Vediamo adesso quelli che sono i principali report che dobbiamo andare a guardare quando vogliamo analizzare i dati commerce.

Cerchiamo anche di inquadrarli in uno schema logico quando il commercio è una delle cose principali che vuole cercare di analizzare è capire come il comportamento di acquisto degli utenti e in particolare se ci sono dei punti principali da cui gli utenti abbandonano il processo di acquisto e dei punti invece che stanno funzionando bene e avere la possibilità anche di segmentare questo funnel.

Quindi questo serie di step in cui io vedo la prosecuzione dello step all'altro rispetto a dimensione di mio interesse, per esempio capire se sul device desktop il flusso di acquisto sta funzionando meglio peggio rispetto al device mobile.

Ora questo primo rapporto che vediamo si chiama comportamento d'acquisto.

Lo troviamo qui nella sezione conversione e-commerce comportamento d'acquisto e ci mostra nel periodo che abbiamo selezionato le performance del fa nel principale di acquisto fanno il principale acquisto è composto di fatto da tutte le sessioni che sono entrate nel periodo.

Il secondo step sono le sessioni con la visualizzazione della scheda prodotto.

Il terzo step sono le sessioni con l'aggiunta carrello.

Quarto step sono le sessioni con l'avvio del check-out, ovvero quando l'utente inizia a inserire tutte le informazioni che poi gli consentono di completare il pagamento e infine l'ultimo step.

Ovviamente sono le sezioni le sessioni con transazioni.

Ovviamente questi sono gli step primari che compie l'utente nell'ambito di un processo di acquisto non sono gli unici no, non sono chiaramente esaustivi.

Tutto il comportamento utente però sono già delle dei paletti che io posso andare ad analizzare per capire se c' è qualche problema.

Già tra questi macro step questo grafico si legge in questa maniera.

Nel primo step vediamo tutte le sessioni, dopodiché troviamo la percentuale di queste sessioni che è andata allo step successivo che in questo schema è la visualizzazione della scheda prodotto.

Dopodiché io vedo che dalla scheda prodotto alla giunta carrello il dieci percento delle sessioni circa ha effettuato questa azione.

Da questo step, quello successivo che l'avvio del check out circa il ventitré per cento delle sessioni ha effettuato questa azione.

Infine dall'avvio del check out al completamento della transazione, il sei percento delle sessioni ha effettuato questa azione.

Quindi da questa analisi io potrei rendermi conto, ad esempio, che il maggiore drop ce l'ho proprio al momento in cui l'utente deve di fatto completare il pagamento perché qui o che solo il sei percento delle persone che sono arrivate al check-out completano effettivamente la transazione.

E questo io ovviamente dovrei confrontarlo con qualche numero di riferimento, che io magari o anche per mia esperienza ho abbiamo visto anche in precedenti elezioni, posso confrontarlo tra vari segmenti e varie dimensioni rispetto alla stessa base dati.

Però in generale io per esperienza so che questo numero è abbastanza piccolo, per cui la prima cosa che farei e cercherò di andare a vedere tra questo step e il successivo e se magari c' è qualche problema tecnico o disabilità che sta impedendo agli utenti di completare l'acquisto, visto che sono arrivati fino a li' nel processo di pagamento qui sotto a questo funnel mi trovo una tabella dove posso fare delle analisi più di dettaglio, perché io posso andare a segmentare questi numeri rispetto a una mia dimensione di interesse.

Per esempio, potrei andare a distinguere questo funnel rispetto proprio alla categoria del dispositivo, che è una delle informazioni piu' utili che tipicamente voglio vedere perché vuoi cercare di capire per tipo di dispositivo, come sono le varie performance di ogni step e quindi magari rendermi conto che sud-est hop le cose funzionano meglio fino all'aggiunta carrello, come si vede anche fino alla procedura di pagamento.

Quindi il check-out ma c' è un drop fortissimo dal check-out fino alla transazione completata vedete che questa percentuale finale ha un forte fortissimo drop, mentre al contrario su mobile o delle performance che sono forse leggermente inferiori fino ad arrivare qui alle sessioni con procedure di pagamento.

Però poi quest'ultimo step viene compiuto leggermente con maggiore efficienza, quindi questo è quello che determina poi il fatto che io da stop vedevo delle performance di tasso di conversione nettamente inferiori a mobile.

Quindi questo ci accendono la luce ci dice Ok, cerchiamo di investigare in particolare in questo step che chiaramente se devo gestire un e-commerce un'informazione estremamente preziosa.

Dopodiché vediamo anche quest' Ltro, rapporto che si chiama comportamento di checkout.

Questo è come se fosse una lente di ingrandimento proprio sul processo di checkout.

Il processo di checkout che tipicamente è composto da più step in cui l'utente, per esempio all'inizio deve inserire tutte le informazioni relative al suo nome e indirizzo, eccetera, eccetera.

Magari lo step successivo deve scegliere il metodo di pagamento in un ipotetico step successivo potrebbe scegliere il metodo di spedizione.

Poi ci potrebbe essere magari uno step di riepilogo e poi ci potrebbe essere la transazione completata qui in questo rapporto che a differenza di quel precedente, questo è abbastanza customizable le rispetto al numero di step che io posso andare a tracciare.

Io posso quindi cercare di capire se all'interno del check out ci sono delle parti particolarmente problematiche e quindi andare a effettuare azioni di investigazione per capire come eventualmente andare a risolverle e quali sono i problemi.

Anche qui ho la stessa struttura.

Io posso andare a segmentare i dati rispetto a una mia dimensione di interesse, tra cui ad esempio la categoria del dispositivo.

Questi quindi sono due rapporti molto utili e che corrispondono diciamo un tipo di analisi del funnel per capire dove sono i maggiori drop rispetto al percorso di acquisto.

Che effetto all'utente