5 modi per usare la data science nel marketing

Introduzione alla data science nel marketing

Ti è mai capitato di acquistare articoli su una piattaforma di e-commerce e poi ritrovarti sommerso da annunci di prodotti simili ogni volta che navighi sul web? Questa è un’applicazione della data science nel marketing.

La maggior parte dei dati del mondo è stata generata solo negli ultimi due anni e oggi le aziende possono raccogliere e archiviare dati dei clienti su una scala senza precedenti. Ogni volta che gli utenti interagiscono con il sito web, la pagina social o il sistema POS di un’organizzazione, vengono creati nuovi punti dati.

Questi dati vengono poi utilizzati per costruire insight sul comportamento degli utenti e inviare loro annunci curati, consigli di prodotto personalizzati e promozioni speciali.

La maggior parte di noi interagisce quotidianamente con applicazioni di data science per il marketing e prende decisioni in modo inconscio sulla base di esse. 

In questo articolo vedremo 5 modi per usare la data science nel marketing. Poi esploreremo, per ogni caso d’uso, un progetto personale che puoi aggiungere al tuo portfolio di data science. Infine parleremo del perché dovresti diventare un marketing data scientist e di come trovare lavoro in questo ruolo.

5 casi d’uso della data science nel marketing

1. Sistemi di raccomandazione

Aziende come Netflix, Spotify e Amazon utilizzano sistemi di raccomandazione per fornire agli utenti suggerimenti di contenuti personalizzati in base alla loro interazione con la piattaforma.

Per esempio, se guardi un film su Netflix e gli assegni una valutazione positiva, alla prossima apertura dell’app ti verranno consigliati film dello stesso genere, con contenuti simili e con gli stessi membri del cast. 

Questo è un semplice esempio di come interagiamo con i motori di raccomandazione nella vita di tutti i giorni.

I sistemi di raccomandazione diventano più potenti nel tempo man mano che gli utenti continuano a interagirvi. 

Per esempio, se sei nuovo su Spotify, i primi suggerimenti musicali saranno generici. L’app consiglierà un’ampia gamma di generi che piacciono al grande pubblico, perché l’algoritmo non ha ancora dati sufficienti per conoscere le tue preferenze.

Con il passare del tempo sulla piattaforma, il motore di raccomandazione imparerà sempre di più su ciò che ti piace e non ti piace, e i suggerimenti musicali saranno cuciti sui tuoi gusti. L’algoritmo può persino prevedere il tipo di musica che potresti apprezzare in stagioni diverse o in momenti diversi della giornata.

Tipi di sistemi di raccomandazione

I sistemi di raccomandazione si possono classificare in due macro-tipologie: sistemi content-based e sistemi basati sul collaborative filtering.

1. Sistemi di raccomandazione content-based:

Immagine dell’autore

I sistemi di raccomandazione content-based formulano suggerimenti basandosi esclusivamente sui contenuti del prodotto. 

Per esempio, se ti è piaciuto leggere i romanzi della serie Percy Jackson, potresti ricevere come raccomandazione Eroi dell’Olimpo, scritto dallo stesso autore e di genere simile.

Un inconveniente di un algoritmo del genere è che non ti verranno consigliati libri diversi da quelli che hai già letto. Se ti è piaciuto Percy Jackson, ti verranno suggeriti solo libri di avventura e fantasy anche se potresti potenzialmente apprezzare un saggio o un thriller.

Puoi superare questo limite dei sistemi content-based utilizzando un sistema basato sul collaborative filtering, che spiegheremo più avanti in questo articolo.

Idea progetto: sistema di raccomandazione content-based

Se sei alle prime armi e hai poca o nessuna esperienza nella costruzione di sistemi di raccomandazione, il Kaggle Movie Dataset è un ottimo punto di partenza. Questo dataset contiene i metadati di 45.000 film, incluse le locandine, le date di uscita, i generi e i ricavi.

Puoi seguire il tutorial Recommender Systems in Python su Datacamp per creare un sistema di raccomandazione content-based usando i dettagli dei film presenti nel dataset.

Se vuoi una guida più strutturata per costruire un sistema di raccomandazione di film, iscriviti a una sessione live di code-along su Datacamp. È un workshop guidato da un esperto che ti insegnerà a creare sistemi di raccomandazione in R in 1,5 ore, e potrai fare domande all’istruttore per chiarimenti se incontri difficoltà lungo il percorso.

2. Sistemi di raccomandazione basati sul collaborative filtering

I modelli basati sul collaborative filtering generano suggerimenti a partire dal comportamento passato degli utenti. Si possono ulteriormente suddividere in collaborative filtering user-based e item-based.

Come suggerisce il nome, il collaborative filtering user-based raggruppa clienti con comportamenti simili. 

Questo algoritmo fornisce poi raccomandazioni di prodotto sulla base delle preferenze condivise da questi segmenti di clienti, come mostrato nello schema seguente:

Immagine dell’autore

L’item-based collaborative filtering, invece, raggruppa tra loro gli articoli simili sulla base delle preferenze degli utenti, come mostrato in questa immagine:

Immagine dell’autore

Per saperne di più sui diversi tipi di sistemi di raccomandazione e su come implementarli, segui il corso Build Recommendation Engines in Python di Datacamp.

Idea progetto: collaborative filtering

Puoi costruire un sistema di raccomandazione basato sul collaborative filtering usando il Book Recommender System Dataset su Kaggle. Questo dataset contiene solo tre variabili: un ID utente, il codice ISBN del libro e una valutazione dell’utente per ciascun libro.

Questo tutorial sui sistemi di raccomandazione può aiutarti a iniziare se non hai familiarità con il funzionamento del collaborative filtering.

2. Analisi del sentiment

Immagine da KDNuggets

L’analisi del sentiment, nota anche come opinion mining, è il processo che determina l’emozione sottostante a un testo, ed è un’altra applicazione molto diffusa della data science nel marketing. 

Ecco un esempio di come l’analisi del sentiment genera valore per le organizzazioni:

Una banca in Sudafrica stava registrando tassi di abbandono dei clienti più alti del solito. Molti utenti hanno iniziato a passare a istituti concorrenti e non volevano più fare affari con loro. La banca ha cercato di identificare il problema con l’aiuto dell’analisi del sentiment.

Hanno raccolto oltre 2 milioni di punti dati sui social media per analizzare cosa dicessero i clienti su di loro e hanno addestrato su questi dati un modello di analisi del sentiment.

Sulla base di questa analisi, l’istituto ha capito che la maggior parte dei commenti negativi proveniva da utenti scontenti per l’insufficienza di cassieri durante l’ora di pranzo, che causava lunghi tempi di attesa.

La banca ha quindi risolto la situazione aumentando il numero di cassieri nelle ore di maggiore affluenza, il che ha portato a una diminuzione dell’abbandono degli utenti.

L’esempio sopra mostra quanto l’analisi del sentiment possa essere utile per aiutare le aziende a migliorare la propria offerta e superare i concorrenti. Altre applicazioni includono l’analisi di prodotto, le ricerche di mercato e il mining delle recensioni degli utenti.

Per approfondire i modelli di analisi del sentiment e come costruirli da zero, segui il corso Sentiment Analysis in Python su Datacamp.

Idea progetto: analisi del sentiment

Puoi iniziare creando un modello di Sentiment Analysis su recensioni di film usando un dataset presente nella libreria NLTK. NLTK è un pacchetto Python che fornisce un set diversificato di algoritmi per l’elaborazione del linguaggio naturale. 

In questo progetto puoi usare un dataset di recensioni cinematografiche integrato nella libreria, importabile con una sola riga di codice. Dovrai poi costruire un algoritmo che classifichi i dati delle recensioni in sentiment positivo e negativo.

Segui il tutorial Python Sentiment Analysis su Datacamp se ti serve una guida per iniziare.

3. Previsione del churn dei clienti

Immagine da DeepNote

Il churn dei clienti è un fenomeno che si verifica quando un utente smette di fare affari con un’azienda. Per esempio, se sei un utente Netflix e decidi di disdire l’abbonamento, sei un cliente che ha abbandonato.

Per le aziende è più costoso sostituire un cliente perso che trattenere uno esistente. Per questo molte organizzazioni assumono data scientist per identificare gli utenti a rischio di churn e prevenire che ciò avvenga.

Ecco un esempio di come un modello di previsione del churn può aiutare a trattenere gli utenti:

Sei abbonato a un Internet Service Provider e ultimamente stai riscontrando velocità di connessione lente. Hai aperto alcuni ticket e provato a contattare l’assistenza clienti, ma il problema persiste. Per questo hai anche spento e riacceso il router e riconnesso più volte alla rete.

Alla fine decidi di passare a un brand concorrente perché la tua esperienza con questo ISP è stata scadente.

Il team di data science dell’ISP raccoglie dati comportamentali, traccia l’attività degli utenti quando sono connessi alla rete e raccoglie informazioni sui reclami. Dopo aver consolidato tutti questi dati, il team si rende conto che sei ad alto rischio di churn.

Avvisano immediatamente i team marketing e prodotto che probabilmente smetterai di fare affari con loro.

Il team marketing dell’azienda ti contatta quindi con promozioni personalizzate e piani Wi-Fi scontati e ti offre persino di aggiornare gratuitamente il tuo abbonamento. Dopo l’upgrade, ti accorgi che la velocità di connessione è molto più alta e la tua esperienza complessiva con l’ISP è più piacevole. Decidi quindi di continuare a rimanere abbonato invece di passare alla concorrenza.

L’esempio sopra mostra quanto possano essere utili i modelli di churn per trattenere gli utenti esistenti di un’organizzazione. Questa applicazione genera valore diretto per le aziende ed è spesso utilizzata da piattaforme in abbonamento come Netflix e Spotify che dipendono dal rinnovo degli utenti come principale fonte di ricavi.

Idea progetto: previsione del churn

Puoi usare il dataset Telecom Customer Churn su DataCamp per creare il tuo primo progetto di previsione del churn. 

Questo dataset contiene informazioni sugli utenti abbonati a una telco iraniana, come età, comportamento d’uso, durata dell’abbonamento e reclami. Usa questi dati per prevedere se un cliente è a rischio di churn.

Se non sai da dove iniziare, segui il tutorial Customer Churn Rate Prediction per costruire questo modello. Puoi anche dare un’occhiata al nostro corso Predicting Customer Churn in Python.

4. Segmentazione dei clienti

Immagine da Madlytics

La segmentazione dei clienti è il processo di suddivisione degli utenti in sotto-gruppi sulla base di caratteristiche comuni. Ogni segmento viene poi raggiunto con diverse promozioni e offerte di prodotto in base al suo comportamento.

Ecco un esempio di come la segmentazione può generare valore per le organizzazioni:

Un’azienda e-commerce costruisce un modello di segmentazione per indirizzare utenti diversi con promozioni personalizzate. 

Se un utente naviga spesso sulla piattaforma ma acquista solo in presenza di sconti, viene classificato come “Cacciatore di promozioni”. Tutti i clienti di questo segmento ricevono subito una notifica via email ogni volta che c’è una promozione in corso, poiché è probabile che effettuino più acquisti in quel periodo.

Altri utenti, invece, cercano articoli specifici e sono disposti ad acquistare indipendentemente dal prezzo, perché privilegiano la qualità rispetto alla convenienza. Questi clienti vengono targettizzati in modo diverso e il team marketing pubblicizza loro solo articoli di fascia alta in base ai prodotti per i quali hanno già mostrato interesse.

In questo modo, ai clienti con elevato potere d’acquisto vengono mostrati prodotti più costosi in linea con i loro interessi, incoraggiandoli a spendere di più. Gli utenti che privilegiano la convenienza vengono incentivati con prodotti più economici durante i periodi promozionali.

L’esempio sopra è semplice, ma mostra come la segmentazione permetta alle aziende di massimizzare il profitto su ciascun utente. 

Una delle applicazioni più comuni dei modelli di segmentazione è la creazione di gruppi di annunci nelle campagne di marketing.

Facebook, per esempio, raccoglie dati demografici e comportamentali dei propri utenti e consente alle aziende di eseguire inserzioni che targettizzano gruppi di pubblico personalizzati in base a queste informazioni. Gli utenti possono essere segmentati per tratti specifici come località, età, genere, brand che apprezzano e persone con cui sono in relazione. 

La segmentazione dei clienti è in genere realizzata costruendo modelli di machine learning non supervisionati come il clustering K-Means. 

Se vuoi saperne di più sulla segmentazione e su come costruire algoritmi come il K-Means, segui il nostro corso Customer Segmentation in Python.

Idea progetto: segmentazione dei clienti

Puoi usare l’E-Commerce Dataset di Datacamp per costruire un progetto portfolio di segmentazione dei clienti.  

Questo dataset comprende i dettagli degli ordini effettuati su una piattaforma e-commerce con sede nel Regno Unito. 

Le informazioni di acquisto dei clienti, come articoli ordinati, prezzo del prodotto e data della fattura, sono registrate e puoi usare questi dati per segmentare gli utenti in base alla loro attività sulla piattaforma.

5. Market basket analysis

Immagine da Analytics Vidhya

La market basket analysis, detta anche association mining, è una tecnica usata per analizzare gli articoli che vengono acquistati frequentemente insieme. Si effettua elaborando dati storici di acquisto per identificare combinazioni di prodotti che ricorrono spesso nelle transazioni.

I risultati di questa analisi possono essere utilizzati dai retailer per migliorare il layout del negozio e incoraggiare i clienti ad acquistare più articoli in un’unica transazione.

Per esempio, chi compra latte in polvere per neonati è probabile che acquisti anche pannolini, quindi i negozi in genere collocano questi articoli vicini per renderli facilmente accessibili. 

Tuttavia, i pattern di acquisto non sono sempre così evidenti. A seconda della regione, dell’influenza culturale e di fattori demografici, i clienti tendono a comprare insieme articoli che non appartengono alla stessa categoria. Molte di queste correlazioni non sono rilevabili a colpo d’occhio, motivo per cui le organizzazioni si affidano a tecniche di data science come la market basket analysis.

Ecco un esempio di come la market basket analysis può identificare associazioni che sfuggono alle persone:

L’esempio più citato è il caso “birra e pannolini”. Secondo questo studio, una catena di supermercati del Midwest ha utilizzato tecniche di data mining per identificare gli articoli spesso acquistati insieme.

L’analisi ha mostrato che i clienti, il venerdì sera, acquistavano tipicamente birra e pannolini insieme. Questa correlazione può sembrare puramente casuale, ma ecco uno scenario che potrebbe averla generata:

Un giovane papà si ferma al supermercato il venerdì sera per comprare qualche birra dopo una lunga settimana in ufficio. La moglie lo sa e gli chiede di prendere anche i pannolini per il neonato. Questo comportamento diventa un’abitudine e i papà lavoratori iniziano a comprare birra e pannolini insieme prima di tornare a casa il venerdì.

Dopo questa scoperta, il negozio inizia a posizionare birra e pannolini nello stesso corridoio e assiste immediatamente a un aumento delle vendite.

Questa storia è stata riportata per la prima volta a metà degli anni ’90 e la sua autenticità è stata messa in dubbio nel tempo. Vera o no, questo caso d’uso ricorda quanto siano potenti le statistiche nello scoprire correlazioni nascoste che sfuggono all’occhio umano.

La market basket analysis non si limita ai negozi fisici. Anche le piattaforme e-commerce mostrano sulla stessa pagina prodotti altamente correlati, assicurandosi che siano nel campo visivo degli utenti. 

Se fai shopping online per un paio di jeans neri, per esempio, potresti vedere in fondo alla pagina scarpe abbinate, incoraggiandoti ad acquistare un bundle di prodotti invece di un singolo articolo. Anche in questo caso, ciò porta a un aumento diretto delle vendite, perché i clienti finiscono per comprare più prodotti del previsto.

Per approfondire la market basket analysis e come eseguirla con tecniche di machine learning, segui il percorso Market Basket Analysis in Python. Se preferisci usare R, c’è il corso Market Basket Analysis in R. 

Idea progetto: market basket analysis

Per iniziare con la market basket analysis, puoi usare lo stesso E-Commerce Dataset menzionato nella sezione sulla segmentazione. Tieni presente che si tratta di una versione ridotta di un dataset disponibile presso l’UCI Machine Learning Repository e contiene solo 2.500 righe. Puoi scaricare il dataset più grande se desideri lavorare con più dati.

Come spiegato nella sezione precedente, l’E-Commerce Dataset contiene dati di transazione dei clienti, come numeri di fattura e prodotti acquistati. Puoi usare queste informazioni per identificare gli articoli che i clienti comprano spesso insieme nella stessa transazione.

Per una guida all’implementazione del progetto, puoi consultare il tutorial Market Basket Analysis in R. Se la tua lingua di preferenza è Python, abbiamo il corso Market Basket Analysis in Python.

Data science nel marketing - Prossimi passi:

Perché dovresti considerare di diventare un marketing data scientist?

La data science ha un’ampia varietà di applicazioni nel marketing, molte delle quali abbiamo visto sopra. Questi casi d’uso generano valore diretto per le organizzazioni migliorando le vendite, risolvendo i punti dolenti dei clienti e incoraggiando gli acquirenti a consumare di più.

In passato, quando le organizzazioni non avevano accesso a grandi quantità di dati dei clienti, molti degli usi sopra descritti erano svolti direttamente dagli esperti di marketing. L’analisi del sentiment e la ricerca di mercato si facevano inviando sondaggi. I marketer inviavano annunci mirati agli utenti basandosi sulla loro comprensione del comportamento dei clienti: era un processo più intuitivo che data-driven.

Oggi, con l’aumento massiccio del volume di dati raccolti e archiviati dalle organizzazioni, le aziende hanno iniziato ad adottare un approccio data-driven al marketing. 

Tuttavia, non basta assumere data scientist che lavorino su casi d’uso di marketing.

Sebbene i data scientist sappiano gestire dataset complessi, costruire modelli predittivi molto accurati ed eseguire analisi statistiche, queste competenze da sole non sono sufficienti a ricavare insight di valore dai dati. Spesso manca loro la conoscenza del dominio marketing e faticano a collegare i dati disponibili ai problemi di business.

Dall’altro lato, gli esperti di marketing comprendono il comportamento dei clienti, sanno formulare problem statement e possono guidare le decisioni di marketing. Ma manca loro l’expertise tecnica per gestire grandi dataset.

Un data scientist specializzato nel dominio marketing possiede il mix di competenze di entrambi i ruoli, preziosissime per le organizzazioni. Queste persone colmano il divario tra data science e marketing e prendono decisioni data-driven profittevoli per le aziende.

Come diventare un marketing data scientist

Per diventare un marketing data scientist devi avere solide capacità tecniche e analitiche, conoscenza del dominio marketing e soft skill:

1. Competenze tecniche

• SQL per estrarre, pulire e manipolare dati nei database. Segui il corso Introduction to SQL per imparare le basi della manipolazione dei database.
• Competenza in statistica e conoscenza di tecniche di machine learning supervisionate e non supervisionate. Segui il corso Introduction to Statistics per apprendere i fondamenti dell’analisi statistica.
• Conoscenza di almeno un linguaggio di programmazione (R, Python, Java, ecc.). Se non sai programmare, segui il percorso Python Programming di Datacamp o la sua alternativa in R.
• Capacità di condurre test A/B. 
• Capacità di realizzare visualizzazioni dei dati e dashboard con strumenti come Tableau, PowerBI ed Excel.
• Comprensione di come si impostano e ottimizzano le campagne pubblicitarie su piattaforme come Facebook e Google Display Network.
• Capacità di svolgere experiment design e attribution modeling.

Tieni presente che i requisiti sopra possono variare in base all’organizzazione e al team. Per esempio, un team focalizzato nel mostrare raccomandazioni di prodotto agli utenti non lavorerà sull’ottimizzazione delle inserzioni, né svolgerà attività come l’attribution modeling.

Se non possiedi conoscenze di dominio marketing e vuoi imparare a condurre un test A/B, visualizzare metriche di marketing e analizzare le conversioni, segui il corso Introduction to Pandas for Marketing su Datacamp.

2. Soft skill

• Ottime capacità comunicative.
• Capacità di tradurre concetti tecnici complessi al management senior e supportare le decisioni.
• Capacità di formulare soluzioni data-driven per affrontare problemi di business.

Per avere un’idea più chiara di ciò che le aziende cercano in un marketing data scientist, ecco i requisiti richiesti da Uber per questo ruolo:

Se non hai esperienza nel campo della data science per il marketing, il modo migliore per dimostrare le tue competenze è creare progetti che risolvano problemi di business reali. 

Abbiamo elencato progetti pertinenti per ogni applicazione spiegata in questo articolo, ed è una buona idea mostrarne alcuni nel tuo CV per dimostrare ai responsabili delle assunzioni che sai generare valore di business attraverso tecniche di data science.

Infine, se vuoi colmare i gap nelle tue conoscenze e imparare ad applicare la data science al marketing, puoi seguire il corso di Datacamp Machine Learning for Marketing in Python o il suo equivalente in R.