BigQuery per l'analisi degli esperimenti

Pubblicato il 21 luglio 2025
Indice dei contenuti

Un test mostra un aumento di conversione di +3 %. Sembra convincente, finché non si controllano i dati in BigQuery. Perché i report di GA4 spesso nascondono qualcosa: Il risultato si basa su utenti modellati, sessioni campionate e metriche smussate.

L'effetto? Un'apparente vittoria del test che non è tale.

Se si vogliono prendere decisioni informate, non ci si può affidare a dashboard pre-digeriti. È invece necessario capire cosa è successo realmente.


La falsa sicurezza è più pericolosa dell'insicurezza!

Flusso di dati Bigquery Google Analytics

Indice dei contenuti

Google Analytics 4 vs BigQuery

GA4 e BigQuery accedono allo stesso insieme di dati, ma il loro utilizzo è fondamentalmente diverso.

GA4 utilizza metodi probabilistici, come HyperLogLog++, per stimare il numero di utenti quando il traffico è elevato. In questo modo si risparmia sul carico di calcolo, ma i dati chiave, come gli utenti o le conversioni, risultano leggermente gonfiati. A partire da circa 12.000 visitatori per variante, i dati di utenti e conversioni riportati si discostano talvolta in modo significativo dai valori reali.

Se lo stesso test viene analizzato in BigQuery, emerge un quadro diverso: l'aumento si riduce e la significatività diminuisce. Perché? Perché BigQuery lavora con i dati grezzi reali, non con i valori stimati.

BigQuery Google Analytics 4
Salva i dati grezzi degli eventi
Mostra i dati elaborati e aggregati
I dati sono sempre non campionati (non basati su campioni)
Può utilizzare il campionamento nei report
I dati sono organizzati in tabelle giornaliere, con uno schema degli eventi
I dati vengono visualizzati in rapporti predefiniti e in esplorazioni personalizzabili.
SQL è necessario per l'interrogazione e l'analisi dei dati.
Utilizza un'interfaccia utente grafica
I dati vengono esportati il giorno successivo (possono essere necessarie fino a 72 ore).
L'elaborazione dei dati può richiedere fino a 48 ore
Gratuito (entro i limiti predefiniti)
Gratuito (con l'aggiornamento a GA4 360)

In breve:
GA4 semplificato - BigQuery chiarito.

La cosa importante è che: Non si tratta solo di GA4. Molti strumenti di A/B testing lavorano anche con dati modellati e smussati. Proprio per questo vale il principio: fidarsi dei dati grezzi e analizzare le superfici lisce.

Quanto è facile sbagliare: Un esempio concreto

Questo esempio proviene da un test A/B relativo a una riprogettazione della Buybox. L'obiettivo era ottimizzare la guida dell'utente e aumentare il tasso di conversione. La variante testata è riportata di seguito.

La differenza tra GA4 e BigQuery è particolarmente evidente in questo test.

Esempio di test A/B

Le cifre chiave sotto riportate sono state calcolate utilizzando Google Analytics 4 e fornire una panoramica delle prestazioni delle varianti testate:

Dati GA4 Esempio

I seguenti dati chiave sono stati calcolati utilizzando BigQuery analizzati:

Esempio di BigQuery dei dati

Test di BigQuery con Varify.io

Gratuito e completamente senza SQL

Se si utilizza Varify, non è necessario occuparsi di SQL.
Una volta collegato Varify a BigQuery tramite la nostra configurazione automatica o selezionando la fonte di dati corretta, i dati dell'esperimento vengono sincronizzati automaticamente, comprese le esposizioni, le conversioni e le assegnazioni delle varianti.

Potete trovare maggiori dettagli in questo post del blog: 

BigQuery e test A/B

Conclusione

Una buona analisi dei test non inizia con il cruscotto, ma con la domanda se ci si può fidare dei dati. Se si vogliono prendere decisioni fondate, è necessario avere chiarezza sulla base dei dati e controllo sulla loro interpretazione. GA4 fornisce visualizzazioni rapide. BigQuery fornisce risposte affidabili.

Se volete capire cosa conta davvero in un'analisi affidabile degli esperimenti e come evitare gli errori tipici, vale la pena di dare un'occhiata al white paper.

Tutti Info, Esempi e Modelli si possono trovare in modo compatto e pratico nel libro bianco completo:
👉 Scarica qui gratuitamente

Riferimenti individuali

  1. Analytics‑Toolkit.com (2020): The Perils of Using Google Analytics User Counts in A/B Testing. Published 2020 (updated September 2022 & January 2023). [Accessed on: 21.07.2025]
Robin Link
Immagine dell'autore
Responsabile della crescita
Condividi l'articolo!

Aspettate,

È tempo di Uplift

Ricevete gratuitamente ogni mese i nostri potenti CRO Insights.

Acconsento alla raccolta e al trattamento dei dati di cui sopra ai fini della ricezione della newsletter via e-mail. Ho preso visione dell'informativa sulla privacy e lo confermo inviando il modulo.