L’analisi della composizione del carrello fornisce insight preziosi sulle abitudini di acquisto dei consumatori, mostrando non solo quali prodotti tendono ad essere acquistati insieme, ma anche come varia il valore degli ordini e la diversità delle categorie di prodotti per ogni transazione.

Utilità dell’analisi

Questa analisi ti permette di capire meglio:

• La distribuzione del valore degli ordini.
• La varietà e la quantità di articoli che i clienti tendono ad acquistare insieme.
• Quante categorie diverse tendono ad essere rappresentate in un singolo ordine, che può aiutare a capire il comportamento di acquisto incrociato dei clienti.

Ecco una serie di domande strategiche che puoi porre per estrarre insight significativi da questa analisi trovando anche correlazioni tra metriche:

1. Qual è il valore medio dell’ordine nel tuo e-commerce e come varia in relazione al numero di prodotti distinti per ordine?
   • Questa domanda aiuta a capire se ordini con più articoli tendono ad avere un valore complessivo più alto.
   • Implementa strategie di vendita incrociata per aumentare il numero di articoli per ordine e monitora l’impatto su valore medio dell’ordine.
2. Esiste una correlazione tra il valore dell’ordine e la diversità delle categorie di prodotti in esso contenuti?
   • Indaga se ordini che includono prodotti da una varietà più ampia di categorie tendono ad avere un valore maggiore.
   • Analizza le categorie presenti negli ordini di valore superiore e sviluppa bundle di prodotti inter-categoria per promuovere una maggiore diversità nei carrelli.
3. Quali categorie di prodotti contribuiscono maggiormente al valore degli ordini e alla quantità di articoli per ordine?
   • Identifica quali categorie di prodotti sono le più lucrative o più comunemente acquistate.
   • Metti in evidenza e promuovi le categorie più redditizie tramite marketing mirato e posizionamento prioritario sul sito web.
4. Come varia il valore degli articoli più bassi e più alti all’interno degli ordini? C’è una tendenza per ordini più grandi ad avere articoli di valore più alto o più basso?
   • Determina se i clienti che spendono di più tendono a comprare articoli più costosi o se si affidano a una varietà di articoli a prezzo più basso.
   • Personalizza le raccomandazioni di prodotto per incoraggiare l’aggiunta di articoli di valore più alto al carrello, specialmente per ordini che già contengono numerosi articoli a basso costo.

Un report semplice e intuitivo

Ecco un esempio di report che potremmo ricavare da questa analisi:

Il report indica per ogni ordine:

• il suo valore
• i nomi dei prodotti acquistati
• le categorie di riferimento
• il numero di prodotti
• il numero di categorie presenti

Query per l’analisi della composizione dei carrelli

Ti mostro ora la query per ottenere questi insights preziosi:

SELECT
    transaction_id,
    order_value,
    ARRAY_AGG(STRUCT(item_name, category)) AS items_details,
    SUM(item_count) AS total_items_per_order,
    COUNT(DISTINCT category) AS total_unique_categories_per_order
FROM (
    SELECT
        (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'transaction_id') AS transaction_id,
        (SELECT value.double_value FROM UNNEST(event_params) WHERE key = 'value') AS order_value,
        item_details.item_name,
        (SELECT value.string_value FROM UNNEST(item_details.item_params) WHERE key = 'item_category_4') AS category,
        COUNT(item_details.item_name) AS item_count
    FROM
        `your_project.your_dataset.events_*`, 
        UNNEST(items) AS item_details
    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
        transaction_id, order_value, item_details.item_name, category
)
GROUP BY
    transaction_id, order_value
ORDER BY
    transaction_id;

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 estrae i dati su un periodo temporale di 30 giorni. Modifica l’intervallo in base alle tue esigenze di analisi.

Struttura della Query

La query è divisa in due parti principali: una subquery interna e una query esterna.

Subquery Interna:

1. transaction_id: Estrae l’ID della transazione da event_params per ogni evento di acquisto.
2. order_value: Estrae il valore totale dell’ordine dall’evento di acquisto.
3. item_name e category: Per ogni articolo nell’ordine, estrae il nome dell’articolo e la sua categoria (specificamente, la categoria di livello 4 se disponibile).
4. item_count: Conta quante volte ogni articolo compare nell’ordine. Questo è equivalente al numero di quel particolare articolo nell’ordine.
5. La subquery raggruppa i risultati per transaction_id, order_value, item_name e category per assicurarsi che ogni combinazione unica di questi campi venga contata correttamente.

Query Esterna:

1. transaction_id e order_value: Vengono presi direttamente dalla subquery e utilizzati per raggruppare i risultati finali.
2. items_details: Aggrega tutti i dettagli degli articoli (nomi e categorie) per ogni transazione in un array di strutture per una visualizzazione consolidata di cosa è stato acquistato in ogni ordine.
3. total_items_per_order: Somma il numero totale di articoli per ordine calcolato come la somma di item_count dalla subquery.
4. total_unique_categories_per_order: Conta il numero totale di categorie uniche per ordine.

Conclusione

Con questi insight, hai la leva per affinare le tue strategie di vendita incrociata, configurare bundle di prodotti che risuonino meglio con le preferenze dei clienti e ottenere una comprensione più profonda delle dinamiche di acquisto nel tuo inventario. Puoi così incrementare il valore medio degli ordini, migliorare il tasso di conversione e potenziare l’engagement dei clienti, trasformando dati in azioni concrete.

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.