Stai investendo budget, il traffico arriva e le dashboard si popolano senza apparenti problemi. Le conversioni ci sono, i costi sembrano sotto controllo e, a un primo sguardo, i report restituiscono un quadro coerente. È solo quando si prova a scendere di livello (incrociando i dati con il CRM, osservando i percorsi reali degli utenti o confrontando più piattaforme) che iniziano a emergere incongruenze difficili da spiegare.
Ordini senza sorgente, utenti duplicati, sessioni che partono da pagine finali del funnel, discrepanze sistematiche tra ciò che raccontano GA4 e le piattaforme advertising. Segnali che spesso vengono liquidati come limiti fisiologici degli strumenti o come inevitabili approssimazioni del tracking moderno.
Il punto è che la maggior parte delle analisi si basa su dati già elaborati, aggregati e interpretati da sistemi progettati per semplificare, non per mostrare la complessità. Quando la base dati non è solida, anche i report più curati finiscono per raccontare solo una parte della storia (e anche il fatturato può risultare ingannevole se non valuti quali segnali anticipano realmente un deterioramento del business).
In questo articolo non ti parlerò di errori di configurazione né di confronti tra piattaforme. Parlerò di fondazione dati: di ciò che serve davvero per poter ricostruire percorsi, collegare eventi, utenti e canali, e prendere decisioni affidabili. Ed è da qui che diventa inevitabile parlare di BigQuery come strumento centrale per accedere ai dati nella loro forma più completa e utilizzabile.
Perché i report sembrano corretti anche quando i dati sono rotti
Uno degli aspetti più ingannevoli della digital analytics moderna è che i report possono apparire perfettamente coerenti anche quando la base dati è strutturalmente fragile. Le conversioni arrivano, il ROAS è accettabile, le dashboard sono complete. Nulla, in superficie, segnala un problema critico.
Questo accade perché la maggior parte degli strumenti di analytics e advertising lavora su dati già filtrati, aggregati e normalizzati. I numeri che osserviamo non sono il riflesso diretto di ciò che è accaduto sul sito o nell’app, ma il risultato di una serie di trasformazioni automatiche che hanno un obiettivo preciso: produrre metriche leggibili e confrontabili.
I sistemi di reporting sono progettati per chiudere i numeri
GA4, le piattaforme ADV e molti tool di BI non nascono per mostrarti l’incertezza. Nascono per:
aggregare eventi
risolvere ambiguità in modo automatico
compensare dati mancanti
applicare logiche interne di attribuzione e deduplicazione
Il risultato è che molti problemi a monte vengono assorbiti dal sistema, non segnalati.
Se mancano identificativi, se le sessioni sono spezzate, se le sorgenti non sono coerenti, il reporting non si interrompe: ricalcola.
Quando l’aggregazione nasconde i problemi reali
A livello operativo, questa logica produce situazioni estremamente comuni:
utenti che iniziano il percorso dalla thank-you page
ordini nel CRM privi di una sorgente attendibile
picchi anomali di traffico diretto nelle fasi finali del funnel
lo stesso utente che compare più volte in strumenti diversi
conversioni attribuite a canali differenti a seconda della piattaforma
Molti di questi segnali sono gli stessi analizzati nel mio precedente articolo sui dati diversi tra piattaforme, dove il problema emerge a livello di confronto tra strumenti. Qui, però, stiamo andando a monte: non al sintomo, ma alla causa strutturale che rende possibili queste discrepanze.
L’illusione della coerenza apparente
Quando guardi una dashboard stai osservando una sintesi, non la realtà completa.
Se alla base:
non esistono eventi granulari affidabili
mancano identificativi per collegare click, sessioni e utenti
i timestamp non sono coerenti
le sorgenti di traffico non vengono preservate
allora quella sintesi è, inevitabilmente, una versione parziale della verità.
Il problema non è che i report siano sbagliati.
Il problema è che non mostrano ciò che non riescono a ricostruire.
Quando i numeri tornano è il segnale più pericoloso
L’illusione più comune è pensare:
“Se i numeri tornano, i dati sono buoni.”
In realtà, spesso i numeri tornano proprio perché qualcuno (o qualcosa) li ha fatti tornare.
Ed è esattamente questo che rende invisibili i problemi strutturali della base dati.
Cosa manca davvero sotto i report: continuità e granularità del dato
Quando un report non riesce a spiegare perché qualcosa è successo, il problema raramente è la visualizzazione. Quasi sempre è ciò che manca prima: il livello di dettaglio necessario per ricostruire i fatti. Sotto le metriche aggregate che osserviamo ogni giorno, spesso non esiste una base dati sufficientemente ricca da permettere un’analisi reale.
Non si tratta di più dati, ma di dati collegabili.
Eventi senza contesto non raccontano una storia
Un evento isolato dice pochissimo. Sapere che una conversione è avvenuta non è sufficiente se non puoi rispondere a domande come:
da quale interazione reale è partita
in quale momento del percorso si colloca
quali passaggi l’hanno preceduta
quali canali e messaggi hanno contribuito
Nei sistemi di reporting standard, molti eventi perdono il contesto perché vengono salvati solo come aggregati o perché non conservano relazioni esplicite con ciò che li ha generati.
Il risultato è una sequenza di punti, non un percorso.
Identificativi mancanti: il vero collo di bottiglia
Il cuore del problema sta quasi sempre qui.
Per collegare i dati servono identificativi coerenti e persistenti, ad esempio:
un identificativo di sessione
un identificativo utente
un riferimento al click o alla sorgente
timestamp affidabili e confrontabili
Quando uno o più di questi elementi manca, il sistema è costretto a indovinare.
E quando indovina, lo fa seguendo regole interne che non controlli e che spesso non vedi.
Questo è il motivo per cui:
un utente può comparire più volte come nuovo
una sessione può spezzarsi senza motivo apparente
una conversione può risultare diretta anche se non lo è
La continuità del dato è più importante della precisione apparente
Un dato apparentemente preciso ma scollegato è molto meno utile di un dato meno pulito ma continuo.
Senza continuità non puoi:
seguire un utente nel tempo
capire l’effetto cumulativo dei canali
distinguere causa ed effetto
validare o smentire un’ipotesi
Molti sistemi privilegiano la stabilità del numero finale rispetto alla tracciabilità del processo. È una scelta comprensibile per il reporting, ma limitante per l’analisi.
Perché l’assenza di continuità non genera errori evidenti
La mancanza di granularità e collegamenti raramente produce errori bloccanti.
Produce invece:
approssimazioni silenziose
attribuzioni semplificate
percorsi ricostruiti a posteriori
Ed è proprio per questo che il problema passa inosservato. I dati non risultano sbagliati, risultano inermi: non permettono di approfondire, verificare, mettere in discussione.
Perché i tool di analytics non bastano per risolvere il problema
A questo punto il problema dovrebbe essere chiaro: per analizzare davvero servono dati granulari, continui e collegabili. La domanda naturale diventa quindi un’altra: perché gli strumenti di analytics più diffusi non sono sufficienti a fornire questo livello di controllo?
La risposta non sta in una cattiva configurazione, ma nel ruolo per cui questi tool sono stati progettati.
I tool di analytics sono sistemi di sintesi, non di verità
GA4 e strumenti simili nascono con un obiettivo preciso: rendere i dati utilizzabili per la maggior parte degli utenti, non esporre tutta la complessità sottostante.
Per farlo:
applicano modelli di attribuzione predefiniti
deduplicano eventi e utenti con logiche interne
normalizzano i percorsi
limitano l’accesso ai dettagli più granulari
Questo approccio è efficace per il reporting operativo, ma introduce un limite strutturale: non puoi verificare né ricostruire ciò che il sistema ha già interpretato per te.
Aggregazione e modelli sono una scelta, non un difetto
È importante chiarire un punto: l’aggregazione non è un bug.
È una scelta necessaria per:
performance
leggibilità
scalabilità
Il problema nasce quando si cerca di usare questi strumenti per fare analisi che vanno oltre il loro perimetro, come:
costruire logiche di attribuzione personalizzate
analizzare percorsi reali multi-sessione
collegare dati di marketing con CRM, vendite o prodotto
rispondere a domande non previste dal modello standard
In questi casi, il limite non è aggirabile con una vista in più o un filtro avanzato.
Quando il tool diventa una black box
Più l’analisi diventa sofisticata, più emerge un’altra criticità: la mancanza di trasparenza.
Molte decisioni chiave vengono prese dal sistema:
come viene risolta un conflitto di attribuzione
quale evento viene considerato valido
come viene deduplicato un utente
quando una sessione inizia o finisce
Queste logiche sono spesso:
parzialmente documentate
non verificabili sui dati originali
non replicabili fuori dal tool
A quel punto, l’analisi non è più un processo controllabile, ma una lettura di output già mediati.
Quando lavori sui dati a livello evento, cambia tutto
Il punto di svolta nell’analisi dei dati di marketing non è una nuova dashboard né un modello di attribuzione più evoluto. È il momento in cui smetti di lavorare su dati già interpretati e inizi a lavorare sui dati così come vengono generati: evento per evento, con tutte le informazioni necessarie per collegarli tra loro.
Questo è ciò che si intende, concretamente, per base dati solida.
Cosa significa davvero dati a livello evento
Lavorare a livello evento significa avere accesso a:
ogni singola interazione tracciata
il momento esatto in cui avviene (timestamp reale)
il contesto completo dell’evento
gli identificativi necessari per collegarlo ad altri eventi, sessioni e utenti
Non una conversione aggregata, ma la sequenza che porta a quella conversione.
Non un canale attribuito, ma tutte le interazioni che hanno contribuito.
È solo a questo livello che puoi:
ricostruire percorsi reali
validare o smentire i modelli standard
costruire logiche di attribuzione personalizzate
unire dati di marketing, prodotto e CRM senza forzature
Perché BigQuery è il punto di svolta
BigQuery non è semplicemente un database dove finiscono i dati. È lo strumento che rende accessibile, interrogabile e scalabile questo livello di dettaglio.
La differenza chiave è che:
i dati non sono più nascosti dietro interfacce
le trasformazioni sono esplicite e controllabili
le regole di collegamento le definisci tu
puoi tornare indietro, ricalcolare, confrontare
In altre parole, non stai leggendo una versione dei dati: stai lavorando sui dati.
Questo è il motivo per cui BigQuery diventa centrale quando:
GA4 non basta più
le risposte predefinite non sono sufficienti
l’analisi deve guidare decisioni, non giustificarle
Per approfondire le best practice per analisi dei dati raw con BigQuery e capire come progettare dataset sostenibili nel tempo, ho dedicato un contenuto specifico.
In questo articolo ci siamo concentrati sul perché una base dati a livello evento sia necessaria. Se vuoi vedere come questo approccio si traduce operativamente nell’analisi dei dati GA4 su BigQuery, ho approfondito il tema in un contenuto dedicato.
Dal reporting all’analisi: un cambio di responsabilità
Passare ai dati a livello evento comporta anche un cambiamento di approccio.
Non è più il tool che decide cosa è rilevante: sei tu a dover definire:
quali eventi contano
come collegarli
quali percorsi analizzare
quali ipotesi testare
È un passaggio da:
“cosa dice il report?”
a:
“cosa voglio dimostrare sui dati?”
Ed è qui che l’analytics smette di essere descrittiva e diventa decisionale.
Cosa diventa possibile con una base dati solida
Finché lavori su report aggregati, l’analytics resta confinata entro i limiti degli strumenti. Quando invece disponi di una base dati a livello evento, coerente e interrogabile, il perimetro dell’analisi cambia radicalmente. Non perché hai più dati, ma perché hai finalmente controllo.
Costruire logiche di attribuzione realmente personalizzate
Con i dati a livello evento non sei più vincolato a:
last click
data-driven black box
modelli imposti dalla piattaforma
Puoi definire le tue regole, ad esempio:
quali eventi contano davvero come touchpoint
quanto pesa il tempo tra un’interazione e l’altra
come trattare sessioni ripetute o canali ricorrenti
come distinguere traffico di scoperta da traffico di chiusura
L’attribuzione smette di essere una scelta di interfaccia e diventa una decisione analitica.
Ricostruire percorsi utente reali, non stimati
Con una base dati solida puoi seguire:
lo stesso utente nel tempo
attraverso sessioni diverse
su più dispositivi e canali
fino alla conversione (e oltre)
Questo consente analisi che nei tool standard sono impossibili o fortemente approssimate, come:
funnel multi-sessione reali
analisi di ritorno e frequenza
identificazione dei punti di frizione veri
distinzione tra utenti attivi e utenti solo tecnicamente presenti
Non stai più osservando una media. Stai osservando comportamenti.
Unire marketing, CRM e vendite senza forzature
Uno dei benefici più sottovalutati è la possibilità di integrare fonti diverse senza adattarle artificialmente ai report.
Con BigQuery puoi collegare:
eventi di navigazione
dati di advertising
informazioni di CRM
stati di avanzamento commerciali
dati di revenue reali
Il tutto usando chiavi, timestamp e logiche esplicite. Questo permette analisi come:
qualità dei lead per canale nel tempo
coerenza tra promesse ADV e valore reale
analisi post-conversione (non solo fino al thank you)
Liberarsi dai limiti strutturali dei tool
Forse il beneficio più importante è anche il meno immediato: l’indipendenza.
Con una base dati tua:
puoi ricalcolare tutto quando cambiano le regole
non sei vincolato ai limiti storici dei tool
puoi verificare qualsiasi numero
puoi spiegare perché un risultato è cambiato
I tool tornano a essere ciò che dovrebbero essere: interfacce di lettura, non custodi della verità.
Conclusioni
Quando i dati di marketing non riescono a spiegare ciò che accade davvero, il problema raramente è il report o lo strumento utilizzato. Nella maggior parte dei casi è la base dati a non essere all’altezza delle domande che le vengono poste. Dashboard curate e metriche apparentemente coerenti possono convivere con una realtà frammentata, fatta di eventi scollegati, utenti duplicati e percorsi ricostruiti a posteriori.
Lavorare su dati già aggregati significa accettare decisioni prese da altri: modelli, semplificazioni e compromessi pensati per la leggibilità, non per l’analisi profonda. Finché l’analytics resta confinata a questo livello, è destinata a descrivere il passato più che a guidare il futuro.
Costruire una base dati solida, a livello evento, significa invece riprendersi il controllo. Significa poter verificare, ricalcolare, confrontare. Significa collegare marketing, prodotto e vendite senza forzature e costruire logiche di attribuzione e analisi coerenti con il proprio business, non con i limiti dei tool.
BigQuery non è la soluzione perché è potente, ma perché rende possibile questo cambio di paradigma. Non sostituisce i tool di analytics: li rimette al loro posto. Quando la base dati è solida, i report tornano a essere ciò che dovrebbero sempre essere: una conseguenza, non un punto di partenza.
FAQ rapide
GA4 è progettato per il reporting e l’analisi standard, non per la ricostruzione completa dei percorsi utente o per l’analisi personalizzata dei dati. Lavora su dati già aggregati e interpretati, con modelli e logiche non sempre verificabili. Quando le domande richiedono controllo su eventi, timestamp e identificativi, GA4 mostra limiti strutturali che non dipendono dalla configurazione, ma dal suo ruolo.
Una base dati solida è una raccolta di eventi a livello granulare, coerenti nel tempo e collegabili tra loro tramite identificativi affidabili. Significa poter ricostruire un percorso reale senza dover dipendere da modelli predefiniti o deduzioni automatiche. Non riguarda la quantità di dati, ma la loro tracciabilità e continuità.
No. BigQuery diventa utile non quando i volumi sono enormi, ma quando le domande sono complesse. Anche con dataset relativamente piccoli, è l’unico modo per lavorare direttamente sui dati a livello evento, unire fonti diverse e ricalcolare analisi senza perdere informazioni. Il valore sta nel controllo, non nella scala.
Se le decisioni si basano solo su metriche aggregate, no. Ma se devi capire perché qualcosa funziona o non funziona, allora sì. Senza dati a livello evento non puoi validare ipotesi, testare alternative di attribuzione o distinguere correlazioni da cause. In quel caso, stai interpretando numeri, non analizzando dati.
Sì, ed è l’approccio più efficace. BigQuery non sostituisce GA4 o le piattaforme ADV, ma le affianca. I tool restano utili per la lettura quotidiana e il monitoring, mentre BigQuery diventa la fonte di verità per analisi approfondite, integrazioni con CRM e verifiche strutturali.
Se le tue domande superano i limiti dei report — ad esempio quando vuoi ricostruire percorsi multi-sessione, verificare attribuzioni o collegare marketing e vendite — allora sei già pronto. Il segnale non è tecnico, ma analitico: quando non puoi dimostrare una risposta sui dati, il problema non è la competenza, ma la base dati.