Il SEO nell'era dell'intelligenza artificiale

con BigQuery e la sperimentazione

Consigli pratici per i principianti

Iniziare con una query relativamente complessa come questa può sembrare un grande salto, ma non è necessario essere esperti di SQL per trarne vantaggio. Ecco alcuni suggerimenti per iniziare:

Definire innanzitutto le variabili: Nelle prime righe della query, vengono definite le variabili per la data di inizio e di fine (start_date, end_date) e le stringhe delle varianti dell'esperimento (variant_a, variant_b). Modificare queste variabili all'inizio dello script per personalizzarle in base al test specifico. Qui è possibile personalizzare facilmente l'analisi. Questa è una buona pratica che rende la query riutilizzabile e riduce il rischio di errori.

Iniziare e basta: Non cercate di capire subito ogni riga di codice. La query è composta da diverse sottoquery (le clausole WITH). Ognuna di queste è un pezzo piccolo e gestibile del puzzle. Eseguire prima solo la parte gsc_data per vedere l'output, poi la parte variant_data e così via. Questo approccio graduale vi aiuterà a costruire la vostra comprensione in modo graduale.

Concentrarsi sui collegamenti: La parte più importante dell'intero script è il modo in cui le diverse parti sono collegate tra loro. Si notino le dichiarazioni LEFT JOIN nella sezione user_level_data. Si tratta di un elemento cruciale, in quanto assicura che vengano mantenuti tutti gli utenti della variante, anche quelli che non sono stati convertiti. Un INNER JOIN eliminerebbe gli utenti che non hanno effettuato un acquisto, con il risultato di un tasso di conversione falsato. Il LEFT JOIN conserva l'intero gruppo di test, essenziale per un'analisi accurata dei test A/B.

Leggi i commenti: I commenti (contrassegnati con -) nella query hanno lo scopo di aiutare l'utente. Spiegano cosa fa ogni sezione del codice. Leggeteli con attenzione, sono la vostra guida attraverso la logica dello script.

Utilizzare l'output finale: L'output finale dello script è una tabella con due parti principali: query_level_results e overall_results. La prima tabella mostra l'andamento di ciascuna variante per specifiche query di ricerca, mentre la seconda fornisce un riepilogo generale. Qui troverete le risposte alle vostre domande chiave: "Dove sta andando bene?", "Dove sta andando male?" e "Dove c'è un potenziale non sfruttato?".

Questo script è più di un semplice strumento di reporting. È un quadro fondamentale che vi aiuta a passare dall'analisi all'azione sicura. Vi fornisce i dati precisi di cui avete bisogno per identificare i problemi, formulare ipotesi e testarle con rigore scientifico.

Ripartizione della query

Uno script come questo può sembrare intimidatorio a prima vista, ma si basa su un principio semplice: colleghiamo diverse tabelle di informazioni utilizzando un ID utente unico. L'intera query viene creata utilizzando una serie di Common Table Expressions (CTE), cioè le parti che iniziano con WITH. Considerate ogni istruzione WITH come un passo logico e autonomo nell'elaborazione dei dati. È come costruire con i mattoncini LEGO: si inizia creando alcuni semplici blocchi e poi li si assembla in un modello completo.

Diamo un'occhiata più da vicino ai singoli "elementi costitutivi":

gsc_data: Questo è il nostro punto di partenza. Chiediamo a BigQuery di richiamare la tabella di Search Console e di recuperare tutti i dati per un periodo di tempo specifico. Questo aggrega impressioni, clic e pagine per darci una linea di base per le nostre prestazioni organiche.

dati_varianti: Qui recuperiamo i dati direttamente dagli eventi di GA4. In particolare, cerchiamo l'evento personalizzato che registra a quale variante di esperimento (A o B) è stato esposto un utente. In questo modo si stabilisce un legame importante tra un utente e il test a cui ha partecipato.

utenti_organici: Questa parte della query identifica tutti gli utenti che sono arrivati al nostro sito web tramite una ricerca organica su Google. Ci aiuta a filtrare i nostri dati per garantire che analizziamo solo gli utenti che sono rilevanti per il nostro esperimento SEO.

user_purchases & user_add_to_cart: Qui otteniamo i dati di conversione (nota: l'esempio utilizza KPI di e-commerce, ma questi possono benissimo essere sostituiti da conversioni di lead gen). Chiediamo a BigQuery di trovare tutti gli eventi di acquisto e add_to_cart e di collegarli ai nostri utenti. Non guardiamo solo al numero di conversioni, ma anche ad altre metriche importanti come il fatturato totale.

Quando arriviamo alle sezioni user_level_data e query_level_results, abbiamo già fatto tutto il lavoro duro. Lo script unisce quindi tutti questi set di dati più piccoli utilizzando l'unico user_pseudo_id e infine aggrega tutti i dati per fornire un output chiaro e di facile lettura. Questa è la logica di base che trasforma i dati isolati in un modello unificato, in modo da poter rispondere a domande come: "Il nuovo contenuto della pagina ha aumentato le conversioni da mobile per parole chiave long-tail ad alta frequenza?".

Bas Linders

Proprietario del prodotto CRO

Domande sulla sceneggiatura?

L'autore, Bas Linders, è lieto di scambiare idee ed è a disposizione per domande o suggerimenti di miglioramento.