è tornato alla settimana due era lo stesso utente che apparteneva a questa corte e quindi ci fa vedere magari che sono solo gli utenti che sono tornati nella settimana due che appartengono a questa corte, ma magari sono molto di più.

E solo che G a quattro non è stato in grado di saperlo.

Quindi questo rapporto, così come ci sono i limiti oggi degli strumenti analytics e di g a quattro nello specifico e non ci è utile, anzi potrebbe essere particolarmente fuorviante e potrebbe essere semplicemente il caso che ha determinato che lui in questa settimana magari un po' meno utenti, hanno cancellato i cookie per qualsiasi motivo.

E allora io ne vedo di più, ma ovviamente è una cosa casuale.

Quindi Quindi questo tipo di rapporti che si basano sul seguire cosa fanno gli utenti nel tempo? Ovviamente partono dall'assunto di poter identificare in maniera corretta gli utenti nel tempo, se questo non avviene come non avviene su G a quattro, così come negli altri strumenti analitici, a meno di non seguire utenti che si sono loggati.

Se questo non avviene, ovviamente questo diciamo, non non ha poco senso.

Okay, magari dico io se uno utilizza i segmenti e quindi riesce, attraverso i segmenti a migliorare il grado di accuratezza, per esempio andando a isolare soltanto gli utenti che hanno fatto login, eccetera, eccetera, magari questo report gli può dare qualche informazione utile.

Però così com'è come magari la maggior parte della gente vorrebbe utilizzarlo, secondo me è poco utile.

Ora, prima di chiudere la lezione, andiamoci a vedere un altro report che ha secondo me idealmente una potenziale utilità che però purtroppo è limitata sempre per gli stessi motivi, ovvero questo report sul che cos'è è il valore che un utente porta da quando diventa cliente.

Poi nella sua vita, nella sua relazione che ha con un determinato brand.

Immaginiamo per esempio io sono cliente amazon da dieci anni quant'è il valore che ho portato ad Amazon da quando ho fatto il primo acquisto.

Oggi quant'è il valore poi che porterò in tutta la mia vita di cliente ad Amazon e quindi questa è una quantità importante, tipicamente per un manager, perché aiuta a calibrare meglio il budget che poi quello stesso manager può spendere ad esempio per acquisire un nuovo cliente.

Immaginiamo che io a oggi spendo quaranta euro per acquisire un nuovo cliente facendo i miei calcoli nella pubblicità eccetera eccetera.

Alla fine viene fuori che io per acquisire un nuovo cliente in media spendo quaranta euro è tanto o è poco? Eh? Dipende.

Io dovrei confrontarlo con il perché, eh chiaramente questi quaranta euro magari il primo acquisto che mi portano potrebbe anche essere inferiore.

Magari l'utente il primo acquisto va a spendere venti euro e se io mi fermassi al primo acquisto sarei portato a dire Okay, io ho speso quaranta, lui me ne ha fatti tornare venti col suo primo acquisto Io c'ho rimesso.

Non va bene, allora cambio qualcosa nella mia strategia pubblicitaria, ma magari non è così, perché magari il suo primo acquisto era da venti euro, ma magari lui dopo una settimana mi fa un altro acquisto da venti euro e dopo una settimana un altro acquisto da venti euro.

E va avanti così settimana dopo settimana a spendere venti euro a settimana.

Dopo un anno avrà speso una cifra nettamente più alta dei quaranta euro che io ho speso per acquisirlo.

E a quel punto è diversa la valutazione che io faccio della spesa che io ho fatto di quaranta euro per acquisirlo.

In quel caso magari mi è convenuto spendere questi quaranta euro, anzi avrei potuto spendere magari anche di più per acquisire i clienti.

Quindi questo tipo di considerazione, dal mio punto di vista sarebbe molto utile, perché è proprio quello che mi aiuta a capire, um i vari, le varie sorgenti di traffico, i vari gruppi di utenti, le varie campagne che faccio, qual è il valore effettivo per il mio brand che mi portano nel tempo? E quindi questa è la domanda a cui questo rapporto vorrebbe rispondere soltanto che senza che mi addentro nei dettagli, purtroppo soffre sempre delle stesse problematiche, ovvero poiché lui non è in grado di seguire nel tempo veramente gli utenti, anche il che lui calcola è diciamo non fatto in maniera corretta.

Per esempio quando io acquisisco un utente con immaginiamo con la parte se o oppure con la parte con le campagne a pagamento ho acquisito un utente okay o lui traccia il fatto che quell'utente è stato acquisito da organico oppure da campagne a pagamento, però poi cos'è quello che non riesce a fare, non riesce a seguire quello stesso utente nel tempo per dire okay quell'utente è lo stesso che poi dopo un mese ha anche acquistato cento euro e non è è è lo stesso utente che dopo tre mesi ha fatto un altro acquisto di trecento euro.

Quindi lui non è detto che riesca a unire la storia degli acquisti della della persona sotto lo stesso utente di g a quattro e quindi non potendo fare in maniera accurata questa cosa, anche i dati che vediamo qui potrebbero essere non corretti potrebbero soffrire di di bas, per cui alla fine magari io da qui sono portato a pensare che immaginiamo traffico organico mi ha portato un determinato valore, quando magari questo valore è molto di più e io da qui però non lo vedo e magari faccio un confronto, dico vedi organico è così email e cos'ha.

Ma magari in realtà e a causa di questo errore di tracciamento, io qua sto sottostimando il valore reale che mi ha portato il traffico organico e quindi alla fine le considerazioni che faccio potrebbero non essere corrette.

Quindi, in altre parole, potenzialmente questo rapporto potrebbe avere molto valore, ma a causa dei limiti, a meno che non sia bravo a isolare attraverso i segmenti gruppi di utenti che lui riesce a tracciare in maniera individuale in maniera accurata come utente, oppure se io lo prendo così come auto box, io potrei semplicemente vedere fischi per fiaschi e quindi poi prendere decisioni non corrette.

Okay, quindi io mi fermerei qua su questa parte di report che, come appunto ho già detto, secondo me sono potenzialmente interessanti, come se io potessi avere questi dati in maniera accurata, magari in una data Were House uno.

Lo può creare un report di questo tipo avendo dei dati cliente che sono registrati in maniera accurata però qua sono già quattro.

Magari in molte circostanze vengono introdotti degli errori che mi alzano il report e quindi non mi permettono di vedere i dati in maniera accurata.

Ergo, per me questi due report sono in realtà da utilizzare con molta cautela, perché altrimenti si rischia di vedere fischi per fiaschi.

Okay, questa versione finisce qui.

Ci vediamo.

Quindi alla prossima.