Sembra un’attività banale e quasi ovvia, ma in pochi la fanno ed è spesso demandata a tool automatici – le stesse piattaforme di e-commerce o plugin che integrano machine learning – che però si limitano a utilizzare l’informazione per suggerire prodotti in ottica di cross-selling.
Pratica questa ineccepibile e consigliabile, ma le informazioni che derivano dall’analisi carrello possono essere utilizzate in altri ambiti:
- creazione di contenuti: post sui social media, articoli di blog o newsletter
- opportunità commerciali, come la creazione di bundle di prodotti a prezzi vantaggiosi
- cross-selling mirato, magari tramite newsletter o coupon, su chi ha comprato solo uno dei prodotti correlati
- addirittura, in alcuni casi, feedback al Product Manager per valutare opportunità di miglioramento o modifica del prodotto stesso.
Sicuramente ci saranno altre applicazioni, a seconda anche della industry in cui ci stiamo muovendo.
Come fare dunque questa analisi?
Come già accennato, esistono tool sul mercato che fanno questo genere di attività, ma a volte è addirittura più veloce farlo “a mano”: bastano un export dal gestionale dell’e-commerce (o persone dal report dei purchase di GA4!) e un software di reportistica e analisi dati, Tableau è il più intuitivo e rapido, ma si può fare anche in Excel (un po’ a fatica) o usando un database come BigQuery, Snowflake o Access.
Cominciamo con l’export dei dati, ci basta un file CSV con 2 colonne:
- id della transazione (order_id)
- Id del prodotto venduto (product_id)
Avremo quindi una riga per ogni diversa combinazione “order_id” e “product_id”. Ad esempio, se faccio un acquisto con 3 prodotti, prod_1, prod_2 e prod_3, avrò nel file 3 righe, una per ciascuno dei 3 product_id, ma tutte con lo stesso order_id.

Questo esempio considera i singoli prodotti, ma lo stesso può essere fatto sulle categorie prodotto. Ad esempio, potrei scoprire che chi compra shampoo lo abbina generalmente a un balsamo (forse un po’ ovvio), o che chi compra un tostapane spesso compra, nella stessa transazione, anche un frullatore. Questo forse è meno banale, lo abbiamo scoperto empiricamente su un sito e-commerce di piccoli elettrodomestici!.
L’analisi dei prodotti “correlati” è un semplice “join” del dataset di ordini e prodotti con sé stesso.
Nell’immagine, sono stati usati un dataset di dati e-commerce (con 307 ordini di 109 prodotti distinti) e Tableau Public, la versione gratuita del tool di Salesforce. Tutta la “magia” sta nel creare la connessione del dataset con sé stesso, usando come chiave l’order_id e chiedendo che il product_id della prima istanza del dataset sia diverso dal product_id della seconda istanza (così considereremo solo i prodotti diversi tra loro nella stessa transazione).

Il risultato che vogliamo ottenere è una matrice con la lista di product_id sia nelle righe che nelle colonne e il valore delle celle che rappresenti il numero di transazioni in cui sono stati acquistati entrambi i prodotti che identificano le coordinate della cella. Tableau risulta particolarmente comodo perché permette di visualizzare i valori delle celle non solo come numero ma anche come colore, con scala di tonalità legata al valore: le celle più scure identificano i prodotti più spesso comprati insieme.
La matrice ottenuta può essere filtrata per numero di ordini superiori a una certa soglia (così da avere solo le celle più scure), per evidenziare solo le coppie di prodotti più “correlate”

Questa analisi è tra le più semplici da realizzare su un e-commerce (con Tableau ci vogliono meno di 10 minuti!) ma può offrire informazioni molto interessanti.
Come già accennato, può essere fatta sui prodotti, ma anche sulle categorie, sottocategorie o qualunque altro tratto distintivo dei prodotti di un e-commerce.