Abbiamo visto come quindi le implicazioni tracciamento abbiamo visto la parte di di importanza che la parte di first partita incomincia incomincia ad avere e adesso incominciamo diventa più interessante.

Entra nello specifico effettivamente vedere cosa ci facciamo questi dati.

Prima parte una delle casistiche finché in un certo senso lo é fort a impact è quella di la segmentazione audience anche per le attività di advertising diciamo che abbiamo due quando parliamo di segmentazione audience fondamentalmente tra, si tratta di prendere i dati prima parte dell'utente con quante più variabili abbiamo o quelle perlomeno quelle le variabili quante più più variabili abbiamo e significative per lo scopo della segmentazione e cercare di andare a definire dei cluster dei gruppi gli utenti similari.

Ci sono due modalità in termini di modelli che che abbiamo che sono modelli più descrittivi versus quelli predittivi il modo in cui lo utilizziamo noi eh? Cercare di far far di far fare il lavoro sporco a chi ha più dati di noi è fondamentalmente vuol dire poi Google e Facebook mi spiego meglio da parte di modelli descrittivi sono modelli che si basano su dati al passato e cercano di raggruppare classi di utenti similari però non fanno predizione non fanno un four casting su quello che potrebbe essere l'effettivo valore, semplicemente cercano di identificare utenti simili per ovviamente delle variabili che noi definiamo e sono qui e sono questi che poi definisce definiscono di differenti segmenti uno dei classici modelli su questo.

E poi andremo a vedere nel dettaglio quello per fm riagganci monetary value, la parte come dice facciamo fare il lavoro sporco in termini di predizione alla parte invece di chi ha da piu' at noi.

Perché il fatto di cluster Izzy dare questi questi utenti ci permette poi di passare le piattaforme un pre elaborato e di chiedere a loro di andare a trovare utenti similari a quelli che li stiamo passando.

Quindi la parte di proiezione di ricerca viene un pochino demandata? Eh, questo sì, in molti in molti scenari.

Poi vedremo un caso concreto se se si è rivelato efficace proprio anche comparando quello che potrebbe essere un tipo di tracciamento pixel bays verso su un tracciamento che era che era invece.

Quindi questa è la prima, è una prima distinzione da tenere da tenere a mente.

Abbiamo fatto diversi tentativi nel per vedere quelli che erano una parte classificazione che funziona di più in generale.

Quello che abbiamo visto è che un approccio classico è quello del re FM ha portato porta o un valore poi anche nell'attività nell'attività di marketing nell'attività di implementazione strategica nelle campagne che che facciamo ci permette un maggiore grado di flessibilità laddove esempio un approccio come il gaming machine learning driven e che è un modello di segmentazione in superficie.

Quindi non abbiamo la possibilità di intervenire ovunque, ma era molto più ridotta sulla FM pur essendo piu' artigianale sotto alcuni aspetti ci dà ci ha dato dei feedback migliori.

Cos'è l'analisi fm.

La partita si fa sta effettivamente per Rick frequency moneta di valium.

Vuol dire che andiamo a cercare di raggruppare gli utenti di castell'azzara gli utenti a seconda di queste tre variabili.

Quindi da parte di Richard di quanto quando è stato l'ultimo l'ultimo quando è stata l'ultima volta che l'utente è stato ingaggiato con noi.

Quindi ho avuto effettivamente fatto un acquisto, una conversione, la parte di frigo che sia vero quanto spesso quando passa da una transazione all'altra da da da un'azione all'altra e ovviamente del valore monetario.

Quindi quanto vale globalmente quello che è poi il suo tipo di azione e queste queste tre variabili sono quelle che poi ci permettono di identificare Baker differenti.

Poi vediamo meglio nel dettaglio, ma fondamentalmente da quello con più alto valore a quello piu' basso valore tra l'altro non è nulla di nuovo parte della RFEF perché nasceva parecchio tempo fa e principalmente veniva utilizzata in un'ottica di riduzione dei costi perché effettivamente sull'attività di direct marketing probabilmente l'invio del catalogo del volantino a casa permetteva di concentrarsi solamente su quella porzione di utenti che saranno più probabilità che ci desse un ritorno.

E in un certo senso lo utilizziamo oggi all'interno da parte online.

Ancora con questo approccio qui questa è la parte di dr.

FM e la volontà è molto utilizzata sulla parte di retail e-commerce perché ovviamente è più facile identificare quello che è il valore in questo caso da parte di transizione di transazione.

Al tempo stesso, però anche in ottica di generations, altri altri altri verticali.

Torna molto comodo al momento in cui cerchiamo di identità.

Agganciarla a tipi di quell'utente eventualmente il processo per costruire parti FM è basato principalmente sul step, quindi il primo è la creazione del ladro e questo è quello abbiamo visto anche con la connessione del CRM, quindi cerchiamo di prendere tutte le informazioni necessarie.

Mettere all'interno del nostro database.

Il secondo step è quello di classificare l' ordine il ranking dei nostri utenti sulla base delle variabili che abbiamo predisposto e quindi la licenzi, la frequenza e il valore monetario e poi alla fine, combinare queste tre dimensioni per caratterizzare e trovare il nostro il cluster di utenti.

Come dicevo, i punti principali, i bucket principali che possiamo vedere sono sono i seguenti Abbiamo partiamo quelli un po' piu' poco sfigati.

Quelli che amo sono meno meno importanti per noi.

O magari possiamo a cercare di riattivare la differente.

Abbiamo il Baker di Lost sono gli utenti che oh ho hanno poco valore.

Hanno comprato molto, molto tempo fa da noi, quindi non sono più effettivamente all'interno del del processo di conversione.

Ci sono quelli che hanno bisogno di attenzione, nel senso che sono un po' più recenti, ma hanno una frequenza avevo avevano una frequenza di acquisto abbassarsi significativa e non ma non vogliamo, non vogliamo perderli.

Ci sono nuovi utenti, quindi quelli che quelli che hanno acquistato da poco e questi su questi possiamo cercare di intraprendere azioni specifiche è poi ci sono gli utenti.

Promisi effettivamente che sembra avere un valore significativo per noi e a cui dobbiamo prestare attenzione.

E poi ci sono due i due aspetti principali che la parte di Cora e dai value che sono l'aspetto il BAC, gli utenti che è più importante per noi.

Quelli che effettivamente acquistano di più ci hanno un maggior ritorno e acquistano anche più spesso.

Quindi questi sono i Baker differenti che abbiamo adesso.

Quello che guarderemo insieme nella prossima lezione è esattamente un esempio concreto.

E come possiamo sfruttare queste informazioni in ottica di struttura, struttura dell'account e ottimizzazione dell'account nelle nostre campagne?