Python per marketing data science

Un notebook produce segmenti, previsioni e grafici convincenti, ma la campagna ha bisogno di output puliti, ripetibili e spiegabili. Python per marketing data science non è una gara di librerie: è il modo per trasformare dati marketing in analisi, modelli e artefatti che il team può usare.

Una scena da cui partire

Leggi la lezione come disciplina di lavoro: importare dati, creare feature, valutare modelli e consegnare risultati devono restare tracciabili. Il codice utile non impressiona, riduce ambiguità operativa.

• Contesto: Quale output Python deve essere usato da marketing o finance?
• Metodo: Quale controllo rende ripetibile il notebook?
• Applicazione: Quale parte trasformeresti in pipeline prima della produzione?

Dall’Estrazione alla Manipolazione: Il Ruolo di pandas

Il punto di partenza di ogni analisi di marketing data science è il dato grezzo, spesso frammentato tra data warehouse, log di eventi e API di terze parti. Se SQL è il bisturi per estrarre insiemi di dati specifici, pandas è il laboratorio in cui questi dati vengono puliti, trasformati e arricchiti per diventare materia prima per modelli complessi. La sua struttura centrale, il DataFrame, è molto più di una semplice tabella: è un oggetto flessibile e potente che consente operazioni vettorializzate, manipolazioni di serie storiche e aggregazioni complesse con una sintassi intuitiva.

Immaginiamo di dover costruire un dataset per un modello di churn prediction. Una query SQL potrebbe estrarre l’elenco degli utenti e le loro transazioni. Ma il dato grezzo è raramente utilizzabile “così com’è”. Dobbiamo ingegnerizzare delle features, ovvero delle variabili che catturino il comportamento dell’utente in modo quantitativo. Qui pandas eccelle. Partendo da una tabella di transazioni con user_id, timestamp e amount, possiamo calcolare metriche RFM (Recency, Frequency, Monetary) in poche righe di codice. La Recency (quanto tempo è passato dall’ultimo acquisto) si calcola sottraendo il timestamp dell’ultimo acquisto di ogni utente dalla data odierna. La Frequency (quanti acquisti ha fatto in un dato periodo) si ottiene con un groupby('user_id').count(). La Monetary (il valore medio o totale degli acquisti) con un groupby('user_id').sum().

Ma possiamo spingerci oltre. Possiamo calcolare la varianza nell’intervallo tra gli acquisti per distinguere clienti abituali da acquirenti sporadici. Possiamo arricchire il dato con informazioni esterne, ad esempio unendo tramite pd.merge il nostro DataFrame transazionale con i log del customer service per creare una feature come numero_ticket_aperti. O ancora, possiamo analizzare i dati di navigazione per calcolare tempo_medio_sessione o categorie_prodotto_visitate. Queste operazioni, che in SQL richiederebbero query complesse, lente e difficili da manutenere, in pandas sono espresse in modo conciso e performante. La vera potenza emerge quando queste feature vengono combinate. Un utente con alta frequenza e alto valore monetario ma con una recency in rapido aumento e un numero crescente di ticket di supporto è un profilo di rischio molto specifico, invisibile a un’analisi aggregata ma chiaramente identificabile attraverso feature engineering mirato. pandas è il ponte che trasforma i dati grezzi in una rappresentazione ricca e sfumata del comportamento del cliente, pronta per essere data in pasto agli algoritmi di machine learning.

Modellazione Predittiva con scikit-learn: Segmentazione e Churn

Una volta che pandas ci ha fornito un dataset pulito e ricco di features, scikit-learn entra in gioco per costruire modelli predittivi. Questa libreria è lo standard de facto nel machine learning per la sua API unificata, la vasta gamma di algoritmi implementati e la sua robusta infrastruttura per la validazione dei modelli. Nel marketing, due delle applicazioni più comuni sono la classificazione (es. prevedere se un cliente farà churn o meno) e la regressione (es. prevedere il Customer Lifetime Value, o LTV).

Prendiamo il problema del churn. L’obiettivo è costruire un modello che, dato un insieme di feature comportamentali di un utente (RFM, interazioni con il sito, uso di coupon, etc.), assegni una probabilità di abbandono nei successivi 30 giorni. Usando scikit-learn, il processo è strutturato. Primo, si dividono i dati in un set di addestramento (train set) e uno di test (test set) con train_test_split. Questo passaggio è metodologicamente vitale: il modello viene “allenato” sui dati di training e la sua performance viene valutata sui dati di test, che non ha mai visto prima. Questo simula come il modello si comporterà su nuovi clienti in futuro e previene l’overfitting, ovvero la creazione di un modello che impara a memoria i dati di training ma non riesce a generalizzare.

Successivamente, si sceglie un algoritmo. Per un problema di classificazione come il churn, una RandomForestClassifier è una scelta solida. È un modello basato su un insieme di alberi decisionali, robusto all’overfitting e capace di catturare interazioni complesse tra le feature. Dopo aver addestrato il modello con il metodo .fit(X_train, y_train), otteniamo non solo la capacità di predire, ma anche di interpretare. Una delle funzionalità più potenti delle foreste casuali è la stima dell’importanza delle feature (feature_importances_). Questa non è un’informazione puramente accademica: per un marketing manager, sapere che la feature giorni_dall_ultima_apertura_email è un predittore di churn molto più forte del valore_medio_ordine ha implicazioni dirette sulla strategia. Suggerisce che le campagne di re-engagement dovrebbero forse concentrarsi più sulla comunicazione e meno sugli sconti.

Caso di Studio: Netflix e la Personalizzazione Anti-Churn

Netflix è un maestro nell’uso di modelli predittivi per combattere il churn. Sebbene i dettagli dei loro algoritmi siano proprietari, il principio è lo stesso. Ogni interazione di un utente — cosa guarda, quando lo guarda, cosa interrompe a metà, quali generi preferisce, su quale dispositivo — diventa una feature in un massiccio modello di machine learning. L’obiettivo non è solo predire la probabilità di disdetta, ma agire preventivamente. Se il modello identifica un utente a rischio perché non trova contenuti di suo gradimento da due settimane, il sistema di raccomandazione può intervenire in modo proattivo, mettendo in evidenza sulla sua homepage un nuovo film di un regista che ama o la nuova stagione di una serie simile a quelle che ha divorato in passato. Questa personalizzazione estrema, alimentata da modelli costruiti con strumenti concettualmente simili a scikit-learn, ha permesso a Netflix di mantenere tassi di churn mensili stimati tra il 2% e il 3% in mercati competitivi come quello statunitense, un risultato che, su una base di oltre 200 milioni di abbonati, si traduce in miliardi di dollari di ricavi salvati ogni anno. L’analisi non si limita a dire “questo utente è a rischio”, ma fornisce il “perché” (mancanza di contenuti rilevanti) e abilita l’azione correttiva (raccomandazione mirata).

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score, roc_curve
import matplotlib.pyplot as plt

# Assumiamo di avere un DataFrame 'df' già caricato e preparato
# con le seguenti colonne: user_id, churned_in_30d (target),
# e features come recency_days, frequency_90d, monetary_90d,
# avg_session_length, support_tickets_opened.

# Esempio di dati sintetici
data = {
    'user_id': range(1000),
    'recency_days': [int(x) for x in np.random.uniform(1, 90, 1000)],
    'frequency_90d': [int(x) for x in np.random.uniform(0, 50, 1000)],
    'monetary_90d': np.random.uniform(10, 500, 1000),
    'support_tickets_opened': np.random.choice([0, 1, 2, 3], 1000, p=[0.7, 0.15, 0.1, 0.05]),
    'churned_in_30d': np.random.choice([0, 1], 1000, p=[0.8, 0.2])
}
df = pd.DataFrame(data)

# 1. Preparazione dei dati
features = ['recency_days', 'frequency_90d', 'monetary_90d', 'support_tickets_opened']
target = 'churned_in_30d'

X = df[features]
y = df[target]

# 2. Suddivisione in set di addestramento e test
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.3,    # 30% dei dati per il test
    random_state=42,  # Per la riproducibilità
    stratify=y        # Mantiene la proporzione del target nei due set
)

# 3. Addestramento del modello
# Usiamo una RandomForest con parametri bilanciati per gestire lo sbilanciamento delle classi
model = RandomForestClassifier(
    n_estimators=150,
    max_depth=5,
    random_state=42,
    class_weight='balanced'
)
model.fit(X_train, y_train)

# 4. Valutazione del modello
# Prevediamo le probabilità sul set di test
y_pred_proba = model.predict_proba(X_test)[:, 1]

# Calcoliamo l'AUC, una metrica robusta per la classificazione
auc = roc_auc_score(y_test, y_pred_proba)
print(f"Area Under the ROC Curve (AUC): {auc:.4f}")

# 5. Interpretazione: Feature Importance
importance = pd.Series(model.feature_importances_, index=features)
importance_sorted = importance.sort_values(ascending=False)

print("\nImportanza delle feature:")
print(importance_sorted)

# Un team di marketing potrebbe usare questa classifica per decidere se
# investire in un miglior customer service (se 'support_tickets_opened' è alta)
# o in campagne di re-engagement (se 'recency_days' è alta).

Inferenza e Causalità con statsmodels: Misurare l’Impatto

Se scikit-learn eccelle nel predire, statsmodels è lo strumento d’elezione per l’inferenza statistica e l’analisi causale. La domanda a cui risponde non è “chi farà churn?”, ma “perché lo fa?” o, più precisamente, “l’aver lanciato la campagna X ha ridotto il churn, e di quanto?”. Questa distinzione è sottile ma fondamentale. Un modello predittivo potrebbe scoprire che gli utenti che usano i buoni sconto hanno un churn più alto. Un manager frettoloso potrebbe concludere: “smettiamo di dare sconti!”. Ma questa è una correlazione, non una causalità. È probabile che i buoni sconto vengano offerti proprio agli utenti a rischio, nel tentativo di trattenerli. Lo sconto non causa il churn, ma è associato ad esso.

statsmodels permette di andare oltre la semplice correlazione. Attraverso modelli come la regressione lineare (OLS, Ordinary Least Squares) o la regressione logistica, possiamo stimare l’effetto di una variabile (es. l’esposizione a una campagna marketing) su un outcome (es. l’acquisto o il churn), tenendo sotto controllo altre variabili (es. la stagionalità, la tenure del cliente, il suo comportamento passato). Questo “tenere sotto controllo” è il cuore dell’inferenza.

Immaginiamo di voler misurare l’impatto di una nuova campagna email sul valore degli ordini. Potremmo semplicemente confrontare l’Average Order Value (AOV) di chi ha ricevuto l’email con chi non l’ha ricevuta. Ma questo approccio è ingenuo. I clienti selezionati per la campagna potrebbero essere già i nostri clienti migliori. Con statsmodels, possiamo costruire un modello di regressione lineare dove la variabile dipendente è l’AOV e le variabili indipendenti includono una variabile binaria ha_ricevuto_email più una serie di variabili di controllo (AOV passato, frequenza d’acquisto, etc.). L’output di statsmodels.OLS non è solo una predizione, ma una tabella di sintesi ricchissima. Per ogni variabile, otteniamo un coefficiente (che stima l’impatto), un p-value (che ci dice se l’effetto è statisticamente significativo) e un intervallo di confidenza (che ci dà un range di valori plausibili per l’effetto). Se il coefficiente per ha_ricevuto_email è +5.3 e il suo p-value è 0.01, possiamo affermare con una certa confidenza che la campagna ha aumentato l’AOV di circa 5.3€, al netto degli altri fattori. Questa è un’informazione su cui si può basare una decisione di budget.

Prevedere la Domanda con Prophet: Oltre la Semplice Regressione

Il marketing è intrinsecamente legato al tempo. Le vendite hanno picchi stagionali, le campagne hanno un effetto che decade, il comportamento degli utenti cambia nel corso dell’anno. Analizzare e prevedere queste serie storiche è un compito specifico che richiede strumenti adatti. Prophet, una libreria sviluppata da Facebook (ora Meta), è stata creata proprio per questo: rendere il forecasting di serie storiche aziendali accessibile, robusto e interpretabile. A differenza dei modelli statistici classici (come ARIMA), Prophet è progettato per gestire le tipicità dei dati di business: stagionalità multiple (settimanale, annuale), effetto dei giorni festivi, dati mancanti e cambi di trend.

Il suo approccio è intuitivo: scompone la serie storica in tre componenti principali, modellate in modo additivo: y(t) = g(t) + s(t) + h(t) + εt.

1. g(t) è il trend, ovvero la crescita o decrescita di lungo periodo. Prophet lo modella in modo flessibile, permettendo al trend di cambiare in specifici “changepoints” che l’algoritmo rileva automaticamente. Ad esempio, il lancio di un nuovo prodotto o l’ingresso in un nuovo mercato potrebbe cambiare permanentemente la traiettoria delle vendite.
2. s(t) è la stagionalità. Prophet può catturare simultaneamente la stagionalità settimanale (le vendite sono più alte nel weekend?) e quella annuale (le vendite esplodono a Natale?). Questa componente viene modellata usando le serie di Fourier, un approccio matematico che permette di approssimare qualsiasi pattern periodico.
3. h(t) è l’effetto dei giorni festivi e di eventi speciali. Possiamo fornire a Prophet una lista di festività (es. Natale, Black Friday) e lui stimerà l’impatto specifico di ciascuna. Questo è cruciale per distinguere un picco dovuto a un evento ricorrente da un cambiamento strutturale nel trend.

L’utilizzo pratico è semplice. Si parte da un DataFrame pandas con due colonne: ds (la data) e y (il valore da prevedere, es. le vendite giornaliere). Con poche righe di codice, si inizializza il modello, lo si addestra sui dati storici e si genera una previsione per il futuro, completa di intervalli di incertezza. L’output non è solo un numero, ma un grafico che scompone la previsione nelle sue componenti di trend e stagionalità, rendendo il modello facilmente interpretabile da un analista o da un manager. Per un team di marketing, questo significa poter pianificare l’inventario per il Black Friday con mesi di anticipo, allocare il budget pubblicitario per massimizzare l’impatto durante i periodi di alta domanda e valutare se un picco di vendite è dovuto alla normale stagionalità o al successo di una campagna specifica.

Caso di Studio: Spotify e l’Analisi Temporale dell’Ascolto

Sebbene Spotify non usi Prophet per la sua celebre playlist “Discover Weekly”, i principi di analisi delle serie temporali sono al centro del suo successo. Per generare raccomandazioni personalizzate, Spotify analizza i pattern di ascolto di milioni di utenti nel tempo. Riconosce che le abitudini di ascolto di un utente il lunedì mattina (magari musica concentrata per il lavoro) sono diverse da quelle del venerdì sera (musica energica per uscire). Questa è una forma di stagionalità giornaliera e settimanale. L’algoritmo di “Discover Weekly” non si limita a suggerire canzoni simili a quelle già ascoltate, ma le contestualizza nel tempo, imparando quali tipi di musica un utente preferisce in diversi momenti della settimana. Questa profonda comprensione dei pattern temporali, analizzati su scala massiccia, ha permesso a Spotify di creare un prodotto che genera un’enorme fedeltà. Si stima che “Discover Weekly” generi miliardi di stream, aumentando significativamente l’engagement e la retention degli utenti. Invece di prevedere le vendite, Spotify prevede il “mood” musicale, un’applicazione sofisticata degli stessi concetti di trend e stagionalità che Prophet democratizza.

Dal Modello all’Azione: Un Laboratorio Pratico

La vera potenza di Python emerge quando questi strumenti vengono orchestrati in un workflow end-to-end che parte da una domanda di business e arriva a un’azione concreta. Un modello di churn che rimane in un Jupyter Notebook è un esercizio accademico; un modello che ogni giorno identifica i clienti a rischio e invia i loro ID a una piattaforma di marketing automation per una campagna di re-engagement mirata è uno strumento di business che genera valore.

Il workflow tipico segue questi passi:

1. Definizione del Problema: Si parte da una domanda chiara. Esempio: “Vogliamo identificare i clienti con una probabilità di churn superiore al 70% nel prossimo mese per includerli in una campagna di retention personalizzata”.
2. Estrazione e Preparazione Dati (pandas): Si scrive uno script che si connette al data warehouse, estrae i dati grezzi (transazioni, log di navigazione, etc.) e applica tutta la logica di feature engineering discussa in precedenza.
3. Addestramento e Salvataggio del Modello (scikit-learn): Si addestra il modello di classificazione sui dati preparati. Invece di rieseguire l’addestramento ogni volta, il modello addestrato viene serializzato e salvato su disco (ad esempio con la libreria joblib).
4. Inferenza (predict_proba): Si crea uno script di “scoring” che carica il modello salvato, prende in input i dati aggiornati dei clienti attivi, e per ciascuno calcola la probabilità di churn.
5. Attivazione: Lo script seleziona gli user_id che soddisfano la condizione definita al punto 1 (probabilità >0.7) e li carica in una tabella del data warehouse o li invia tramite API a sistemi esterni come Salesforce Marketing Cloud, Braze o Intercom.

Questo processo, automatizzato per essere eseguito a cadenza giornaliera o settimanale, trasforma il data science da un’attività di reporting a un motore decisionale proattivo.

Mettiamoci alla Prova: Un Laboratorio Pratico

Per consolidare questi concetti, proviamo a strutturare un piccolo laboratorio. Ipotizziamo di avere un file transactions.csv con le colonne user_id, transaction_date, amount.

Esercizio 1 (Feature Engineering con pandas): Scrivere uno script Python che legga transactions.csv e produca un DataFrame a livello utente. Per ogni user_id, calcolare:

• recency: giorni dall’ultima transazione (rispetto a una data di riferimento, es. il giorno dopo l’ultima transazione nel dataset).
• frequency: numero totale di transazioni.
• monetary_value: valore medio delle transazioni. Questo nuovo DataFrame sarà la base per il nostro modello.

Esercizio 2 (Modellazione Semplificata con scikit-learn): Aggiungiamo al DataFrame dell’esercizio 1 una colonna target fittizia, churned, basata su una regola semplice (es. churned = 1 se recency >90, altrimenti 0).

• Dividere i dati in training e test set.
• Addestrare un modello LogisticRegression di scikit-learn per predire churned usando recency, frequency e monetary_value.
• Valutare l’accuratezza del modello sul test set. Sebbene semplice, questo esercizio simula il nucleo di un progetto di churn prediction.

Esercizio 3 (Segmentazione per l’Attivazione): Usando il modello addestrato nell’esercizio 2, calcolare la probabilità di churn per tutti gli utenti nel dataset originale.

• Creare una nuova colonna churn_probability.
• Scrivere una funzione che segmenti gli utenti in tre fasce di rischio: “Basso” (probabilità <0.3), “Medio” (0.3 <= probabilità < 0.7), “Alto” (probabilità >=0.7).
• Restituire un elenco degli user_id nel segmento “Alto Rischio”. Questo elenco è l’output concreto che verrebbe passato al team di marketing per l’attivazione.

Summary

L’ecosistema Python, con librerie come pandas, scikit-learn, statsmodels e Prophet, offre al marketing data scientist un arsenale completo per superare i limiti dell’analisi descrittiva. pandas permette di trasformare dati grezzi in feature comportamentali significative. scikit-learn costruisce modelli predittivi per anticipare comportamenti come il churn o stimare il valore di un cliente. statsmodels fornisce gli strumenti per l’inferenza causale, consentendo di misurare con rigore l’impatto reale delle iniziative di marketing. Prophet democratizza il forecasting di serie storiche, abilitando una pianificazione più intelligente di budget e inventario. L’integrazione di questi strumenti in workflow automatizzati permette di passare dall’analisi all’azione, trasformando i dati in decisioni che guidano la crescita, ottimizzano la spesa e migliorano l’esperienza del cliente. Abbandonare il solo regno del “cosa è successo” per abbracciare il “cosa succederà” e il “perché” non è più un’opzione, ma una necessità strategica.

References

• Fader, P. S., Hardie, B. G., & Lee, K. L. (2005). “Counting your customers” the easy way: An alternative to the Pareto/NBD model. *Marketing

Problema reale

Nel dominio di marketing data science, Python per marketing data science serve a risolvere questo problema: usare modelli e segmentazioni per decidere dove intervenire, non per produrre complessità fine a se stessa. La lezione non va trattata come teoria isolata, ma come un modo per migliorare una scelta concreta con dati, assunzioni esplicite e controlli minimi.

Obiettivo operativo: Comprendere il problema analitico e il contesto decisionale; Applicare esempi, metriche e controlli a casi reali. Se alla fine non sai indicare quale decisione cambia, quale dato osservi e quale errore vuoi evitare, la lezione non è ancora diventata competenza applicata.

Modello concettuale

Fase	Cosa chiarire	Output
Domanda	Quale scelta reale deve migliorare?	Decisione da prendere
Misura	Quale segnale osservabile rappresenta il problema?	Metrica o dato sorgente
Controllo	Quale baseline rende il risultato interpretabile?	Confronto credibile
Azione	Che cosa cambia dopo l’analisi?	Prossimo passo operativo

Il modello concettuale è intenzionalmente semplice: decisione, dato, controllo, azione. Ogni approfondimento tecnico deve rafforzare almeno uno di questi quattro punti.

Formalizzazione rigorosa

Per rendere Python per marketing data science analizzabile, definisci prima l’unità di lavoro: cliente, campagna, segmento, previsione o feature. Poi collega questa unità a una metrica osservabile: lift, errore, stabilità, valore marginale e costo operativo. Infine dichiara la decisione attesa: modello, esperimento, segmento attivabile o raccomandazione.

Elemento	Specifica richiesta
Unità di analisi	cliente, campagna, segmento, previsione o feature
Segnale principale	lift, errore, stabilità, valore marginale e costo operativo
Baseline	Periodo precedente, gruppo comparabile, benchmark o scenario controfattuale
Decisione	modello, esperimento, segmento attivabile o raccomandazione
Rischio	Scambiare un numero disponibile per una prova sufficiente

La formalizzazione e solida quando un altro analista può riprodurre la logica, criticare le assunzioni e ottenere la stessa decisione partendo dagli stessi dati.

Esempio o caso studio

Un notebook costruisce feature RFM, allena un modello di propensione e genera una lista per il CRM. Il caso diventa professionale quando il codice salva dataset intermedi, documenta filtri, rende ripetibile lo scoring e produce un output che marketing può caricare senza interpretazioni manuali.

Evidenza osservata	Lettura prudente	Azione consigliata
Il numero migliora	Potrebbe essere effetto reale o variazione normale	Cercare confronto e segmento
Un segmento cambia più degli altri	La media aggregata nasconde una differenza	Separare coorti o casi d’uso
Il costo cresce insieme al risultato	L’impatto va letto sul margine	Stimare trade-off e sostenibilità

Lab / esercizio

Livello base

Scrivi una scheda di una pagina per Python per marketing data science: decisione da supportare, metrica primaria, baseline, rischio principale e azione se il segnale e confermato.

Livello intermedio

Costruisci una tabella con tre segmenti, periodi o scenari. Per ciascuno indica cosa cambia, quale spiegazione alternativa e plausibile e quale controllo useresti prima di raccomandare un azione.

Livello research-grade

Prepara un decision memo: ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio dopo la decisione.

Dataset e materiali consigliati

Usa CRM, campagne, transazioni, feature marketing, testo, embeddings e serie storiche. Se non hai accesso a dati reali, crea un dataset sintetico con almeno 200 righe, una dimensione temporale, una dimensione segmento e una metrica di outcome.

Errore tipico da evitare

L’errore più comune e usare Python per marketing data science come etichetta invece che come processo. Succede quando il team mostra un grafico senza decisione, una metrica senza baseline, o una conclusione senza indicare quale assunzione potrebbe invalidarla.

La domanda di controllo è: se questo risultato fosse instabile, quale scelta sbaglierei? Se la risposta non è concreta, manca ancora il collegamento tra analisi e azione.

Quiz o checkpoint

1. Quale decisione concreta dovrebbe migliorare questa lezione?
2. Quale unità di analisi rende il problema misurabile?
3. Quale baseline useresti per evitare una lettura ingenua?
4. Quale errore tipico potrebbe cambiare la conclusione?
5. Quale output consegneresti a uno stakeholder non tecnico?

Riepilogo operativo

Python per marketing data science diventa utile quando produce una decisione più chiara, non quando aggiunge terminologia. Usa il framework problema, modello, formalizzazione, esempio, lab e checkpoint per trasformare la lezione in pratica verificabile. Categoria: Tecnico. Difficoltà: advanced. Tempo stimato: 22 min.