L’analisi di coorte è una tipologia di analisi dei dati che si concentra sulle attività ed il comportamento di una specifica coorte, ossia un gruppo di persone che condividono una o più caratteristiche comuni in un dato momento o per un certo periodo di tempo. Un esempio molto semplice è dato dagli “studenti che si sono diplomati nel 2020”. Il gruppo di studenti rappresenta la coorte e la loro caratteristica comune è data dal fatto che si sono diplomati tutti nello stesso anno. L’analisi di coorte consente di prendere in esame il comportamento di questo gruppo di studenti, analizzarne le attività e/o le abitudini per trarne della conoscenza utile (per esempio per capire il reddito medio degli studenti dopo dieci anni dal diploma).

La Cohort Analysis, di fatto, consente di identificare le relazioni tra le caratteristiche di un gruppo di persone e il comportamento di quel gruppo. Vediamo allora di che si tratta e perché sono sempre più importanti per le aziende, in particolare per le funzioni Marketing, Vendite, Business Development.

 

Cos’è l’analisi di coorte e cosa significa

Benché non esista una vera e propria definizione di Cohort Analysis, quanto meno non una universalmente riconosciuta come univoca, è comunemente identificata come una tipologia di analisi comportamentale che utilizza i dati di gruppi di utenti con profili sociodemografici, psicografici e comportamentali simili tra loro (definiti a priori con alcune regole ed esigenze di business e di indagine).

Anziché osservare i dati aggregati di tutti i clienti come singola entità, per esempio, l’analisi di coorte scinde i clienti in gruppi correlati, chiamati coorti (correlati perché sono tutti gruppi che fanno capo ad un gruppo più ampio, i clienti di un’azienda, ma che viene segmentato in sottogruppi – le coorti – in base a caratteristiche specifiche).

Le singole coorti, infatti, condividono caratteristiche comuni o comportamenti simili (per esempio hanno effettuato esperienze simili all’interno di un determinato intervallo di tempo). Ciò che consente di fare l’analisi di coorte è identificare i pattern comportamentali in modo più definito, all’interno del ciclo di vita di un cliente, anziché aggregare indistintamente i clienti senza considerare interessi, comportamenti, modalità di relazione con la propria azienda.

Le analisi di coorte hanno avuto per decenni un ruolo importantissimo nelle indagini statistiche delle scienze sociali (per esempio per le analisi demografiche) ed in campo medico, ma da diversi anni sono patrimonio cruciale per le aziende che intendono focalizzarsi su una strategia di Customer Centricity prendendo decisioni consapevoli, oggettive (basate sui dati) e più efficaci.

 

Come eseguire una Analisi di Coorte

Per condurre una analisi di coorte è importante seguire i passi fondamentali di un comune processo di Data Science, dato che di un processo di analisi dei dati stiamo parlando.

È quindi importante partire con la fase di Discovery (quella che consente di individuare il problema e definire gli obiettivi) che, nel caso specifico delle Cohort Analysis, all’inizio risponderà alla domanda “Quale gruppo?”.

È poi necessario recuperare i “dati grezzi”, ossia raccogliere i dati dalle diverse fonti, e prepararli per l’analisi (verificare che non ci siano “disturbi” nei dati, organizzarli per l’analisi, arricchirli e verificarne l’utilizzo, sia in riferimento alle possibili variazioni nel tempo, sia in funzione della privacy e della data protection, soprattutto per la compliance normativa)… proseguendo via via con tutte le successive fasi di Data Exploration e alla seguente identificazione e costruzione del modello di analisi per la risoluzione dello specifico problema individuato, quindi Data Mining ed, infine, Data Visualization.

Se il primo importante passaggio per eseguire un’analisi di coorte è capire qual è la coorte di riferimento, le domande da porsi successivamente, quelle da cui far partire il processo di analisi, coincidono solitamente con esigenze di business molto specifiche. Per esempio, comprendere qual è il comportamento di acquisto di uno specifico gruppo di clienti.

Fatta questa prima doverosa premessa, va evidenziato che gli studi di coorte si possono eseguire in due distinte modalità:

– definendo le coorti nel presente ed analizzandone l’evoluzione nel futuro (coorte prospettiva);

– cercando le coorti passate per farne un’analisi presente (coorte retrospettiva).

 

Qualunque sia la modalità, l’analisi deve seguire alcuni passaggi fondamentali (esattamente come nel processo di Data Science) che possiamo riassumere come segue:

  • – chiarire lo scopo dell’analisi: bisogna in sostanza farsi le domande giuste per impostare in modo corretto l’analisi. In altre parole, è necessario chiarire quali sono gli scopi di tali analisi, a che cosa si vorrebbe arrivare in termini di informazioni e conoscenza;

 

  • – stabilire gli elementi che “definiscono” una coorte: non sono sufficienti delle comuni metriche di interesse per definire un gruppo di utenti (per esempio, “tutte le persone che acquistano cioccolata fondente” potrebbe rappresentare un gruppo troppo vasto e troppo eterogeno per dare informazioni utili ad una domanda ben specifica), è quindi importante capire sulla base di quali elementi costituire una coorte;

 

  • – identificare le coorti rilevanti per l’analisi: una volta definiti gli elementi, è possibile che le coorti definite siano molteplici; sarà quindi importante capire e identificare quali sono quelle più rilevanti per lo specifico scopo che ci si è dati, quelle cioè che dovranno essere parte dell’analisi.

 

  • – analizzare le coorti: una volta concluse tutte le fasi preliminari (comprese quelle specifiche sui dati relative al processo di Data Science), si può procedere con l’analisi, l’interpretazione e la visualizzazione dei dati.

 

Infine, per eseguire in modo corretto le analisi di coorte è fondamentale tenere conto dei cosiddetti “problemi di identificazione”, ossia dei fattori (chiamati effetti) che incidono sulla modifica del comportamento della coorte. Questi i tre fattori che incidono sull’interpretazione:

  • – effetti di coorte: indicano comportamenti diversi e modifiche nelle abitudini tra diverse coorti (di solito queste variazioni sono dovute ad influenze sociali);
  • – effetti dovuti all’età (age effects): le variazioni nell’età delle persone sono legate – o per lo meno influenzano – agli stili di vita, ecco perché è importante tenerne conto nelle analisi di coorte;
  • – effetti legati al periodo di tempo (period effects): sono generalmente fattori ambientali (modifica delle condizioni ambientali non legati però a fattori generazionali o sociodemografici) che influenzano, modificandolo, il comportamento delle persone (e che quindi possono avere impatto su una coorte e la sua analisi).

 

Tenere conto di questi effetti è importante per riuscire ad avere delle analisi accurate, soprattutto per avere una vista chiara dei risultati dell’analisi, condizione indispensabile per poter prendere decisioni accurate ed efficaci.

 

Gli esempi di utilizzo e gli ambiti di applicazione

Generalizzando un po’, l’analisi di coorte può essere identificata come lo strumento per misurare il coinvolgimento dei clienti nel tempo (quindi per verificare se la propria strategia di Customer Centricity sta dando i risultati attesi e se ci sono un buon ingaggio, una efficace comunicazione, una relazione fidelizzata e soddisfacente tra la propria azienda ed i clienti).

Benché si possano fare anche le cosiddette coorti di acquisizione (per esempio per identificare quando i clienti sono entrati in contatto per la prima volta con la propria azienda, quando hanno fatto uno specifico acquisto per la prima volta, ecc.), sono le coorti comportamentali quelle che consentono di fare analisi specifiche sul comportamento delle persone e dalle quali si possono derivare utilizzi specifici di business.

Guardandola in quest’ottica, le Cohort Analysis permettono per esempio di:

  • – creare promozioni o lanciare campagne per promuovere una specifica azione solo sulle coorti che, dall’analisi comportamentale, si dimostrano più sensibili ad azioni di questo tipo;
  • – definire e meglio indirizzare i budget marketing (tenendo conto del ciclo di vita e di valore di un cliente e del suo comportamento);
  • – gestire con più efficacia A/B test (per esempio per la definizione dei prezzi di nuovi prodotti o per creare strategie di up-selling e cross-selling);
  • – identificare quali sono i “prospect” (nuovi potenziali clienti) sulla base di coorti comportamentali che consentono di migliorare le campagne di acquisizione e renderle più efficaci
  • – migliorare le strategie di innovazione (lanciando nuovi prodotti pensati ad hoc per specifiche coorti).

 

Perché utilizzare una analisi di coorte

Da questa prospettiva, un’analisi di coorte rappresenta il modo migliore per le aziende di ottenere una visione più approfondita del comportamento dei propri clienti. Vista sempre più indispensabile per definire le proprie strategie di crescita, sviluppo e innovazione.

Questo tipo di analisi è infatti prezioso per le aziende per la specificità delle informazioni che fornisce: consente alle aziende di trovare risposte a domande mirate analizzando solo i dati rilevanti.

La conoscenza che ne deriva è un asset strategico perché consente di avere una vista chiara sui comportamenti delle persone che, di fatto, influenzano attività e strategia dell’azienda stessa.

Diventa quindi non solo uno strumento ma un modus operandi in una cultura aziendale basata su dati e analisi oggettive. Condizione ormai imprescindibile per muoversi con successo in contesti di mercato e di business sempre più volatili e dinamici.

Approfondimenti da BNext:

Eyes4Innovation, la rete che ti semplifica la vita

La rete ti semplifica la vita. Ecco la massima sintesi del motivo per cui è nata Eyes4Innovation, ed anche lo scopo ultimo perseguito dalle aziende fondatrici. Scopri com’è andato l’evento di presentazione.

Dataiku: le novità della release 9

Dataiku, tante novità. Le energie si concentrano sul processo di trasformazione e analisi del dato e sulla collaborazione con altri tool, come Tableau

Vertica apre le porte alla Data Science

La Data Science, in termini di supporto decisionale alle aziende, ha un potenziale enorme, ma è una materia molto ampia e di carattere sperimentale: non necessariamente l’algoritmo migliore per un settore si rivela buono anche in realtà aziendali...

Dataiku: Intelligenza Artificiale per le case farmaceutiche

Oltre il 60% delle aziende farmaceutiche sono state identificate come “principianti” quando si parla della loro maturità riguardo l’AI.

Data Science Tools: la cassetta degli attrezzi dei team di Data Scientist

Strumenti tecnologici, piattaforme, linguaggi di programmazione, tools di vario genere rappresentano elementi importanti, gli “attrezzi del mestiere” per i Data Scientist. Ecco alcuni dei linguaggi e dei tools che solitamente non mancano all’interno di un team di Data Scientist.

Data Scientist, chi sono e cosa fanno per aiutare le aziende

Oggi i dati rappresentano uno degli asset più critici ed importanti per un’azienda (e non solo), tant’è che ormai si parla dei dati come del nuovo petrolio nell’economia dell’informazione e della conoscenza. Chi lavora sui dati e con i dati gode di un grande vantaggio. Ma chi sono davvero i Data Scientist e cosa fanno concretamente per aiutare le aziende?

Dataiku: i consigli per scegliere il giusto progetto di Data Science

Con decine di potenziali use case ma risorse limitate, è importante dare priorità ai progetti che hanno sia un alto valore di business che un’alta probabilità di successo. I consigli di Dataiku

Le 6 (+1) fasi del processo tipico di Data Science

La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da dati strutturati o non strutturati. Non esiste un framework unico e universalmente condivido per definire i processi di Data Science, tuttavia, dal punto di vista tecnico lo standard KDD è quello a cui ci si ispira maggiormente, perché indica l’intero processo di ricerca di nuova conoscenza dai dati.

RFM: le analisi sui clienti quali sistemi di supporto alle decisioni

Parliamo delle analisi RFM, pilastro di una data driven company. Sono analisi per la segmentazione della clientela e restituiscono valori ed informazioni utili che diventano la base per fare valutazioni strategiche e prendere decisioni più oggettive, basate sui dati.

Non voglio mica la Luna! L’arte di aver cura dei propri clienti

Oggi si sta creando un circuito virtuoso in cui il consumatore vuole un nuovo legame di fiducia. Il brand è chiamato a “reagire”, quindi fare tutto ciò che serve per soddisfare le necessità del cliente e soddisfare la sua “sete” di fiducia