Introduzione

Qual è la tendenza di acquisto dei nostri clienti? Cosa acquistano nei giorni successivi all’acquisto di noi specifico prodotto? Mediamente dopo quanti giorni?

Ecco alcune domande che si pone un Digital Strategist per comprendere meglio il comportamento di acquisto dei clienti e attuare una strategia proattiva in modo da anticipare le tendenze. Questo articolo esplora come le catene di Markov, un potente algoritmo di machine learning, possono essere utilizzate per analizzare e prevedere le tendenze di acquisto, fornendo spunti preziosi per strategie di marketing proattive.

Analizzare i Comportamenti di Acquisto

Le catene di Markov sono uno strumento matematico utilizzato per modellare sistemi che transitano da uno stato all’altro in maniera probabilistica. Nel contesto dell’e-commerce, ogni stato può rappresentare un prodotto acquistato, e la probabilità di transizione da uno stato all’altro può essere determinata dai dati storici degli acquisti. Ad esempio, se un cliente acquista il Prodotto A, possiamo utilizzare le catene di Markov per determinare la probabilità che lo stesso cliente acquisti il Prodotto B dopo un certo numero di giorni.

L’applicazione delle catene di Markov ai dati di acquisto consente di rilevare correlazioni tra i prodotti, che possono spesso essere nascoste. Conoscere che, mediamente, il Prodotto B viene acquistato 28 giorni dopo il Prodotto A, ci permette di comprendere meglio le reali esigenze dei clienti. Queste correlazioni possono rivelare pattern di comportamento utili per segmentare i clienti e personalizzare le offerte, migliorando così l’efficacia delle campagne di marketing.

Prevedere e Anticipare gli Acquisti Futuri

Un aspetto fondamentale delle catene di Markov è la loro capacità predittiva. Utilizzando i dati storici, possiamo calcolare la probabilità che un cliente, dopo aver acquistato il Prodotto A, acquisti il Prodotto B in un certo intervallo di tempo. Questo insight è estremamente utile per attuare strategie di marketing automation. Ad esempio, se sappiamo che molti clienti acquistano il Prodotto B circa 28 giorni dopo aver acquistato il Prodotto A, possiamo configurare campagne di email marketing che inviano promozioni per il Prodotto B dopo tre settimane dall’acquisto del Prodotto A.

Questa tempistica precisa consente di stimolare i clienti nel momento giusto, aumentando le probabilità di conversione. Inoltre, questo approccio proattivo non solo migliora l’esperienza del cliente, ma ottimizza anche l’efficacia delle strategie di marketing, riducendo i costi associati alle campagne meno mirate.

Insight Interessanti e Strategie Avanzate

L’analisi delle catene di Markov può anche portare a scoperte inaspettate. Ad esempio, potrebbe emergere che alcuni prodotti, pur non essendo direttamente correlati, vengono spesso acquistati insieme a causa di un’esigenza complementare dei clienti. Questi insight possono guidare la creazione di bundle di prodotti o promozioni incrociate, incrementando ulteriormente le vendite.

Inoltre, comprendere i tempi medi tra gli acquisti di prodotti può aiutare a gestire meglio le scorte e le strategie di pricing. Ad esempio, sapere che un determinato prodotto ha un ciclo di riacquisto medio di 30 giorni può influenzare le decisioni di sconto e promozione durante periodi specifici.

Implementazione tecnica

Il primo passo è estrarre i dati da Bigquery con una query dedicata che restituisce:

• transaction_id
• transaction_date
• order_value
• customer_id

ovvero tutte le transazioni per utente in uno specifico tempo (es. 90 giorni).

SELECT
    (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'transaction_id') AS transaction_id,
    COALESCE(
        (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'transaction_date'),
        FORMAT_DATE('%Y-%m-%d', PARSE_DATE('%Y%m%d', event_date))
    ) AS transaction_date,
    (SELECT value.double_value FROM UNNEST(event_params) WHERE key = 'value') AS order_value,
    item_details.item_name,
    (SELECT value.string_value FROM UNNEST(item_details.item_params) WHERE key = 'item_category_3') AS category,
     user_pseudo_id AS customer_id,
FROM
    `xxxx.events_*`,  
    UNNEST(items) AS item_details
WHERE
    event_name = 'purchase'
    AND _TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 90 DAY)) AND FORMAT_DATE('%Y%m%d', CURRENT_DATE())
ORDER BY
    transaction_id;

Segue uno script Python che partendo da questo dataset, costruisce la catena di Markov indicando:

• NODI
  • prodotto precedentemente acquistato
  • prodotto acquistato successivamente
• ARCHI
  • tempo “medio” tra i due acquisti
  • indice di forza della correlazione: un valore tra 0 e 1 che indica non solo la probabilità che la transazione avvenga ma anche il “lift” ovvero la frequenza determinata da quanto i prodotti vengono acquistati (la loro popolarità).

Conclusione

L’uso delle catene di Markov per analizzare le tendenze di acquisto è un esempio di come l’intelligenza artificiale e il machine learning possano trasformare i dati in valore concreto. Implementare strategie basate su questi modelli predittivi consente di ottimizzare le campagne di marketing, migliorare la gestione delle scorte e, in ultima analisi, aumentare la redditività.

Giuseppe Cristofaro

Data Scientist
Sono un Data Scientist con esperienza nell’applicazione di tecniche avanzate di Machine Learning per l’analisi di complessi set di dati nel campo del marketing digitale. Specializzato nell’uso di Python, sviluppo modelli predittivi e di analisi dei dati che permettono di identificare e risolvere criticità nei progetti.