Perché un data warehouse

Per anni, i professionisti del marketing hanno riunito i report nei fogli di calcolo: esportazione da Google Ads, esportazione da Meta, incolla, VLOOKUP, ripeti. Funziona, finché non inizia a creare problemi. I limiti di righe, le formule danneggiate e i dati obsoleti trasformano il reporting settimanale in un'attività gravosa che assorbe il tempo degli analisti.

Un data warehouse supera questo limite. È un database centrale ottimizzato per le query, in cui confluiscono i dati di ogni canale, che vengono uniti e restano aggiornati, pronti per l'analisi a qualsiasi scala.

Un data warehouse cloud come BigQuery o Snowflake è un database colonnare gestito, progettato per l'analisi e non per le transazioni. Separa lo storage dalle risorse di calcolo, consentendo di archiviare terabyte a basso costo e pagare solo per le query eseguite.

Lo storage colonnare fa sì che una query che utilizza 3 colonne su 50 ne legga soltanto 3, analizzando una quantità di dati molto inferiore. Per questo un'aggregazione su un miliardo di righe di clic sugli annunci può restituire il risultato in pochi secondi.

I dati di marketing sono distribuiti su dieci o più piattaforme, ognuna con il proprio schema, la propria valuta e la propria logica di attribuzione. Nessuna singola piattaforma vede l'intero funnel, dall'impression alla revenue.

Un warehouse è il luogo in cui è possibile unire la spesa pubblicitaria, le sessioni web, le opportunità del CRM e gli eventi email tramite una chiave condivisa. Solo così si possono calcolare il CAC complessivo, il ROAS e l'LTV reali su tutti i canali.

Quando il CMO, il media buyer e il team finanziario ricavano i numeri da strumenti diversi, le riunioni si riducono a discussioni su quale dato sia corretto. Un warehouse risolve il problema.

Definendo una sola volta ROAS, conversione e revenue all'interno di modelli SQL governati, tutti utilizzano le stesse definizioni. Finalmente il numero del dashboard e quello della presentazione per il consiglio di amministrazione coincidono.

L'innovazione distintiva dei warehouse moderni è la separazione tra storage e risorse di calcolo. I dati risiedono in uno storage a oggetti economico; i cluster di calcolo (Snowflake virtual warehouses, BigQuery slots) vengono avviati solo quando vengono eseguite le query.

In pratica, un report pesante di fine mese può aumentare le risorse di calcolo senza interferire con le query altrui, mentre lo storage inattivo costa quasi nulla. Si paga solo ciò che si utilizza realmente.

Entrambi sono eccellenti. BigQuery è serverless, non richiede cluster da gestire e fattura in base ai byte analizzati: una scelta naturale per i team che usano già Google Cloud e GA4. Snowflake offre un dimensionamento dettagliato dei warehouse, un solido supporto multi-cloud e costi di calcolo prevedibili, fatturati al secondo.

Per la maggior parte dei team di marketing, la scelta dipende dallo stack esistente: GA4 e Google Ads orientano verso BigQuery; un'azienda multi-cloud o con grandi volumi di dati sceglie spesso Snowflake.

Uno dei motivi per cui i team di marketing prediligono BigQuery è che GA4 offre un'esportazione nativa gratuita a livello di evento. Ogni sessione, visualizzazione di pagina e conversione confluisce in righe grezze, senza campionamento né soglie dell'interfaccia utente.

Questo rende possibili analisi che l'interfaccia di GA4 non supporta: finestre di attribuzione personalizzate, retention delle coorti per canale di acquisizione e collegamento del comportamento sul web ai ricavi del CRM usando user_id.

Un data warehouse costa poco finché qualcuno non esegue SELECT * su una tabella da un miliardo di righe ogni cinque minuti. Poiché BigQuery fattura in base ai byte analizzati, una query non filtrata di una dashboard può consumare silenziosamente centinaia di dollari al giorno.

I team più esperti controllano i costi con il partizionamento, il clustering, le tabelle di riepilogo materializzate e gli avvisi sui costi delle query. La disciplina nell'uso delle risorse di calcolo fa parte della gestione del data warehouse, non è un'attività secondaria.

Centralizzare i dati significa centralizzare anche il rischio. I dati PII dal CRM, i dati sui ricavi e le email dei clienti si trovano ora in un unico luogo, quindi il controllo degli accessi e la governance dei dati sono fondamentali.

Utilizzi il controllo degli accessi basato sui ruoli, separi gli schemi raw da quelli modellati, mascheri o sottoponga ad hashing i dati PII e mantenga una traccia di audit. Un data warehouse dovrebbe rendere i dati più affidabili, non creare una nuova superficie di esposizione.

Il data warehouse è il fulcro di una toolchain a più livelli spesso chiamata modern data stack: i connettori eseguono il caricamento (EL), un livello di trasformazione esegue la modellazione (T) e gli strumenti di BI si occupano della visualizzazione.

Ogni livello può essere sostituito. Potrebbe utilizzare Fivetran per il caricamento, dbt per la modellazione e Looker Studio per i report, il tutto basato su un unico data warehouse. Capire dove si colloca il data warehouse chiarisce il ruolo di ogni altro strumento.

Un data warehouse non è sempre giustificato. Se gestisce un solo canale, sostiene una spesa contenuta e un report di Looker Studio collegato risponde a ogni domanda, il sovraccarico operativo potrebbe superare il valore ottenuto.

Il punto di svolta arriva con l'attribuzione multicanale, l'unione del comportamento sul web con i ricavi o report che superano i limiti dei fogli di calcolo. Quando si presentano queste esigenze, un data warehouse smette di essere facoltativo e diventa infrastruttura.

Gestisce la spesa su Google Ads, Meta e TikTok e ha bisogno di un ROAS combinato, collegato ai ricavi di Shopify e alle opportunità del CRM. Perché un data warehouse è lo strumento giusto?

Un cloud data warehouse è il fulcro analitico del modern marketing stack: un database colonnare scalabile orizzontalmente che separa l'archiviazione dalle risorse di calcolo. È il luogo in cui i dati sparsi dei canali, del web e dei ricavi vengono unificati in un'unica fonte autorevole.

BigQuery e Snowflake sono i principali protagonisti del settore; la scelta corretta dipende solitamente dallo stack già in uso. Valuti i costi, la governance e se la scala dei dati giustifica davvero questa infrastruttura.