Marketing data science: fundamentals and strategy

La marketing data science è una scelta operativa, non un repertorio di definizioni. Lavori su modelli, segmenti, causalità e decisioni di marketing, e la domanda che conta non è quale algoritmo conosci ma quale decisione cambia quando il dato diventa più affidabile. Questa lezione tratta proprio quel passaggio: dal modello al conto economico che il modello dovrebbe migliorare.

Il problema vero

Conoscere la marketing data science in astratto non serve. Serve decidere cosa fare quando il team ha dati incompleti, metriche ambigue o vincoli tecnici che rendono fragile la lettura del fenomeno. Il lavoro consiste nel separare il segnale dal rumore, scegliere una baseline credibile e indicare quale azione diventa più difendibile dopo l’analisi.

Quasi sempre un progetto nasce con una richiesta vaga, del tipo “usiamo machine learning per migliorare il marketing”. Senza una decisione concreta da migliorare, il modello diventa teatro tecnologico. La data science torna al suo posto quando la usi per scegliere meglio segmenti, budget, messaggi e interventi.

La mappa di lavoro

Tieni davanti questa sequenza quando imposti un’analisi. Ogni passaggio rende più visibile il costo di una decisione sbagliata, e impedisce che una nozione tecnica diventi 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

Rendere esplicite le assunzioni

Conviene formalizzare l’analisi come una relazione tra decisione, evidenza e rischio. Non per complicare le cose, ma per rendere discutibili le assunzioni: così uno stakeholder può criticare 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

Prima di scegliere algoritmi devi chiarire valore economico, costo dell’azione, baseline, dati disponibili e chi userà l’output. La parte più importante è che il modello non è il prodotto finale: lo è la decisione di business che il modello supporta. Un modello con AUC 0.95 che non viene mai usato per decidere è un fallimento. Un modello con AUC 0.72 che guida un intervento di retention da €500K di LTV salvato è un successo.

The three areas of marketing data science

Il lavoro si distribuisce su tre aree. La prima è segmentazione e targeting: capire chi sono i clienti, raggrupparli in modo utile e raggiungere ciascun gruppo con il messaggio giusto.

La seconda è la predizione. Quali clienti compreranno? Chi churnerà? Qual è il LTV previsto per un nuovo cliente dopo soli 7 giorni di dati?

La terza è causalità e sperimentazione. Questo canale sta really causing more sales or is it spurious correlation? What is the incremental effect of a campaign?

Necessary skills

Per coprire queste tre aree servono profili tecnici e di dominio insieme. La tabella sotto indica i livelli e gli strumenti tipici.

Expertise	Required level	Tool
Python	Intermediate-advanced	pandas, scikit-learn, statsmodels
Statistics	Intermediate (hypothesis testing, regression, Bayesian basics)	scipy, statsmodels
SQL	Advanced (window functions, CTE, complex queries)	Native warehouse
Marketing domain	Business understanding	Framework: CAC, LTV, ROAS, funnel
ML operations	Base (training, validation, deploy)	MLflow, dbt
Communication	Advanced (storytelling, visualization)	matplotlib, seaborn, deck

The marketing data scientist workflow

Il lavoro segue un percorso abbastanza stabile, dalla domanda di business fino al deployment dello scoring.

1. Business question  →  "Why did the conversion rate drop in France?"
2. Hypothesis         →  "Is it due to the new checkout flow launched on March 5?"
3. Data extraction    →  SQL from warehouse: transactions, events, campaigns
4. EDA                →  pandas: segment by country, day, device
5. Feature eng        →  Create predictive variables from behavior
6. Modeling           →  Regression, classification, statistical test
7. Validation         →  Holdout test, cross-validation, backtest
8. Insight            →  Translate coefficients/feature importance into business language
9. Recommendation     →  "I recommend reverting the checkout flow in France"
10. Deployment        →  Integrate scoring into daily data pipeline

Il punto di tutto il percorso resta lo stesso: il prodotto finale è la decisione, non il modello.

Il paradosso della fiducia

C’è un paradosso che ogni marketing data scientist incontra. Più il modello è complesso, dal deep learning al gradient boosting estremo, meno gli stakeholder si fidano. Più è semplice, come una regressione lineare o una media mobile, più viene adottato. La risposta non è semplificare i modelli ma comunicarli meglio.

Tre leve aiutano. Gli SHAP values spiegano perché il modello ha dato quella predizione per quel cliente. La what-if simulation mostra cosa succede al risultato se migliori una feature di X. La traduzione in metrica di business sostituisce “AUC 0.84” con “catturiamo il 64% dei churner veri nel top 20% a rischio”.

Caso reale: la data science nel marketing di Spotify

Spotify non ha un team di marketing data science separato: la data science è dentro il prodotto e il marketing. Discover Weekly è un modello di collaborative filtering che genera playlist personalizzate; non è marketing diretto, ma resta lo strumento di retention più potente dell’azienda. Wrapped è la campagna annuale di data storytelling che trasforma i dati di ascolto in contenuti virali, e nel 2023 ha generato 120 milioni di condivisioni social. La churn intervention è un modello predittivo che individua gli utenti a rischio e attiva offerte personalizzate, ad esempio 3 mesi a prezzo scontato.

Il filo conduttore è che in Spotify la data science non è un report separato dal prodotto. È il prodotto stesso, e questo indica la direzione del marketing data science.

Quando non serve la data science

Non tutto richiede un modello predittivo. Bastano SQL e analisi descrittiva quando la domanda è “quanto?” e non “quanto sarà?”, come la revenue del mese scorso. Lo stesso vale quando il campione è piccolo (<1.000 osservazioni) e i modelli ML diventano rumorosi, oppure quando la decisione è one-shot e non hai dati storici. Se il costo dell’errore del modello supera il costo di non usarlo, lascia perdere il modello. E se lo stakeholder non si fida e non userà l’output, parti da dashboard semplici e introduci i modelli gradualmente.

Quality control

Prima di portare un’analisi in una decisione, controlla completezza, duplicati, timezone, definizioni cambiate e segmenti esclusi. Molte analisi apparentemente sofisticate falliscono perché il dato di partenza misura un comportamento diverso da quello che il team crede di osservare. La domanda di controllo è semplice: se questo risultato fosse instabile, quale scelta sbaglierei? Se la risposta non è concreta, manca ancora il collegamento tra analisi e azione.

Esempio: dalla richiesta vaga alla decisione misurabile

Prima del kickoff il team riscrive “facciamo AI sul marketing” in una decisione misurabile: scegliere quali clienti contattare questa settimana con un budget limitato. Da quel momento baseline, dati, modello e metrica hanno un perimetro concreto, e ogni segnale si può leggere insieme alla sua spiegazione alternativa.

Observed evidence	Cautious interpretation	Recommended action
The number improves	Could be a real effect or normal variation	Look for comparison and segment
One segment changes more than others	The aggregated average hides a difference	Separate cohorts or use cases
Cost grows along with the result	Impact must be read on the margin	Estimate trade-offs and sustainability

Lab

Al livello base, scrivi una scheda di una pagina con decisione da supportare, metrica primaria, baseline, rischio principale e azione se il segnale è confermato. Se non riesci a nominare la decisione, la lezione è ancora troppo astratta.

Al livello intermedio, costruisci una tabella con tre segmenti, periodi o scenari. Per ciascuno indica cosa cambia, quale spiegazione alternativa è plausibile e quale controllo useresti prima di raccomandare un’azione.

Al livello research-grade, prepara un decision memo con ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio dopo la decisione.

Per i dati 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.

L’errore tipico da evitare

L’errore più comune è usare la 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. In quel caso il dato sembra preciso ma non guida l’azione.

Checkpoint

Verifica la lezione con cinque domande. Quale decisione concreta dovrebbe migliorare? Quale unità di analisi rende il problema misurabile? Quale baseline useresti per evitare una lettura isolata? Quale errore tipico potrebbe cambiare la conclusione? E quale output consegneresti a uno stakeholder non tecnico?

Hai assimilato la materia quando riesci a fare tre cose: spiegare il concetto senza gergo inutile, applicarlo a un caso piccolo ma realistico, e difendere una raccomandazione includendo limiti e prossimi controlli. Se manca uno dei tre, torna alla mappa di lavoro e riduci l’ambizione dell’esempio.

Summary

La marketing data science diventa utile quando produce una decisione più chiara, non quando aggiunge terminologia. La forma corretta della lezione è sempre la stessa: decisione, segnale, baseline, rischio e azione. Tutto il resto serve solo se rende più affidabile uno di questi passaggi. Categoria: Tecnico. Difficoltà: advanced. Tempo stimato: 22 min.