Andremo a vedere tre approcci diversi principali che si possono utilizzare per andare a segmentare la base di utenti, andando a definire quello che è il nostro utente high value, il nostro utente ideale, il nostro utente superstar.

Insomma, chiamiamolo come vogliamo.

A me aiuta spesso anche appunto dargli un vero e proprio nome a questo segmento.

Per poi andare ad allineare all'interno dell'azienda um l'understanding e il l'identità di questo di questo utente um per per tutti i vari teams che poi si si interfacciano all'utente stesso in generale.

tre approcci.

Partiamo dalla RFM, quindi RFM, che sta è un acronimo in inglese per Rency frequency Monetary.

Co- andiamo a integrare una KPI per ognuna di questi tre elementi su cui andiamo a fare il nostro um il nostro lavoro di segmentazione.

Recency.

Cosa vuol dire in inglese vuol dire recenza, quindi qual è stato il com- l'acquisto o appunto il um l'attività più recente um che l'utente ha svolto, quando qual è la data, insomma, quanti giorni sono passati, sono trascorsi, frequency, quindi, Traducendo sempre dall'inglese frequenza, quanto spesso in un determinato lasso di tempo che definiamo noi, l'utente è andato a effettuare quell'acquisto o a effettuare quel, quel determinato comportamento che che ci interessa.

Monetary, Semplicemente il discorso monetario, il discorso di fatturato, qual è stata la spesa del cliente, in un determinato periodo, in un determinato lasso di tempo o addirittura anche qual è la spesa media, che l'utente sta- sta affrontando ogni volta che effettua un acquisto sul nostro portale, sul nostro marketplace, sul nostro sito.

um O anche in negozio in realtà perché no.

Secondo modello, North Star KPI.

Cosa sono le KPI? Sono le key performance indicator, quindi degli indicatori di performance chiave, critici, cruciali insomma.

Che andiamo ad analizzare per segmentare gli utenti, quindi ci si approccia a, fare tutto un lavoro di analisi delle KPI per capire qual è veramente la North Star, quindi la stella polare verso cui ci dirigiamo e andiamo poi a segmentare i nostri utenti su una singola KPI, quindi una sola KPI che può essere ad esempio, il numero di sessioni che fanno all'interno di un mese.

um Può essere il numero di acquisti fatti nell'ultimo anno.

Può essere una una singola KPI che andiamo a selezionare e che ci prevede, qual è il valore dell'utente o che ci dà una risposta su sulla direzione in cui l'utente sta andando all'interno del nostro business e del valore che sta portando.

Terzo, Predictive TV, quindi tornando indietro al discorso di Python che abbiamo fatto, um sugli strumenti, Predictive TV è l'utilizzo di modelli.

data science per creare un algoritmo predittivo, ad esempio di clustering o di machine learning che ci dia delle risposte, anzi più che delle risposte delle previsioni su quello che può essere il valore durante tutto il ciclo di vita dell'utente.

Quindi, basandosi sulle azioni, ad esempio, che l'utente svolge nella sua prima settimana, l'algoritmo cerca di ricavare una una stima di quella che può essere il valore, ad esempio monetario durante tutto il suo ciclo di vita.

um Andando a stimare sia qual è la durata, andando a stimare qual è la componente economica e andandoci a dare una previsione su sul suo valore.

La segmentazione RFM, quindi Rency Frequency Monetary, È la classica segmentazione fatta sugli e-commerce, quindi il business di vendita tramite un marketplace online o anche ad esempio tramite un'app di delivery, um tramite un sito di moda.

In tutti questi business di to see è molto interessante andare a effettuare una segmentazione R FM e capire come i nostri utenti si distribu.

all'interno dei vari gruppi um basandoci sui criteri che abbiamo stabilito.

In questo esempio abbiamo dei parametri impostati su monetary frequency e recency che sono monetary um LV quindi average order value in inglese, è l'ordine medio di u- di di un utente durante l'ultimo anno.

In questo caso, come vediamo la componente monetaria è splittata in 3, In tre gruppi a sua volta, quindi un gruppo che um ha un punteggio 2, un gruppo che ha un punteggio uno e un gruppo che ha è un punteggio 0.

Il gruppo che ha un punteggio 2, ha un ordine medio di almeno 130 € a ordine.

Il gruppo medio, quindi che vale uno, è tra i 100 e i 130, è il gruppo di 0 al di sotto dei 100.

Si fa lo stesso lavoro sulla frequency e um ci tengo a chiarire, nessuno ci obbliga a dividerlo in tre segmenti o in quattro segmenti o in due segmenti all'interno di ognuna di queste componenti.

Ovviamente bisogna pensare che andando a dividere in troppi segmenti poi si creeranno tantissime fragmentazioni e sarà più difficile andare a individuare gli insights e andare a trovare quel gruppo high value.

um In questo caso a me piace dividerlo in 3, quindi dividere la parte monetaria in 3, la parte della frequency, in tre e la parte recency in 3, andandosi a combinare abbiamo 13 per tre per 3, abbiamo 27 segmenti alla fine, come andremo a vedere nella segmentazione che faremo insieme.

Stesso discorso alla frequency, in questo caso um parlavamo di um un-commerce, quindi ordini, Di um quanti ordini vengono effettuati durante l'intero ciclo di vita, il segmento che arranca, che ha un punteggio più alto di 2, fa cinque ordini o più, ha fatto cinque ordini più durante il suo lifetime, quindi durante il suo ciclo di vita, L'utente medio è l'utente sporadico che ha un punteggio di uno, e um effettua ordini tra i due e i quattro, quindi maggiore uguale a due e minore di 5.

L'utente che um ha un punteggio 0 è l'utente one-off, quindi l'utente che ha fatto un singolo ordine.

Per quanto riguarda invece il discorso della Rensi, quindi quanto è recente, l'ultimo ordine in questo caso del cliente, un utente um attivo, quindi che ha il punteggio più alto di 2, è un utente che ha ordinato negli ultimi 30 giorni.

Il l'utente intermedio, quindi viene spesso definito in inglese lapsing o comunque a rischio, L'utente che ha effettuato l'ultimo ordine tra i 30 e i 90 giorni.

L'utente invece che um ha effettua- che viene definito churned oppure non un utente um non attivo, un u- un utente um che che dorme tra virgolette, sleepy customer anche viene spesso utilizzata come terminologia, è un utente che non ordina per questo particolare business negli ultimi 90 giorni.

Ovviamente questi non sono dei parametri universali, anzi, l'esercizio dell' RFM, segmentazione RFM è proprio quello di definire dei criteri, che siano in linea con il modello di business e che ci aiutano a dividere in segmenti realistici il nostro business, il nostro la nostra base utenti.

Passiamo invece a vedere la North Star KPI, l'approccio North Star KPI, in questo caso.

guardiamo all'esempio di uno dei teams, una delle aziende che ha veramente trasformato il suo successo attraverso di questo approccio attraverso un focus totale su una singola KPI.

Parliamo di due lingue di e-learning per imparare le lingue che tutti conosciamo che comunque Parte di noi conosce, per chi non lo facesse invito a provare Duolingo, e um osservare attentamente tutti i pattern e tutte le tutte le interazioni che il team di prodotto ha creato per rendere il prodotto un qualcosa di, um di molto sticky, quindi di molto, um attaccato insomma, che ci si attacca molto al nostro comportamento e che continuiamo ad utilizzare con grande frequenza.

um Nel loro caso, come possiamo vedere, Hanno ricreato quello che è un po' il business model loro con tutte le KPI, tutte le tutti i gruppi di utenti, e andando ad effettuare un'analisi hanno individuato che quello che vediamo all'interno del cerchio rosso, quindi sia current user ma soprattutto quella, freccia che da current user ritorna al suo interno, che vediamo marcata come, CURR che sarebbe current user retention rate, quindi la retention degli utenti um a- attivi diciamo.

E era um i- è stata identificata dal loro team come la più la metrica, principale per prevedere il successo del loro business.

Non solo hanno capito che quando loro erano in grado di muovere, questa metrica qui o quando lo s- lo loro lo sono tuttora, hanno un impatto trasversale su tutte le altre metriche principali del business, quindi vanno a creare un impatto a 360 gradi e vanno ad aumentare la base di utenti che attiva che è un po' um la appunto la l'obiettivo principale per loro.

Una volta che hanno identificato questa questa um KPI, si sono concentrati con i loro teams di prodotto per, andare a migliorare, per andare a fare esperimenti e test di prodotto, int- inserire nuovi elementi, andare anche a lavorare con il CRM, per far sì che questa metrica migliorasse.

Uno dei risultati più lampanti è quello che vediamo sulla nostra destra, l'introduzione delle streak, quindi l'introduzione del um su Duolingo del dei giorni consecutivi.

Quindi della striscia di giorni consecutivi di utilizzo, andando a dare questo, questo questa spinta all'utente per continuare il proprio progresso in maniera continuativa in giorni consecutivi.

Il focus di Duolingo su questa metrica ha portato il la loro azienda a crescere in maniera esponenziale, Semplicemente concentrandosi sul sul sulla leva giusta che in questo caso era questa retention degli utenti attivi.

Predictive TV invece è un l'utilizzo di al- algoritmi di data science predittivi per stimare il valore degli utenti, andarli a clusterizzare, andare a capire quello che può essere il loro valore futuro, semplicemente basando.

su quelle che sono delle azioni parziali, quindi una una vita iniziale dell'utente di un acquisto tot interazioni fatte nelle prime settimane l'algoritmo una volta analizzata una mole di un'alta mole di dati, riesce a prevedere o riesce a darci una previsione di quello che è il valore durante tutto il ciclo di vita dell'utente.

um In questo caso occorre rimarcare che um sono modelli avanzati, richiedono sia appunto delle conoscenze tecniche importanti da un punto di vista di data science, ma soprattutto anche una grande attenzione in quella che viene definita um data hygiene o data cleaning, quindi nella pulizia della base di dati, andando.

ad assicurarci che qualsiasi outlier venga eliminato, andandoci a garantire, insomma, che togliamo i casi edge dalla base di utenti che andiamo a togliere anche dalla banca dati i dati che potrebbero essere stati manomessi o comunque per qualche errore modificati e quindi devono essere scartati assolutamente.