Emma abbiamo abbiamo parlato di segmentazione cluster izz azione dell'audience ciao però un dato di prima parte e questo vale ovviamente per la parte che come vedremo per per gli e-commerce che un po' lo sfigato di turno nel senso che non viene molto spesso non viene considerato un dato prima parte ed è il dato di prodotto, in realtà perché considerabile alla stregua di una prima parte, perché sulle informazioni che molto spesso detiene in maniera naturale detiene solamente possessore del con me stesso.

Un esempio su tutti è l'informazione sul margine.

Questo tipo di dato ci permette di fare un passaggio ulteriore che è di rendere più intelligente l'inventore che abbiamo e di farla dialogare meglio con con le piattaforme, o meglio di declinarlo, di segmentare la nella modalità in cui la piattaforma e la digeriscono meglio.

E questo passaggio è proprio quello del prova clustering cosa cosa intendiamo con prova clustering, eh? Rispetto al modo in cui lo utilizziamo in buster box e cerchiamo di fare il mix di tre principali fonti di informazione uno è, come dicevo, quella di prodotto e qua ci sono diverse modalità per recuperarla.

Un modo molto, molto semplice che è da un po' che fuori.

Ma insomma è un po' misconosciuto e la possibilità di recuperare i dati del Marcio Center The Wall Merchant Center direttamente all'interno di Big ieri.

Quindi è un transfert diretto che ti permette di scaricare dati giornalmente all'interno della DDB il database.

Quindi abbiamo questa prima fonte di informazioni.

La seconda fonte di informazioni che recuperiamo è quella del sono la parte di dati advertising, ogni piattaforma a uno spaccato di performance non solo a livello di campagna, ad group o al set, chi vuole eccetera, ma anche uno spaccato a livello di prodotto.

Quindi possiamo effettivamente capire quel prodotto qua quanto ci abbiamo speso come per formato il conversion rate.

Questo pacchetto le impressioni che ha ricevuto.

Questo tutte queste informazioni l'ultima informazione è quella lato analytics.

Molto spesso utilizzavano parte di Google Analytics per questo che è di nuovo un report legato alla parte di di prodotto.

Un report commercio che ci dà visibilità sulle performance globali è molto simile per certi aspetti a quello che è il report che possiamo avere da.

La differenza grossa è che non riguarda solo la parte di campagna a pagamento, ma è il globale della performance di quel prodotto, quello che noi cerchiamo di di fare, prendere queste informazioni, andarle ad unire sulla base della prole.

Quindi una diventi fare che sia univoco, univoco per tutti e poi andare a caratterizzarlo assieme.

Quindi cercare di nuovo un po' come facevamo noi.

Abbiamo fatto una lezione relativi all'audience di identificare top performers will perform e raggrupparli perdere variabili che sono simili tra loro.

In questo caso specifico da parte di di classe realizzazione abbiamo due approcci possibili un approccio, un po' al prossimo turistico, un po' piu' artigianale che banalmente decidiamo noi i trash a seconda secondo cui un prodotto possa stare nel gruppo a gruppo b nel gruppo c, eccetera.

È è un po' più artigianale, come dicevamo, ma tende a essere molto funzionale perché ci dà anche la flessibilità di gestire la distribuzione e la distribuzione di prodotti, oppure un approccio che più probabilistico quindi prese queste informazioni considerate delle delle variabili di chi puoi chiave è l'algoritmo stesso che suggerisce una divisione bones.

Quello che notiamo è che molto spesso ha senso fare una passata, ma nella prima di decidere si, questo è il cluster che voglio, la suddivisione che voglio, la parte di classe realizzazione basata su sulla sul modello algoritmico.

Generalmente vediamo che risponde bene se prendiamo in considerazione determinate metriche, principalmente queste Americhe sono la parte di impression.

Quindi effettivamente quanto quel prodotto esposto la parte di Haverford meglio la parte di di spesa e la parte di performance.

Queste variabili sono abbastanza efficaci nell'identificare quel prodotto in quale Baker deve stare un.

Quindi il passaggio che abbiamo quindi è questa prendiamo le informazioni e le raggruppiamo assieme e abbiamo possiamo far franare il nostro modello di di classe realizzazione su questi rodata e poi ci ritroviamo i differenti Bucket, l'ultimo, l'ultimo miglio viene il modo in cui lo gestiamo, eh? L'auto finale di tutto questo è fondamentalmente un feed di prodotti in cui abbiamo lunedì e associato.

Ci sarà una custom specifica in cui andiamo a dare il deboli.

Se quel prodotto sta nel cluster, nel cluster B in classe che questo ci permette poi di andare a implementare questa suddivisione direttamente all'interno delle piattaforme, in questo caso del Mercer Sanders Google o del catalogo che parliamo di Facebook tramite un cosiddetto supplemento al film.

Quindi non andiamo a sporcare il feed principale, ma ci agganciamo uno a latere aggiuntivo che ci permette di essere flessibili nel margine delle tue informazioni.

Molto.

La parte di propria cluster in quello che vediamo è che è molto efficace in due aspetti tre.

Anzi il primo è evitare di mettere in pausa quelli che vengono possono essere definiti i budget Berners.

Il secondo è quello di andare a ottimizzare i prodotti che sono più performanti i nostri i nostri nostri top top performers e soprattutto quello di rendere dinamica la variabilità di questi prodotti perché a seconda di del comportamento a seconda dell'elemento di stagionalità, un prodotto può entrare non in un cluster uscire dall'altro e questo poi si tratta, si traduce all'interno piattaforma nelle campagne che andiamo a settembre per campagna shopping con dei target differenti e con delle segmentazione potenzialmente differenti.

Un elemento ulteriore da consegnare tra le prove clustering e un po'.

Anche la secrets se se vogliamo, è quello di non ragionare solo in ottica di review di quel prodotto, ma anche di margine.

Quindi un pezzettino in più che stia che abbiamo implementato è stato proprio quello di prendere l'informazione che abbiamo all'interno del del fid e utilizzare questa informazione come variabile aggiuntiva per la parte di per la parte di segmentazione.

In realtà poi l'elemento del margine utilizziamo anche in ottica di conversion bello perché il passaggio successivo per noi andare a ottimizzare non solo per la vita ma per margine questo è voglio chiudere su questo punto con con un esempio che è quello di voglio chiudere su questo punto io con un esempio che è un approccio che abbiamo poi effettivamente quando andiamo a creare le campagne in questo grafico che vedete qui, cioè abbiamo le tipologie di campagne che generalmente andiamo a prendere in considerazione a seconda del volume dell'inventore totale e al tempo stesso del dell'impatto che sappiamo avere questa campagna, come vedete una di quelle che è sempre presente da parte di budget Barnes.

Perché se dal giorno zero noi se spegniamo il le i prodotti dove stiamo spendendo ma non convertendo tutto quel budget di advertising dal giorno dal giorno uno incomincia a essere avvocato.

Invece su quei prodotti che hanno compreso la migliore sappiamo possono perforare in maniera migliore.

Qui questo è un esempio del modo in cui il broadcasting effettivamente può essere implementato a livello pratico