Il fatturato cresce, le campagne girano, eppure c'è qualcosa che non torna. Molti e-commerce manager prendono decisioni strategiche cruciali basandosi su un unico, rassicurante indicatore: lo scontrino medio. Ma siamo sicuri che quel numero rifletta davvero la realtà della maggior parte dei nostri clienti? La verità è che basare una strategia solo sui valori medi può rivelarsi un errore costoso.
Lo scontrino medio è considerato uno dei parametri cruciali per orientare le decisioni strategiche e valutare le performance di un e-commerce.
Tuttavia, affidarsi esclusivamente a questo indicatore comporta un limite strutturale: la media distribuisce in modo uniforme la somma totale delle conversioni sul numero complessivo degli ordini.
Questo la rende sensibile ai valori estremi che si discostano significativamente dalla norma. Nell'ambito di un e-commerce, è sufficiente un volume ridotto di carrelli insolitamente alti per spostare la media verso l'alto, distorcendo la realtà del business.
La mediana, al contrario, non calcola una ripartizione ma identifica il valore centrale esatto di una distribuzione ponderata: è il punto in cui la metà degli ordini si posiziona al di sotto e l'altra metà al di sopra
Poiché la mediana ignora l'entità numerica dei picchi isolati e si concentra solo sulla frequenza posizionale, restituisce un'immagine più realistica del comportamento reale dell'utente tipo.
Per completare il quadro delle metriche di tendenza, è necessario introdurre la moda. La moda rappresenta il valore che si ripete con la massima frequenza all'interno dell'insieme dei dati.
Sebbene la moda sia utile per identificare il singolo comportamento più comune, in distribuzioni complesse può risultare fuorviante. Spesso la moda è influenzata da un singolo prodotto civetta molto venduto e non riflette l'andamento complessivo della spesa.
L'infrastruttura dati per mappare la distribuzione degli ordini
Google BigQuery è lo strumento ideale per abilitare questo tipo di analisi e mappare in modo scalabile la distribuzione degli ordini. A differenza di un normale foglio di calcolo, consente di archiviare e gestire su larga scala grandi quantità di dati utilizzando un ambiente SQL.
" Ma con quali dati alimentiamo BigQuery? "
Si parte dal collegamento nativo con GA4, che si attiva con pochi clic e salva in un dataset BigQuery tutti i dati di navigazione in modo automatico e giornaliero.
Questo è il punto di partenza ideale, ma da solo non basta: per un'analisi solida occorre quindi arricchire i dati di GA4 con l'export dei dati del gestionale.
Avere entrambe le sorgenti è ciò che fa la differenza, perché si completano a vicenda. I dati di navigazione e comportamento raccolti tramite GA4 vengono arricchiti con informazioni disponibili sul CRM come la tipologia di cliente o la gestione di resi e rimborsi.
Inoltre, avere più sorgenti dati raccolte in un unico database, rappresenta un vantaggio operativo: con le competenze di SQL possiamo interrogare le diverse sorgenti insieme e costruire query e logiche di calcolo che diventano funzioni scalabili.
"Ma non basterebbe un export su un foglio di calcolo?"
Per un calcolo isolato, forse sì. Ma quando quel numero deve integrarsi con una strategia continuativa, i fogli di calcolo (come Excel e Google Sheet) mostrano dei limiti, bloccandosi su grandi volumi.
La potenza di calcolo di BigQuery e la possibilità di interrogare i dati con SQL ci permettono di fare analisi precise, mantenibili e scalabili su grandi numeri.
La percezione del valore del carrello medio
Basare le decisioni operative esclusivamente sulla media significa rischiare di calibrare la strategia su un cliente teorico che non esiste.
Facciamo un esempio concreto. Analizzando i dati grezzi di un e-commerce del settore fashion, emerge uno scarto significativo:
- Media: €72
- Mediana: €60
- Moda: €50
Se avessimo basato la strategia sulla media (€72), avremmo tarato i bundle e le soglie di up-selling su una capacità di spesa sovrastimata, creando offerte troppo costose per il cliente reale. Se ci fossimo affidat* alla moda (€50), avremmo scalato la strategia sul gradino più basso.
La mediana a €60, posizionandosi esattamente a ridosso della soglia della spedizione gratuita, svela il vero motore delle transazioni. La maggior parte degli utenti non compone il carrello in totale libertà, ma si ferma appena raggiunta la quota necessaria per azzerare i costi di consegna.
Comprendere questo divario consente di agire con bundle e cross-selling mirati per scardinare questa resistenza e guidare l'utente verso carrelli più consistenti.
Analisi dei tempi di riacquisto.
Partendo sempre dallo nello stesso esempio, anche nell'analisi dei tempi di riacquisto, l'utilizzo della mediana si è rivelato fondamentale per comprendere il reale comportamento dell’utente.
I dati estratti mostrano che la frequenza media di riacquisto è di 50 giorni, la mediana si attesta a 40 giorni e la moda è di 28 giorni.
Questa differenza riflette il limite della media, che viene alterata in modo significativo da pochi clienti anomali che ordinano a distanza di molti mesi, ma mostra anche il limite della moda, che si ferma solo al dato più ripetitivo.
In questo scenario, impostare un'automazione di email marketing basata sulla media (50 giorni) significa mancare il momento di reale necessità del consumatore.
Allo stesso modo, basarsi sulla moda (28 giorni) rischierebbe di stressare il database con comunicazioni troppo anticipate.
Affidarsi al dato mediano (40 giorni) ci ha permesso invece di calibrare i flussi di email marketing sulla reale frequenza d'uso dei clienti.
Attraverso l'elaborazione dei dati grezzi, BigQuery ci ha permesso di estrarre la mediana con precisione, identificando il valore che rappresenta il comportamento reale dell'utente tipo.
Superare la rigidità della media e la specificità della moda ci ha permesso di indirizzare gli interventi operativi con maggiore accuratezza, ottimizzando lo sviluppo di bundle mirati, attività di cross-selling e l'attivazione di flussi email automatici basati sulle reali abitudini di consumo.
