Nel 2026, Excel e Google Sheets continuano a essere utilizzati per gestire quantità e tipologie di dati per cui non sono mai stati progettati. Succede soprattutto nel marketing, nella SEO e nell’analytics: esportazioni manuali, CSV che si accumulano, fogli duplicati, formule copiate e incollate, versioni diverse dello stesso report che restituiscono numeri leggermente differenti. All’inizio funziona. Poi, quasi senza accorgersene, diventa un problema strutturale.
Il punto non è che spreadsheet come Excel o Google Sheets siano strumenti “sbagliati”. Al contrario, sono eccellenti per calcoli semplici, operazioni operative e visualizzazioni rapide. Il problema nasce quando vengono usati come sistemi di archiviazione e analisi dei dati, soprattutto per dati che cambiano nel tempo, che arrivano da più fonti o che richiedono coerenza e riproducibilità. In questi casi, lo spreadsheet smette di essere un supporto e diventa un collo di bottiglia.
Chi lavora con dati di marketing e SEO lo sperimenta quotidianamente. I dati arrivano da GA4, Google Search Console, piattaforme advertising, CRM, feed di prodotto. Ogni fonte ha le proprie regole, i propri limiti e i propri tempi di aggiornamento. Per tenerle insieme, spesso si ricorre a esportazioni manuali o a integrazioni fragili, con il risultato che lo stesso dato viene ricalcolato più volte, in modi leggermente diversi, senza che sia chiaro quale versione sia quella corretta.
Questo porta a un problema meno evidente ma molto più grave: la perdita di riproducibilità dell’analisi. Due persone possono partire dagli stessi file e ottenere risultati diversi semplicemente perché hanno applicato trasformazioni differenti, in ordine diverso o senza documentarle. Quando questo accade, il problema non è più lo strumento, ma la fiducia nei numeri. E senza fiducia, i dati smettono di guidare le decisioni e iniziano a giustificarle a posteriori.
È qui che entra in gioco il concetto di data warehouse, anche se spesso viene percepito come qualcosa di “troppo grande” o “troppo tecnico”. In realtà, un data warehouse non serve solo alle grandi aziende. Serve ogni volta che i dati devono essere conservati nel tempo, interrogati più volte e utilizzati come base comune per analisi diverse. Strumenti come BigQuery non sostituiscono lo spreadsheet: lo affiancano, spostando a monte il problema della conservazione e dell’elaborazione dei dati.
BigQuery, in particolare, consente di archiviare i dati così come vengono generati, senza doverli adattare immediatamente a una logica di report. Questo permette di separare due livelli che negli spreadsheet vengono continuamente mescolati: il dato e la sua interpretazione. Una volta che i dati sono conservati in modo affidabile, possono essere interrogati, trasformati e visualizzati anche tramite fogli di calcolo, ma senza che questi diventino il luogo in cui il dato “vive”.
Questo articolo non è pensato per convincerti che BigQuery sia sempre la scelta giusta. Per casi semplici, uno spreadsheet resta spesso la soluzione migliore. L’obiettivo è chiarire quando e perché Excel e Google Sheets smettono di essere sufficienti e cosa cambia, in termini pratici, quando si inizia a usare un data warehouse come BigQuery come base dei propri dati di marketing e SEO.
I limiti strutturali degli spreadsheet per i dati di marketing
Excel e Google Sheets non diventano inadeguati perché “si sbaglia a usarli”, ma perché non sono progettati per fare ciò che oggi chiediamo ai dati di marketing. Il problema emerge quando lo spreadsheet smette di essere un foglio di lavoro e diventa, di fatto, un sistema di archiviazione, trasformazione e analisi dei dati.
Il primo limite è la gestione del tempo. I dati di marketing non sono statici: vengono aggiornati, ricalcolati, corretti. In uno spreadsheet, ogni aggiornamento tende a sovrascrivere quello precedente oppure a generare nuove versioni dello stesso file. Dopo qualche mese, diventa impossibile ricostruire quale fosse lo stato dei dati in un momento preciso, o capire se una variazione è dovuta a un cambiamento reale o a una modifica nelle formule.
Un secondo limite riguarda la complessità dei calcoli. Funnel, attribuzioni, deduplicazioni, confronti temporali: tutte queste operazioni sono teoricamente possibili anche in uno spreadsheet, ma solo a costo di formule sempre più complesse, spesso difficili da leggere e da verificare. Il risultato è che il foglio “funziona”, ma nessuno è più in grado di spiegare con certezza perché restituisce certi numeri.
C’è poi un tema cruciale di affidabilità e collaborazione. In ambienti condivisi, due persone possono partire dallo stesso file e ottenere risultati diversi semplicemente perché hanno applicato filtri, ordinamenti o trasformazioni locali non tracciate. Questo non è un errore umano occasionale: è una conseguenza diretta del fatto che lo spreadsheet non registra il processo, ma solo il risultato finale. Quando l’analisi non è riproducibile, il dato perde valore decisionale.
Un altro limite strutturale è la scalabilità. I dati di marketing crescono rapidamente: eventi, query, keyword, prodotti, campagne. Man mano che il volume aumenta, gli spreadsheet diventano lenti, fragili e difficili da mantenere. A quel punto, l’energia non viene più spesa per analizzare i dati, ma per “far reggere” il file: ottimizzare formule, spezzare fogli, creare workaround che risolvono il problema di oggi ma peggiorano quello di domani.
Infine, c’è un limite spesso sottovalutato: la mancanza di separazione tra dato e interpretazione. In uno spreadsheet, il dato viene quasi sempre trasformato appena entra: filtri, colonne calcolate, aggregazioni. Questo rende difficile tornare indietro, rivedere le assunzioni o applicare nuove logiche senza rifare tutto da capo. Nel marketing, dove i modelli cambiano e le domande evolvono, questa rigidità diventa un freno.
Perché archiviare i dati conta più che visualizzarli
Nel lavoro quotidiano con i dati di marketing, l’attenzione è spesso rivolta a ciò che si vede: report, grafici, numeri pronti per essere letti. Il problema è che la visualizzazione è sempre l’ultimo passaggio, non il primo. Quando si parte direttamente dal foglio di calcolo o dal report, si finisce per costruire l’analisi intorno a ciò che lo strumento permette di mostrare, non intorno a ciò che i dati potrebbero raccontare.
Archiviare i dati in modo corretto significa prima di tutto conservarli nel tempo, senza modificarli o reinterpretarli a ogni aggiornamento. Nei contesti di marketing e SEO questo aspetto è spesso trascurato, perché si lavora su dati che sembrano “sempre disponibili”. In realtà, molte piattaforme ricalcolano le metriche, applicano soglie, cambiano modelli o limitano lo storico accessibile. Se il dato non viene conservato, semplicemente smette di esistere nella forma originale.
Un secondo aspetto riguarda la possibilità di tornare indietro. Ogni analisi si basa su assunzioni: su come si definisce una conversione, su come si attribuisce un canale, su come si deduplicano gli eventi. Se il dato viene subito aggregato o trasformato, queste assunzioni diventano invisibili. Archiviare i dati prima di interpretarli permette invece di rimettere in discussione le scelte fatte, confrontare modelli diversi e capire se un risultato dipende dal comportamento degli utenti o dalla logica con cui lo stiamo leggendo.
C’è poi un tema di riuso del dato. Quando i dati sono archiviati come file o fogli separati, ogni nuova analisi tende a partire da zero. Si reimportano CSV, si copiano formule, si ricostruiscono logiche già applicate in passato. Questo non solo rallenta il lavoro, ma aumenta la probabilità di incoerenze. Un sistema di archiviazione centralizzato consente invece di interrogare gli stessi dati con domande diverse, mantenendo una base comune e condivisa.
Infine, archiviare correttamente i dati significa separare il dato dal modo in cui viene consumato. I fogli di calcolo e le dashboard sono ottimi strumenti di output, ma non dovrebbero essere il luogo in cui il dato viene definito. Quando questa distinzione non esiste, ogni modifica al report rischia di alterare anche il dato sottostante, rendendo impossibile capire cosa sia cambiato davvero.
BigQuery come alternativa agli spreadsheet: cosa cambia davvero
A questo punto il confronto non è più tra strumenti, ma tra due modi diversi di trattare i dati. Gli spreadsheet sono progettati per lavorare su un insieme finito di numeri già pronti per essere manipolati. BigQuery, invece, nasce per conservare grandi volumi di dati nel tempo e renderli interrogabili quando serve, senza doverli continuamente spostare, copiare o adattare.
La prima differenza concreta è che il dato non “vive” più nel foglio di lavoro. In BigQuery i dati vengono archiviati così come arrivano, mantenendo il loro livello di dettaglio originale. Questo significa che non devi decidere subito come li userai. Puoi rimandare l’interpretazione, cambiare approccio analitico, confrontare periodi diversi senza perdere informazioni o dover ricostruire lo storico da zero.
Un altro cambiamento sostanziale riguarda la riproducibilità dell’analisi. In BigQuery, le trasformazioni non sono il risultato di azioni manuali, ma di istruzioni esplicite. Ogni analisi può essere rieseguita, verificata e condivisa ottenendo gli stessi risultati, perché il processo è separato dal dato e rimane tracciabile. Questo riduce drasticamente le discrepanze tra analisi simili e rende più semplice collaborare su una base comune.
Cambia anche il rapporto con l’automazione. Negli spreadsheet, l’automazione è spesso fragile: script che dipendono dalla struttura del foglio, formule che si rompono quando cambia una colonna, importazioni che falliscono senza preavviso. In BigQuery, l’automazione lavora a livello di dato archiviato. Una volta che il dato è lì, può essere interrogato, trasformato o esportato verso altri strumenti senza dover ricostruire ogni volta il contesto.
Un aspetto spesso sottovalutato è che BigQuery non elimina gli spreadsheet, ma li rende più utili. I fogli di calcolo tornano a essere ciò per cui sono stati progettati: strumenti di esplorazione, presentazione e lavoro operativo. La differenza è che, invece di contenere il dato “vero”, diventano una delle tante interfacce possibili per leggerlo, senza il rischio di alterarlo.
Infine, c’è una questione di scala e continuità. Con BigQuery, il fatto che i dati crescano non cambia il modo in cui lavori, ma solo la quantità di informazioni a disposizione. Questo è particolarmente rilevante per marketing, SEO ed ecommerce, dove il volume aumenta in modo naturale nel tempo e dove lo storico diventa una risorsa strategica, non un peso da gestire.
Cosa diventa possibile quando i dati non vivono più negli spreadsheet
Il vero valore di un data warehouse come BigQuery non emerge nel momento in cui si spostano i dati da un foglio di calcolo a un altro strumento, ma quando si smette di adattare l’analisi ai limiti dello spreadsheet. È in quel passaggio che alcune domande, prima troppo complesse o troppo costose in termini di tempo, diventano finalmente affrontabili.
Un primo esempio evidente riguarda le analisi longitudinali. Negli spreadsheet, lavorare su periodi lunghi significa spesso spezzare i dati, semplificarli o rinunciare a parte dello storico. Quando i dati sono archiviati in modo centralizzato, lo storico non è più un problema da gestire, ma una risorsa da interrogare. Questo apre la strada ad analisi di comportamento nel tempo che vanno oltre il confronto mese su mese.
Lo stesso vale per analisi come cohort e RFM. In un foglio di calcolo, queste logiche richiedono preparazioni complesse, formule difficili da verificare e una manutenzione costante. Con i dati archiviati in modo strutturato, invece, diventano analisi ripetibili, aggiornabili e confrontabili. La differenza non sta nella complessità matematica, ma nel fatto che il dato è disponibile nella sua forma originale, pronto per essere interrogato più volte.
Nel contesto ecommerce, la disponibilità dei dati a livello dettaglio consente di esplorare relazioni tra prodotti che negli spreadsheet vengono spesso trascurate. Analizzare combinazioni di acquisto, sequenze ricorrenti o pattern di cross-sell diventa possibile senza dover preaggregare tutto in tabelle statiche. Questo tipo di insight nasce solo quando il dato non è stato semplificato troppo presto.
Anche in ambito SEO, il cambio di approccio è significativo. Quando i dati di Search Console vengono archiviati e interrogati nel tempo, è possibile individuare opportunità di long-tail, variazioni progressive delle query o cambiamenti strutturali che difficilmente emergono da un foglio aggiornato manualmente. Non perché lo spreadsheet non possa farlo in assoluto, ma perché non è progettato per sostenere questo tipo di analisi continue e cumulative.
Infine, c’è un tema spesso sottovalutato: l’affidabilità dell’automazione. Quando l’analisi si basa su dati archiviati in modo stabile, è possibile costruire processi automatici che non dipendono dalla struttura di un foglio o dall’intervento manuale. Questo libera tempo, riduce errori e permette di concentrarsi sull’interpretazione, non sulla manutenzione degli strumenti.
BigQuery è sempre la scelta giusta? Quando no (e perché va bene così)
Arrivati a questo punto, è importante chiarire un aspetto fondamentale: BigQuery non è una soluzione obbligatoria per tutti. Il rischio, quando si parla di data warehouse, è trasformare uno strumento in un fine. In realtà, il valore non sta nell’usare BigQuery, ma nel risolvere problemi reali legati alla gestione e all’analisi dei dati.
Per casi semplici, con volumi limitati e domande analitiche stabili, uno spreadsheet può essere più che sufficiente. Se i dati non cambiano spesso, se l’analisi è occasionale e se non c’è bisogno di storico o automazione, introdurre un data warehouse aggiungerebbe complessità senza un reale ritorno. In questi contesti, la semplicità è un vantaggio, non un limite.
BigQuery diventa rilevante quando iniziano a emergere segnali precisi: difficoltà nel mantenere uno storico coerente, analisi che restituiscono numeri diversi a seconda di chi le esegue, tempo speso a sistemare file invece che a interpretare dati, o necessità di integrare più fonti senza doverle “adattare” ogni volta. Non è una questione di dimensione dell’azienda, ma di complessità del dato e delle domande che si vogliono porre.
Un altro elemento spesso frainteso è il costo. BigQuery viene percepito come uno strumento enterprise, ma in molti casi i costi sono prevedibili e contenuti, soprattutto se confrontati con il tempo speso a gestire manualmente spreadsheet complessi o a correggere errori che emergono troppo tardi. Questo non significa che sia sempre conveniente, ma che il confronto va fatto sul processo, non solo sulla spesa diretta.
Infine, è importante ricordare che BigQuery non sostituisce gli strumenti esistenti, ma li rimette al loro posto. Gli spreadsheet restano utilissimi per esplorare dati, condividere risultati e supportare attività operative. La differenza è che smettono di essere il luogo in cui il dato viene conservato e trasformato in modo definitivo.
Conclusioni
Excel e Google Sheets restano strumenti preziosi, ma non sono progettati per sostenere nel tempo l’analisi di dati di marketing, SEO ed ecommerce sempre più voluminosi e complessi. Quando i dati diventano centrali per prendere decisioni, il problema non è più come visualizzarli, ma dove e come vengono conservati.
Un data warehouse come BigQuery non è una soluzione universale, né un passaggio obbligato per tutti. Diventa però un alleato naturale quando serve affidabilità, riproducibilità e continuità nell’analisi. In questi casi, spostare il dato fuori dallo spreadsheet non significa complicare il lavoro, ma renderlo più solido.
Capire quando fare questo passo è una scelta strategica, non tecnica. Ed è proprio questa consapevolezza a fare la differenza tra usare i dati per riempire report e usarli per guidare davvero le decisioni.
FAQ rapide
Dipende dal tipo di dati e dalle analisi che stai facendo. Se lavori su dati semplici e statici, uno spreadsheet può bastare. Quando però servono storico, integrazione tra fonti e analisi ripetibili, la complessità di BigQuery è spesso inferiore a quella di gestire fogli sempre più fragili.
Non è necessario essere sviluppatori, ma serve un cambio di mentalità. BigQuery richiede di esplicitare le trasformazioni e le analisi, invece di applicarle manualmente. Questo rende il lavoro più strutturato e condivisibile, anche se inizialmente può sembrare meno immediato.
Sì, se il valore sta nella qualità e nella continuità dei dati, non solo nel volume. BigQuery è spesso più accessibile di quanto si pensi e permette di stimare i costi in anticipo. Per casi semplici può non essere necessario, ma la dimensione del sito non è l’unico criterio da considerare.
Assolutamente sì. BigQuery non sostituisce gli spreadsheet, ma li libera da un ruolo per cui non sono progettati. I fogli di calcolo restano strumenti ottimi per esplorare e presentare i dati, senza diventare la fonte primaria.