BigQuery per e-commerce: quando GA4 non basta più

Se gestisci un e-commerce un po’ cresciuto, prima o poi ti capita questa scena: apri Google Analytics 4 per rispondere a una domanda precisa — “quanto ha incassato davvero il canale email il mese scorso, separato dal resto?” — e l’interfaccia o non te lo dice, o ti avvisa che i numeri sono “stimati”, o ti accorgi che i dati di un anno fa sono semplicemente spariti. Non stai sbagliando tu: stai sbattendo contro i limiti dell’interfaccia di GA4. E la soluzione di cui sentirai parlare sempre più spesso, quando si parla di BigQuery e-commerce, è proprio il passo successivo.

In questa guida ti spiego, semplice, cos’è BigQuery, quando inizia davvero a servirti e come si parte — senza che tu debba diventare un analista dati.

In tre righe: cos’è BigQuery e quando ti serve

BigQuery è il “magazzino dati” di Google: un servizio dove puoi far confluire i dati grezzi di GA4 — ogni singolo evento, senza stime e senza scadenza — e interrogarli con domande precise, superando i limiti dell’interfaccia. In GA4 vedi report già impacchettati; in BigQuery hai la materia prima e ci fai quello che vuoi.

Inizia a servirti quando GA4 ti sta stretto: report grandi che diventano “stimati”, dati storici che spariscono dopo qualche mese, e domande sul tuo business a cui l’interfaccia semplicemente non risponde. Se ti riconosci, continua: ti spiego perché succede e cosa puoi farci.

GA4 ti sta stretto: i tre fastidi che senti già

GA4 è un ottimo strumento per il 90% delle domande quotidiane. Ma ha tre limiti che, su un e-commerce con un buon volume, iniziano a darti fastidio.

• Il campionamento (i dati “stimati”). Quando chiedi a GA4 un report complesso su un periodo lungo, spesso non analizza tutti i dati: ne prende un campione e fa una stima. In alto ti compare un’icona che ti avvisa che i numeri sono approssimativi. Per una decisione veloce va bene; per capire l’incasso esatto di un segmento, no.
• I dati che spariscono. GA4 conserva i dati a livello di singolo utente per un massimo di 14 mesi (spesso impostati a 2). Vuoi confrontare il Black Friday di quest’anno con quello di tre anni fa, utente per utente? Nell’interfaccia quei dati non ci sono più.
• Le domande a cui l’interfaccia non risponde. GA4 ti dà i report che ha deciso Google. Ma il tuo “quanti clienti hanno comprato due volte nello stesso mese e da quale canale arrivava il secondo acquisto?” non è un pulsante: è una domanda tua, e l’interfaccia non ce l’ha.

Questi tre fastidi hanno la stessa radice: in GA4 vedi i dati già lavorati, non quelli grezzi. È esattamente il problema che BigQuery risolve. (Se vuoi prima ripassare le basi di GA4, ne ho parlato qui: cos’è Google Analytics 4.)

Cos’è BigQuery, spiegato con un’analogia

Immagina GA4 come la vetrina di un supermercato: prodotti già confezionati, etichettati, pronti da prendere. Comodo, ma puoi comprare solo quello che è esposto.

BigQuery è il magazzino dietro la vetrina. Lì arriva la merce grezza, tutta, ogni singola cassa. Se in vetrina non trovi quello che cerchi, vai in magazzino e te lo prepari come vuoi. In termini concreti: BigQuery è un database in cloud di Google dove puoi far “scaricare” automaticamente tutti gli eventi grezzi di GA4 — ogni visualizzazione, ogni clic, ogni acquisto, con tutti i suoi dettagli.

Tre differenze che cambiano tutto rispetto all’interfaccia:

• Niente campionamento. Le tue domande girano su tutti i dati, sempre. I numeri sono esatti, non stimati.
• Niente scadenza. I dati che finiscono in BigQuery restano lì finché li tieni tu. Tre, cinque, dieci anni di storico: dipende solo da te.
• Nessun limite alle domande. Interroghi i dati con un linguaggio chiamato SQL e puoi chiedere qualsiasi cosa, anche incrociando GA4 con altre fonti (ci arrivo tra poco).

I segnali che è ora di passarci

Non a tutti serve BigQuery. Se hai un e-commerce piccolo e GA4 ti risponde bene, lascialo stare: aggiungeresti complessità senza beneficio. Ma ci sono segnali precisi che ti dicono che il momento è arrivato.

• Vedi spesso l’avviso di campionamento. Se i tuoi report importanti escono “stimati”, stai prendendo decisioni su numeri approssimati. Coi dati grezzi sparisce il problema.
• Ti servono storici lunghi. Vuoi confrontare stagionalità, andamento dei clienti che tornano, performance anno su anno oltre i 14 mesi. Con BigQuery archivi per sempre.
• Vuoi incrociare GA4 con altri dati tuoi. Questo è il punto che convince la maggior parte delle persone. In GA4 vedi cosa succede sul sito, ma non sai i margini reali, i resi, lo stato degli ordini nel gestionale, il valore di un cliente nel CRM. In BigQuery puoi mettere GA4 e queste fonti nello stesso posto e ragionarci insieme: “quale canale porta i clienti con margine più alto, al netto dei resi?”.
• Hai domande custom ricorrenti. Se ogni mese ti ritrovi a esportare CSV e a smanettare in Excel per rispondere sempre alle stesse domande che GA4 non copre, BigQuery te le automatizza.

Se anche solo uno o due di questi punti ti suonano familiari, vale la pena valutarlo.

Cosa ci fai davvero, in concreto

Tradotto in benefici per il tuo business, BigQuery ti dà quattro cose.

Analisi senza limiti. Qualsiasi domanda sul comportamento d’acquisto, sui percorsi dei clienti, sui canali, sui prodotti — anche le più specifiche — diventa rispondibile. Esatta, su tutti i dati.

Dashboard più potenti. Se usi (o vuoi usare) uno strumento di visualizzazione come Looker Studio, collegarlo a BigQuery invece che direttamente a GA4 ti dà cruscotti più veloci, senza campionamento e con metriche tue su misura — tipo il margine reale per canale. Ne ho parlato qui: dashboard vendite in Looker Studio.

Dati storici per sempre. Il tuo archivio non scade più. Costruisci serie storiche lunghe e affidabili, utili sia per i confronti sia, in prospettiva, per analisi predittive.

Unione di più fonti. GA4 + gestionale + CRM + costi pubblicitari nello stesso magazzino. È qui che smetti di guardare il sito a compartimenti stagni e inizi a vedere il quadro economico completo.

Il tema costi, spiegato onesto

Qui voglio essere chiaro, perché “Google cloud” spaventa e online si leggono cose imprecise. BigQuery funziona a consumo: paghi in base a quanto ci tieni dentro e a quanti dati le tue domande leggono. Non c’è un canone fisso. Nella pratica, per un e-commerce normale:

• L’export da GA4 a BigQuery è gratuito o quasi. Il collegamento standard di GA4 non costa nulla. (Esiste un’opzione di esportazione “streaming” in tempo reale che ha un piccolo costo, ma per la maggior parte dei casi non serve: l’export giornaliero gratuito basta.)
• Conservare i dati costa pochissimo. L’archiviazione si paga a centesimi per gigabyte al mese, e i dati più vecchi costano ancora meno. Anni di eventi GA4 pesano poco sul conto.
• Le domande (query) costano poco, se fatte bene. Si paga in base ai dati che ogni domanda legge, e c’è una fascia gratuita ogni mese (intorno al terabyte, di solito più che sufficiente per iniziare). Una query scritta male, però, può leggere mesi di dati inutilmente: ecco perché conta come è scritta.

In sintesi: per la stragrande maggioranza degli e-commerce, BigQuery costa meno di quanto si immagini — a patto di tenere d’occhio le query e di mettere un limite di spesa fin dal primo giorno.

Come si parte (senza diventare tecnico)

La buona notizia è che la parte difficile — far arrivare i dati — è quasi automatica.

1. Crei un progetto su Google Cloud con lo stesso account Google che usi per GA4.

2. Attivi il collegamento nativo GA4 → BigQuery. In GA4 vai in Amministrazione, trovi la voce di collegamento a BigQuery, scegli il progetto e confermi. È una procedura di pochi clic, pensata apposta da Google. Da quel momento, ogni giorno i dati grezzi iniziano a scaricarsi da soli nel tuo magazzino.

3. Inizi a fare domande. Qui serve qualcuno che scriva le query in SQL — o, oggi, un’AI.

Ed è proprio sul terzo punto che voglio fermarmi, perché è dove la maggior parte delle persone si blocca pensando “allora mi serve un analista”.

Non sai scrivere SQL? Fattelo scrivere da Claude

Questo è, secondo me, il caso d’uso perfetto per l’AI. Fino a poco fa, per interrogare BigQuery dovevi conoscere SQL o assumere qualcuno che lo conoscesse. Oggi no: descrivi a parole cosa vuoi sapere e ti fai scrivere la query.

Apri Claude (o un altro assistente), spieghi che lavori sui dati di export di GA4 in BigQuery e scrivi la domanda in italiano: “voglio gli acquisti e il fatturato dell’ultimo mese divisi per canale di provenienza”. Ti restituisce la query SQL pronta, che tu (o il tuo sviluppatore) incollate in BigQuery. Se il risultato non torna, gli spieghi cosa c’è che non va e te la corregge.

Il bello è che così paghi competenza solo quando serve davvero. Per le domande ricorrenti, l’AI ti basta. Per analisi complesse e strutturali ha senso un professionista — ma non devi partire assumendo un analista solo per vedere i tuoi acquisti per canale. Inizia tu, deleghi quando il caso lo merita.

Nell’appendice qui sotto trovi una query d’esempio già pronta: copiala, oppure usala come modello da far adattare al tuo caso.

La parte operativa (passala al tuo sviluppatore o a un’AI)

Questa sezione è il punto in cui passare dalla teoria ai dati. Non devi capirla riga per riga: puoi consegnarla a chi implementa, oppure incollarla in BigQuery e adattare i nomi tra parentesi.

I dati di GA4 in BigQuery finiscono in tabelle giornaliere chiamate events_AAAAMMGG (una per giorno), dentro un dataset tipo analytics_NUMEROPROPRIETA. Ogni riga è un evento; i dettagli stanno in colonne “annidate” come event_params e traffic_source. La query qui sotto calcola gli acquisti e il fatturato dell’ultimo mese, divisi per canale di provenienza.

-- Sostituisci 'tuo-progetto' e il numero della proprieta (analytics_XXXXXX)
-- con i tuoi reali, che trovi nel pannello BigQuery dopo il collegamento a GA4.

SELECT
-- Canale di provenienza della sessione (es. google, email, direct)
traffic_source.source AS canale,

-- Numero di acquisti nel periodo
COUNT(*) AS acquisti,

-- Fatturato totale: somma del valore di ogni acquisto.
-- In GA4 il valore dell'acquisto sta nel parametro 'value' dell'evento.
ROUND(SUM(
  (SELECT ep.value.double_value
   FROM UNNEST(event_params) AS ep
   WHERE ep.key = 'value')
), 2) AS fatturato

FROM
`tuo-progetto.analytics_XXXXXX.events_*`

WHERE
-- Tieni solo gli eventi di acquisto
event_name = 'purchase'

-- Filtro per data: SEMPRE presente, e' cio' che tiene bassi i costi.
-- Qui: ultimi 30 giorni rispetto a oggi.
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
canale

ORDER BY
fatturato DESC;

Due cose da notare, che valgono per ogni query: c’è sempre un filtro per data (_TABLE_SUFFIX BETWEEN ...), perché è quello che evita di leggere — e pagare — anni di dati inutilmente; e si selezionano solo le colonne che servono, mai tutto. Se chiedi a un’AI di scriverti altre query, dalle queste due regole come vincolo.

Domande frequenti su BigQuery per e-commerce

Cos’è BigQuery in parole semplici?

È il “magazzino dati” di Google: un database in cloud dove puoi far confluire i dati grezzi di GA4 e interrogarli con domande precise, senza il campionamento e senza la scadenza dell’interfaccia di GA4. In GA4 vedi report già pronti; in BigQuery hai la materia prima.

Quanto costa BigQuery per un e-commerce?

Si paga a consumo, senza canone fisso. L’export da GA4 è gratuito (nella modalità giornaliera standard), l’archiviazione costa pochi centesimi per gigabyte al mese e le query hanno una fascia gratuita mensile intorno al terabyte. Per un e-commerce medio il costo è basso, a patto di filtrare sempre per data e impostare un tetto di spesa.

Devo per forza saper programmare per usarlo?

No. Far arrivare i dati è quasi automatico (collegamento nativo GA4 → BigQuery in pochi clic). Per le domande serve SQL, ma puoi descrivere a un’AI come Claude cosa vuoi sapere e farti scrivere la query, oppure delegarla a uno sviluppatore.

BigQuery sostituisce GA4?

No, lo completa. GA4 resta lo strumento per le domande quotidiane e la raccolta dati; BigQuery è il magazzino dove quei dati si conservano per sempre, si analizzano senza limiti e si incrociano con altre fonti come gestionale e CRM.

Checklist: ti serve BigQuery adesso?

Rispondi sì o no. Se collezioni due o più “sì”, è il momento di valutarlo sul serio.

• Vedo spesso l’avviso di dati “stimati” (campionamento) sui report importanti di GA4.
• Mi servono confronti storici oltre i 14 mesi (anno su anno, stagionalità lunghe).
• Voglio incrociare i dati GA4 con margini, resi, gestionale o CRM.
• Ho domande ricorrenti che GA4 non risponde e che oggi risolvo a mano in Excel.
• Uso (o voglio usare) dashboard in Looker Studio e mi servono numeri esatti e metriche su misura.

Se invece hai risposto “no” quasi ovunque e GA4 ti basta, va benissimo così: BigQuery aspetterà il momento giusto. Quando arriverà, sai da dove partire — collegamento nativo, un limite di spesa fin da subito, e la prima query te la fai scrivere descrivendola a parole.