Andiamo a f- a vedere adesso un esempio pratico di come da una base di utenti estrapolata potenzialmente da una da un bid data SQL, Su Excel, su quindi in questo caso utilizzeremo Google Sheetets, possiamo recuperare effettuare un RFM segmentation e recuperare un segmento superstar su cui puoi su cui puoi andare a fare tutta una serie di considerazioni, analisi e andare a a capirli meglio.

Ovviamente prima di fare tutto ciò bisogna capire chi sono, quindi andiamo a scoprirlo insieme su questa base di utenti e l'esercizio pratico.

Trovate il link sulla slide, quindi potreste tranquillamente, um accedere anche voi, vi dovrebbe atterrare su una specie di um tabella, di um che stadi.

Io andrò a creare una copia.

Mi raccomando, anche voi createla, ma comunque credo che l'unico modo.

Quindi ecco qui con la nostra copia.

Andiamo ad effettuare zoom un pochettino per una registrazione in cui si veda meglio.

Andiamo ad effettuare delle prime considerazioni.

Qui abbiamo la il la um La base utenti di una società che è un e-commerce in Messico, Con 1930 um clienti.

Il database risale al 28/03/2022, quindi facciamo finta di essere nel 28/03/2000:22, abbiamo clienti che hanno ordinato um anche come come già si vede da qui, Proprio nel 28/03/2022, quindi proprio oggi ci troviamo la sera e stiamo analizzando i nostri utenti per capire chi sono gli utenti superstar di questa azienda.

Innanzitutto um vedo che mi manca, abbiamo la data dell'ultimo ordine, ma mi manca 11 numero di giorni dall'ultimo ordine, quindi un parametro perché poi andrò a sfruttare sulla lensi.

Quindi scrivo giorni dall'ultimo ordine.

E qui con una semplice formula di Excel di differenza tra due date mi calcolo quanti giorni ci sono tra oggi, quindi tra il 28/03 e la data dell'ultimo ordine ad esempio per questo utente è il 25/03 mi esce tre.

A questo punto estendo questa formula a tutti gli altri utenti.

E mi esce insomma 11 dato su quelli che sono i giorni dell'ultimo ordine.

Quindi si parte da 180 giorni fino a giorni fino autentica hanno ordinato al giorno d'oggi segniamola in giallo così si vede cos'è che abbiamo fatto noi.

Andiamo a vedere anche qual è il numero di settimane che son passati dall'ultimo ordine, quindi settimane dall'ultimo ordine.

Facciamo un round down.

Ovviamente mi dà un formato diverso, ma io sono interessato ad averlo in numero.

E poi ovviamente con un doppio click, mi esce fuori il numero di settimane, questo qualora volessi sfruttare le settimane invece che i giorni, Lo marco sempre in giallo per riguardarlo.

E poi ovviamente abbiamo il fatturato nei 30 giorni, abbiamo il fatturato totale, ma io sono un grande fan, poi ripeto, ognuno identifica la propria KPI monetaria, la propria KPI di.

Io sono un grande fan di utilizzare l' AV, quindi il l'average order value, l'ordine medio degli utenti.

In questo caso vado a calcolarmi l' AV lifetime degli utenti, lifetime.

Quindi invece che usare gli ordini negli ultimi 30 giorni il fatturato.

giorni userò il fatturato totale e il totale dei loro ordini, quindi faccio il fatturato totale in tutta la sua vita, diviso gli ordini che ha effettuato, questo mi dà un numero di um spesa media per ogni ordine.

Questo si si tratta di pe- pesos messicani, come ho detto un e-commerce messicano, quindi, um Non vi spaventate se vedete una spesa media di 10000 €, ma c'è ovviamente una valuta diversa.

Detto ciò abbiamo la nostra base dati insomma pronta per il prossimo passaggio che è quella di, importarla all'interno di um una segmentazione RFM andando a s- stabilire in primis quelli che sono i parametri.

Ora, per invece creare i nostri segmenti RFM e andare a definire, questi criteri andremo a sfruttare il template che ho creato e che sto condividendo anche nella sezione risorse e approfondimenti del corso, in modo che non dobbiate ripetere tutti gli step fin dall'inizio, ma possiate insomma utilizzare anche voi questo tool che ho creato nel passato.

Questo è un tool che vi mostrerà il template.

Inizialmente ovviamente vi ritornerà degli errori in quanto bisogna definire i parametri.

In questo caso io ho già inserito, i dati così come li avevamo um lavorati insieme in precedenza, Cosa succede? Serve inserire dei parametri um sull'AOV lifetime, in questo caso, um frequency userò il numero di ordini durante gli ultimi 30 giorni e in recense invece userò la recenza quindi i giorni passati dall'ultimo ordine.

Cosa succede? Una volta che andremo a stabilire i nostri um c- parametri, Qui ci mostrerà come abbiamo diviso la nostra user base, quindi una user base di 19301928 utenti, ci andrà a mostrare quanti entrano nel, um diciamo nel segmento co- um che che ha un punteggio due monetario, stessa cosa sulla frequenza due um 0 e uno, anzi, copirò anche questa qui in modo che, Abbiamo um un understanding di qual è.

Questa percentuale.

Iniziamo con la parte monetaria, la parte monetaria, in questo caso, um possiamo iniziare a impostare 12000 vedendo 2000 um pesos messicani.

Possiamo impostare qui ovviamente minore di in realtà non ci interessa.

Perché non c'è, non esiste un qualcosa che deve essere minore, stessa cosa per um la frequenza, stessa cosa per giorni dall'ultimo ordine, ma um semplicemente in positivo.

Qui metteremo questo qua.

Ora vedo che se cerco di individuare i clienti che spe- spendono più di 2000, um in media, quindi nel valore medio del carrello, magari scriviamo qui.

EOB average order value, ordine medio.

Valore ordine medio.

Vediamo che mi esce il 16 percento delle persone.

In questo caso io preferisco che siamo più intorno al 3040 percento, quindi voglio diminuire il pa- il criterio di entrata, provo 1000:500 €, sono ancora al 23, provo 1000, mi piace questo 38 percento perché mi piace 1000.

un numero tondo e mi piace il 38 percento perché siamo tra il 30 e il 40 percento.

Questa è una preferenza personale sul lato monetario, non è detto che dobbiate seguire lo stesso, se voi volete il top solo 20 percento, potete lasciare 2000 e avrete il 16, 1800 avrete il 18, quindi siamo intorno ai 1000:600, sì.

1000:6001000:700 insomma, 1000:06:50 probabilmente, eccolo qui.

A me piace 1000 con il 38 percento.

Punteggio uno, quindi il segmento medio, ovviamente il massimo sarà 1000, il minimo, possiamo provare la metà 500, ma mi esce solo il 24 percento, quindi posso decidere di aumentarlo a 06:50.

È molto basso, in realtà dovevo abbassarlo, 03:50, eccolo qui, 03:50, 400 e il 30 percento, 300 e il 35, mi piace questo 300.

Il segmento più basso ovviamente sarà tra 0:300.

Quindi questa è un po' la distribuzione che esce fuori, avremo 725 utenti che hanno un punteggio di 2, um sul lato monetario, seicentoottantatre uno e 0 um punteggio 0 saranno 520.

Andiamo adesso a fare la stessa cosa sulla frequency.

In questo caso, partiamo da um parametro di ad esempio negli ultimi 30 giorni hanno fatto tanti ordini, 5.

Mi esce un gruppo molto alto, quindi questa è una base di utenti che ordina molto spesso, vado ad aumentare un po', la difficoltà per loro di raggiungere questo punteggio 2, vedo 7, vedo provo 88 al 33 percento preciso, lascio 8.

Ripeto, non esiste un valore giusto o un valore sbagliato per questo esercizio, si tratta di creare questi gruppi di utenti su um valori verosimili per identificare un po- una possibile definizione di utente in questo caso superstar.

Quindi l'utente che il gruppo di utenti che an- um ottengono un punteggio di due su ogni singolo parametro.

um Qui proviamo adesso il gruppo medio, quindi proviamo 03:08,8 sarà sempre qui.

In questo caso, Mi esce 23 percento, voglio, aumentar- voglio diminuirlo perdonatemi dal 23 percento, quindi metto 2, mi esce 133 percento spaccato.

Quindi questo mi piace perché proprio lo divide in tre parti uguali.

Qui mi resta di nuovo il due e qui 0, quindi, La il gruppo di utenti di meno valore a livello di frequency, quindi di frequenza d'acquisto negli ultimi 30 giorni avranno acquistato 0 o una volta, i gruppi me- il gruppo medio tra le due e le sette volte, quindi maggiore uguale a due e minore di otto, i gruppi più performanti avranno acquistato almeno otto volte negli negli ultimi 30 giorni.

Passiamo alla recensi adesso, quindi la recenza e quanto tempo fa appunto, ha effettuato, quanto tempo è passato dall'ultimo acquisto.

Passiamo, partiamo con la Rensi quindi, Questo ovviamente sarà sicuramente maggiore di 0, maggiore o uguale a 0.

Possiamo provare 14 giorni.

14 giorni ci dà 16, è troppo piccolo questo gruppo, provo 20.

21.

Mi piace questo 21 perché sono tre settimane, quindi poi lo posso sfruttare anche da un punto di vista di CRM per sapere quando passano tre settimane dall'ultimo ordine io posso posso farmi avanti.

Insomma e usare la comunicazione tramite email, ad esempio per riattivarli o per tenerli attivi.

Ecco in questo caso quindi inserò inserirò 21 qui.

E um mi manca il secondo parametro, um provo magari a raddoppiare, quindi provo a mettere, sei settimane, 42, mi esce 53, forse lo voglio un pochino più grande questo gruppo, se metto 49, ecco qui che.

È un pochino più allineato, forse lo- lo aumenterei ancora di di di 7, quindi 56, eccoci qui.

Quindi abbiamo un gruppo attivo, Che mi ha ordinato forse 28, vado anche a modificare questo, come vedete è un po' 11 trial and error fino a trovare i parametri che ci piacciono di più.

Non c'è una risposta giusta, ma c'è semplicemente un tentativo di trovare dei numeri credibili.

A me piace questo questo setup, in cui ho, 28, quindi quattro settimane, un utente che ordina nelle quattro settimane è considerato un utente attivo e gli assegna un punteggio di 2, un utente che um ha ordinato, tra i 28 e i 63 giorni gli assegno un punteggio di uno ed è un utente, Lapsing, quindi a rischio.

Io ho poi l'utente de- che ha ordinato um più di 63 giorni fa che è un utente dormiente, quindi che dorme, che in inglese, quindi che non è attivo.

Ora um abbiamo determinato i nostri criteri, andiamo a vedere, grazie a questo template qui sotto che già ce lo va a popolare, qual è um il segmento superstar, che è ovviamente il segmento che, ha un punteggio 6 facendo due +2 +2.

Mi dice che è un segmento che ha 165 utenti, quindi è il nove percento della mia base dati e mi genera il 46 percento del fatturato.

Quindi già da questi due parametri si capisce che questo segmento qui è un segmento critico per il business, quindi dal sette percento dal nove percento degli utenti riesce a generare addirittura il 46 percento del di tutto il fatturato.

per identificarmi altri uten- altri segmenti su cui concentrarmi, posso ordinare per il fatturato.

Cosa importante, se andate a inserire i vostri dati, quindi non i dati che abbiamo fornito su questo esercizio, assicuratevi di tirare fuori una tabella come questa, e se volete inserirli qui dentro di cambiare ovviamente i riferimenti alle colonne come li avete.

Importante se volete su- sfrutta- farlo in maniera più semplice, insomma è mantenere l'ordine delle colonne.

Abbiamo quindi identificato il nostro segmento superstar, sono utenti che hanno ordinato, come vediamo qui, in media, quindi ordine medio di 1000, dollari messicani.

o più ordini, numero ordini.

Nel ciclo di vita.

Maggiore o uguale a 8, quindi la recenza, quindi ordine più recente, meno di 28 giorni fa.

Sarà qu- saranno questi insomma i criteri adesso che andremo a utilizzare, per definire questo gruppo di segmen- questo gruppo di utenti e andare a s- andarlo a studiare contro altri segmenti di utenti, quindi andranno confrontare questo gruppo qui contro la media su determinati fattori, ad esempio cosa ordinano, quando ordinano, cosa hanno aggiunto ai loro carrelli quando entrano sul portale, andando a- effettuare un po' l'analisi.

comportamentale appunto dello storico di acquisti.

Quindi per ricapitolare siamo andati all'interno di una base di dati che ci potrebbe essere stata fornita da un database sequel, ad esempio da un da un analista o da un ingegnere, insomma, che ce la fornisce o ce la possiamo procurare noi se conosciamo il linguaggio di programmazione sequel.

Una volta ottenuta questa base dati abbiamo aggiunto un paio di metriche funzionali che ci mancavano per effettuare l' RFM segmentation.

Abbiamo poi aperto il template, di um della segmentazione fornito nel corso.

E abbiamo poi um e successivamente abbiamo lavorato ai parametri delle metriche per definire i vari segmenti, andandoci ad identificare il segmento superstar, che è un gruppo di utenti piccolo del nove per cento, ma che porta, Quasi il 50 percento del fatturato.

Quindi un segmento chiave da studiare, analizzare, sia per, diciamo son tre le son tre le cose importanti.

Da una parte, possiamo um migliorare la loro esperienza, assicurarci che restino con noi, dargli quel quid in più.

in secondo luogo possiamo lavorare sugli altri, cercare di portarli in questo gruppo qui e in terzo luogo possiamo andare nel mondo nell'internet nel nelle varie nei vari canali dove possiamo acquisire nuovi utenti e cercarne degli altri, basandoci sulle informazioni che raccogliamo andandoli a confrontare poi con gli altri, con gli altri gruppi di utenti.