Advanced GA4 for marketing analysts

Uno strumento nuovo, un modo nuovo di leggerlo

Questa lezione cammina sul binario tabellare: GA4 si domina quando sai quali tabelle interrogare, quali segmenti confrontare e quali colonne riconciliare tra piattaforme. L’obiettivo è usare GA4 da analista, tra modello a eventi, esplorazioni, pubblici, attribuzione e export BigQuery con controlli di qualità.

Open GA4 e la prima sensazione è di smarrimento: la frequenza di rimbalzo è sparita dai report standard, le sorgenti non tornano con quelle di Ads, i numeri di ieri cambiano oggi. Non è un bug da sistemare, è il disegno stesso dello strumento. Google Analytics 4 misura il mondo con un modello diverso da Universal Analytics e dalle piattaforme adv: tutto è un evento, l’utente è un’identità probabilistica, l’attribuzione è guidata dai dati e la privacy ridisegna cosa vedi e cosa resta nascosto. Chi lo tratta come “il vecchio Analytics con un’interfaccia nuova” produce dashboard eleganti e decisioni sbagliate.

Questa lezione serve a usare GA4 da analista: capire il modello a eventi, costruire esplorazioni che rispondono a domande di budget, trasformare i segmenti in pubblici attivabili, leggere attribuzione e conversioni senza farti ingannare, e arrivare fino all’export BigQuery quando l’interfaccia non basta più. Niente scorciatoie da tutorial: ogni tecnica è collegata alla decisione che deve migliorare e al controllo che la rende credibile.

Il protocollo operativo in sette passi

Ecco la sequenza che un analista segue prima di fidarsi di un numero di GA4:

1. Verifica implementazione, identità di reporting e stato del consenso prima di leggere qualsiasi trend.
2. Usa i nomi evento standard per acquisti e lead, con una sola regola di conteggio per conversione.
3. Rispondi alle domande di budget con canalizzazioni e sovrapposizioni segmentate per brand e per nuovo contro returning.
4. Valida ogni pubblico come segmento dentro GA4 prima di esportarlo verso le campagne.
5. Triangola attribuzione guidata dai dati con ultimo click, numeri delle piattaforme e ordini netti del backend.
6. Passa a BigQuery per dati non modellati, finestre oltre la retention e unioni con CRM e costi.
7. Riconcilia ogni mese le quattro colonne GA4, piattaforme, CRM e backend, e indaga solo sulle bande che si allargano.

Perché GA4 rompe le abitudini di Universal Analytics

Universal Analytics ragionava per sessioni e pagine viste: ogni visita era un contenitore con un inizio, una fine e una sorgente. GA4 ragiona per eventi e utenti: ogni interazione — visualizzazione di pagina, scorrimento, clic, acquisto — è un evento con parametri, e la sessione è solo un calcolo derivato. Il cambio sembra accademico finché non guardi i report: in UA due visite dallo stesso browser erano due righe distinte, in GA4 possono essere lo stesso utente su due dispositivi riconciliati dal sistema di identità.

Le tre rotture pratiche sono queste. Primo, le metriche cambiano definizione: gli utenti attivi non sono i visitatori unici di una volta, il tasso di engagement sostituisce la frequenza di rimbalzo, le conversioni contano ogni occorrenza invece che una per sessione. Secondo, la raccolta è flessibile ma fragile: decidi tu cosa tracciare come evento e con quali parametri, quindi due implementazioni dello stesso sito producono numeri diversi. Terzo, la modellazione riempie i buchi: dove manca il consenso o il cookie, GA4 stima con modelli comportamentali, e i totali dei report standard includono queste stime mentre l’export grezzo no.

Il corollario operativo è diretto: mai confrontare UA e GA4 come se fossero due termometri della stessa febbre. Sono due strumenti di misura diversi. Se ti serve continuità storica, ricostruisci le serie da zero e annota il cambio di metodologia, altrimenti ogni variazione anno su anno racconta più del cambio di strumento che del mercato.

Il modello a eventi: cosa cambia davvero nella misura

In GA4 esistono quattro famiglie di eventi. Quelli raccolti automaticamente come first_visit e session_start, quelli di misurazione avanzata come scroll e click in uscita, quelli consigliati da Google come purchase o sign_up, e quelli personalizzati che definisci tu. La distinzione conta perché solo gli eventi con nome e parametri standard si integrano con i report pubblicitari, le audience e le offerte automatiche: chiamare l’acquisto ordine_completato instead of purchase ti esclude da mezzo ecosistema senza alcun avviso.

Ogni evento porta con sé parametri: page_location, source, campaign, il valore della transazione, l’ID articolo. E ogni utente porta proprietà come paese, dispositivo, segmento di pubblico. L’errore più diffuso è tracciare tutto e nominare a caso: parametri incoerenti tra web e app rendono impossibile unire i dati, mentre eventi duplicati — lo stesso acquisto inviato da Tag Manager e dal backend — gonfiano le conversioni in modo silenzioso.

Il secondo pilastro è l’identità. GA4 riconosce gli utenti combinando User-ID proprietario, segnali Google per chi ha fatto accesso, e ID dispositivo come fallback. L’ordine di priorità lo scegli nelle impostazioni identità di reporting, e la scelta sposta i numeri: il metodo misto produce conteggi più precisi ma instabili nel tempo, quello basato sul solo dispositivo è più stabile ma frammenta gli utenti cross-device. Prima di commentare un calo degli utenti, controlla se qualcuno ha cambiato questa impostazione: è una delle cause più comuni di “crolli” inspiegabili.

Il terzo pilastro è il consenso. Con la modalità di consenso attiva, GA4 riceve un ping anche dagli utenti che rifiutano i cookie e modella il loro comportamento partendo da chi ha accettato. La qualità della stima dipende dal volume: sotto poche migliaia di eventi giornalieri il modello non si attiva e i report mostrano solo dati osservati. Quando confronti periodi con tassi di consenso diversi — prima e dopo un nuovo banner, tra paesi con regole diverse — stai confrontando miscele diverse di dati reali e stimati. L’annotazione su timeline non è burocrazia, è l’unico modo per non leggere un cambio normativo come un cambio di performance.

// Configurazione gtag con modalità di consenso: i default vanno impostati
// PRIMA di qualsiasi evento, altrimenti i primi hit viaggiano senza consenso.
gtag('consent', 'default', {
  ad_storage: 'denied',        // negato finché l'utente non accetta
  analytics_storage: 'denied',
  ad_user_data: 'denied',
  ad_personalization: 'denied'
});

// Dopo la scelta dell'utente, aggiorna lo stato e sblocca la raccolta.
gtag('consent', 'update', {
  ad_storage: 'granted',
  analytics_storage: 'granted'
});

Esplorazioni che rispondono a domande di budget

I report standard di GA4 servono a orientarsi, le esplorazioni servono a decidere. La differenza sta nel punto di partenza: non “cosa mostra questo grafico” ma “quale spostamento di budget giustifica questi numeri”. Tre tecniche coprono quasi tutto il lavoro di un analista marketing.

L’esplorazione a canalizzazione libera è lo strumento per le perdite di percorso. Definisci i passi — vista pagina prodotto, aggiunta al carrello, inizio checkout, acquisto — e GA4 mostra dove gli utenti abbandonano, con la possibilità di scomporre ogni passaggio per sorgente o dispositivo. Il dettaglio che fa la differenza è il segmento di confronto: la stessa canalizzazione vista per traffico brand contro non-brand racconta due storie opposte, e sommarle produce una media che non rappresenta nessuno. Quando il checkout mobile perde il doppio del desktop ma il traffico è quasi tutto mobile, il problema non è la campagna, è la pagina.

La sovrapposizione dei segmenti risponde a una domanda diversa: chi sono davvero i clienti che convertono. Incrocia acquirenti, utenti da traffico a pagamento e utenti di ritorno, e scopri quanta parte delle conversioni avresti ottenuto comunque. È il controllo più economico contro l’ottimismo dell’ultimo clic: se il 70% dei converter è già cliente registrato che arriva da ricerca brand, aumentare il budget prospecting non scala quel risultato.

La tabella a forma libera con coorti chiude il cerchio sul valore nel tempo. Raggruppa gli utenti per settimana di prima acquisizione e osserva il ricavo cumulato a 30, 60, 90 giorni per canale di provenienza. Un canale con CPA alto ma coorti che continuano ad acquistare batte un canale economico che brucia tutto al primo ordine. La formula di riferimento è il ricavo cumulato per coorte:

Ricavo per utente (giorno N) = Ricavo cumulato della coorte al giorno N / Utenti iniziali della coorte

Confronta questo valore con il costo di acquisizione per utente della stessa coorte: finché il rapporto resta sopra la soglia di margine che ti sei dato, il canale merita budget anche se il ROAS a sette giorni sembra deludente.

Segmenti e pubblici: dall’analisi all’attivazione

In GA4 segmenti e pubblici sembrano la stessa cosa ma vivono in due mondi. Il segmento esiste solo dentro un’esplorazione: lo definisci, lo confronti, lo cancelli. Il pubblico è un oggetto persistente della proprietà: una volta creato, GA4 lo accumula nel tempo e lo esporta verso Google Ads per il retargeting e le offerte. Confondere i due significa fare analisi brillanti che non arrivano mai alle campagne.

Un buon pubblico nasce da un comportamento osservabile e da una finestra temporale esplicita. “Chi ha aggiunto al carrello negli ultimi 14 giorni senza acquistare” è un pubblico; “utenti interessati” non lo è. La finestra conta più di quanto sembri: troppo lunga e includi gente che ha già comprato altrove, troppo corta e il pubblico non raggiunge mai la soglia minima per l’attivazione su Ads. Per l’e-commerce, tre finestre coprono quasi tutto: 7 giorni per il recupero carrello caldo, 30 per la considerazione, 90 per il riacquisto su prodotti a consumo.

Prima di esportare, valida il pubblico dentro GA4 come segmento: quanti utenti ci entrano al giorno, che tasso di conversione hanno rispetto alla media, quanto si sovrappongono con i clienti esistenti. Un pubblico che converte meno della media del sito non è un’opportunità di retargeting, è la prova che quel comportamento non predice l’acquisto. E attenzione alle metriche predittive di GA4 — probabilità di acquisto, abbandono, ricavo previsto: funzionano solo sopra soglie minime di volume e solo se gli eventi di conversione sono puliti. Con un tracciamento duplicato, il modello impara dal rumore.

Pubblico	Finestra	Uso in Ads	Controllo prima di attivare
Carrello abbandonato	7 giorni	Retargeting dinamico	Tasso di conversione sopra la media?
Visitatori scheda prodotto	30 giorni	Copertura considerazione	Dimensione minima raggiunta?
Acquirenti recenti	180 giorni	Esclusione dalle prospecting	Sovrapposizione con CRM coerente?
Ad alto valore previsto	30 giorni	Lookalike o bid dedicati	Volume sufficiente per il modello?

Verdetto: il segmento analizza dentro GA4, il pubblico persiste ed esporta; valida il primo prima di attivare il secondo.

Attribuzione e conversioni che reggono al controllo

L’attribuzione guidata dai dati distribuisce il merito della conversione tra i touchpoint in base al loro contributo stimato, confrontando i percorsi che convertono con quelli che non convertono. È superiore all’ultimo clic nella maggior parte dei casi reali, ma ha due limiti che devi conoscere: ignora le impressioni non cliccate e assegna tutto il merito all’interno del mondo Google. Se il tuo mix include TikTok, Meta e offline, GA4 racconta solo una parte della storia e la racconta a proprio favore.

La mossa da analista è triangolare. Confronta il modello guidato dai dati con l’ultimo clic paid e organic dentro GA4, poi metti accanto i numeri di Ads e del backend. Le discrepanze non sono errori da nascondere: sono informazioni sul modello di ogni piattaforma. Ads attribuisce per data del clic e include le view-through, GA4 per data dell’evento e con finestre diverse, il CRM conta ordini netti dei resi. Quando il display sembra inutile in GA4 ma i test di spegnimento mostrano un calo del brand search, hai trovato il limite del modello, non la verità sul canale.

Sul fronte conversioni, la disciplina batte la sofisticazione. Marca come conversione solo gli eventi che rappresentano valore — acquisto, lead qualificato, registrazione completata — e lascia fuori i micro-passi come visualizzazioni di pagina o download di brochure, che puoi comunque analizzare come eventi. Ogni conversione deve avere una regola di conteggio esplicita: una per sessione per i lead, dove il duplicato è quasi sempre rumore, ogni occorrenza per le transazioni. E documenta finestra di attribuzione, metodo di conteggio e data di ogni modifica: senza questo diario, tra sei mesi nessuno saprà perché il tasso di conversione è “migliorato” di colpo.

BigQuery export: quando serve e come interrogarlo

L’interfaccia di GA4 basta finché le domande restano standard. Ti serve l’export BigQuery quando vuoi dati non campionati né modellati, finestre di analisi oltre i 14 mesi di retention, unioni con CRM e costi media, o logiche di attribuzione personalizzate. Il costo è reale — competenze SQL e qualche euro di computazione — ma per un analista è il passaggio che trasforma GA4 da vetrina a materia prima.

L’export crea una tabella al giorno chiamata events_YYYYMMDD, più una tabella intraday che si aggiorna in tempo quasi reale e viene sostituita a fine giornata. Ogni riga è un evento, con colonne nidificate: event_params per i parametri, items per i prodotti, user_pseudo_id per lo pseudonimo del dispositivo. La prima abilità da acquisire è spacchettare questi record, perché quasi ogni query inizia da lì.

-- Ricavo e conversioni per sorgente negli ultimi 28 giorni.
-- UNNEST serve perché event_params è un array di record chiave-valore.
SELECT
  (SELECT value.string_value FROM UNNEST(event_params)
    WHERE key = 'source') AS sorgente,
  COUNTIF(event_name = 'purchase') AS acquisti,
  SUM((SELECT value.int_value FROM UNNEST(event_params)
    WHERE key = 'value_in_usd')) / 1000000.0 AS ricavo_stimato
FROM `progetto.dataset.events_*`
WHERE _TABLE_SUFFIX BETWEEN
  FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 28 DAY))
  AND FORMAT_DATE('%Y%m%d', CURRENT_DATE())
GROUP BY sorgente
ORDER BY acquisti DESC;
-- Nota: i valori monetari viaggiano in micro-unità, da qui la divisione.

Tre avvertenze evitano gli errori classici. Primo, l’export contiene solo dati osservati: niente stime modellate, niente dati di Google Signals, quindi i totali saranno sistematicamente sotto quelli dell’interfaccia nei periodi con molto traffico senza consenso. Secondo, il traffico spam e bot va filtrato esplicitamente, perché i filtri automatici dell’interfaccia qui non si applicano. Terzo, partiziona sempre per _TABLE_SUFFIX: interrogare l’intera cronologia a ogni query è il modo più veloce per trasformare un’analisi da pochi centesimi in decine di euro.

Il caso d’uso che ripaga di più è l’unione con il CRM: lega user_pseudo_id o meglio il tuo User-ID agli ordini reali, calcola il ricavo netto dei resi per canale di acquisizione, e scopri quali sorgenti portano clienti che restano invece che acquirenti una tantum. È un lavoro che in interfaccia non puoi fare, e cambia sistematicamente la classifica dei canali.

Verdetto: interfaccia per le domande standard, export per dati non modellati, finestre lunghe e unioni con CRM e costi.

Qualità dei dati: consenso, soglie e discrepanze tra piattaforme

I numeri di GA4 non tornano mai al centesimo con Ads, Meta o il backend, e rincorrere la quadratura perfetta è tempo perso. Il lavoro utile è sapere quanta divergenza è fisiologica e quanta segnala un problema. Costruisci un prospetto mensile di riconciliazione: stessa metrica, stesso periodo, quattro colonne — GA4, Ads, CRM, backend — con la differenza percentuale. Finché ogni scostamento resta dentro una banda stabile, lo documenti e vai avanti; quando una banda si allarga di colpo, indaghi.

Le cause strutturali sono cinque e vanno conosciute a memoria. Le definizioni differiscono: Ads conta i clic, GA4 le sessioni, e un utente che clicca due volte in mezz’ora genera due clic e una sessione. Le finestre di attribuzione differiscono: 30 giorni qui, 7 giorni là. I fusi e le date differiscono: Ads attribuisce al giorno del clic, GA4 al giorno della conversione. Il consenso filtra in modo diverso: chi rifiuta sparisce da GA4 ma resta contato in modo aggregato dalle piattaforme adv. E le soglie di privacy di GA4 nascondono i dati quando i volumi sono bassi: righe etichettate come dati nascosti, totali che non quadrano con la somma delle righe, segmenti che spariscono sotto una certa dimensione.

A queste si aggiungono i problemi veri di implementazione, che riconosci perché lasciano firme specifiche. Eventi di acquisto duplicati gonfiano le conversioni ma non le sessioni: se il tasso di conversione raddoppia da un giorno all’altro senza cambi di traffico, cerca il doppio invio. Parametri UTM incoerenti tra campagne gonfiano il direct e svuotano il paid: se il direct cresce mentre la spesa resta uguale, controlla il tagging prima del mercato. Il cross-domain non configurato spezza le sessioni tra sito ed e-commerce esterno: ogni passaggio di dominio diventa una nuova sessione con sorgente referral da te stesso.

-- Diagnosi rapida di eventi purchase duplicati per transazione.
-- Più di una riga per transaction_id indica doppio invio da fixare.
SELECT
  (SELECT value.string_value FROM UNNEST(event_params)
    WHERE key = 'transaction_id') AS id_transazione,
  COUNT(*) AS eventi_purchase
FROM `progetto.dataset.events_*`
WHERE _TABLE_SUFFIX = FORMAT_DATE('%Y%m%d', CURRENT_DATE())
  AND event_name = 'purchase'
GROUP BY id_transazione
ORDER BY eventi_purchase DESC
LIMIT 50;

Un metodo operativo per leggere GA4 senza farti ingannare

Tutto quello visto fin qui si condensa in un protocollo da applicare ogni volta che un numero deve sostenere una decisione di budget. Primo, parti dalla decisione: cosa cambieresti se il dato confermasse l’ipotesi e cosa faresti se la smentisse. Se la risposta è “niente”, l’analisi è decorativa e puoi risparmiarti il lavoro. Secondo, scegli una sola metrica primaria e una baseline esplicita — periodo precedente comparabile, coorte simile, gruppo holdout — perché un segnale senza confronto non significa nulla.

Terzo, scomponi prima di concludere: per dispositivo, per nuovo contro returning, per brand contro non-brand. Le medie di GA4 nascondono eterogeneità sistematiche, e quasi ogni “crollo” o “boom” del totale è la storia di un solo segmento che trascina gli altri. Quarto, cerca la spiegazione alternativa più scomoda: cambio di consenso, stagionalità, rottura del tracciamento, spostamento di budget su un altro canale. Solo se il segnale sopravvive a questo interrogatorio merita una raccomandazione.

Metti il metodo alla prova su un caso tipico: il report mostra un CPA in calo del 20% sul paid search e il team chiede di raddoppiare il budget. La scomposizione rivela che il calo viene tutto dal brand, il non-brand è fermo, e la sovrapposizione dei segmenti mostra che l’80% dei converter brand è già cliente. La baseline di confronto — le settimane prima dell’aumento di stagionalità — conferma che la domanda si è spostata da sola. La decisione corretta non è raddoppiare, ma separare le due campagne, proteggere il brand con budget difensivo e testare l’incremento sul non-brand con un holdout geografico. GA4 da solo non ti dice tutto questo: ti dà gli strumenti per arrivarci, se sai quali domande fargli e in quale ordine. L’analista che padroneggia esplorazioni, pubblici e BigQuery non è quello con più report, ma quello i cui numeri cambiano decisioni — e sanno dire quando non devono cambiarne nessuna.

Il caso da manuale: la fine di Universal Analytics

Il 1 luglio 2023 Google spegne la raccolta dati di Universal Analytics per le proprietà standard, dopo averlo annunciato con oltre un anno di anticipo, e completa la migrazione forzata verso GA4. Le proprietà 360 seguono il 1 luglio 2024, mentre i vecchi dati diventano inaccessibili e gli inserzionisti perdono la continuità storica non ricostruita. È il caso da manuale del cambio di strumento scambiato per cambio di mercato: i confronti anno su anno tra UA e GA4 descrivono due modelli di misura diversi, non la performance. La lezione operativa è quella del protocollo: ricostruisci le baseline da zero, annota il cambio di metodologia e non commentare mai un calo senza aver controllato identità di reporting, consenso e soglie.

Domande per metterti alla prova

Prima di chiudere, mettiti alla prova con queste domande:

1. Perché i totali dell’interfaccia superano sistematicamente quelli dell’export BigQuery nei periodi con molto traffico senza consenso?
2. Quando un pubblico va validato come segmento prima dell’esportazione verso le campagne?
3. Quale firma lascia un acquisto inviato due volte dal client e dal backend?
4. Perché attribuire per data del clic e per data dell’evento produce totali diversi a parità di periodo?