import pandas as pd

Cheat sheet di marketing data science

Questa pagina raccoglie i controlli che servono prima di consegnare un modello di marketing. La categoria è Sintesi Operativa, quindi non serve accumulare definizioni: serve sapere quale decisione cambia quando il dato diventa più affidabile, e con quali soglie e guardrail.

A cosa serve la pagina

Prima di mettere in produzione un modello di marketing, la sola accuracy non basta. Servono baseline, costo dell’azione, incremento atteso, segmento attivabile, rischio di bias e piano di monitoraggio. Questa cheat sheet tiene insieme quei controlli in forma operativa, così non ti ritrovi con un numero alto e nessuna idea di cosa farci.

Il problema vero non è conoscere le tecniche in astratto. È decidere cosa fare quando i dati sono incompleti, le metriche ambigue o i vincoli tecnici rendono fragile la lettura del fenomeno. Una pagina utile separa il segnale dal rumore, indica quale baseline usare e dice quale azione diventa più difendibile dopo l’analisi.

La sequenza di lavoro

Usa questa sequenza come mappa quando apri un nuovo problema. Ogni passaggio rende più chiaro il costo di una decisione sbagliata e impedisce di trasformare una tecnica in un rituale vuoto.

Step	Question to ask	Expected output
Decision	Che cosa cambia se capiamo meglio il fenomeno?	Scelta esplicita
Signal	Quale dato osservabile riduce l’incertezza?	Metrica o evento
Baseline	Rispetto a cosa interpretiamo il risultato?	Credible comparison
Vincolo	Che cosa può falsare la lettura?	Assunzione da dichiarare
Action	Quale passo operativo segue?	Raccomandazione controllabile

Come formalizzare il problema

Formalizzare un’analisi vuol dire renderla una relazione esplicita tra decisione, evidenza e rischio. Non serve a complicare, serve a rendere visibili le assunzioni: così uno stakeholder discute il criterio decisionale invece di fidarsi del risultato per autorità.

Element	Operational Definition	Controllo minimo
Unit of analysis	Oggetto su cui misuri il fenomeno	Utente, account, evento, ordine o periodo
Variabile osservata	Segnale che rappresenta il comportamento	Definizione stabile e tracciabile
Baseline	Stato contro cui confronti il segnale	Periodo, segmento, controllo o benchmark
Soglia decisionale	Punto in cui cambia l’azione	Criterio scritto prima della lettura
Rischio residuo	Errore che può restare anche dopo l’analisi	Sensitivity check o revisione qualitativa

Dalla segmentazione statica a quella comportamentale

La segmentazione è il fondamento di qualsiasi strategia di marketing intelligente, ma l’approccio tradizionale mostra oggi i suoi limiti. L’analisi RFM (Recency, Frequency, Monetary) resta un punto di partenza valido: fotografa il comportamento passato del cliente e lo assegna a cluster statici come “Clienti Fedeli”, “A Rischio” o “Clienti Persi”. Il metodo è reattivo. Ci dice cosa è successo, ma offre pochi indizi sul perché e su cosa accadrà dopo. Un cliente con alta Frequenza e valore Monetario ma bassa Recency viene etichettato come “a rischio”. Ma perché? Ha trovato un’alternativa migliore, è in vacanza, oppure il suo bisogno è stagionale? L’RFM non può rispondere.

La data science moderna supera questi limiti integrando dati comportamentali ad alta dimensionalità e applicando algoritmi di clustering non supervisionati come il K-Means o il DBSCAN. Lavorando per Zalando, invece di basarci solo sulle transazioni possiamo costruire un “vettore utente” che includa segnali di navigazione, interazione e preferenza, non solo il valore degli ordini.

Un caso da cui ragionare

Immagina un team che deve decidere se cambiare una pipeline, una metrica, un investimento o una dashboard. La domanda non è “qual è la definizione corretta?” ma “quale scelta diventa meno rischiosa se questa analisi è fatta bene?”. La tabella mostra alcune situazioni ricorrenti e come leggerle senza prendere l’abbaglio.

Situation	Cautious interpretation	Decision
Il dato migliora ma la baseline è debole	Il segnale potrebbe essere reale o dipendere dal campione	Rafforzare il confronto prima di scalare
La metrica cambia in un solo segmento	The average effect hides heterogeneity	Separate cohorts or use cases
Il costo operativo aumenta	Il beneficio va valutato sul margine	Applicare una soglia economica esplicita
Il sistema produce numeri incoerenti	La fiducia nel dato è parte della decisione	Correggere ownership e controlli

Esercizio

Al livello base, scrivi in cinque righe quale decisione concreta dovrebbe migliorare il tuo modello, indicando metrica, unità di analisi, baseline e rischio principale. Se non riesci a nominare la decisione, il lavoro è ancora troppo astratto.

Al livello intermedio, costruisci una tabella con quattro colonne: segnale osservato, interpretazione prudente, controllo necessario, azione consigliata. Includi almeno un caso in cui il segnale non basta per decidere.

Al livello research-grade, trasforma l’esercizio in un memo decisionale che includa assunzioni, criteri di esclusione, soglia di intervento, sensitivity check e una proposta di monitoraggio dopo la decisione. Come dataset usa un export reale, una tabella sintetica, una dashboard interna o un notebook di studio, purché contenga almeno una dimensione di segmento, una metrica osservabile e un periodo di confronto.

L’errore tipico

L’errore più comune è usare un modello di marketing come etichetta tecnica invece che come criterio di scelta. Succede quando il team presenta un numero senza dire quale decisione cambia, quale baseline lo rende interpretabile e quale rischio resta aperto. In quel caso il dato sembra preciso, ma non guida l’azione. La domanda di controllo: se questo risultato fosse instabile, quale scelta sbaglierei?

Checklist prima dell’attivazione

Usa questa checklist come postazione di lavoro prima di attivare segmenti, predizioni o raccomandazioni. Il modello è pronto solo quando sai quale decisione cambia, con quale soglia, con quale guardrail e con quale rollback.

Control	Question
Decision	Che cosa cambia dopo questa analisi?
Metric	Quale segnale osservabile userai?
Baseline	Quale confronto rende il segnale credibile?
Risk	Quale errore può portare a una scelta sbagliata?
Action	Quale passo operativo segue?

Dettagli, formule o esempi servono solo se rendono più chiaro uno di questi controlli.

Summary

Un modello di marketing è utile quando riduce l’incertezza su una scelta reale. La forma corretta del ragionamento resta sempre la stessa: decisione, segnale, baseline, rischio e azione. Tutto il resto serve solo se rende più affidabile uno di questi passaggi.