Una mediana più bassa del tempo dal carrello all’acquisto può dipendere da quando inizia il conteggio
Gli stessi acquisti registrati hanno prodotto 2 mediane diverse nel registro storico di un negozio. Un confronto appaiato mostra da dove proveniva la differenza.
Analisi originale delle coppie utente-prodotto registrate nel log degli eventi di un negozio di cosmetici di REES46 del novembre 2019.
Sintesi
2 report possono usare gli stessi acquisti e mostrare mediane diverse del tempo dal carrello all’acquisto. Abbiamo verificato questa possibilità nel log degli eventi di 1 negozio di cosmetici del novembre 2019. Tra 193.397 coppie utente-prodotto registrate con un acquisto entro 7 giorni, la mediana era di 44 minuti 16 secondi dal primo evento di carrello osservato e di 36 minuti 48 secondi dall’ultimo evento di carrello precedente. Entrambi i conteggi terminavano allo stesso acquisto registrato.
Eppure l’82,4% delle coppie aveva conteggi del tempo identici e la mediana delle differenze calcolate all’interno delle coppie era 0. I 7 minuti 28 secondi tra le mediane complessive non descrivono la variazione tipica per 1 coppia. Per aziende e creator che confrontano i report, la prima domanda è quale evento avvia il conteggio. Questo esempio storico relativo a un solo negozio esamina tale scelta di rendicontazione; non verifica promemoria o modifiche alla procedura di pagamento.
Immagina un piccolo negozio di quaderni che esamina un report mensile. Una sintesi indica che l’intervallo tipico tra l’aggiunta di un prodotto al carrello e l’acquisto era di circa 44 minuti. Un’altra indica circa 37 minuti. Prima che il titolare modifichi il commento accanto a quel numero, chi svolge l’analisi deve chiarire una domanda fondamentale: quale evento di carrello ha avviato ciascun conteggio?
Un prodotto può avere diversi eventi di carrello associati allo stesso ID utente registrato. Partire dal primo evento osservato include il tempo che precede le successive azioni sul carrello. Partire dall’ultimo evento prima dell’acquisto esclude invece quel tratto iniziale dall’intervallo. Entrambi i calcoli possono essere corretti pur descrivendo cose diverse.
Abbiamo confrontato queste 2 definizioni in un log pubblico degli eventi di un negozio di cosmetici fornito da REES46. L’analisi mantiene fisso ogni acquisto utente-prodotto registrato e modifica soltanto l’evento di carrello precedente usato come punto di partenza. Questo ci consente di misurare la differenza tra i conteggi senza interpretarla come un cambiamento nel comportamento di acquisto.[1][2]
Per un’azienda o un creator che vende prodotti, la decisione utile riguarda come descrivere e confrontare il report. Una variazione della mediana visualizzata richiede una spiegazione della regola sugli eventi, del gruppo incluso e della finestra di osservazione, prima di diventare un’affermazione sull’andamento del negozio. I risultati appaiati mostrano perché questi dettagli debbano comparire accanto al numero.
2 punti di partenza possono condividere lo stesso punto di arrivo

Gli stessi acquisti hanno prodotto 2 mediane diverse
Il confronto comprende 193.397 coppie utente-prodotto abbinate, che rappresentano 23.692 ID utente registrati. Ogni coppia ha un primo evento di carrello utilizzabile di novembre e un successivo acquisto registrato entro 7 giorni. Un utente può contribuire con diversi prodotti, quindi il numero di coppie non corrisponde al numero di persone, carrelli o ordini.
Per ogni coppia, il primo conteggio inizia dal primo evento di carrello osservato a novembre. Il secondo inizia dall’ultimo evento di carrello strettamente precedente allo stesso acquisto. «Primo» significa quindi primo in questo file di novembre, non il primo interesse in assoluto per il prodotto. Il punto finale dell’acquisto rimane invariato.
3 distribuzioni: tempo dal primo carrello, tempo dall’ultimo carrello e differenza appaiata
193.397 coppie utente-prodotto registrate e abbinate nel log del negozio di cosmetici del novembre 2019. Tutte le durate seguenti sono in minuti.
| Percentile | Tempo dal primo evento di carrello (minuti) | Tempo dall’ultimo evento di carrello (minuti) | Differenza all’interno della coppia (minuti) |
|---|---|---|---|
| 10° percentile | 5,52 | 4,60 | 0,00 |
| 25° percentile | 13,60 | 11,47 | 0,00 |
| 50° percentile (mediana) | 44,27 | 36,80 | 0,00 |
| 75° percentile | 676,92 | 404,70 | 0,00 |
| 90° percentile | 3160,50 | 2740,70 | 4,10 |
La mediana del conteggio dal primo carrello era di 2.656 secondi, cioè 44 minuti 16 secondi. La mediana del conteggio dall’ultimo carrello era di 2.208 secondi, cioè 36 minuti 48 secondi. Sottraendo queste 2 sintesi si ottengono 448 secondi: 7 minuti 28 secondi.
Le differenze all’interno delle coppie raccontano una storia diversa: la loro mediana era 0. Il valore centrale di un report e la variazione di un singolo record sono sintesi diverse. Le sezioni successive mostrano perché entrambi i risultati possano essere corretti.
La tabella presenta i 2 conteggi e le differenze all’interno delle coppie in colonne separate. Ogni colonna è ordinata separatamente, quindi una riga non identifica la stessa coppia che occupa quella posizione in tutti e 3 gli elenchi.
Per l’82,4% delle coppie abbinate, i conteggi del tempo erano identici
Per 159.358 coppie, entrambi i conteggi iniziavano dallo stesso timestamp distinto di carrello. La loro differenza era 0. Queste coppie rappresentavano l’82,4% del gruppo abbinato, il che spiega perché la mediana delle differenze appaiate fosse 0 anche se le mediane dei 2 conteggi erano diverse.
Le restanti 34.039 coppie, pari al 17,6%, avevano almeno 2 timestamp distinti di carrello prima dell’acquisto mantenuto fisso. In questo gruppo più piccolo, la mediana delle differenze tra i conteggi era di 469 secondi: 7 minuti 49 secondi. Questa mediana condizionata descrive tali 34.039 coppie, non tutte le 193.397.
La maggior parte delle coppie abbinate aveva lo stesso timestamp iniziale
Base comune di 193.397 coppie utente-prodotto registrate e abbinate; conteggi e percentuali si riferiscono alle coppie, non alle persone distinte.
| Relazione tra i conteggi del tempo | Coppie utente-prodotto registrate | Quota di tutte le coppie abbinate |
|---|---|---|
| Conteggi identici: 1 timestamp distinto di carrello precedente | 159.358 | 82,4% |
| Conteggi diversi: almeno 2 timestamp distinti di carrello precedenti | 34.039 | 17,6% |
I 2 modi di identificare questo gruppo più piccolo sono equivalenti. Se esiste più di 1 timestamp distinto di carrello precedente, l’ultimo è successivo al primo, quindi il tempo trascorso è minore. Le informazioni misurate utili sono la frequenza con cui questo è accaduto e l’ampiezza dell’intervallo registrato. La direzione della differenza deriva dalle definizioni stesse.
Un conteggio identico significa che lo stesso timestamp di carrello registrato ha fornito entrambi i punti di partenza. Non descrive ogni passaggio del percorso di acquisto. Anche diverse azioni sul carrello lasciano irrisolto il loro scopo: la fonte non contiene un campo quantità che spieghi cosa sia cambiato tra l’una e l’altra.
La mediana può cambiare anche quando la maggior parte delle coppie non cambia
Un piccolo esempio rende più chiara la distinzione. Considera 3 record utente-prodotto inventati, con tutte le durate misurate in minuti. Le durate dal primo carrello sono 10, 20 e 30. Per i primi 2 record, le durate dall’ultimo carrello sono ancora 10 e 20. Per il terzo, partire da un evento di carrello successivo dà una durata di 5.
Il primo report ordina le durate come 10, 20, 30. Il valore centrale, la mediana, è 20. Il secondo le ordina come 5, 10, 20. La sua mediana è 10. È cambiato soltanto 1 dei 3 record, ma è bastato a cambiare il valore che occupa il centro dell’elenco ordinato.
Ora confronta ogni record con sé stesso. Le differenze sono 0, 0 e 25. Il valore centrale di questo elenco è 0. La differenza tra le mediane dei report è 10, mentre la mediana delle differenze all’interno dei record è 0. Entrambe le affermazioni derivano direttamente da questi valori inventati.
Il risultato del più ampio log del negozio segue lo stesso principio. Le sue mediane sintetizzano distribuzioni intere; le differenze appaiate mantengono ogni acquisto come termine di confronto di sé stesso. Interpretare la mediana più bassa come la misura di quanto un acquisto tipico sia stato «accelerato» confonderebbe queste 2 domande. Nella nostra analisi non è cambiato il punto finale di alcun acquisto.
L’intervallo di rendicontazione è cambiato per il 4,5% delle coppie abbinate
Un gruppo di lavoro può sintetizzare le durate in intervalli oltre che con una mediana. Abbiamo usato 3 intervalli descrittivi fissi: meno di 1 ora, da 1 ora a meno di 1 giorno e da 1 giorno fino a 7 giorni inclusi. Sono raggruppamenti illustrativi per i report, non orari proposti per un’email o un altro messaggio.
Cambiare l’evento iniziale ha spostato 8.749 coppie abbinate in un intervallo più breve, pari al 4,5% di tutte le 193.397. Di queste, 3.841 sono passate dall’intervallo intermedio a meno di 1 ora; 3.020 dall’intervallo più lungo a meno di 1 ora; 1.888 dall’intervallo più lungo a quello intermedio.
Tabella incrociata completa degli intervalli dal primo e dall’ultimo carrello
Sono mostrate tutte le 9 combinazioni. Primo e ultimo si riferiscono all’evento di carrello che avvia il conteggio; il punto finale dell’acquisto registrato rimane fisso.
| Intervallo dal primo carrello; intervallo dall’ultimo carrello | Coppie utente-prodotto registrate | Quota di tutte le coppie abbinate |
|---|---|---|
| Primo carrello: meno di 1 ora; ultimo carrello: meno di 1 ora | 106.722 | 55,2% |
| Primo carrello: meno di 1 ora; ultimo carrello: da 1 ora a meno di 1 giorno | 0 | 0,0% |
| Primo carrello: meno di 1 ora; ultimo carrello: da 1 giorno a 7 giorni inclusi | 0 | 0,0% |
| Primo carrello: da 1 ora a meno di 1 giorno; ultimo carrello: meno di 1 ora | 3841 | 2,0% |
| Primo carrello: da 1 ora a meno di 1 giorno; ultimo carrello: da 1 ora a meno di 1 giorno | 48.555 | 25,1% |
| Primo carrello: da 1 ora a meno di 1 giorno; ultimo carrello: da 1 giorno a 7 giorni inclusi | 0 | 0,0% |
| Primo carrello: da 1 giorno a 7 giorni inclusi; ultimo carrello: meno di 1 ora | 3020 | 1,6% |
| Primo carrello: da 1 giorno a 7 giorni inclusi; ultimo carrello: da 1 ora a meno di 1 giorno | 1888 | 1,0% |
| Primo carrello: da 1 giorno a 7 giorni inclusi; ultimo carrello: da 1 giorno a 7 giorni inclusi | 29.371 | 15,2% |
La maggior parte delle coppie è rimasta nello stesso intervallo di rendicontazione. Tra queste ci sono anche coppie la cui durata esatta è cambiata senza superare il confine tra intervalli. La tabella degli intervalli e quella dei conteggi identici rispondono quindi a domande diverse: è cambiata la durata numerica? Il report ha collocato la coppia in un altro gruppo?
Ogni percentuale in questa tabella incrociata usa tutte le 193.397 coppie abbinate. Per esempio, le 3.841 coppie passate dall’intervallo intermedio a meno di 1 ora rappresentano il 2,0% dell’intero gruppo abbinato. Non sono il 2,0% della riga intermedia. Mantenere visibile il denominatore comune rende la tabella utilizzabile insieme al confronto complessivo.
1 acquisto inventato di un quaderno, 2 tempi trascorsi
Considera Paper Orchard, un negozio di quaderni immaginario. La sequenza temporale e la scheda di analisi seguenti sono esempi inventati, separati dai risultati del negozio di cosmetici. Supponi che tutti e 3 gli eventi abbiano gli stessi identificativi utente e prodotto registrati e che tutti gli orari siano in UTC.
Lunedì 4 novembre, 09:00: viene registrato un evento di carrello per un quaderno. Martedì 5 novembre, 09:00: viene registrato un altro evento di carrello per quel quaderno con lo stesso ID utente. Martedì 5 novembre, 09:30: viene registrato un evento di acquisto.
Il conteggio dal primo carrello misura 24 ore 30 minuti. Il conteggio dall’ultimo carrello misura 30 minuti. La differenza all’interno della coppia è di 24 ore, esattamente l’intervallo tra i 2 timestamp di carrello. L’acquisto rimane martedì alle 09:30 in entrambi i calcoli.
L’esempio spiega il calcolo sugli eventi senza fornire la storia del carrello. Non ci dice se il quaderno sia rimasto nel carrello durante la notte, se le quantità siano cambiate o se l’acquisto sia diventato un ordine evaso. Un report può indicare i 2 intervalli trascorsi senza colmare queste lacune con una storia sul comportamento dell’acquirente.
Una scheda di analisi compilata per il negozio immaginario
Chi analizza i dati per Paper Orchard può fornire al titolare una spiegazione completa delle 2 durate. Questo passaggio di informazioni usa il singolo record del quaderno descritto sopra, quindi riguarda quell’acquisto anziché una mediana mensile.
Scopo: spiegare perché 2 sintesi dei tempi dello stesso acquisto di un quaderno differiscono. Il titolare deve descrivere il report con precisione prima di usarlo nei commenti sulla campagna.
Record e finestra: la singola coppia immaginaria utente-quaderno mostrata sopra, 4–5 novembre, UTC. Mantieni fisso l’acquisto di martedì alle 09:30. Il record rientra nella finestra di osservazione di 7 giorni dell’esempio. Non fornisce la cronologia degli eventi precedente a questo record.
Eventi iniziali: chiama una misura «Tempo dal primo evento di carrello osservato» e l’altra «Tempo dall’ultimo evento di carrello prima dello stesso acquisto». Conserva entrambi i timestamp nel record di origine usato per l’analisi. Non abbreviare entrambe le etichette in «tempo di acquisto»: nasconderebbe i loro significati diversi.
Confronto compilato: intervallo dal primo carrello, 24 ore 30 minuti; intervallo dall’ultimo carrello, 30 minuti; differenza appaiata, 24 ore. Il report può dire: «Questi 2 intervalli terminano allo stesso acquisto registrato. La loro differenza deriva dall’uso di eventi di carrello diversi come punto di partenza».
Interpretazione del titolare: colloca questa spiegazione accanto al confronto. L’intervallo più breve descrive il tempo trascorso dall’azione di carrello registrata più tardi. Non fornisce prove di un miglioramento della procedura di pagamento né del fatto che il quaderno sia rimasto ininterrottamente nel carrello durante la notte.
Prossimo report: chi svolge l’analisi manterrà nel confronto successivo le etichette degli eventi scelte, la base temporale UTC e la regola fissa di osservazione successiva. Se la definizione cambia, il titolare descriverà tale cambiamento prima di confrontare i numeri principali. Qualsiasi valutazione di messaggi o promozioni richiede prove proprie.
Leggi separatamente i conteggi del tempo e le differenze appaiate

Mantieni fisso l’acquisto
Usa lo stesso acquisto utente-prodotto registrato come punto finale per entrambi i conteggi.
Indica entrambi gli eventi iniziali
Confronta il primo evento di carrello osservato con l’ultimo evento di carrello strettamente precedente a quell’acquisto.
Mantieni distinte le sintesi
Leggi la distribuzione di ciascun conteggio separatamente dalle differenze calcolate all’interno delle coppie.
Questa scheda offre a un creator o a un piccolo negozio un punto concreto da chiarire con chi prepara i report: da cosa parte ciascuna durata e dove termina. Lascia aperta la spiegazione commerciale finché non ci sono prove a sostegno, pur indicando direttamente l’intervallo misurato.
Mantieni visibile la regola sugli eventi quando confronti i report
Lo stesso problema può sorgere quando un’agenzia e un negozio usano strumenti di reportistica diversi o quando una nuova esportazione contiene una cronologia che copre un periodo diverso. Un’etichetta comune come «tempo dal carrello all’acquisto» non dimostra che dietro entrambi i numeri ci siano lo stesso evento iniziale, lo stesso abbinamento dell’acquisto o la stessa finestra di osservazione.
Per un titolare che confronta report mensili, questo conta prima di descrivere un andamento. Se un mese parte dal primo evento di carrello osservato e il successivo dall’ultimo evento di carrello prima dell’acquisto, la serie combina 2 definizioni. Un numero più basso può quindi riflettere la regola modificata insieme ad altre differenze tra i mesi. Il nostro confronto ad acquisto fisso isola la differenza tra definizioni; non misura una variazione dell’andamento da un mese all’altro.
Quando cambia uno strumento di reportistica o un’esportazione, mantieni visibile il cambiamento di definizione nel passaggio di informazioni. La domanda utile è se le vecchie e le nuove sintesi descrivano la stessa cosa. Se differiscono anche le cronologie disponibili, indica separatamente tale differenza. Un primo evento osservato dipende da dove inizia la cronologia conservata, anche quando la sua etichetta sembra indicare l’inizio dell’intero percorso del cliente.
Gli strumenti di analisi fanno già scelte esplicite sull’ingresso nel funnel e sull’abbinamento delle conversioni. Amplitude, per esempio, documenta le regole sul primo ingresso all’interno di una sessione o di una finestra retrospettiva, insieme alle modalità di selezione dei percorsi di conversione idonei. Queste definizioni offrono un contesto per leggere un report; il nostro calcolo con 2 conteggi del tempo non ricrea un report di Amplitude.[3]
La scelta può comunque essere intenzionale. Un intervallo dal primo evento di carrello osservato descrive il tempo registrato a partire da quell’evento iniziale. Un intervallo dall’ultimo evento di carrello precedente descrive il tempo trascorso dall’azione di carrello registrata più recente prima dell’acquisto. Un’azienda può scegliere la misura che risponde alla sua domanda di analisi e mantenere poi stabile quel significato nei confronti.
L’etichetta deve portare questa distinzione nel report che il titolare legge davvero. «Mediana del tempo dal primo evento di carrello osservato» e «Mediana del tempo dall’ultimo evento di carrello prima dell’acquisto» comunicano punti di partenza diversi. Chiamarli entrambi semplicemente «tempo di acquisto» elimina le informazioni necessarie per capire perché non coincidono. Mantieni vicini anche il gruppo incluso e la finestra di osservazione successiva.
Questo è particolarmente utile quando un creator o una piccola impresa si affida ad altri per preparare l’analisi. Il titolare non deve esaminare ogni evento per chiedere una definizione chiara. Chi prepara i report deve poter spiegare quali punti di partenza e di arrivo e quali record idonei hanno prodotto il numero, prima di attribuirgli un’interpretazione commerciale.
Per lo studio descritto sopra, l’interpretazione sostenuta dai dati è specifica: gli stessi acquisti registrati avevano sintesi diverse dei tempi trascorsi con 2 regole di partenza. Stabilire se una pagina prodotto, una promozione o un messaggio di recupero abbia migliorato l’esperienza di acquisto richiede prove su quella specifica modifica.
Come è stato calcolato il confronto appaiato
Abbiamo usato il file di novembre 2019 della versione 6 del dataset pubblico del negozio di cosmetici. Contiene 4.635.837 righe di eventi con le etichette view, cart, remove_from_cart e purchase. I timestamp erano in UTC, con record per ogni giorno di novembre. Questo documenta la copertura del file fornito, non dimostra un tracciamento continuo per ogni persona.[1][2]
C’erano 1.061.242 coppie utente-prodotto registrate con un evento di carrello. Abbiamo mantenuto i primi eventi di carrello utilizzabili di novembre dal 1 al 23 novembre, richiedendo 7 giorni fino alla fine osservata del file. Le 270.024 coppie con il primo evento di carrello più avanti nel mese erano fuori da questa coorte. Tutte le coppie idonee per data soddisfacevano il requisito relativo alla fine del file.
Delle 791.218 coppie idonee, 193.397 avevano un successivo acquisto registrato non ambiguo entro quell’orizzonte fisso. Le altre 597.821 non erano abbinate entro 7 giorni. Non sono carrelli abbandonati osservati: un acquisto potrebbe avvenire più tardi, non essere registrato o usare un altro identificativo. Le figure sui tempi sono condizionate al gruppo abbinato, non rappresentano un tasso di conversione o di abbandono.
Abbiamo selezionato il primo acquisto contemporaneo o successivo al primo evento di carrello, fino al termine dei 7 giorni incluso. Un acquisto con lo stesso timestamp del primo carrello, o qualsiasi evento di carrello con lo stesso timestamp di quell’acquisto candidato, sarebbe stato escluso come ambiguo senza sostituirlo con un acquisto successivo. Non si è verificato alcun caso del genere. Le tuple identiche ripetute degli eventi selezionati sono state accorpate; le rimozioni non hanno reimpostato uno stato presunto del carrello.
Il dataset non contiene ID del carrello, ID dell’ordine, quantità o stato del reso. Ricerche precedenti sullo stesso log hanno esaminato le sessioni e ricostruito lo stato del carrello tramite process mining. Il nostro calcolo confronta invece 2 eventi iniziali osservati per 1 acquisto utente-prodotto mantenuto fisso, senza ricostruire il contenuto di un carrello.[4]
Abbiamo fissato la coorte, l’orizzonte temporale, le regole sui timestamp coincidenti e gli intervalli descrittivi prima di calcolare i risultati. I percentili usano l’interpolazione lineare. Le figure descrivono i record idonei senza intervalli di confidenza per la popolazione né inferenza causale. Il download fornisce risultati aggregati, definizioni esatte e codice per riprodurre l’analisi, senza cronologie utente-prodotto della fonte.[5]
- Scarica i risultati visualizzati (CSV)
- Scarica tabelle aggregate, definizioni e codice di analisi (ZIP)
Non serve registrarsi. Lo ZIP condiviso contiene risultati aggregati espressi in secondi e istruzioni tradotte per riprodurre l’analisi. Il testo dell’articolo, l’esempio svolto, la scheda di analisi compilata e il CSV dei risultati visualizzati sono disponibili in tutte le lingue dell’articolo. Non sono incluse righe degli eventi originali o cronologie utente-prodotto.
Fonti e note
- Michael Kechinov, eCommerce Events History in Cosmetics Shop, dataset Kaggle 426888, versione 6; file fissato 2019-Nov.csv. Il produttore descrive un negozio online di cosmetici di medie dimensioni e orari degli eventi in UTC. La scheda consente l’uso gratuito con link a Kaggle e REES46; il copyright dei dati rimane agli autori originali. Influence IQ ha calcolato gli aggregati.
- La directory ufficiale dei dataset di REES46 rimanda al dataset sui comportamenti nel negozio di cosmetici per ottobre 2019–febbraio 2020. Questo articolo usa soltanto il file di novembre 2019. La fonte descrive record di eventi, non un campione rappresentativo dei negozi o dei consumatori attuali.
- Amplitude, How Amplitude computes conversions through funnels. Documentazione ufficiale sull’ingresso, sui confini della finestra retrospettiva e della sessione e sulla selezione delle conversioni idonee. Queste definizioni native del prodotto offrono un contesto, non convalidano un report equivalente di Amplitude.
- Bilal Topaloglu, Basar Oztaysi e Onur Dogan, Cart-State-Aware Discovery of E-Commerce Visitor Journeys with Process Mining, Journal of Theoretical and Applied Electronic Commerce Research 19(4), 2024, pp. 2851–2879, DOI 10.3390/jtaer19040138. L’articolo esamina l’analisi delle sessioni e dei percorsi e l’arricchimento con lo stato del carrello nella stessa fonte di log degli eventi. Il suo confronto basato sulle sessioni differisce dal confronto dei tempi ad acquisto fisso presentato qui.
- Pacchetto di analisi Influence IQ: secondi aggregati canonici, tabella incrociata completa degli intervalli, conteggi relativi alla coorte, definizioni, identificativi delle fonti e codice per riprodurre l’analisi. Non sono incluse righe degli eventi della fonte né cronologie utente-prodotto.
Ogni edizione linguistica descrive lo stesso log storico del negozio di cosmetici. La traduzione non crea stime per un altro paese, mercato o periodo.