Marketing data science: fondamenti e strategia

Questa lezione appartiene al binario ml-tabellare: il nostro lavoro parte dalle tabelle e torna alle tabelle, con la decisione al centro. E la lezione di apertura del modulo, quindi vogliamo fissare bene il perimetro prima di entrare nei dettagli.

Il ponte tra dati e decisioni

La marketing data science collega segmentazione, predizione e causalita alle decisioni di budget, messaggio e canale. In una frase: trasforma i dati in scelte migliori.

Il percorso in sei passi

Il metodo si impara come una sequenza, e ogni passaggio prepara il successivo. Chi salta la traduzione iniziale costruisce analisi che nessuno usera.

1. Traduci la richiesta vaga in una decisione misurabile con perimetro e scadenza.
2. Definisci unita di analisi, metrica primaria e baseline di confronto.
3. Verifica dati disponibili, definizioni stabili e vincoli operativi.
4. Scegli il metodo piu semplice che riduce l’incertezza sulla decisione.
5. Valida con holdout, convalida incrociata o backtest prima di raccomandare.
6. Consegna raccomandazione con rischio residuo, owner e monitoraggio.

Le tre aree di lavoro

Il lavoro si distribuisce su tre aree con domande e output diversi. La tabella fissa il perimetro prima di scegliere algoritmi.

Area	Domanda centrale	Output decisionale
Segmentazione e targeting	Chi sono i clienti e quale messaggio serve a ciascuno	Gruppi utili con messaggio e canale
Predizione	Chi comprera, chi abbandonera e quanto vale un nuovo cliente	Punteggi con soglie di intervento
Causalita e sperimentazione	Quale canale causa davvero vendite incrementali	Effetto stimato con controllo

Verdetto: parti da segmentazione e causalita quando il budget e in gioco, perche la predizione senza perimetro produce punteggi eleganti ma inutilizzati.

Competenze e strumenti

Servono profili tecnici e di dominio insieme. La tabella indica livelli e strumenti tipici del modulo.

Competenza	Livello richiesto	Tool
Python	Intermedio-avanzato	pandas, scikit-learn, statsmodels
Statistica	Intermedio con test, regressione e basi bayesiane	scipy, statsmodels
SQL	Avanzato con window function, CTE e query complesse	Warehouse nativo
Marketing domain	Comprensione di business	Framework: CAC, LTV, ROAS, funnel
ML operations	Base con training, validazione e deploy	MLflow, dbt
Comunicazione	Avanzato con narrazione e visualizzazione	matplotlib, seaborn, deck

Workflow dal quesito allo scoring

Il percorso resta stabile dalla domanda di business fino allo scoring quotidiano. Il prodotto finale e la decisione, non il modello.

1. Business question  →  "Perché il tasso di conversione è calato in Francia?"
2. Hypothesis         →  "È colpa del nuovo checkout flow lanciato il 5 marzo?"
3. Data extraction    →  SQL da warehouse: transazioni, eventi, campagne
4. EDA                →  pandas: segmenta per paese, giorno, dispositivo
5. Feature eng        →  Crea variabili predittive dal comportamento
6. Modeling           →  Regressione, classificazione, test statistico
7. Validation         →  Holdout test, cross-validation, backtest
8. Insight            →  Traduci coefficienti/feature importance in linguaggio business
9. Recommendation     →  "Raccomando di revertire il checkout flow in Francia"
10. Deployment        →  Integra scoring nella pipeline dati quotidiana

Il punto operativo e netto: un modello con AUC 0.72 che guida un intervento da 500 mila euro di valore salvato batte un modello con AUC 0.95 mai usato.

Quando il modello non serve

Non tutto richiede un modello predittivo. La tabella raccoglie i casi in cui bastano SQL e descrittiva.

Situazione	Perche fermarsi	Cosa fare invece
Domanda sul passato	Serve quanto, non quanto sara	Query e dashboard
Campione sotto 1000 osservazioni	I modelli diventano rumorosi	Analisi descrittiva per segmento
Decisione una tantum senza storico	Non esiste base di apprendimento	Stima con scenario e guardrail
Costo errore superiore al beneficio	Il modello aggiunge rischio	Regole semplici e controllo umano
Stakeholder senza fiducia	L’output non verra usato	Dashboard semplici e adozione graduale

Verdetto: se mancano dati, fiducia o riuso, rimanda il modello e consegna una tabella chiara con decisione e monitoraggio.

L’errore dell’etichetta

L’errore piu comune e usare la 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 assunto falsificabile. In quel caso il dato sembra preciso ma non guida budget, messaggi o interventi.

Il caso Spotify

Spotify integra data science in prodotto e marketing senza un team separato. Discover Weekly genera playlist personalizzate con filtraggio collaborativo e trattiene con uso ricorrente. Wrapped trasforma i dati di ascolto in contenuti virali e nel 2023 genera 120 milioni di condivisioni social. Un modello predittivo individua utenti a rischio e attiva offerte come 3 mesi a prezzo scontato. La direzione e chiara: la data science rende quando diventa prodotto e decisione, non report separato.

Domande per verificare la strategia

1. Quale decisione concreta dovrebbe migliorare dopo questa analisi?
2. Quale unita di analisi rende il problema misurabile e confrontabile?
3. Quale baseline evita una lettura isolata del risultato?
4. Quando un modello semplice batte un modello complesso mai adottato?