Google Analytics 4: migrazione da Universal Analytics per PMI italiane nel 2022

Per migliaia di PMI italiane il 2022 è l’anno in cui Google Analytics smette di essere un’utility silenziosa nel piè di pagina del sito e diventa un cantiere aperto. Google Analytics 4, presentato in beta nel 2019 e reso default a ottobre 2020, è ora la versione che Mountain View spinge come standard, mentre Universal Analytics entra ufficialmente nel suo conto alla rovescia. A queste pressioni “di prodotto” si sommano quelle regolatorie: il 12 gennaio 2022 il Garante austriaco DSB, applicando la giurisprudenza Schrems II, ha dichiarato che l’uso di Google Analytics (Universal) nella sua forma standard non è compatibile con il GDPR per via dei trasferimenti dati verso gli Stati Uniti. La CNIL francese ha seguito a febbraio con una decisione analoga, e il Garante italiano ha già aperto un’istruttoria. Per le PMI italiane, restare su Universal non è più solo un debito tecnico: è un rischio operativo e legale.

In questa guida vediamo, da un punto di vista tecnico-pragmatico, cos’è davvero GA4, come differisce da Universal nel modello dati, come impostarlo correttamente, come integrarlo con Google Tag Manager e BigQuery, come gestire privacy, IP anonymization e Google Signals in chiave GDPR, e quali sono gli errori più frequenti che vediamo in fase di migrazione. Chiudiamo con una roadmap operativa di 60 giorni che ogni PMI può adottare subito, senza dover diventare un team di data engineer.

1. Cos’è Google Analytics 4 e perché è un cambio di paradigma

Google Analytics 4 non è una “nuova versione” di Universal: è un prodotto diverso, costruito sulla codebase di Firebase Analytics (la piattaforma mobile di Google) e poi estesa al web. La proprietà GA4 unifica in un unico contenitore i dati di sito web e applicazioni mobile (iOS e Android), risolvendo nativamente il problema del tracking cross-device che in Universal richiedeva configurazioni complesse e spesso fragili.

La trasformazione più radicale è nel modello dati. In Universal Analytics tutto ruotava intorno alla sessione: una sequenza di hit (pageview, event, transaction, social, timing) raggruppati per un singolo utente entro una finestra di 30 minuti. Le metriche di riferimento erano sessioni, bounce rate, durata media, pagine per sessione. In GA4 la sessione esiste ancora, ma è una dimensione derivata: il vero atomo dei dati è l’evento. Ogni interazione – un pageview, un click, uno scroll, un’aggiunta al carrello, un acquisto – è un evento con un nome e fino a 25 parametri associati.

Questo cambio di paradigma ha conseguenze profonde sulla reportistica, sulla definizione di KPI, sull’integrazione con altri sistemi e sulla qualità complessiva del dato. Per le PMI significa anche un’opportunità: per la prima volta è possibile, anche senza un budget enterprise, accedere a una piattaforma analytics dotata di machine learning, esportazione raw su data warehouse e tracking cross-platform.

2. Universal Analytics vs GA4: le differenze che contano davvero

Capire le differenze concrete è il primo passo per non sbagliare la migrazione e per spiegare al management che i numeri cambieranno. È la prima domanda che ci sentiamo fare: “perché GA4 mi dà numeri diversi da UA?”. La risposta è semplice: stanno misurando cose diverse.

• Hit type vs eventi: Universal aveva 7 tipi di hit (pageview, screenview, event, transaction, item, social, timing, exception). In GA4 ne esiste uno solo, l’event. Anche un pageview è un evento (page_view).
• Sessione: in UA una nuova sorgente di traffico durante la stessa visita generava una nuova sessione. In GA4 no: la sessione resta una, salvo il timeout (default 30 minuti, configurabile).
• Bounce rate: in UA era la quota di sessioni con un singolo hit. In GA4 è (inizialmente) sostituito dall’engagement rate: la quota di sessioni in cui l’utente è rimasto almeno 10 secondi, ha generato un evento di conversione o ha visto almeno 2 pagine.
• Utenti unici: UA contava client ID; GA4 introduce User-ID, Google Signals, device ID e modeling per stimare la stessa persona su più dispositivi.
• Data retention: in UA standard era illimitata; in GA4 il default è 2 mesi, estendibile fino a 14. Questo va impostato subito in fase di creazione della property.
• Custom dimensions: in UA erano hit-, session- o user-scoped. In GA4 sono event-scoped, user-scoped o item-scoped (per e-commerce).
• Conversioni: in UA si chiamavano goal ed erano massimo 20 per vista. In GA4 sono massimo 30 per property e si configurano semplicemente marcando un evento come “conversion”.

La conseguenza pratica: i KPI vanno ridefiniti. Un management che pretende di “vedere le stesse sessioni” su GA4 sta chiedendo qualcosa che non esiste. Vanno costruite nuove dashboard, nuovi benchmark e, per i primi mesi, vanno mantenute due viste in parallelo.

3. Il data model di GA4: eventi, parametri, user properties

Il modello dati di GA4 si articola su tre livelli che ogni team marketing dovrebbe interiorizzare prima di toccare il setup.

Evento. È l’unità minima di tracciamento. Ogni evento ha un nome (snake_case, massimo 40 caratteri) e può portare fino a 25 parametri. Esistono quattro categorie:

• Automatically collected events: pageview, first_visit, session_start, user_engagement. Vengono raccolti automaticamente, non serve scrivere codice.
• Enhanced measurement events: scroll (90% di profondità), click (link esterni), site_search, video engagement (YouTube embed), file_download. Si attivano con uno switch in property.
• Recommended events: Google fornisce una tassonomia consigliata per casi d’uso comuni (e-commerce: view_item, add_to_cart, begin_checkout, purchase; lead gen: generate_lead, login, sign_up; jobs/education: job_apply, course_progress). Usarli garantisce coerenza con i report standard.
• Custom events: quelli che inventi tu per tracciare interazioni specifiche del tuo business (es. preventivo_inviato, chat_aperta).

Parametri. Sono le proprietà dell’evento. Ad esempio per un evento purchase avremo transaction_id, value, currency, tax, shipping, items. I parametri vanno registrati come custom dimension o custom metric in property altrimenti non saranno disponibili nei report Explorations.

User properties. Caratteristiche persistenti dell’utente: piano sottoscritto, tipologia (B2B/B2C), lingua, anno di iscrizione. Max 25 user properties per property. Non vanno usate per dati personali identificativi: è una violazione dei termini Google.

4. I 5 step di setup base che ogni PMI deve completare

Il setup minimo per cui una proprietà GA4 sia operativa e utile – non solo “presente” – si articola in cinque passaggi che possono richiedere mezza giornata di lavoro per chi parte da zero.

1. Creazione property. Da Admin → Crea property selezionando fuso orario Europe/Rome, valuta EUR, e settando data retention a 14 mesi. Da subito impostare anche Industry category e Business details.
2. Configurazione data stream. Una property GA4 può avere più data stream: uno per il sito web, uno per app iOS, uno per app Android. Ognuno genera un Measurement ID (prefisso G-) che sostituisce il vecchio Tracking ID di UA (UA-XXXX-Y).
3. Implementazione tracking. Tre vie: gtag.js inserito direttamente nel sito, Google Tag Manager (consigliato per chiunque abbia anche solo un altro pixel), o gtag con tag-only su un sito già taggato UA. La modalità raccomandata per le PMI è GTM.
4. Marcare le conversioni. In Configura → Eventi attivare il toggle “Mark as conversion” su massimo 30 eventi. Per le PMI tipiche: purchase, generate_lead, preventivo_inviato, contatto_form, chiamata_telefonica.
5. Creazione audiences. Le audiences GA4 sono molto più potenti di UA: si possono creare segmenti basati su sequenze di eventi, su user properties, su periodi temporali, su predittive (acquirenti probabili nei prossimi 7 giorni). Vanno create almeno per: acquirenti, lead non convertiti a 30gg, visitatori engaged ma non convertiti, churn risk.

5. Enhanced Measurement: cosa cattura automaticamente

L’Enhanced Measurement è una delle feature più sottovalutate di GA4 e una delle più pratiche per le PMI che non hanno un team tecnico dedicato. Si attiva con un singolo switch all’interno del data stream web e abilita la raccolta automatica di sei classi di interazioni che in Universal Analytics richiedevano custom code o configurazioni GTM dedicate:

• Scrolls (evento scroll): si attiva quando l’utente raggiunge il 90% della pagina.
• Outbound clicks (evento click con parametro outbound: true): tracking automatico dei link verso domini esterni.
• Site search (evento view_search_results): se l’URL contiene un parametro tipo q=, s=, search=, query=, keyword=, GA4 lo capisce.
• Video engagement (eventi video_start, video_progress, video_complete): funziona automaticamente con embed YouTube se è caricato il YouTube iframe API.
• File downloads (evento file_download): cattura click su link che terminano in pdf, doc, xls, ppt, zip, rar, csv, txt, exe, dmg, mp3, mp4, mov, wav.
• Form interactions: in beta, traccia eventi form_start e form_submit con riconoscimento euristico delle form HTML.

Per la PMI media questo significa coprire l’80% dei micro-conversion che servono per ottimizzare le campagne Ads senza scrivere una riga di codice. Prima, lo stesso risultato richiedeva almeno 6-8 tag personalizzati in GTM più altrettanti trigger.

6. Eventi custom e tassonomia: la parte che farà la differenza nel tempo

Quando l’Enhanced Measurement non basta – e per la maggior parte dei business non basta – si entra nel territorio degli eventi custom. Qui la regola d’oro è una sola: la tassonomia. Prima di scrivere il primo evento custom andrebbe stilato un documento condiviso con: nome evento, descrizione business, trigger, parametri e custom dimension associate.

Esempi di tassonomia tipica per una PMI italiana B2B:

• form_lead_submitted – parametri: form_id, form_position, lead_type (preventivo|demo|info).
• chat_started – parametri: chat_provider, page_path.
• call_button_clicked – parametri: phone_number, page_section (header|hero|footer|sticky).
• pricing_viewed – parametri: plan_viewed, billing_cycle (monthly|yearly).
• case_study_downloaded – parametri: case_study_title, industry.

Tutti i parametri custom vanno registrati come Custom Dimensions in Configure → Custom definitions, altrimenti non saranno disponibili come dimensione nei report e nelle Explorations. Questa è una delle cause numero uno di disillusione: “ho tracciato l’evento ma non lo vedo nei report”. Il dato c’è, semplicemente non è ancora stato promosso a dimensione interrogabile.

7. Conversioni e Goals: cosa cambia rispetto a UA

In Universal Analytics i goal erano massimo 20 per vista e si configuravano in quattro modi (destination URL, duration, pages/session, smart goals). In GA4 ogni evento può diventare una conversione con un toggle: il limite è 30 conversioni per property. Questo cambia la filosofia: non si “creano” più goal, si “marcano” eventi già esistenti come conversioni.

Cosa significa nella pratica per una PMI? Tre raccomandazioni operative.

Primo, non marchiate come conversion il page_view di una pagina “grazie”. È una pratica diffusa in UA, ma in GA4 sporca i report perché eventuali ricaricamenti contano. Meglio creare un evento custom preventivo_inviato emesso dal trigger di submit della form.

Secondo, distinguete macro- e micro-conversioni. Le macro (acquisto, lead qualificato) vanno passate a Google Ads come conversion principali. Le micro (download brochure, view pricing) servono per audiences di remarketing e per Smart Bidding ma andrebbero pesate diversamente.

Terzo, il valore della conversione. In GA4 si imposta a livello di evento (value, currency). Per le lead B2B una pratica consolidata è assegnare un valore “atteso” alla lead (es. ticket medio × tasso di chiusura): permette di alimentare Smart Bidding con un proxy economico più sensato di un puro count.

8. Integrazione con Google Tag Manager v2

Google Tag Manager rimane lo strumento principe per implementare GA4 senza intervenire ogni volta sul codice. Con il template GA4 Configuration + GA4 Event il setup è notevolmente più semplice rispetto al tag classico Universal Analytics in cui ogni evento richiedeva categoria, azione, etichetta, valore.

Lo schema raccomandato:

• Un solo tag GA4 Configuration, attivato su All Pages, con il Measurement ID memorizzato in una variabile costante. Tutti i campi “Fields to set” qui sono globali (es. send_page_view = true, custom dimensions globali come page_template).
• Tag GA4 Event separati per ogni evento custom, che referenziano il GA4 Configuration tag. I parametri si passano dal data layer con notazione {{ dlv - parameter_name }}.
• Data layer push dal sito: la responsabilità del developer è popolare il dataLayer con eventi semantici (cta_clicked, form_submitted, video_played), non sparare direttamente gtag.
• Variabili Lookup Table per mappare interfacce business a parametri GA4 (es. da form_position testuale a un valore standard).
• Modalità Preview di GTM + DebugView di GA4 attivate in parallelo durante l’implementazione: nessun evento va in produzione senza essere stato visto live in DebugView.

Per chi ha già un container GTM con Universal Analytics, la pratica corretta è non eliminare i tag UA ma affiancare i tag GA4. Il dual-tagging permette di mantenere Universal acceso fino al sunset, costruire una baseline di confronto e validare GA4 senza rischiare di perdere dati storici.

9. BigQuery export: la feature game-changer per le PMI

Una delle differenze più sottovalutate ma più strategiche: in Universal Analytics standard l’export raw verso BigQuery era riservato a UA 360, la versione enterprise dal costo di circa 150.000 dollari l’anno. In GA4 l’export verso BigQuery è gratuito nel free tier (con limiti di 1 milione di eventi al giorno per il daily export, sufficienti per la stragrande maggioranza delle PMI italiane).

Perché è strategico? Tre motivi:

• Dati raw a livello di singolo evento. Non aggregati, non campionati. È possibile rispondere a domande che nell’interfaccia GA4 sono impossibili: “quanti utenti hanno visto sia la pagina A che la pagina B entro 48h dal primo accesso, segmentati per device?”.
• Join con altri sistemi. Si possono unire i dati GA4 con CRM (Salesforce, HubSpot), e-commerce (Shopify, Magento), ERP (interno), advertising (Google Ads, Facebook Marketing API). Diventa la base di un vero data warehouse.
• Visualizzazione esterna. Con Data Studio (e qualunque altro tool BI) si costruiscono dashboard custom senza i limiti di GA4. SQL come linguaggio di interrogazione.

Il setup è di pochi click: Admin → BigQuery Linking → Link. Si sceglie il progetto GCP, la regione (per la PMI europea va selezionata EU multi-region per evitare trasferimenti extra-UE), la frequenza (daily, streaming, o entrambe). Importante: il setup va fatto subito anche se non si ha ancora un caso d’uso. I dati storici prima del linking non saranno mai esportati retroattivamente.

10. Cosa cambia nelle dashboard: Realtime, Acquisition, Engagement, Monetization, Retention

Chi apre GA4 per la prima volta dopo aver vissuto in Universal per anni resta inizialmente disorientato: l’interfaccia è radicalmente diversa, i report standard sono molti di meno e la sensazione è di avere meno dati. È un’illusione: i dati ci sono, sono semplicemente esposti diversamente.

I cinque hub principali del menu Reports:

• Realtime. Dashboard live con utenti attivi negli ultimi 30 minuti, eventi in corso, conversioni in tempo reale, sorgenti. Più completo della controparte UA.
• Acquisition. Diviso in User acquisition (primo touchpoint) e Traffic acquisition (touchpoint della sessione). In UA c’era solo la seconda visione: GA4 distingue chi ha portato l’utente la prima volta da chi lo ha portato questa volta.
• Engagement. Sostituisce Behavior di UA. Mostra eventi più frequenti, conversion rate per evento, pagine + screen, landing page.
• Monetization. Per e-commerce e pubblicazione: revenue, purchase, in-app purchases, ad revenue.
• Retention. Coorti, retention curve, lifetime value: report nuovi che in UA andavano costruiti a mano.

Tutta la potenza analitica si è spostata su un altro modulo: Explorations.

11. Explorations: il vero motore di analisi

Explorations è probabilmente la feature dove GA4 supera nettamente Universal Analytics. Si trovano in Explore nel menu laterale e mettono a disposizione sei template di analisi:

• Free-form: tabelle pivot multidimensionali, segmentabili, con possibilità di costruire metriche derivate.
• Funnel exploration: imbuti multi-step con possibilità di analisi open/closed, segmentati per dimensione, con drop-off rate per step. In UA richiedeva il funnel “shopping” o “checkout” predefinito.
• Path exploration: percorso degli utenti tra eventi e pagine, in entrambe le direzioni (forward dall’evento iniziale, backward verso un evento finale). Insostituibile per analizzare attribution interna.
• Segment overlap: diagramma di Venn tra fino a 3 segmenti. Risponde a domande tipo “quanti utenti acquirenti sono anche utenti che hanno aperto la chat?”.
• User exploration: lista degli utenti con timeline degli eventi per singolo client ID/User ID. Utile per debug.
• Cohort exploration: analisi di coorti per criteri di acquisizione, con retention e revenue per coorte.

La limitazione del free tier: ogni esplorazione è campionata sopra i 10 milioni di eventi nel range temporale. Per la PMI media, raramente un problema. Per chi sì, la soluzione è – di nuovo – BigQuery.

12. Audiences GA4: predictive metrics e remarketing 2.0

Le audiences in GA4 superano quelle di UA per tre motivi: composizione più ricca (sequenze, scope per evento o sessione o lifetime, condizioni temporali sliding), sincronizzazione automatica con Google Ads (se le property sono linkate), e soprattutto predictive metrics.

Le predictive metrics sono modelli di machine learning di Google addestrati sui dati della tua property. Tre sono disponibili a febbraio 2022:

• Purchase probability: probabilità che un utente acquisti nei prossimi 7 giorni.
• Churn probability: probabilità che un utente attivo non ritorni entro 7 giorni.
• Revenue prediction: revenue attesa nei prossimi 28 giorni per un singolo utente.

Vanno usate con cautela: per essere disponibili la property deve aver raccolto almeno 1.000 utenti positivi e 1.000 negativi negli ultimi 28 giorni. Per molte PMI questa soglia non è raggiunta inizialmente: i predictive si “sbloccano” man mano che i dati maturano. Quando disponibili, queste audience possono essere esportate verso Google Ads per Smart Bidding e Discovery campaigns ad alto rendimento.

13. Integrazione con Google Ads e Google Marketing Platform

L’integrazione GA4 + Google Ads è il vero motivo per cui anche le PMI con budget medi devono affrontare la migrazione. I link sono nativi e bidirezionali:

• Conversioni importate: ogni conversione GA4 può essere importata in Google Ads come conversion. Smart Bidding la userà per ottimizzare le campagne.
• Audiences sincronizzate: le audiences GA4 (incluse predictive) appaiono in Google Ads in Tools → Audience Manager e si possono usare in qualsiasi campagna.
• Cross-network attribution: GA4 introduce un modello di attribuzione “data-driven” come default, contro il “last click” tradizionale di UA. Cambia significativamente l’attribuzione di valore tra canali.

L’integrazione si estende all’intera Google Marketing Platform: Search Console (per dati organici), Optimize (per A/B test) e Data Studio per la visualizzazione. Quest’ultimo è particolarmente importante: i connettori GA4 in Data Studio permettono di costruire dashboard custom sostituendo i Custom Reports di UA che in GA4 non esistono più come funzione standard.

14. GDPR, Schrems II e CNIL: il contesto regolatorio che cambia tutto

Qui entriamo nel terreno più delicato e più discusso del 2022. La sentenza Schrems II della Corte di Giustizia UE (luglio 2020) ha invalidato il Privacy Shield, lo strumento che fino ad allora legittimava i trasferimenti di dati personali UE → USA. Da allora, l’uso di servizi US-based per processare dati personali UE è in zona grigia: serve una valutazione “case by case” di garanzie supplementari.

Il 12 gennaio 2022 il Garante austriaco DSB ha pubblicato una decisione storica: l’uso di Google Analytics (Universal) nella configurazione standard non è conforme al GDPR. La motivazione: l’IP utente e i cookie ID vengono trasferiti negli USA, e nemmeno l’IP anonymization è sufficiente a sanare il trasferimento (il dato resta personale per la combinazione con altri identificatori). La CNIL francese ha emesso una decisione gemella il 10 febbraio 2022. Il Garante Privacy italiano ha aperto un’istruttoria.

Per le PMI italiane, l’orizzonte di azione è chiaro:

• Attivare IP anonymization di default (in GA4 è on per design, non si può più disattivare in UE).
• Disattivare Google Signals, almeno fino a quando il framework EU-US Data Privacy Framework non sarà finalizzato e i Garanti UE non avranno chiarito la posizione.
• Selezionare regione di processamento EU in BigQuery, e laddove possibile su altri servizi Google.
• Aggiornare informativa cookie e policy per specificare basi giuridiche, finalità, periodi di conservazione, paesi di trasferimento.
• Valutare un Consent Management Platform (CMP) IAB TCF v2.0 compatibile per gestire i consensi granulari, con blocco preventivo del tag GA4 in assenza di consenso.
• Considerare server-side tagging (in anteprima e adottato sperimentalmente) per portare l’endpoint di raccolta dati su un proprio sottodominio, riducendo l’esposizione di IP e fingerprint diretti a Google.
• Designare un EU Representative per Google (per Italia: Google Ireland Limited è già stabilita in UE, ma le clausole contrattuali standard – SCC – vanno comunque firmate e documentate).

Queste misure non eliminano l’incertezza giuridica, ma documentano una postura di compliance attiva. È la differenza tra “stiamo lavorando per essere conformi” e “non ci siamo posti il problema”: in caso di ispezione, è una differenza sostanziale.

15. Gli errori più comuni nella migrazione (e come evitarli)

Da nove mesi seguiamo migrazioni GA4 in PMI italiane e ci siamo costruiti una lista degli errori ricorrenti. Ne riportiamo i sette più frequenti.

1. Spegnere UA appena attivato GA4. Errore strategico: si perdono i dati di confronto e ci si trova senza baseline storica. Il dual-tagging va mantenuto per 4-6 mesi minimo.
2. Non definire una tassonomia eventi prima di implementare. Risultato: dopo 3 mesi si scoprono 80 eventi con nomi incoerenti, parametri mancanti, custom dimension non promosse.
3. Marcare troppi eventi come conversione. Il limite è 30, ma anche 30 è troppo: 5-7 conversioni davvero strategiche valgono più di 25 confuse.
4. Non registrare i custom parameters come custom dimensions. I dati arrivano, ma sono inutilizzabili nei report e nelle Explorations.
5. Lasciare Google Signals attivo senza consenso esplicito. Compliance bug, oggi – con CNIL/DSB – particolarmente rischioso.
6. Non attivare l’export BigQuery dal giorno 1. I dati prima del linking non sono recuperabili. È la perdita più dolorosa.
7. Non fare cleanup del container GTM. Tag UA orfani, trigger dimenticati, variabili inutilizzate. Diventa impossibile capire cosa fa cosa.

16. Roadmap di migrazione in 60 giorni

Chiudiamo con una roadmap concreta applicabile da qualsiasi PMI italiana con un sito web e (idealmente) un container GTM. Il fasaggio in 60 giorni assume due figure: un referente marketing/digital come PM e un implementatore tecnico (interno o consulente).

Settimana 1-2 – Audit e tassonomia. Inventario tag UA esistenti, lista goal e KPI attuali, definizione tassonomia eventi GA4 (foglio condiviso con nome, descrizione, trigger, parametri). Creazione property GA4 e attivazione data stream web.

Settimana 3-4 – Implementazione base. Tag GA4 Configuration in GTM (dual-tag UA + GA4), attivazione Enhanced Measurement, primi 10-15 eventi custom secondo tassonomia, registrazione custom dimension. Test in DebugView.

Settimana 5-6 – Conversioni, audiences, integrazioni. Marcatura conversion (max 7-10), creazione audiences principali, link Google Ads, attivazione export BigQuery (regione EU), import conversion in Google Ads.

Settimana 7-8 – Privacy & compliance. Aggiornamento informativa privacy, integrazione CMP con blocco tag GA4 senza consenso, disattivazione Google Signals, verifica residenza dati BigQuery, documentazione SCC. Validazione test cookie con tool tipo Cookiebot/Iubenda.

Settimana 9-12 – Dashboard, formazione, monitoraggio. Costruzione dashboard Data Studio sostitutive dei report UA preferiti, training team marketing sulle Explorations, schedulazione report periodici via email. Mantenimento dual-tagging UA+GA4 attivo per ulteriori 3-6 mesi.

Al termine di questo percorso, la PMI è in grado di affrontare il sunset di Universal Analytics senza scossoni, con un sistema analytics più potente, una baseline di compliance documentata e l’infrastruttura per scalare verso un vero data warehouse.

17. Quanto costa davvero (e quanto fa risparmiare)

Una nota economica per chi deve giustificare il progetto in CdA. Il costo della migrazione di una PMI italiana media (sito vetrina + e-commerce di taglia piccola/media, 1-3 canali di acquisition principali) si colloca tipicamente tra 2.500 e 7.000 euro di consulenza, in base a quanti tag, eventi custom e integrazioni servono.

Il “ritorno” è di tre nature. Primo, compliance: il costo di una sanzione GDPR è incomparabile rispetto a quello di una migrazione fatta bene. Secondo, capacità analitiche: la possibilità di alimentare Smart Bidding con micro-conversion ben costruite e con audiences predictive aumenta tipicamente il ROAS del 15-30% nei primi 6 mesi. Terzo, BigQuery gratis: ciò che con UA 360 sarebbe costato 150.000 dollari/anno è incluso nel piano free.

Per una PMI italiana, GA4 + BigQuery + Looker (visualizzazione) è oggi la migliore alternativa zero-cost a uno stack BI enterprise. Non sfruttarla è una scelta strategica – non un’opzione di default.

FAQ – Domande frequenti sulla migrazione GA4

Quando verrà spento Universal Analytics?
Google ha annunciato il sunset di Universal Analytics. La pressione regolatoria UE (decisioni DSB Austria, CNIL Francia) ha accelerato di fatto la migrazione, indipendentemente dal calendario ufficiale Google. Mantenere UA come unico sistema oltre il 2022 è sconsigliato.

Posso usare GA4 e UA contemporaneamente?
Sì, ed è anzi fortemente raccomandato per almeno 4-6 mesi (dual-tagging). Permette di confrontare i dati, costruire baseline e validare la correttezza dell’implementazione GA4 prima di spegnere UA.

Perché i numeri GA4 sono diversi da UA?
Per ragioni strutturali: GA4 usa un modello event-based, conta utenti diversamente (User-ID + Signals + modeling), ha definizioni nuove (engagement rate sostituisce bounce rate), ha attribution data-driven invece di last-click. Non è un bug, è un sistema diverso.

Devo cambiare il mio tracking ID nel sito?
Universal usava il formato UA-XXXXXX-Y, GA4 usa G-XXXXXXXXXX. Se hai gtag.js puoi aggiungere il GA4 ID accanto a quello UA. Se hai GTM è ancora più semplice: aggiungi un nuovo tag GA4 Configuration nel container.

Come si gestisce GDPR con GA4 in Italia?
Tre cose minime: attivare IP anonymization (già di default in UE), disattivare Google Signals o richiederne il consenso esplicito, scegliere regione dati EU per BigQuery. Implementare CMP IAB TCF v2.0 con blocco preventivo del tag in assenza di consenso. Aggiornare informativa privacy.

BigQuery è davvero gratis con GA4?
L’export GA4 → BigQuery è gratuito nel free tier (entro 1 milione eventi/giorno in daily export). Lo storage in BigQuery rispetta i 10 GB free al mese del free tier GCP. Per molte PMI l’intera infrastruttura resta entro il free tier o costa pochi euro al mese.

Quanto tempo serve per migrare?
Per una PMI media con sito + qualche conversion, una migrazione completa con privacy & compliance richiede 8-12 settimane. La parte tecnica pura (setup base + eventi) si chiude in 3-4 settimane, il resto è tassonomia, audiences, dashboard, formazione team, gestione consensi.