Le analisi di coorte integrate in altri tool di analisi rappresentano uno strumento importante per comprendere, valutare e misurare il coinvolgimento dei clienti nel tempo. Attraverso l’analisi dei comportamenti e delle azioni, delle scelte, delle abitudini delle persone (integrando le cohort analysis con altre tipologie di analisi sugli utenti), è possibile capire se il coinvolgimento migliora nel tempo (e quindi verificare se migliora la customer retention, ossia la fidelizzazione) oppure se peggiora e può dare avvisaglie importanti (per esempio per le Churn Analysis).

In generale, le analisi di coorte si rivelano preziose perché aiutano a guardare oltre le metriche di crescita (per esempio di un bene venduto o di un servizio erogato da un’azienda) le quali, spesso, non consentono di vedere con chiarezza eventuali problematiche legate al coinvolgimento (engagement) impedendo quindi di comprendere realmente se i clienti sono soddisfatti o stanno per abbandonare la relazione con il brand o l’azienda.

Le analisi di coorte implicano l’osservazione di gruppi di persone nel tempo (coorti, gruppi di persone accomunate da determinate caratteristiche specifiche), nonché l’osservazione di come cambia il loro comportamento, come evolvono abitudini, scelte, azioni… oppure di come un determinato comportamento differisce nella sua evoluzione per coorti diverse.

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

 

Sfruttare al meglio i dataset superando alcune barriere (come le variabili legate alle date)

 

Una delle problematiche più comuni che si riscontra nelle analisi di coorte è legata alla completezza dei dati contenuti nei dataset. Come abbiamo evidenziato nell’articolo “Analisi di coorte: cos’è e perché è importante per capire il comportamento degli utenti”, le analisi di coorte possono essere utilizzate nel presente per analizzarne l’evoluzione nel futuro (coorte prospettiva), oppure cercando le coorti passate per farne un’analisi presente (coorte retrospettiva). Allo stesso modo, si possano fare le cosiddette coorti di acquisizione (quelle che consentono di capire, per esempio, quando un gruppo specifico di utenti ha fatto un acquisto per la prima volta, ecc.), oppure le coorti comportamentali, quelle che permettono di analizzare e capire il comportamento delle persone.

Per questo tipo di analisi una delle variabili è rappresentata dalla data (la data in cui un utente è divenuto cliente, la data specifica di un determinato acquisto, la data di un eventuale fine contratto, ecc.) ma, molto spesso, nei dataset aziendali questa variabile è assente.

Per superare questa criticità e consentire alle aziende di trarre beneficio dalle analisi di coorte integrate in una piattaforma di Customer Analytics – come Niky – anche attraverso dataset che non contengono date, BNova ha scelto di utilizzare algoritmi che consentono alle aziende di raggruppare le basi clienti in funzione di variabili qualitative (i comportamenti, le abitudini, le scelte, ecc., opportunatamente tradotti in dati analizzabili) in modo da potersi concentrare “sull’osservazione” (l’analisi dei mutamenti di tali variabili qualitative).

Infatti, a differenza del clustering più comune, che di per sé non contempla la variabile temporale (in termini di evoluzione), nelle analisi di coorte integrate in Niky c’è la possibilità di osservare le evoluzioni nel tempo delle varie coorti, ossia i raggruppamenti comportamentali sono osservabili ed analizzabili nel tempo per valutarne e comprenderne i mutamenti (evoluzioni che non modificano di per sé la coorte ma che offrono moltissime informazioni preziose, soprattutto ai fini decisionali e di business).

 

Trasversalità la parola d’ordine per le analisi di coorte integrate in Niky

 

Le analisi di coorte integrate in Niky sono trasversali a tutte le altre analisi, in particolare le analisi CLV – Customer Lifetime Value, quelle RFM – Recency, Frequency, Monetary e la Churn Analysis.

Come abbiamo avuto modo di approfondire nell’articolo in cui abbiamo preso in esame gli esempi e gli ambiti applicativi di adozione delle analisi di coorte, benché si tratta di analisi differenti alla cui base ci sono modelli ed algoritmi differenti, possono essere di enorme supporto se sfruttate in modo integrato e considerate all’interno di un più ampio concetto (nonché strategia) di Customer Analytics.

Se è vero, infatti, che i clienti non sono tutti uguali ed il loro comportamento va analizzato tenendo conto dello specifico contesto (non ci stancheremo mai di ribadire che non si possono misurare con gli stessi indicatori gli acquisti di beni alimentari con gli acquisti di gioielli o di un veicolo), è anche vero che all’interno di uno specifico contesto i comportamenti mutano ed evolvono.

Ciò che oggi serve alle aziende è una piattaforma di Customer Analytics che integra differenti tipologie di analisi dei dati dei clienti con dashboard, cruscotti e innovativi strumenti di Data Visualization che aiutino le persone di business ad avere informazioni accessibili e di immediata comprensione, con strumenti facili di utilizzare (come grafici, tabelle, disegni, infografiche, forme interattive…).

Per facilitare l’utilizzo di queste analisi, in Niky sono stati predisposti dei filtri di raggruppamento (per semplificare la costruzione di una coorte), sempre comunque personalizzabili, in modo che anche gli utenti di business, senza specifiche skills tecniche, possano effettuare diversi tipi di analisi su diversi raggruppamenti di clienti/utenti.

La data visualization rappresenta la componente tecnica più importante per il business perché consente di mostrare le informazioni contenute nei dati (quelle che derivano per esempio dalle analisi RFM, alle quali sono integrate le analisi di coorte) in modo rapido, semplice e decisamente intuitivo.

 

Ciao, io sono Niky! 💡 Scarica l’e-book 👇🏻 per conoscermi meglio

Clicca qui per scaricare la Guida: "Non tutti i clienti sono uguali: le nuove frontiere del Data Driven Marketing"

Approfondimenti da BNext:

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,...

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 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.

Dataiku viene lanciato in AWS Marketplace

Tutti i clienti AWS potranno accedere a Dataiku e sfruttare la potenza dell’AI: infatti Dataiku adesso è disponibile sul marketplace AWS.

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