Un altro insight strategico per l’e-commerce è l’ Analisi del Rapporto tra Nuovi e Vecchi Clienti. Questa analisi ti aiuta a comprendere il bilanciamento tra l’acquisizione di nuovi clienti e la fidelizzazione di quelli esistenti, due componenti cruciali per la crescita sostenibile di un business e-commerce.

Obiettivo

Determinare il rapporto tra il numero di nuovi clienti e quello dei clienti che hanno effettuato acquisti ripetuti in un determinato periodo.

Utilità dell’Analisi

Questa analisi offre insights preziosi su come il tuo e-commerce sta performando in termini di crescita della base clienti e fidelizzazione.

Entrando più nello specifico:

• Bilanciamento Strategico: Aiuta a capire se stai investendo in modo equilibrato tra l’acquisizione di nuovi clienti e la fidelizzazione dei clienti esistenti.
• Ottimizzazione delle Strategie di Marketing: Fornisce dati che possono guidare la distribuzione delle risorse di marketing, ad esempio investendo più in campagne di fidelizzazione se il numero di nuovi clienti supera significativamente quello dei clienti di ritorno.
• Valutazione della Salute del Business: Un buon equilibrio tra nuovi clienti e clienti di ritorno è spesso indicativo di una crescita sostenibile e di un business e-commerce sano.

Query per l’Analisi del Rapporto tra Nuovi e Vecchi Clienti

WITH customer_purchases AS (
  SELECT
    user_pseudo_id,
    MIN(event_date) AS first_purchase_date,
    MAX(event_date) AS last_purchase_date,
    COUNT(DISTINCT event_date) AS total_purchase_days
  FROM
    `your_project.your_dataset.events_*`
  WHERE
    event_name = 'purchase'
    AND _TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 1 YEAR)) AND FORMAT_DATE('%Y%m%d', CURRENT_DATE())
  GROUP BY
    user_pseudo_id
),

customer_classification AS (
  SELECT
    user_pseudo_id,
    first_purchase_date,
    last_purchase_date,
    CASE
      WHEN total_purchase_days = 1 THEN 'New Customer'
      ELSE 'Returning Customer'
    END AS customer_type
  FROM
    customer_purchases
),

customer_counts AS (
  SELECT
    customer_type,
    COUNT(user_pseudo_id) AS total_customers
  FROM
    customer_classification
  GROUP BY
    customer_type
)

SELECT *
FROM
  customer_counts

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 genera il seguente semplice report che mostra la differenza tra clienti nuovi e di ritorno:

Spiegazione della Query

1. customer_purchases CTE: Identifica la prima e l’ultima data di acquisto per ciascun cliente, oltre al numero totale di giorni distinti in cui hanno effettuato acquisti, calcolando così la frequenza degli acquisti.
2. customer_classification CTE: Classifica ciascun cliente come “Nuovo Cliente” se ha effettuato acquisti in un solo giorno (indicando un singolo acquisto nel periodo considerato) o come “Cliente di Ritorno” se ha effettuato acquisti in più giorni.
3. customer_counts CTE: Aggrega i clienti per tipo, contando quanti ci sono in ciascuna categoria.
4. Selezione Finale: Estrae il conteggio dei nuovi clienti e dei clienti di ritorno, fornendo una visione diretta del rapporto tra l’acquisizione di nuovi clienti e la fidelizzazione di quelli esistenti.

Concludendo, questo insight consente di ottimizzare le strategie di marketing e vendita, assicurando che il tuo e-commerce cresca non solo attirando nuovi clienti ma anche costruendo relazioni durature con quelli esistenti.

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.