In questo post vedremo come ottenere il medesimo risultato con un altro strumento WordPress ad altissima diffusione: il visual builder Elementor.

Elementor utilizza Ajax , facendo comparire a schermo un messaggio di ringraziamento dopo che è avvenuto l’invio del modulo.

Questo significa che per far scattare il nostro attivatore in Tag Manager, al fine di conteggiare un evento, dobbiamo intercettare proprio la comparsa di questo messaggio sullo schermo.

Creazione dell’attivatore Tag Manager

Creo l’attivatore. Nell’interfaccia di GTM vado su Attivatori > Nuovo > e come tipo di elemento scelgo “Visibilità di un elemento”:

Dobbiamo indicare a Google Tag Manager quale elemento esatto ci interessa.

Apro l’inspector del browser per vedere se ci sono id oppure classi css associate al messaggio di invio riuscito.

Nel mio caso ho trovato un div associato alla classe .elementor-message-success.

Quindi flaggo la voce “Rileva modifiche nel DOM”.

Salvo, aggiorno la modalità Anteprima e debug, quindi aggiorno la pagina che contiene il modulo Elementor e controllo facendo un modulo di prova.

Google Analytics tag per tracciare il Form Elementor

Il prossimo passo è inviare un evento a Google Analytics ogni volta che quel messaggio di ringraziamento appare sullo schermo.

Nell’interfaccia di Google Tag Manager, vado su Tag> Nuovo> e scelgo Universal Analytics. Quindi uso le seguenti impostazioni:

Ovviamente posso nominare i valori di Categoria, Azione ed Etichetta come preferisco.
Quindi faccio clic sulla sezione Attivazione e scelgo il trigger creato in precedenza (Visibilità dell’elemento).

Test e messa in produzione

Salvo tutte le modifiche nel contenitore di Google Tag Manager, aggiorno la modalità Anteprima e Debug, aggiorno la pagina in cui è presente il modulo Elementor. Compilo tutti i campi e invio il modulo.

• L’evento di visibilità dell’elemento dovrebbe apparire nella modalità Anteprima e debug.

• Facendo clic sull’evento nella console di debug si dovrebbe visualizzare il tag GA Event attivato

Ora vado ai rapporti sugli eventi in tempo reale di GA e controllo se l’evento è visibile.

Personalmente, trovo utile avere nella mia scatola degli attrezzi informatici uno script che mi consenta di avere i dati salienti di Analytics, quelli per me utili da monitorare quotidianamente, in breve tempo.

La procedura per realizzare l’obiettivo tramite python e l’API Google Analytics non è delle più immediate… però vale bene la mezz’oretta di tempo necessaria per la messa in opera.

Occorre procedere per passaggi. In primo luogo ho installato i moduli python necessari via pip:

Installo i moduli python

pip install --upgrade google-api-python-client
pip install --upgrade oauth2client

Ho seguito i passaggi indicati da Google per la creazione di un’utenza di servizio nelle API.

Creo il progetto

Per creare il progetto si parte da qua:

https://console.developers.google.com/flows/enableapi?apiid=analyticsreporting.googleapis.com&credential=client_key

Nella piattaforma di sviluppo Google ho creato un progetto (io l’ho chiamato “analytics”, che fantasia…).

Creo il service account

A questo punto, ho creato il service account scegliendo quel progetto:

https://console.cloud.google.com/iam-admin/serviceaccounts

Ho creato la chiave. Ho generato e scaricato il file json nella cartella dove ho salvato il mio script, rinominandolo google_secrets.json

Ho associato al mio account Analytics la casella email generata da Google come utente con poteri di analisi e visualizzazione. (Dalle impostazioni, account, utenti).

La parte più noiosa è terminata, e per fortuna non dovrò più ripeterla. Ora viene la parte migliore.

Finalmente…lo script di esempio

Ho scaricato il file d’esempio HelloAnalytics.py inserendo il percorso del file JSON e l’id della vista da interrogare.

Le variabili da valorizzare sono:

KEY_FILE_LOCATION = ''

dove ho indicato il mio file google_secrets.json. E

VIEW_ID = ''

dove andrò a scrivere l’id della vista Analytics.
Per trovare l’id della vista ho usato Account Explorer:

https://ga-dev-tools.appspot.com/account-explorer/ 

oppure basta guardare in Analytics.

Poi ho lanciato

python HelloAnalytics.py

Tutto ok, lo script restituisce il risultato atteso, cioè i dati degli ultimi 7 giorni delle sessioni per paese.

Ora non resta che modificare lo script a proprio piacimento, giocando con date, dimensioni e metriche al fine di ottenere in output ciò che più serve. E qui, l’unico limite diventa la fantasia.

Ho letto in rete varie soluzioni, molte delle quali sofisticate, altre inutilmente complesse, altre molto sofisticate.
Per scopi basilari, basta seguire questi semplici passi:  

1 – Creo il primo tag sfruttando wpcf7mailsent

Apro Google Tag Manager e creo un nuovo Tag, scegliendo come tipologia “html personalizzato”. Nel mio esempio l’ho chiamato “mailsent-cf7”.

All’interno del tag digito poche righe di codice:

<script>
document.addEventListener( 'wpcf7mailsent', function( event ) {  dataLayer.push({'event': 'contactForm7Inviato'});  }, false );
</script>

In pratica, quello che vedo in Tag Manager è questo:

wpcf7mailsent è un evento DOM di CF7 che si attiva quando un modulo ajax è stato inviato con successo, e la mail è partita.

In pratica, è tutto ciò che ci serve.

A questo punto scelgo su quali pagine del sito attivare il tag (tutte le pagine può essere un’opzione che va bene in molti casi…). Salvo il mio nuovo tag.

2 – Il mio tag Universal Analytics

Creo ora un nuovo tag di tipo Google Universal Analytics.
Diciamo che lo posso chiamare “Invio form CF7“:

Scelgo monitoraggio evento.

Inserisco il mio id di monitoraggio e scelgo un valore per Categoria, Azione ed Etichetta

Nel mio caso ho scelto “Form” per categoria, “Invio” per azione e il path della pagina come etichetta.

3 – L’evento personalizzato

Per attivare il tag creo un nuovo attivatore di tipo “evento personalizzato” – io l’ho chiamato “form inviato” – e seleziono come evento contactForm7Inviato:

4 – Anteprima e controlli

Non mi resta che fare l’anteprima in Google Tag Manager per sincerarmi che tutto funzioni come previsto:

e aprire il sito per vedere se è tutto a posto:

Come si vede, è tutto ok. Ora provo a inviare un modulo e posso notare subito se “scatta” l’evento, vedendolo anche in real time su Google Analytics.

Tutto funziona: in meno di 10 minuti il mio tracciamento è attivo.
Posso pubblicare la nuova versione in Tag Manager.

Esistono numerose metriche utili per tenere sotto controllo e valutare il successo della nostra attività di marketing digitale. Immagino che sigle come CTR, CPL, ROAS non suonino del tutto ignote anche a persone che non hanno una specifica preparazione nel settore del marketing digitale.

Mi sembra quindi non del tutto superfluo ripassare insieme alcune di queste metriche di base, considerando le semplici formule necessario per calcolarne i valori e riflettendo brevemente sugli ambiti di utilizzo.

Come si calcola il  ROAS, una metrica per l’e-commerce

La prima “sigla” che vorrei sfiorare in questa esposizione è il ROAS – ovvero Return on ad spend.

Il nome direi che esplicita chiaramente il significato di questa metrica: è un valore che mi indica se ho speso in maniera proficua i miei soldi in investimenti pubblicitari. Inutile dire che l’e-commerce è un ambito “classico” di applicazione di questa misura.

Come si calcola il ROAS? E’ molto semplice, come (quasi) sempre si tratta di un semplice rapporto, ed è espresso in termini percentuali.

Esempio: vendo pipe di radica online ricavando 1800€ a fronte di costi pubblicitari di 1000€.

Il ROAS sarà dunque:

(1800€/1000€) x 100 = 180%

CPL : una metrica per la lead generation.

CPL significa Cost per Lead, ovvero il costo per contatto.

E’ una metrica di ovvia importanza per calcolare la bontà della mia strategia pubblicitaria finalizzata alla generazione di contatti.

La formula è:

Esempio

Il CPL è dunque: (5000/50)= 100€

Una misura dell’efficacia della mia campagna: il CTR

CTR è l’acronimo per click through rate, ovvero la percentuale di clic.

Il nome già dice tutto: si tratta anche in questo caso di un semplice rapporto, espresso in termini percentuali. Esso fornisce la percentuale di clic rispetto alle visualizzazioni (impressioni), dunque in termini matematici si può esprimere in questi termini:

Se la mia pubblicità ha avuto 10000 visualizzazioni producendo 300 clic verso la mia landing page, il CTR dell’annuncio risulterà:

(300/10000) x 100 = 3%

L’analisi dei dati, condotta con strumenti come Google Analytics, è un terreno ogni giorno più affascinante, ma che nasconde a ogni passo un’insidia. Il rischio più grande, a mio avviso, è quello di non accorgersi neppure di star commettendo degli errori. Certi dettagli sfuggenti, infatti, sono in realtà piena sostanza e possono portare a trarre conclusioni fuorvianti a partire dai dati. Eppure, quando i nostri rapporti si popolano di dati ci sentiamo sicuri e fiduciosi: tutto va bene…oppure no?

Questo post nasce dalla pratica quotidiana, che è poi un continuo sbattere la testa contro gli spigoli di questo mestiere difficile e bellissimo. Nasce dapprima dalla lettura di un articolo come sempre illuminante di Avinash Kaushik (trovate il link in fondo al post), poi si sviluppa nell’incontro con i quesiti degli esami di certificazione Analytics.

La natura del problema

Il problema si incontra generalmente quando andiamo a creare dei report personalizzati in Google Analytics.
Lo riassumo in questi termini: i dati che il nostro strumento di analisi raccoglie hanno un ambito di appartenenza (“scope” per dirla nella maniera concisa dell’inglese).

Il modello dei dati in analytics presenta tre ambiti:

• utenti
• sessioni
• interazioni (o “hit”)

Punto decisivo è che dimensioni e metriche, nei miei report, devono essere allineati.
La dimensione relativa agli hits deve “guidare” le metriche a livello di hit.
Dimensioni a livello di sessione devono essere calibrate con metriche a livello di sessione.

“Miscelare” una dimensione di tipo sessione con metriche di tipo interazione, ad esempio, è come misurare una temperatura con un metro da sarta. Possono apparire dei numeri nelle colonne del mio report, ma non significano assolutamente nulla.

Di cosa parliamo quando parliamo di hits e di sessioni

Fin qui il problema, che spero sia chiaro. Per capire meglio come agire correttamente, tuttavia, è bene vedere un po’ più in dettaglio di cosa parliamo quando parliamo di interazioni (hits).

Se vado a una certa URL e “atterro” sulla homepage del sito, ogni interazione che ho con il sito rappresenta un hit.
Il caso più comune è quello della pageview: una pageview è un hit.
Posso poi far accadere un evento, come ad esempio riprodurre un video, oppure aggiungere qualcosa al carrello. Tutte queste azioni sono hits.
L’insieme degli hits di una visita al sito è una sessione.

Finalmente posso fare tesoro di queste nozioni…

Forte di queste semplici idee-base, posso vedere alcuni esempi di dimensione e metriche “allineate” a livello di hits.

Mettiamo di partire da una dimensione a livello di hit, come “Pagina”. Con quali metriche posso allora lavorare utilmente nel mio report?
A questo punto la risposta è scontata: con quelle a livello di hit! Ad esempio: “Tempo sulla pagina” (ma serve a qualcosa?), “Valore della pagina” (questa sì che serve a qualcosa!), “Frequenza di rimbalzo”…

Se scelgo come dimensione una “classica” dimensione a livello di sessione, quale ad esempio “Sorgente/mezzo”, oppure “Città” o magari “Campagna”, ecco che le mie metriche devono avere lo stesso scope. Quindi lavorerò, ad esempio, con “Visite”, “Pagine/sessione”, “% Nuove sessioni”,  “Durata sessione media”, “Valore obiettivo per sessione”, “Transazioni”, “Tasso di conversione all’obiettivo”…

Per gli approfondimenti del caso, rimando all’articolo già citato di Avinash Kaushik, e alla guida alle metriche e dimensioni nella sezione delle API di Google.