Nel 2012 Jonathan Rosenberg, ex SVP of Products di Google, scrisse che in futuro ogni decisione di business sarebbe stata presa da chi sa leggere i dati. Non pensava ai data scientist, ma ai marketer, ai product manager e ai direttori commerciali. Oggi quasi tre quarti dei CMO indicano la “data literacy” come la competenza che manca nei loro team, e l’ostacolo più grande è proprio SQL.
Ho visto team di marketing buttare via decine di ore a settimana ad aspettare risposte dal data team per domande banali tipo “quanti nuovi clienti abbiamo preso questo mese da Google?” oppure “qual è il ROAS della campagna Black Friday?”. È una dipendenza costosa e frustrante, ma si può evitare.
SQL non è un linguaggio da programmatori, è lo strumento con cui interroghi i database. Qui trovi 15 query pronte che coprono il 90% delle domande che un team marketing si pone ogni settimana. Le ho scritte per BigQuery, ma si adattano senza fatica a PostgreSQL, Snowflake o Redshift. Presuppongono le tabelle tipiche di un e-commerce o di un SaaS, come orders, sessions, marketing_spend, email_campaigns e altre.
Problema reale
Quando non hai autonomia nell’accedere ai dati e nell’analizzarli, prendere decisioni rapide e informate diventa difficile. Aspettare il data team allunga i tempi delle decisioni, fa salire i costi e ti toglie la capacità di reagire al mercato in tempo reale.
Modello concettuale
Imparare a scrivere query SQL efficaci significa trasformare dati grezzi in insight su cui puoi agire. Le query usano funzioni come le window functions (LAG, LEAD, ROW_NUMBER), le aggregazioni e le segmentazioni per analizzare metriche come revenue, CAC, retention, ROAS, funnel di conversione, churn e così via.
Formalizzazione rigorosa
Le query sono costruite con le Common Table Expressions (CTE), che le rendono modulari e leggibili. Sfruttano funzioni analitiche per confronti temporali, ranking e percentili. Per esempio, la query sul revenue per canale usa LAG() per mettere a confronto il mese corrente con il precedente e calcolare la variazione percentuale. La query sul churn scoring combina recency, frequency e monetary value in uno score composito che individua i clienti a rischio.
Esempio o caso studio
La query sul funnel di conversione (Query 7) segue i passaggi dal page view all’acquisto, calcola i drop-off e indica lo step dove si perdono più utenti. Così puoi concentrare l’ottimizzazione sulle fasi più critiche del percorso cliente.
La query sul CLV storico (Query 11) misura il valore medio e mediano per coorte di acquisizione e mostra come cambia nel tempo la qualità dei clienti. È un modo per validare le strategie di acquisizione e retention.
Lab / esercizio
Livello base: attiva l’export BigQuery in GA4 ed esegui la Query 7 sul funnel di conversione. Modifica i parametri e guarda come cambiano i risultati.
Livello intermedio: adatta la Query 1 (Revenue per Canale) e la Query 4 (ROAS per Campagna) ai tuoi dati pubblicitari. Poi salvale e automatizzale con le Scheduled Queries.
Livello research-grade: costruisci un modello di attribution multi-touch (Query 12) e confronta i risultati con modelli lineari e time-decay.
Come dataset e materiali, ti serve un dataset e-commerce o SaaS con le tabelle ordini, sessioni, spesa marketing ed eventi GA4. Tieni a portata la documentazione BigQuery e i tutorial GinnyTech su SQL avanzato.
Errore tipico da evitare
L’errore più frequente è pensare che SQL serva solo ai programmatori. In realtà è uno strumento di analisi accessibile, di base, per chi prende decisioni. Un secondo errore è affidarsi solo ai report preconfezionati senza mai esplorare i dati con query proprie: così ti perdi gli insight che contano davvero.
Quiz o checkpoint
- Quale funzione SQL permette di confrontare valori di righe consecutive? (Risposta: LAG)
- Perché è importante automatizzare le query di reporting?
- Come si interpreta un punteggio alto nello churn scoring?
Tabella riassuntiva: le 15 query e quando usarle
| # | Query | Metrica Principale | Frequenza Ideale | Caso d’Uso |
|---|---|---|---|---|
| 1 | Revenue per Canale | Revenue YoY | Settimanale | Allocazione budget |
| 2 | CAC per Canale | Customer Acquisition Cost | Mensile | Analisi efficienza canali |
| 3 | Cohort Retention | Retention Rate | Settimanale | Monitoraggio prodotto |
| 4 | ROAS per Campagna | Return on Ad Spend | Giornaliera | Ottimizzazione campagne |
| 5 | Top Landing Page | Conversion Rate | Settimanale | Prioritizzazione A/B test |
| 6 | AOV Trend | Average Order Value | Settimanale | Strategia pricing |
| 7 | Funnel Analysis | Drop-off Identification | Settimanale | Ottimizzazione UX |
| 8 | Churn Scoring | Churn Risk | Settimanale | Targeting retention |
| 9 | Best/Worst Sellers | Product Revenue | Mensile | Gestione inventario |
| 10 | Email Performance | Revenue per Email | Settimanale | Strategia email marketing |
| 11 | CLV Storico | Customer Lifetime Value | Mensile | Validazione acquisizione |
| 12 | Attribution Multi-Touch | Channel Credit Allocation | Mensile | Ottimizzazione mix marketing |
| 13 | RFM Segmentation | Segment Health | Mensile | Targeting clienti |
| 14 | Device Funnel | Device-Specific Conversion | Settimanale | Priorità ottimizzazione mobile |
| 15 | Repeat Purchase | Repeat Rate | Mensile | Segnale product-market fit |
Come iniziare in pratica
Il primo passo è superare il blocco psicologico. Attiva l’export BigQuery in GA4, esegui la query sul funnel di conversione, modificala e osserva cosa succede. Poi adatta le query alle tue esigenze, automatizzale e collega i risultati a dashboard che si aggiornano da sole. È così che i dati grezzi diventano decisioni rapide e autonome.
Window functions: la skill segreta
Le window functions (OVER, PARTITION BY, LAG, LEAD, ROW_NUMBER, RANK) sono la chiave per le analisi più avanzate. Ti permettono di calcolare medie mobili, fare confronti temporali e costruire ranking senza giri tortuosi. Padroneggiarle significa uscire dai limiti di Excel e dei fogli di calcolo.
Perché questa skill è diventata non-negoziabile
Nel 2023 SQL è entrata tra le top 10 skill richieste nel marketing digitale, con un premio salariale del 15-25%. Ma il punto vero è un altro: un marketing manager che sa scrivere query SQL decide in autonomia, in fretta e con precisione, e in un mercato incerto questo fa la differenza.
Il punto
Queste 15 query sono un punto di partenza per costruire autonomia e velocità nelle decisioni di marketing guidate dai dati. Non aspettare il data team, impara a interrogare i dati da solo. SQL è il linguaggio con cui interroghi i numeri direttamente: vale la pena impararlo.