In un precedente articolo abbiamo analizzato in dettaglio cosa sono le analisi di coorte e riportato qualche breve esempio di utilizzo, qui vediamo alcuni esempi di analisi di coorte.

Il primo importante esempio è relativo all’ambito da cui è nato questo tipo di analisi, all’interno delle scienze sociali come tecnica di analisi dei dati per comprendere il comportamento di gruppi di individui simili (coorti). Secondo la definizione che ne dà Google, infatti, l’analisi di coorte “esamina il comportamento e le prestazioni di gruppi di utenti correlati da attributi comuni”.

Altri esempi concreti di utilizzo delle analisi di coorte, soprattutto nel business, si trovano nell’ambito dell’e-commerce, delle Mobile App, dei siti web: si utilizzano le cohort analysis per suddividere gli utenti che utilizzano questi servizi in gruppi più piccoli per analizzare e comprendere il comportamento di un singolo gruppo (all’interno del quale gli utenti hanno delle caratteristiche comuni).

Immagine promozionale per il whitepaper su Data Driven

Ma vediamo più in dettaglio quali sono gli esempi reali e le applicazioni odierne delle analisi di coorte.

 

Customer cohort analysis, mappare il customer journey

Tra gli esempi più significativi di applicazione delle analisi di coorte ci sono quelle specifiche relative ai clienti, prima fra tutte quella che consente di “mappare” il customer journey partendo dall’analisi dei comportamenti delle persone (particolarmente utile per mappare il comportamento dei clienti fedeli oppure per tenere traccia delle attività che danno origine a eventi particolari, come l’abbandono, in modo da poterli poi prevenire in futuro o su altri gruppi di utenti).

Prima di mappare il customer journey è fondamentale definire cos’è un cliente fedele e quali sono le sue caratteristiche. Un processo che non può seguire delle regole standard, perché le persone hanno esigenze, abitudini e comportamenti di acquisto non solo strettamente legati al proprio essere ma anche allo specifico contesto di riferimento: una persona può acquistare abitualmente beni di prima necessità (come gli alimenti) e gioielli, ma l’avverbio abitualmente avrà un significato diverso a seconda del bene acquistato ed il concetto di fedeltà all’azienda venditrice o al brand avrà connotati differenti.

In questo caso diventano importanti le cosiddette analisi RFM per la segmentazione della clientela, ribadendo per altro concetti espressi più volte nel nostro blog, ossia che la conoscenza approfondita dei propri clienti passa attraverso una serie di analisi correlate ed integrate. Le stesse analisi di coorte di cui scriviamo in questo articolo sono da ritenere parte di un più ampio concetto di Customer Analytics che include differenti tipi di analisi e strumenti per poterle eseguire (CLV – Customer Lifetime Value, analisi RFM, Customer Retention, Churn Analysis, ecc.).

Definiti quali sono i propri clienti fedeli (identificata quindi la coorte che accomuna tali clienti secondo determinate e specifiche caratteristiche comuni, che di fatto delineano la fedeltà verso la propria azienda), la mappatura dei loro comportamenti comporta l’analisi dei momenti e degli eventi che si sono verificati durante i loro percorsi di acquisto e che li hanno fatti diventare clienti fedeli, rispetto ad altri gruppi di utenti.

La mappatura e l’analisi del customer journey consente in prima istanza di comprendere quali sono le differenze nei comportamenti di acquisto tra clienti fedeli ed altre coorti di clienti, in secondo luogo di elaborare strategie di business e piani di azione verso altri gruppi di clienti per incentivare e facilitare comportamenti simili.

  

Le analisi di coorte per misurare la customer retention e ridurre i tassi di abbandono (churn)

Associare le analisi di coorte alla mappatura del customer journey, alla Customer Retention o alle Churn Analysis, alle analisi RFM e al Customer Lifetime Value può erroneamente indurre a pensare che si tratti più o meno sempre delle stesse tipologie di analisi, con piccole differenze e nomi diversi.

Non è così, come accennato, si tratta di analisi differenti, tutte integrate e da considerare all’interno di un più ampio concetto (nonché strategia) di Customer Analytics.

La premessa è doverosa perché un altro importante esempio di applicazione delle cohort analysis riguarda proprio la customer retention. Per migliorare la fidelizzazione della clientela, infatti, potrebbe non essere sufficiente individuare gli elementi che denotano tale condizione (l’essere un cliente fedele) ma, come accennato nel precedete paragrafo, potrebbe essere utile capire cosa ha generato tale fidelizzazione.

Scoprire se ci sono “comportamenti comuni” tra i clienti fedeli (per esempio abitudini simili in coorti di clienti nel rispondere a determinate sollecitazioni, come una promozione) potrebbe stimolare e facilitare azioni simili non su tutto il resto dei clienti ma su alcune specifiche coorti che “somigliano” per taluni elementi e caratteristiche a quella dei clienti fedeli presa in esame.

In questo modo la strategia di customer retention diventa più “granulare” e consente, per esempio, di intraprendere più azioni diversificate su differenti gruppi di clienti con maggiori probabilità di successo ed efficacia.

Lo stesso può dirsi guardando dalla prospettiva della churn analysis. Per ridurre i tassi di abbandono e la perdita di clienti, le analisi di coorte sono utili nella stessa misura della customer retention perché servono ad esaminare i comportamenti di uno specifico gruppo di persone, correlati eventualmente ai comportamenti di altri gruppi di clienti. Se, come abbiamo descritto, nella customer retention le cohort analysis aiutano a capire quali sono i comportamenti e le scelte delle persone che le portano poi ad essere clienti fedeli, allo stesso modo una analisi di coorte per la churn analysis aiuta a comprendere quali sono i comportamenti dei gruppi di clienti che abbandonano l’azienda o il brand. Da questi comportamenti sarà poi possibile identificare ed analizzare le motivazioni che portano all’abbandono e studiare eventuali strategie ed azioni preventive su altri gruppi di utenti, evitando quindi il loro abbandono futuro, oppure strategie di acquisizione più efficaci.

Il comportamento delle persone, infatti, può rivelare molto sull’efficacia del prodotto venduto o del servizio erogato, dei servizi di customer care predisposti per la clientela, dell’efficacia del processi di acquisizione… l’analisi di coorte può dunque essere utilizzata per identificare i motivi per cui i clienti se ne vanno e capire cosa si può fare per impedire loro di andarsene (per esempio comparando i comportamenti dei clienti che abbandonano con i clienti che invece rimangono fedeli).

Le analisi di coorte, infatti, inserite all’interno di una strategia di Customer Analysis, consentono di:

  • – analizzare il comportamento degli utenti e fare ipotesi sui comportaemnti futuri basandosi oggettivamente sui dati;
  • – identificare caratteristiche, attività o eventi che trattengono i clienti oppure, al contrario, che li fanno andare via;
  • – pianificare in modo più proattivo le attività di coinvolgimento dei clienti in base all’analisi delle loro reazioni in specifici momenti e/o contesti;
  • – mettere in atto strategie di marketing e di vendita non intrusive che siano puramente basate sui dati.

 

Decisioni data-driven per prodotti e servizi più efficaci

Negli esempi di analisi di coorte riportati in questo articolo, possiamo identificare un comune denominatore: la spinta verso un processo decisionale basato sui dati.

Nel marketing del prodotto, nelle pratiche di Business Development, nelle strategie di Vendita, le analisi di coorte possono essere utilizzate non solo per ridurre i tassi di abbandono e migliorare la soddisfazione (e quindi la fidelizzazione) dei clienti, ma anche per identificare con maggiore efficacia (in modo oggettivo, basandosi sulle informazioni che provengono dai dati) quali possono essere le aree di miglioramento in ambito ricerca e sviluppo, per proporre prodotti e servizi più in linea con quanto si aspettano gli utenti.

Le coorti comportamentali sono analisi efficaci per capire come gli utenti interagiscono con il proprio prodotto o servizio, quali caratteristiche, funzionalità o aspetti del servizio fanno tornare gli utenti e altre informazioni specifiche del prodotto o del servizio che risultano apprezzate dalla clientela.

In parole semplici, le analisi di coorte consentono alle aziende di comprendere meglio “i perché dietro ai che cosa”, ossia le motivazioni che spingono i clienti a fare determinate scelte e tenere determinati comportamenti.

Dietro a quei “perché” ci sono le basi per costruire strategie di marketing, di vendita e di sviluppo del business più efficaci con decisioni più oggettive, guidate dalle informazioni che derivano dall’analisi dei dati.

 

Approfondimenti da BNext:

Cluster Analysis: cos’è e come si esegue

La tendenza a creare gruppi omogenei a partire dai dati di cui si dispone rappresenta un atteggiamento sempre più diffuso per descrivere un fenomeno che non si conosce a priori e renderlo facilmente comprensibile agli stakeholder. La scienza dei dati affronta in vari...

Data Driven: cosa significa e come applicarne i principi in azienda

Nell’era del digitale, parlare di data-driven è diventato quasi un imperativo categorico, ma cosa vuol dire per davvero, essere un’azienda data-driven? A questa fondamentale domanda è possibile rispondere in molti modi, anche perché i contesti in cui ci si approccia...

Data Science Lifecycle, le 6 (+1) fasi del processo

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.

A cosa serve la Data Science?

L’analisi dei dati è in generale una materia molto ampia e con una storia che rimanda indietro di diversi anni da oggi. Si inizia a parlare di analisi dati già alla fine del 1700 con le prime visualizzazioni grafiche e l’evoluzione di questa materia non solo negli...

Churn Strategy: gli step per impostarla al meglio minimizzando il Churn Rate

Churn analysis e churn rate sono due concetti strettamente connessi: l’analisi degli abbandoni (churn analysis) è quella branca della Data Science attraverso cui si cerca di prevedere quali clienti hanno maggiori probabilità di abbandonare l’azienda, cosa che si...

I 6 comandamenti per un Data Storytelling di successo 

Letteralmente il Data Storytelling è l’arte del raccontare una storia attraverso i dati. Si tratta dell’evoluzione della Data Visualization, l’ultimo step di quel lungo processo analitico che ha lo scopo di trasformare i dati provenienti dalle diverse origini di...

Cosa sono i Big Data e come vengono utilizzati?

I Big Data sono ormai entrati a far parte del mercato tecnologico globale, ma spesso questa definizione viene utilizzata senza aver chiaro di cosa si tratta o di quali sono le accortezze e le tecnologie necessarie per poterli sfruttare al meglio nel loro valore...

Chi è e quanto guadagna un Data Engineer?

Fino a qualche tempo fa occuparsi dell’analisi dati in azienda voleva dire fare BI, e non era difficile trovare figure che si occupassero di questo. Nell’ultimo decennio, invece, l’analisi dati si è evoluta in modo esponenziale, si inizia a parlare di Data Science,...

Dataiku e Data Exploration: chi è il miglior detective della serie “Scooby-doo”?

Dataiku e la data exploration, il primo passo per impostare i progetti nel modo più adatto è esplorare i dati e imparare a conoscerli.

Denodo e la data virtualization a supporto di Machine Learning e Data Science

Il Machine Learning e la Data science sono strettamente legate alla data virtualization. denodo è il tool ideale individuato da BNova