Data mix strategy: come aumentare la profittabilità delle campagne advertising

Raccogliere e basare strategie di marketing solo su dati standard non basta più. Con flussi ibridi online-offline, listini differenziati e scontistiche personalizzate, servono metriche custom che riflettano i costi reali e le revenue nette. Un assist prezioso anche per gli algoritmi pubblicitari, che possono così ottimizzare le campagne advertising basandosi su KPI più completi e personalizzati.

Quando un ecommerce traccia le conversioni, nella maggior parte dei casi registra i dati standard essenziali: valore totale dell’ordine, numero di prodotti acquistati, categoria merceologica, etc.

Se da un lato queste informazioni sono utili, dall’altro lato nel contesto omnicanale odierno non sono più dati sufficienti per fotografare le reali performance del business, poiché escludono o non integrano in modo completo tra loro altre tipologie di dati chiave.

In particolare, per ecommerce con ecosistemi digitali complessi – target audience diverse (professionisti e privati), piattaforme integrate (sito web multidominio, app), pagamenti ibridi online/offline – si apre la necessità di applicare soluzioni di Data mix strategy, al fine di orientare in modo più preciso e profittevole le proprie scelte commerciali e di investimento.

Si tratta nello specifico di un approccio end-to-end per:

• calcolare e combinare tra loro metriche personalizzate che riflettano costi reali e revenue nette,
• tracciare in modo ibrido dati online e offline per catturare l’intero ciclo di vita della conversione,
• centralizzare e unificare dati da fonti diverse (analytics, CRM, piattaforme adv, etc.) in architetture di data warehouse in cloud unificate (come BigQuery)
• costruire dashboard che mostrino KPI calibrati sulle specificità del proprio business, invece che su standard generici.

Il gap tra dati standard e business reale

Il problema emerge chiaramente quando si analizzano le specificità operative di un ecommerce reale.

Prendiamo il caso di un’azienda con un ecosistema digitale altamente personalizzato sulle proprie esigenze di business, dove convergono complessità operative su più livelli.

Pagamenti che si concludono in tempi e modalità diverse:

È il caso in cui ordini finalizzati immediatamente online tramite checkout (carte di credito, Stripe, PayPal, etc.) convivono nello stesso ecommerce accanto ad altre tipologie di transazione offline.

Si tratta di modalità di pagamento in differita che richiedono una validazione manuale da parte di assistenti alla vendita, o del team di customer care: bonifici bancari confermati giorni dopo il click iniziale, vendite completate telefonicamente o via chat da assistenti che processano l’acquisto per conto del cliente.

Ogni modalità ha tempistiche e flussi di dati diversi da riconciliare.

Ciclo di vendita lungo e processi decisionali complessi

In contesti B2B o per prodotti ad alto valore, l’acquisto non si conclude con un click impulsivo, ma richiede settimane o mesi di valutazione.

Preventivi personalizzati inviati via email, negoziazioni su condizioni commerciali gestite telefonicamente, approvazioni multiple da parte di diversi decisori aziendali, verifiche di linee di credito o condizioni di pagamento dilazionato.

In questi casi, è normale che un funnel di conversione si estenda ben oltre i classici 7-30 giorni del B2C, arrivando facilmente a 60-90 giorni o più.

Quali sono stati i reali touchpoint che hanno portato alla conversione? Qual è stato il reale costo per acquisire e convertire il cliente?

I dati standard non catturano questa complessità temporale e di KPI ibridi online/offline.

Gestione resi, rimborsi e logistica articolata

La post-vendita genera complessità ulteriori che i dati standard spesso non riescono a catturare. Ad esempio, nel caso di resi gestiti via email e processati manualmente nel gestionale.

Riconciliare e ricalcolare nel proprio sistema di analytics il reso all’ordine originale tracciato online è fondamentale per non creare discrepanze tra revenue e margini reali.

Come progettare un sistema olistico capace non solo di catturare, ma anche di rielaborare molteplici tipologie e fonti diverse di dati per avere una visione completa dei ritorni economici delle proprie strategie di marketing?

Costruire metriche personalizzate: dal dato parziale al dato reale

Non limitarsi a dati standard (valore totale dell’ordine, numero di prodotti acquistati, categoria merceologica, etc.) e costruire metriche personalizzate che riflettano le specificità del business significa mappare tutti i KPI che impattano sul valore reale di una conversione.

Il primo passo per farlo è partire dalla definizione di un piano di misurazione condiviso e coordinato con tutti i reparti aziendali.

Si tratta di una strategia costruita a più mani tra i team marketing, commerciale, amministrazione e sviluppo. Ogni reparto porta la propria prospettiva:

• il management aziendale identifica gli obiettivi di business e di marketing da raggiungere in un arco di tempo specifico
• il team marketing condivide le logiche di pricing differenti in base alle offerte programmate, definisce quali KPI servono per ottimizzare le campagne
• il team commerciale e amministrazione mappano e condividono le voci di costo reali

Su questa base, si identificano le interazioni e i comportamenti da mappare all’interno dell’ecosistema digitale, decidendo cosa tracciare.

In particolare, vengono identificati gli indicatori di performance per il proprio business da passare agli strumenti di analytics e alle piattaforme pubblicitarie.

Terminata la realizzazione del piano di misurazione è possibile procedere al secondo step di una Data mix strategy: la realizzazione di un datalayer personalizzato.

Si tratta di un elemento di codice JavaScript che permette di intercettare e inviare dati calcolati o elaborati, in aggiunta ai dati standard.

In pratica, quando un utente completa un acquisto, invece di limitarsi a passare agli strumenti di analytics solo le variabili standard come transaction_id e value (il valore totale che appare nella pagina di conferma ordine), il datalayer personalizzato calcola e invia anche metriche aggiuntive strutturate in variabili custom da tracciare tramite strumenti di tag management come Google Tag Manager:

• product_cost_net per il costo effettivo del prodotto al netto di scontistiche con fornitori,
• shipping_cost_real per il costo reale di spedizione sostenuto dall’azienda invece del contributo pagato dal cliente,
• payment_gateway_fee per le commissioni del sistema di pagamento,
• revenue_net che rappresenta il margine effettivo della transazione.

Questi valori vengono strutturati nell’oggetto dataLayer.push() che Google Tag Manager legge e trasmette a Google Analytics 4 e alle piattaforme adv (Meta Ads, Google Ads, etc.) come parametri degli eventi di conversione (ad esempio purchase con revenue_net invece del solo valore della transazione value), permettendo agli algoritmi pubblicitari di ottimizzare le campagne sul profitto reale, invece che sul fatturato apparente.

L’ibridazione tra conversioni online e offline

Quando i flussi di conversione non si completano interamente online in modo automatico, i dati standard sono solo un lato della medaglia. È quindi necessario integrare un tracciamento ibrido online e offline, decidendo caso per caso quale flusso gestire in tempo reale e quale in differita.

Il tracciamento di dati offline è un tema ampio e che tocca numerose casistiche diverse a seconda delle specificità da business a business: dagli acquisti in punti vendita, ai bonifici, fino alle transazioni durante fiere ed eventi.

Tuttavia, per la maggior parte degli ecommerce è indispensabile raccogliere metriche dettagliate non solo per gli ordini che avvengono tramite checkout web, ma anche per ordini che vengono validati non in tempo reale, o che richiedono validazione manuale da parte di assistenti, come nel caso di bonifici bancari e vendite gestite da un operatore.

Per riuscire nel processo di riconciliazione di dati online/offline è fondamentale l’utilizzo del Measurement Protocol, uno strumento tecnico che permette di inviare eventi di conversione a piattaforme di analytics come Google Analytics 4 da sistemi esterni come CRM, gestionali o fogli Google Sheet.

In pratica, quando un addetto vendita conferma manualmente un pagamento, o applica uno sconto personalizzato, il sistema gestionale invia l’evento di conversione a GA4 con i dati corretti, garantendo che le informazioni offline abbiano la stessa qualità di quelle online.

Architettura dei dati: BigQuery per unificare le fonti

Come si può centralizzare la raccolta di metriche specifiche provenienti da fonti differenti di archiviazione dati e rielaborarle per generare nuove metriche personalizzate calcolate?

Ormai gli strumenti di web analytics da soli non bastano, soprattutto quando si lavora in flussi di conversione ibridi online/offline.

Occorre dunque costruire un’architettura di dati centralizzata che unifichi tutte le fonti in un unico ambiente dove poter eseguire analisi avanzate.

Per questo obiettivo, soluzioni di data warehouse in cloud come Google BigQuery permetto di far confluire dati da molteplici fonti online e offline.

Prendiamo il caso di un ecommerce con

• listini prezzi diversificati
• numerose offerte e scontistiche dedicate per singoli clienti o segmenti di clienti
• metodi di pagamento ibridi (checkout online e sistemi in differita offline)

La progettazione e costruzione di tabelle di archiviazione dati all’interno di un data warehouse permette di mappare e mettere in relazione tra loro le metriche custom e le metriche calcolate provenienti da fonti diverse: scontistiche personalizzate e Customer Lifetime Value dal CRM, costo per acquisizione lead dalle piattaforme pubblicitarie, valore medio degli ordini da GA4, etc.

Questa architettura permette di riconciliare le informazioni provenienti da flussi online e offline, creando un dataset unificato, pulito e completo.

Infine, su questa base dati si possono realizzare dashboard personalizzate in strumenti di data visualization come Looker Studio, che attingono i dati direttamente da BigQuery.

Così facendo si possono monitorare i KPI di marketing e business in tempo reale per:

• analisi su metriche calcolate e avanzate per decisioni strategiche più consapevoli ed efficaci
• sostituire i processi di reporting e aggiornamento manuali su Excel con report sempre aggiornati e condivisibili tra diversi team aziendali.

Risultati misurabili: quando i dati riflettono la realtà

L’implementazione di metriche personalizzate e architetture dati avanzate porta a risultati concreti che cambiano radicalmente le performance e le decisioni strategiche.

Nel caso reale dell’ecommerce LaCuraDellAuto – presentato durante la passata edizione dell’evento GA Summit -, la strategia di Data mix implementata integrando dati online/offline e calcolando metriche personalizzate ha permesso di:

• aumentare dal 70% al 98% l’accuratezza del tracciamento degli ordini
• ridurre del 42% la perdita di revenue dovute a rimborsi o mancati pagamenti
• aumentare il ROAS pubblicitario del 13% grazie a una maggiore granularità di dati inviati agli algoritmi advertising

In aggiunta, il risultato complessivo generato è stato un aumento del 28% delle revenue nette rispetto all’ultimo periodo. Un risultato raggiunto non perché le vendite siano aumentate, ma perché sono state tracciate correttamente le diverse metriche che impattano sul margine.