In questo modulo andremo a vedere insieme come trovare insight e pattern comportamentali strategici da utilizzare in una fase successiva, sia per delle ipotesi mirate ad aumentare il lifetime value degli utenti esistenti che potenzialmente degli insight da utilizzare invece in fase di acquisizione di nuovi utenti, perché è importante entrare nel dettaglio degli utenti di alto valore e andare a studiarli a livello comportamentale.

Perché un business può acquisire una grande varietà di clienti, come detto in precedenza.

Quindi se uno si concentra semplicemente sul numero di utenti acquisiti, rimarrà scottato o bruciato dal rischio di acquisire gli utenti sbagliati.

Alcuni utenti fanno la cosa giusta e riescono immediatamente a capire il valore del prodotto, a integrarlo nella propria routine, nel proprio nel nella propria vita, altri no e restano un po' nel limbo, lo utilizzano una volta e quindi hanno un po' un comportamento sporadico a livello di di utilizzo.

Parando gli utenti di alto valore, con gli utenti di basso valore o con la media della base utente in generale, possiamo scoprire dei pattern vincenti che portano che ci portano a formulare delle ipotesi e ad aumentare il il lifetime value della base utente in generale.

È fondamentale identificare quei comportamenti che ci portano ad aumentare, ad esempio la retention degli utenti.

In questo caso vediamo delle curve di retention, quindi, qual è la durata del ciclo di vita degli utenti e vediamo chiaramente gli utenti, rappresentati dalla linea rossa, avere una retention lunga nel tempo e che addirittura si rialza col passare dei mesi.

Questo tipo di curva è chiamato smiling cohort, quindi gruppo sorridente.

Si possono confrontare una serie di comportamenti di pattern tra utenti.

di alto valore, quindi e utenti di basso valore o media utenti in generale.

Una volta identificato un segmento superstar con quel segmento chiave di alto lifetime value che vogliamo andare ad approfondire, possiamo confrontarlo con la media degli utenti o utenti addirittura di basso valore.

Nello specifico attraverso vari varie lenti, insomma vari componenti, in primis osservando i pattern comportamentali di acquisto e preferenze di acquisto, quindi la presenza di determinati ele- elementi, prodotti, categorie all'interno dei del carrello d'acquisto.

In secondo luogo, la presenza nel loro percorso, nella loro user journey di determinate azioni o interazioni effettuate all'interno del nostro prodotto o piattaforma.

Terzo possiamo.

andare a confrontare il funnel e capire qual è stato il processo di onboarding durante le prime esperienze di questi utenti.

Possiamo inoltre confrontare la frequenza d'uso e d'acquisto dei prodotti, confrontando anche gli orari di acquisto, determinati pattern a livello di giorno della settimana, ad esempio una persona che usa Uber solo nel weekend è una persona di alto valore rispetto.

un utente che invece ne fa un uso più settimanale durante la settimana di lavoro.

Questo è un discorso che si può andare ad analizzare approfondendo e confrontando un po' i superstar verso gli altri e capendo qual è il loro il loro pattern più ricorrente.

Infine, come anticipato in precedenza, tutto il topic di Brand Ambassador, Referrals quanti utenti portano a bordo perché li invitano? È questa una componente, quella della condivisione.

che identifica i super gli utenti superstar o invece in realtà si scopre che sono utenti che lo fanno fanno un lavoro di di condivisione in linea con la media.

Questi sono un po' cinque esempi di categorie di comportamenti che si possono andare a approfondire per cercare degli insight da scalare su altri segmenti o anche in fase di acquisizione.

Andiamo a dare uno sguardo adesso a un paio di opzioni.

Su sulla metodologia che um ci permette di approfondire questi pattern comportamentali e identificare determinati elementi chiave da sfruttare poi in con gli altri utenti o in generale anche per l'acquisizione.

La prima metodologia è il funnel breakdown, in questo caso, vediamo anche uno screenshot de del tool mix panel che è stato, Presentato in precedenza, quindi un tool di Product analytics con cui andiamo ad approfondire il funnel.

In questo caso stiamo parlando di un funnel di installazione di un'applicazione, appunto potrebbe essere um un Uber, potrebbe essere un un tool um sul telefono, quindi, e um si va a verificare qual è lo stal drop.

tra i vari step, andando poi a confrontare il funnel di un utente superstar contro l'utente medio e cercare di capire se c'è qualche azione particolare che è stata intrapresa dall'utente superstar per poterla poi per poter dare a questa azione in seguito una una predominanza, una facilità di accesso anche agli altri utenti, ad esempio.

L'idea è quella di guidare l' onboarding degli altri utenti portandoli a replicare il pattern comportamentale degli utenti di alto valore.

La cluster analysis, invece raggruppa gli utenti per comportamento, Permettendoci di capire chi sono gli utenti di alto valore, ad esempio Superstar user con alta um retention in alto a destra, um del grafico, contro chi sono gli utenti di più basso valore, in questo caso gli utenti precoci o one-off, che vediamo in grigio in basso a sinistra sulla grafico.

Per quanto riguarda i tools, poi per andare ad approfondire e visualizzare pattern comportamentali, preferenze d'acquisto, Si possono sfruttare in parte um alcuni dei tools presentati in precedenza, Mix panel e amplitude per il discorso Product Analytics, Python per c- creare una um clusterizzazione avanzata, um Excel e Google Cats per lavorare una segmentazione basata.

Su criteri base o per andare a effettuare, um del- delle pivot tables sulle medie di utilizzo di um una determinata funzionalità o dell'acquisto di un determinato prodotto.

Oltre a questo però si inserisce tutto il discorso di um visualization, quindi data visualization, in questo caso, um Ci sono alcuni dei tools um leader nel settore come tableau, che ci permettono di um snocciolare, tutti quelli che sono gli insight, andare ad approfondire, ad esempio le composizioni dei carrelli, altri altre preferenze um di um di utenti di alto valore.

Stessa cosa si può fare con um Looker, Power BI o metabase che sono semplicemente altri tools di data visualization, um un pochino meno adottati, ma comunque um molto molto presenti nelle aziende di tecnologia o comunque con un forte una forte componente di da- di di analisi dati.