Testbusters

Il problema

Testbusters è un’azienda EdTech italiana che prepara gli studenti ai test d’ammissione universitari e distribuisce corsi, manuali e strumenti didattici attraverso canali digitali e librerie. I quattro eCommerce poggiavano su un’infrastruttura WooCommerce ormai legacy: il sistema funzionava, ma il funnel perdeva utenti nei passaggi più critici e i costi di crescita aumentavano insieme alla complessità. Anche i processi operativi dipendevano ancora da molte attività manuali. La gestione del post-acquisto, la sincronizzazione dei feed di catalogo e i flussi informativi tra team richiedevano un coordinamento continuo, rendendo più difficile scalare l’operatività.

La migrazione

Come Product Manager, ho guidato il replatforming headless end-to-end e progressivo di quattro eCommerce, migrando da WooCommerce a uno stack composable: BigCommerce per logica transazionale e pagamenti, Builder.io come CMS e Prismic per il blog.

La scelta headless serviva tre obiettivi strategici: risolvere i punti di frizione strutturali del funnel, in particolare pagamenti, bundle e pricing; migliorare navigazione e performance su mobile; restituire a marketing e business autonomia operativa senza dipendere dall’IT. Ho completato l’infrastruttura con attività tecniche e semantiche di SEO e GEO, un data layer personalizzato, tracciamenti con GTM e GA4, monitoraggio con GSC e dashboard Looker Studio e Tableau. Le decisioni sul funnel potevano così basarsi su dati condivisi e verificabili.

Oltre lo storefront

Automazione flussi post-acquisto

Ho sostituito la sequenza di attività manuali successive a ogni transazione con un’architettura n8n centralizzata e cross-brand per i quattro eCommerce. I workflow gestiscono feed di catalogo, integrazioni con i servizi di spedizione e con sistemi terzi, oltre all’erogazione di servizi individuali.

Per evitare duplicazioni e flussi fragili, ho progettato componenti riutilizzabili, helper condivisi, payload standardizzati e una logica guidata dalla configurazione. Idempotenza e retry con backoff gestiscono i potenziali fallimenti, mentre monitoring e alerting intercettano le anomalie prima che raggiungano l’utente finale. API e webhook standardizzano lo scambio dei dati in ingresso e in uscita. Una dashboard interna completa l’architettura, fornendo governance e monitoraggio operativo.

Assistente AI interno

Le richieste informative interne e ripetitive assorbivano ogni giorno tempo al product manager e all’operation team. Ho quindi progettato su n8n un assistente RAG interrogabile via Slack e collegato alla knowledge base documentata in repository. Un flusso di ingestion acquisiva, indicizzava e suddivideva i contenuti nel database vettoriale; il workflow RAG gestiva la ricerca e la generazione delle risposte.

Un feedback loop e cicli iterativi di valutazione misuravano pertinenza e accuratezza, permettendo di correggere progressivamente la retrieval. I guardrail limitavano le risposte ai documenti aziendali validati, riducendo il rischio di allucinazioni. Il team poteva così accedere alle informazioni in modalità self-service, senza dipendere dalla disponibilità del product manager.

Feed prodotto multi-brand

Brand e cataloghi seguivano strutture diverse, quindi ogni nuova integrazione richiedeva di ricostruire feed e mapping da zero. Ho introdotto un layer di normalizzazione basato su una tassonomia condivisa, sistemi di validazione e mapping specifici per ciascun brand.

L’infrastruttura alimenta Google Merchant Center e AWIN. Integrare un nuovo catalogo richiede ora una configurazione, non un nuovo sviluppo.

Il risultato

Il lavoro sui punti critici del funnel ha aumentato la conversione del 27% anno su anno, ridotto l’abbandono del carrello del 34% e fatto crescere l’AOV del 15,1%.

Sul fronte operativo, l’automazione post-acquisto è entrata in produzione in due settimane, contro il mese inizialmente stimato per svilupparla come layer software, e ha ridotto del 35% i costi delle attività manuali. L’assistente RAG ha liberato circa tre ore al giorno prima assorbite da richieste informative ripetitive.

Questi risultati non derivano da un semplice restyling dello storefront. Sono l’effetto di un intervento coordinato su architettura, funnel, dati e processi operativi.