Esploriamo un insight avanzato e strategico per l’e-commerce focalizzandoci sull’Analisi della Sequenza di Eventi Pre-Acquisto. Questo insight può rivelare percorsi comuni di navigazione che i clienti seguono prima di completare un acquisto, aiutandoti a capire dove potresti ottimizzare il percorso utente. E tutto con BigQuery!

Perché è utile questa analisi?

L’obiettivo è determinare le sequenze di eventi più comuni che portano a un acquisto nel tuo e-commerce.

Supponiamo che il report finale mostri il seguente percorso come uno dei più popolari:

view_item_list > view_item > add_to_cart > view_cart > purchase

Questo indica che molti clienti iniziano il loro percorso visualizzando un elenco di articoli (ad esempio, una pagina di categoria), poi passano a visualizzare specifici dettagli di un articolo, aggiungono l’articolo al carrello, visualizzano il loro carrello e infine completano l’acquisto.

Questa analisi può aiutarti a:

• Ottimizzare il Design del Sito: Assicurare che le pagine degli elenchi di prodotti siano ben organizzate, attraenti e facili da navigare.
• Migliorare le Pagine dei Prodotti: Ottimizzare le pagine dei prodotti per incoraggiare gli utenti ad aggiungere articoli al carrello.
• Semplificare il Carrello e il Checkout: Assicurare che il processo di visualizzazione del carrello e il checkout siano il più fluidi e privi di attriti possibile.

A quali domande vogliamo rispondere?

Ecco una serie di domande strategiche che possono aiutare ad estrarre insight significativi e trovare correlazioni tra le metriche:

1. Quali sono i percorsi più comuni che portano a un acquisto?
   • Questa domanda mira a identificare le sequenze di azioni (ad esempio, “view_item_list > view_item > add_to_cart > purchase”) che più frequentemente risultano in conversioni.
2. Esiste una correlazione tra la lunghezza del percorso dell’utente e il tasso di conversione?
   • Si indaga se percorsi più brevi o più lunghi portano a tassi di conversione maggiori, suggerendo l’efficacia della navigazione del sito e la chiarezza delle informazioni sui prodotti.
3. Come variano i percorsi di acquisto in base ai diversi segmenti di utenti (ad esempio, nuovi visitatori vs utenti che ritornano, demografia, fonti di traffico)?
   • Analizzare come diversi gruppi di utenti navigano nel sito può rivelare modelli comportamentali unici o preferenze che possono guidare la personalizzazione e il targeting.

Query per l’Analisi della Sequenza di Eventi Pre-Acquisto

Ti mostro ora SQL su BigQuery per ottenere questi insights preziosi:

xWITH user_behaviors AS (
  SELECT
    user_pseudo_id,
    ARRAY_AGG(
      STRUCT(event_name, event_timestamp) ORDER BY event_timestamp
    ) AS events
  FROM 
    `your_project.your_dataset.events_*`, 
    UNNEST(items) AS item
  WHERE 
    _TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 1 YEAR)) AND FORMAT_DATE('%Y%m%d', CURRENT_DATE())
    AND event_name IN ('view_item_list', 'view_item', 'add_to_cart', 'view_cart', 'purchase')
  GROUP BY 
    user_pseudo_id
),

purchase_paths AS (
  SELECT
    user_pseudo_id,
    ARRAY_TO_STRING(ARRAY(SELECT event_name FROM UNNEST(events)), ' > ') AS path_to_purchase
  FROM 
    user_behaviors
  WHERE 
    EXISTS (SELECT 1 FROM UNNEST(events) WHERE event_name = 'purchase')
),

popular_paths AS (
  SELECT
    path_to_purchase,
    COUNT(*) AS total_users
  FROM 
    purchase_paths
  GROUP BY 
    path_to_purchase
  ORDER BY 
    total_users DESC
)

SELECT *
FROM 
  popular_paths;

PS. Ricorda di sostituire your_project, your_dataset e your_table con i tuoi identificativi di progetto, dataset e tabella effettivi. Queste query sono solo punti di partenza e potrebbero necessitare di personalizzazioni per adattarsi alle tue esigenze specifiche e alla struttura dei tuoi dati.

La query genererà il seguente report:

Nel report, la sequenza “view_item > view_item > add_to_cart > view_cart > purchase” descrive un tipico percorso di acquisto che un cliente potrebbe seguire sul tuo sito e-commerce. Ecco un’analisi dettagliata di ogni passaggio di questo percorso:

1. view_item: Questo passaggio indica che il cliente sta visualizzando i dettagli di un prodotto. Questo potrebbe essere il risultato della navigazione nelle categorie del sito, della ricerca di un prodotto specifico o del clic su un annuncio o un link promozionale. Il fatto che “view_item” appaia due volte suggerisce che il cliente ha visualizzato i dettagli di almeno due prodotti diversi o lo stesso prodotto più volte. Ciò potrebbe indicare che il cliente sta confrontando diverse opzioni o sta riconsiderando lo stesso prodotto prima di prendere una decisione.
2. add_to_cart: In questo passaggio, il cliente ha deciso di aggiungere uno dei prodotti visualizzati al proprio carrello. Questo è un forte indicatore di interesse verso il prodotto e rappresenta un impegno preliminare verso l’acquisto. Il cliente è passato da un semplice osservatore a un potenziale acquirente.
3. view_cart: Dopo aver aggiunto un articolo al carrello, il cliente visualizza il carrello. Questo passaggio è comune nella navigazione e-commerce e consente al cliente di rivedere gli articoli che ha intenzione di acquistare, verificare i prezzi, la quantità, la disponibilità e le eventuali opzioni di spedizione o codici promozionali applicabili.
4. purchase: Infine, il cliente completa l’acquisto. Questo passaggio si verifica quando il cliente procede al checkout, inserisce i dettagli di pagamento e di spedizione, e conferma l’ordine. La transizione da “view_cart” a “purchase” indica che il cliente ha superato eventuali ostacoli o dubbi ed è soddisfatto delle condizioni di acquisto.

Procediamo con una spiegazione dettagliata della query.

Spiegazione Struttura della Query

La query è suddivisa in diverse parti, ognuna realizzata per un passo specifico dell’analisi:

1. CTE user_behaviors: Questa parte della query raccoglie e organizza i comportamenti degli utenti, focalizzandosi sugli eventi chiave che desideriamo analizzare: ‘view_item_list’, ‘view_item’, ‘add_to_cart’, ‘view_cart’, e ‘purchase’.
   • user_pseudo_id è l’identificativo unico per ciascun utente.
   • ARRAY_AGG(STRUCT(event_name, event_timestamp) ORDER BY event_timestamp) crea un array ordinato di eventi per ogni utente, dove ogni evento è una struttura che contiene il nome dell’evento e il suo timestamp.
   • Si filtrano i dati per includere solo gli eventi rilevanti nel periodo di tempo desiderato.
2. CTE purchase_paths: In questa sezione, si estraggono i percorsi che conducono a un acquisto.
   • Utilizzando ARRAY_TO_STRING(ARRAY(SELECT event_name FROM UNNEST(events)), ' > '), si converte l’array di eventi di ciascun utente in una stringa, dove gli eventi sono separati da ‘ > ‘, mostrando così la sequenza di azioni compiute.
   • Si applica un filtro WHERE EXISTS per includere solo le sequenze di utenti che contengono almeno un evento di ‘purchase’, assicurando che la query consideri solo i percorsi che hanno portato effettivamente a un acquisto.
3. CTE popular_paths: Questa sezione determina i percorsi più comuni al punto di acquisto tra tutti gli utenti.
   • Si aggregano i percorsi per path_to_purchase e si conta quante volte ciascun percorso è stato seguito da diversi utenti con COUNT(*).
   • Si ordinano i risultati per total_users in ordine decrescente per identificare i percorsi più frequentati.
4. SELECT Finale: Questa parte della query seleziona e visualizza i risultati finali dal CTE popular_paths.
   • Si selezionano le colonne path_to_purchase e total_users per visualizzare i percorsi di acquisto più comuni e quante volte ciascuno di questi è stato seguito.

Concludendo, l’analisi dei percorsi di pre-acquisto ti consente di scoprire percorsi comuni di navigazione che i clienti seguono prima di completare un acquisto, aiutandoti a capire dove potresti ottimizzare il percorso utente.

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.