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!
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.
Le cifre chiave sotto riportate sono state calcolate utilizzando Google Analytics 4 e fornire una panoramica delle prestazioni delle varianti testate:
I seguenti dati chiave sono stati calcolati utilizzando BigQuery analizzati:
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:
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
- 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]