Abbiamo visto quindi in questi primi moduli qual'è il framework di ragionamento che dobbiamo utilizzare per poter prendere decisioni basate sui dati.

Cerchiamo di fare un breve riepilogo.

Allora la prima cosa che dobbiamo avere chiara è qual è sono i nostri obiettivi di business e quali sono.

Tutte le leve che abbiamo a disposizione è che possono influenzare le performance del nostro business online.

Questo non c'entra nulla.

Fidati, questo c'entra con la nostra conoscenza personale o semplicemente con le competenze che abbiamo in azienda e che ci permettono di fare più o meno cose e anche, ovviamente, con le risorse che abbiamo a disposizione.

Però questa conoscenza è fondamentale, perché se noi non abbiamo chiaro cosa possiamo fare e quali sono i nostri obiettivi, chiaramente tutta la parte di decision-making di analisi dati sarà molto più povera, molto meno efficace.

La cosa importante.

Quindi, innanzitutto, chiarire bene queste cose qui.

Cercare di schematizzare.

Cerca di cercare di fare dei riassunti e di avere chiaro bene qual è lo scenario in cui ci stiamo muovendo.

Dopodiché, una volta che abbiamo chiarito questo, dobbiamo definire kpi metriche e dimensioni di interesse.

I capi che sono un sottoinsieme di metri che sono le cose più importanti che noi dobbiamo andare a misurare.

Sono quelle che noi tipicamente vogliamo andare a vedere in una dashboard di monitoraggio in maniera frequente.

Per capire che cosa sta succedendo nel nostro business ci sono momenti critici.

Se stiamo crescendo sta andando bene oppure stiamo allontanando dal nostro obiettivo.

I keep in generale sono le nostre linee guida le nostre metriche guida per capire in generale cosa sta succedendo.

Dopodiché pero'.

Vogliamo fare anche delle analisi di dettaglio? Vogliamo andare a vedere sulla base dei nostri inside che abbiamo dedotto sulla fase di monitoraggio.

Vogliamo andare a vedere all'interno delle aree critiche? Che cosa sta succedendo? Oppure semplicemente vogliamo andare a capire le nostre singole micro leve in una leva specifica come stanno per formando? Che cosa possiamo muovere meglio? Che cosa possiamo muovere peggio? In questo caso facciamo un'analisi di dettaglio che può essere fatta su diversi tool, quindi non è la nostra chance Board è dedicata al monitoraggio, ma sono stati più di dettaglio che ci consentono di fare analisi specifiche in cui tu noi possiamo fare delle analisi per capire come effettivamente stanno per formando le micro leve e cosa possiamo muovere se siamo stati bravi, siamo riusciti a comporre in un unico dataset oppure comunque andata set più ampi, quelli che sono i vari effetti delle singole leve e quindi eventualmente possiamo riuscire a fare delle analisi più complesse lungo piu' punti o addirittura tutti i punti del customer journey.

Questa è la cosa più complicata, però è quello dove idealmente dovremmo riuscire a tendere a quel punto.

Per poter fare queste analisi abbiamo bisogno di definire queste metriche di dettaglio, ma anche le dimensioni di interesse, perché le dimensioni di interesse sono quelle che ci consentono proprio di analizzare le singole leve, le singole micro leve che noi andiamo a muovere.

Per esempio le micro leve potrebbero essere le singole campagne che noi stiamo andando a gestire l'advertising oppure le keyword che noi stiamo andando a guidare su Google, oppure ancora le varie varianti landing page.

Ho ancora i titoli, i copie che stiamo utilizzando, all'interno dei nostri noci e così via.

Tutto quello che noi vogliamo andare a scomporre è metriche e che quindi tutti i valori di attributi che noi vogliamo andare a misurare e poi a confrontare in fase di analisi una volta che noi abbiamo fatto questa definizione, quindi di che mette gli interessi? Dimensioni, interesse.

Dobbiamo anche farci uno schema mentale su quali sono le tipologie di analisi che noi possiamo effettuare e per ogni leva, quali sono le singole analisi, le singole metriche e le singole dimensioni che noi dobbiamo analizzare e quali sono le tipologie di decisione che possiamo prendere.

Quindi qua è un doppio schema.

Da una parte dobbiamo sapere che noi abbiamo bisogno spesso di fare confronti, quindi per questo ci servono benchmark nei confronti.

Si fanno spesso all'interno di una stessa tabella tra vari valori di una stessa dimensione, oppure in generale possiamo fare confronti in base alla sua esperienza in base ad altri valori che abbiamo dalla letteratura, oppure semplicemente in base a vari step del funnel che noi abbiamo costruito in altre circostanze.

Noi vogliamo andare invece analizzare serie temporali di quantità numeriche stiamo misurando e anche questo ci può dare degli insight, oppure andare a caratterizzare il comportamento utente in alcuni momenti specifici del suo customer journey, oppure addirittura lungo tutto il nostro customer journey.

Queste sono le tipologie, dopodiché abbiamo le singole leve delle singole leve.

Noi abbiamo analisi specifiche che possiamo fare é questo dipendono dalla leva che vogliamo muovere.

Se vogliamo muovere leva di advertising, avremo le nostre analisi.

Se vogliamo muovere alleva seo, avremo altre analisi.

Vogliamo muovere leva delle email marketing.

Avremmo altre analisi ancora è difficile fare un'unica analisi che coinvolga tutto questo è quello a cui dovremmo tendere.

Però intanto per cominciare insieme a fare gli schemi di tutte le leve come vanno analizzate in maniera indipendente e poi piano piano insieme a comporre i vari pezzi del puzzle.

Infine, una volta che avremo fatto queste analisi, deriviamo dagli insight.

É qui senza che ci possono condurre a due esiti o decidiamo di fare un'azione di miglioramento immediata.

Per esempio abbiamo capito che la campagna sta per formando male la spegniamo, spostiamo il bar sulla campagna b oppure, ancora meglio, effettuiamo una b testa e quindi cerchiamo di fare delle ipotesi di test.

Quindi dire ok, la campagna sta per formando male, la b sta per formando meglio, però proviamo a metterli a confronto, magari anche un'ipotetica campagna c che comprende le caratteristiche migliori della campagna della campagna b e vediamo se in questo testo riusciamo a tirare fuori un qualcosa che ha delle performance ancora migliore oppure semplicemente proviamo a confrontare campagna campagna B a parità di condizioni, oppure possiamo fare un testo lasciando in pace sul sito web e così via.

Pero'.

Quindi il test è un ipotetico esito che non è l'azione diretta, ma ci mette in condizione di testare delle ipotesi e verificare che effettivamente qual è la variante che sta producendo risultati migliori, perché questo è meglio rispetto a fare l'azione diretta, perché l'azione diretta non ci permette facilmente di confrontare il risultato della nostra azione rispetto a quella che era la variante precedente.

Perché quando noi facciamo l'azione abbiamo tutta una serie di condizioni che cambiano nel tempo.

Per esempio cambia la stagionalità, cambiano Prudence, magari sto intercettando, cambia il momento storico competitor fare un'azione diretta, quindi per me cena di più complicato andare a valutare le sue performance, mentre invece quando facciamo un test mettiamo tutto a parità di condizioni, andiamo a isolare il singolo elemento che noi vogliamo andare a testare e quindi siamo molto poi più confidenti che quell'elemento Li' é quello che ci produce la versione performance.

Una volta abbiamo capito che l'elemento che funziona meglio lo mettiamo in produzione, quindi lo mettiamo.

Estendiamo a tutti gli utenti e a quel punto ricominciamo.

Il ciclo continua a raccogliere dati.

Continua a monitorare, a realizzare, fare test e così via.

Questo è quello a cui noi dovremmo tendere.