Analisi di Coorte per Fidelizzazione e Churn — Metriche che Fanno Guadagnare il Tuo E-commerce

Perché il tuo e-commerce non cresce anche con tanti nuovi clienti?

Il dato che vedi su Google Analytics — "nuovi utenti" — è il più ingannevole. Se ogni mese porti 1000 nuovi clienti ma l'85% non torna, stai spendendo per riempire un secchio bucato. Noi, di Meteora Web, lo vediamo ogni giorno nei progetti che ci arrivano: bilanci gonfiati di acquisizione, marginalità che si erode, e nessuno che guarda quanto vale un cliente nel tempo.

L'analisi di coorte è lo strumento che separa chi capisce la fidelizzazione da chi conta solo numeri vanitosi. Dopo aver gestito internamente l'ERP di un negozio di abbigliamento — dove la marginalità di season dipendeva dal riacquisto degli stessi clienti — abbiamo imparato che senza coorti non si governa un business.

Che cos'è un'analisi di coorte e perché è cruciale per la fidelizzazione?

Una coorte è un gruppo di utenti che compie una specifica azione in un intervallo di tempo. La più comune: coorte per data di primo acquisto. Prendi tutti i clienti che hanno acquistato per la prima volta a gennaio 2026, e vedi quanti di loro tornano a comprare a febbraio, marzo, aprile, ecc.

La differenza con le metriche aggregate? Guardi il comportamento longitudinale, non la media. Esempio: il tuo mese di dicembre può avere 1000 acquisti, ma se sono tutti da clienti nuovi e nessuno torna, il mese dopo crolli. Con le coorti vedi subito che la retention a 30 giorni è al 10%.

Meta Ads e Google Ads ti danno il ROAS a 7 giorni. Ma quel dato non racconta la fedeltà. Noi partiamo sempre dalla domanda: "quanto vale un cliente a 90 giorni?" — perché è lì che inizi a capire se l'investimento pubblicitario ha senso.

Come calcolare la retention per coorte con dati reali?

Supponiamo una tabella ordini con cliente, data ordine, importo. Per calcolare la retention per coorte mensile:

WITH primo_ordine AS (
  SELECT 
    cliente_id, 
    MIN(DATE(data_ordine)) AS prima_data
  FROM ordini
  GROUP BY cliente_id
),
coorti AS (
  SELECT 
    p.cliente_id,
    DATE_FORMAT(p.prima_data, '%Y-%m') AS mese_coorte,
    TIMESTAMPDIFF(MONTH, p.prima_data, o.data_ordine) AS mese_ordine
  FROM ordini o
  JOIN primo_ordine p ON o.cliente_id = p.cliente_id
)
SELECT 
  mese_coorte,
  COUNT(DISTINCT cliente_id) AS totale_clienti,
  SUM(CASE WHEN mese_ordine = 0 THEN 1 ELSE 0 END) AS mese_0,
  SUM(CASE WHEN mese_ordine = 1 THEN 1 ELSE 0 END) AS mese_1,
  SUM(CASE WHEN mese_ordine = 2 THEN 1 ELSE 0 END) AS mese_2,
  SUM(CASE WHEN mese_ordine = 3 THEN 1 ELSE 0 END) AS mese_3
FROM coorti
GROUP BY mese_coorte
ORDER BY mese_coorte;

Il risultato: una tabella con righe per coorte e colonne per periodo. La colonna mese_0 è il primo acquisto (sempre 100% di retention implicito). Per ottenere il tasso di retention dividi ogni colonna per il totale clienti della coorte.

Esempio concreto: se la coorte di gennaio ha 500 clienti e a marzo (mese_2) ne tornano 75, la retention a 60 giorni è 15%. Se a maggio dello stesso anno arrivi al 5%, hai un problema strutturale.

Come interpretare i risultati per ridurre il churn?

Tre scenari che incontriamo spesso:

• Retention alta iniziale ma crollo dopo 90 giorni → il tuo prodotto è valido ma manca una strategia di riattivazione. Email, offerte personalizzate, loyalty program.
• Retention bassa già dal primo mese → probabilmente attiri clienti sbagliati. Rivedi targeting pubblicitario e landing page.
• Coorti recenti peggiori delle vecchie → qualcosa è cambiato (prezzi, user experience, concorrenza). Vedi se l'ultimo aggiornamento del sito ha rallentato i caricamenti o se hai cambiato provider di spedizioni.

Noi, di Meteora Web, abbiamo lavorato con un brand di abbigliamento che vedeva retention a 30 giorni al 12% dopo un cambio tema WooCommerce. Revertendo la modifica è risalita al 28%. La coorte è un indicatore anticipato: non aspettare il bilancio annuale per accorgerti del problema.

Quali azioni concrete sulla base dell'analisi di coorte?

Ecco cosa fare adesso, subito, in ordine di impatto:

1. Calcola la retention a 30, 60, 90 giorni per ogni coorte mensile. Se non hai i dati strutturati, usa Google Analytics 4 (rapporto Coorte esplorazione) o strumenti come Mixpanel. Ma il database tuo è la fonte più pulita.
2. Confronta le coorti per canale di acquisizione. Crea una colonna campagna. Se la coorte da Google Ads ha retention 20% e quella da referral 35%, sposta budget.
3. Segmenta per valore medio ordine. Clienti che spendono oltre 100€ hanno retention migliore? Focalizza l’upselling su quelli a basso valore.
4. Imposta un alert: se la retention a 60 giorni scende sotto il 15% (varia per settore, ma è un numero di partenza per l'ecommerce moda/accessori), scatta una revisione del customer journey.

Per approfondire il tema delle metriche data-driven su tutto il funnel, leggi il nostro articolo principale: Analytics e Data-Driven Marketing — La Pillar Definitiva.

Tool utili per l'analisi di coorte — da quelli gratuiti a quelli avanzati

Puoi iniziare con un foglio Google e una query SQL su un dump dei tuoi ordini. Oppure usa strumenti dedicati:

• Google Analytics 4: Rapporto esplorazione > Tecnica a coorte. Limite: solo eventi, non transazioni personalizzate facilmente.
• Metabase / Superset: Dashboard SQL-based per coorti visibili ogni giorno.
• Python (pandas): Se hai uno stack data science, lo snippet qui sotto ti dà una tabella pivot pronta.

import pandas as pd
from datetime import timedelta

df = pd.read_sql("SELECT cliente_id, data_ordine FROM ordini", connessione)
df['data_prima'] = df.groupby('cliente_id')['data_ordine'].transform('min')
df['coorte_mese'] = df['data_prima'].dt.to_period('M')
df['mese_ordine'] = ((df['data_ordine'] - df['data_prima']) / timedelta(days=30)).astype(int)

coorte = df.groupby(['coorte_mese', 'mese_ordine']).agg(clienti_unici=('cliente_id', 'nunique')).reset_index()
coorte_pivot = coorte.pivot(index='coorte_mese', columns='mese_ordine', values='clienti_unici')
print(coorte_pivot)

Errori comuni che vediamo nei progetti — e come evitarli

1. Confondere coorte con segmento demografico. Una coorte è temporale, non per età/sesso. Vuoi capire se i clienti acquisiti a marzo si comportano come quelli di ottobre? Ok, ma la coorte per data è la base.

2. Non normalizzare. Se hai 1000 clienti a gennaio e 500 a giugno, i numeri assoluti non dicono nulla. Usa sempre percentuali.

3. Dimenticare la stagionalità. Una coorte di dicembre (Natale) avrà retention diversa da giugno. Non confrontare coorti di mesi diversi senza considerare il contesto. Confronta coorti dello stesso mese su anni diversi.

4. Ignorare il valore economico. Retention non basta. Un cliente che torna ma spende 10€ ha impatto diverso da uno che spende 200€. Calcola anche il valore cumulato per coorte (CAC vs LTV).

Per approfondimenti sugli strumenti di analisi, consulta la documentazione ufficiale di GA4 sulle coorti o le guide di Mixpanel sulla cohort analysis.

Cosa fare adesso

Tre azioni immediate per la tua PMI:

1. Estrai l'elenco degli ordini degli ultimi 12 mesi (almeno).
2. Calcola la retention a 30, 60, 90 giorni per ogni coorte mensile usando SQL o Python o GA4.
3. Se la retention a 90 giorni è sotto il 20% (media ecommerce moda-Italia), hai un problema di fidelizzazione da risolvere con urgenza. Scrivici se vuoi un check gratuito dei tuoi dati.

Possedere il controllo dei propri dati — senza canoni a vita per piattaforme proprietarie — è l'unica via per fare marketing data-driven serio. Noi di Meteora Web lo facciamo da 8 anni, ogni giorno.