Ci sono momenti, detti “Peak Time” (Ora Dorata o di Punta), in cui l’attività di acquisto online raggiunge il suo apice. L’ analisi che segue cerca di identificare i periodi specifici durante il giorno, la settimana o il mese in cui gli utenti sono più propensi a fare acquisti. Attraverso questa disamina, possiamo ottenere insights strategici per pianificare in modo più efficace le campagne pubblicitarie, personalizzare le offerte e infine migliorare le conversioni e l’engagement dei clienti sfruttando i periodi di massima attività.

Utilità della analisi

Come anticipato, l’analisi si focalizza sull’identificazione dei momenti in cui l’attività di acquisto nel tuo e-commerce raggiunge il suo picco. Ecco le domande strategiche a cui l’analisi intende rispondere e gli insights utili che possiamo ricavare:

Domande Strategiche:

1. Quali sono gli orari specifici del giorno in cui si verifica il maggior numero di acquisti?
2. Ci sono giorni della settimana o periodi del mese con un’attività di acquisto significativamente maggiore?
3. Quali prodotti o categorie vengono acquistati più frequentemente durante questi picchi di attività?
4. Come variano i tassi di conversione in relazione ai diversi momenti del giorno o giorni della settimana?
5. Esiste una correlazione tra le campagne di marketing attive e i picchi di acquisto?

Insights Utili da Ricavare:

1. Identificazione del Peak Time: Scoprire l’ora e il giorno esatti in cui gli utenti sono più inclini a completare un acquisto può aiutare a ottimizzare la programmazione delle campagne pubblicitarie e il posizionamento dei contenuti per capitalizzare l’engagement degli utenti.
2. Ottimizzazione delle Strategie di Marketing: Associando i picchi di traffico e acquisto alle campagne di marketing attive, è possibile valutare l’efficacia delle diverse strategie e ottimizzare la spesa pubblicitaria per massimizzare il ROI.
3. Personalizzazione delle Offerte: Personalizzare le offerte e le promozioni in base ai momenti di maggiore attività può aumentare le conversioni, ad esempio, offrendo sconti lampo o incentivi di spedizione gratuita durante l’ora dorata.

Report di analisi

Di seguito un semplice report ricavato dalla query che andremo ad analizzare nel prossimo paragrafo.

Analizziamo un paio di righe del report:

• Riga 1 (Row 1):
  • analysis_type: “Day of Week Analysis” – Questo indica che l’analisi riguarda i dati aggregati basati sui giorni della settimana.
  • time_period: “Saturday” – Questo mostra che i dati specifici che stiamo esaminando si riferiscono al sabato.
  • avg_purchase_count: “2.02” – Questo valore rappresenta il numero medio di acquisti registrati per i sabati nel periodo considerato dall’analisi. Suggerisce che, in media, ogni sabato si verificano circa 2.02 transazioni.
• Riga 8 (Row 8):
  • analysis_type: “Hour of Day Analysis” – Questo indica che l’analisi in questa riga è focalizzata sui dati aggregati per ora del giorno, piuttosto che per giorno della settimana.
  • time_period: “09” – Questo indica l’ora del giorno analizzata, le 9:00 del mattino.
  • avg_purchase_count: “2.43” – Questo valore rappresenta il numero medio di acquisti che si verificano alle 9:00 del mattino nel periodo considerato dall’analisi. Significa che, in media, ci sono circa 2.43 transazioni ogni mattina alle 9:00.

Query per analisi del Peak Time di Acquisto

Ecco la query che consente di analizzare il Peak Time:

WITH PurchaseEvents AS (
  SELECT
    FORMAT_TIMESTAMP('%Y-%m-%d', TIMESTAMP_MICROS(event_timestamp)) AS event_date,
    FORMAT_TIMESTAMP('%A', TIMESTAMP_MICROS(event_timestamp)) AS day_of_week,
    FORMAT_TIMESTAMP('%H', TIMESTAMP_MICROS(event_timestamp)) AS hour_of_day,
    COUNT(*) AS purchase_count
  FROM
    `your_project.your_dataset.events_*`
  WHERE
    event_name = 'purchase'
    AND _TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY)) AND FORMAT_DATE('%Y%m%d', CURRENT_DATE())
  GROUP BY
    event_date,
    day_of_week,
    hour_of_day
),

DayOfWeekAnalysis AS (
  SELECT
    day_of_week,
    AVG(purchase_count) AS avg_purchase_count_per_day
  FROM
    PurchaseEvents
  GROUP BY
    day_of_week
  ORDER BY
    avg_purchase_count_per_day DESC
),

HourOfDayAnalysis AS (
  SELECT
    hour_of_day,
    AVG(purchase_count) AS avg_purchase_count_per_hour
  FROM
    PurchaseEvents
  GROUP BY
    hour_of_day
  ORDER BY
    avg_purchase_count_per_hour DESC
)

SELECT
  'Day of Week Analysis' AS analysis_type,
  day_of_week AS time_period,
  avg_purchase_count_per_day AS avg_purchase_count
FROM
  DayOfWeekAnalysis
UNION ALL
SELECT
  'Hour of Day Analysis' AS analysis_type,
  hour_of_day AS time_period,
  avg_purchase_count_per_hour AS avg_purchase_count
FROM
  HourOfDayAnalysis
ORDER BY
  analysis_type, avg_purchase_count DESC;

PS. Assicurati di sostituire your_project.your_dataset.events_* con il percorso effettivo dei tuoi dati in BigQuery.

Spiegazione della query

1. PurchaseEvents CTE: Questa sezione aggrega i dati delle transazioni, contando il numero di acquisti per ogni ora di ogni giorno e per ciascun giorno della settimana, nell’ultimo mese.
2. DayOfWeekAnalysis e HourOfDayAnalysis CTE: Queste sezioni calcolano rispettivamente il numero medio di acquisti per ogni giorno della settimana e per ogni ora del giorno, permettendoti di identificare quali giorni e quali ore registrano il maggior numero di acquisti.
3. Selezione Finale e Unione: I risultati delle analisi vengono uniti e presentati insieme, consentendo un confronto diretto tra i giorni della settimana e le ore del giorno per quanto riguarda il numero medio di acquisti.

Conclusione

L’ analisi è molto interessante perchè rivela i momenti in cui la propensione all’acquisto raggiunge i suoi picchi. Attraverso l’esame dettagliato delle transazioni aggregate per ora del giorno e giorno della settimana, siamo stati in grado di identificare le tendenze chiave che possono aiutarci a ottimizzare le strategie di marketing.

La rivelazione degli orari e dei giorni con il maggiore volume di acquisti non solo consente di massimizzare l’efficacia delle campagne pubblicitarie, ma offre anche la possibilità di migliorare l’esperienza utente attraverso la personalizzazione e la tempestività delle offerte.

Giuseppe Cristofaro

Data Scientist
Sono un Data Scientist con esperienza nell’applicazione di tecniche avanzate di Machine Learning per l’analisi di complessi set di dati nel campo del marketing digitale. Specializzato nell’uso di Python, sviluppo modelli predittivi e di analisi dei dati che permettono di identificare e risolvere criticità nei progetti.