Targeting segmentato

Il targeting segmentato è un approccio sistemico alla scelta di chi, cosa, quando e attraverso quale canale mostrare, basandosi su dati sul comportamento, i valori e i rischi. Obiettivo: massimizzare l'effetto incrementale (reddito/trattenimento) riducendo al minimo i danni e i costi.

1) Obiettivi e livelli di segmentazione

Obiettivi: attivazione, monetizzazione, ritenzione, re-attivazione, cross-sell, RG/interventi complessi.

Livelli:

Demografia/geo/dispositivo (base).
Comportamento/RFM (recency, frequency, monetary).
Valore (LTV/margine).
Propensioni (propensity evento - deposito, acquisto, churn).
Uplift/sensibilità (probabilità di aumento dal contatto).
Granularietà: brand x paese x piattaforma x canale x categoria di contenuti - coerenza con il traffico e il budget.

2) Dati e segni

Eventi: visite, clic, registrazione, giochi/scommesse, depositi/acquisti, risposte alle campagne.
Contesto: calendario (vacanze/partite/stipendi), canale di attrazione, versione dell'applicazione, prezzi/limiti.
Identità: user/device/IDFA/telefono/e-mail; ponti di identità.
Ficci: finestre RFM (7/30/90), varietà di contenuti, ore/giorno della settimana, ARPPU/frequenza, risposte al push/e-mail.
Qualità: Idampotenza degli eventi, Deadup/antibot, TZ = UTC Storage + visualizzazioni locali.

3) Metodi di segmentazione

3. 1 Regole (rule-based)

I vantaggi sono spiegabili, rapidi, fail-safe.
Contro - fragilità, ottimismi locali.
Esempio: «Nuovi arrivati, senza seconda visita 48h, cellulari».

3. 2 Coorte-comportamento (RFM/pattern)

Classi «freschezza x frequenza x reddito».
Aggiungi cluster comportamentali alle categorie/slot time preferite.

3. 3 Clustering/embedding

k-means/DBSCAN/mix di Gauss sulle metriche comportamentali normalizzate.
Gli embedding di contenuti/utenti (matrix factorization) → i cluster di «interesse».

3. 4 Propensioni (propensity/score-based)

Modelli di probabilità di evento: deposito, visita ripetuta, upsale; le soglie sono dovute al costo degli errori.

3. 5 Uplift/sensibilità

Modelli di crescita da contatto (T-learner, Uplift trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
L'Uplift-targeting dà l'ingrandimento maggiore con gli stessi budget.

4) Progettazione delle regole di targeting

Definizione tabella (sketch)

Segmento/condizione	Contesto	Azione	Canale	Cooldown	Guardrails
RFM: R7=0, F1, M0; `uplift_dep ≥ 0. 06`	iniziati	welcome-off S	push+in-app	3d	ROMI≥0
`churn_risk ≥ 0. 8` & `value_q ≥ 0. 8`	VIP	off-off L/chiamata	CRM+call	7d	zhaloby≤Kh
`RG_risk ≥ τ`	chiunque	pausa + consiglio RG	in-app	1d	FPR≤1%

Isteresi: le soglie di ingresso/uscita variano per non «lampeggiare».
Quote/rate-limit: per utente/canale/segmento; le politiche di conflitto sono la priorità per la sicurezza dell'economia «UX».

5) Esperimenti e valutazione causale

A/B/test multi-ram per segmenti/regole/creativi; pianificare MDE, durata, stratificazione.
Quasi-espatrio: Controllo diD/sintetico per scarichi regionali.
Valutazione: ricavi/ritenzione incrementali, uplift @ k, Qini/AUUC, ROMI, Guardrails (denunce, RG).
Budget-pacing: ripartizione del budget per segmento in base al margine previsto.

6) Canali e orchestrazione

Canali: in-app, push, e-mail, SMS, chiamate, onsite moduli, vetrine personalizzate.
Orchestratore: consegna garantita, retrai/backoff, idampotenza «action _ id», DLQ, priorità, finestra orologi silenziosi.
Contenuti/creativi: libreria di modelli, A/B per creative, caps di frequenza.

7) Metriche e monitoraggio

Processi: coverage segmento, latency (Decision→Action), consegna, frequenza dei contatti.
Effetto: accrescimento del fatturato/trattenimento, ROMI, uplift @ k, Qini/AUUC, NNT (quanti contatti per 1 risultato).
Rischi: reclami/accessi/flag spam, indicatori RG, fairness (differenza di effetti/errori per gruppo).
Deriva: PSI/KL per file di segmentazione chiave, la percentuale di utenti «nuovi» al di fuori dei cluster conosciuti.

8) Connettività con valore e rischi

Pesatura LTV: assegnare priorità ai segmenti in base al valore previsto anziché alla conversione nuda.

Regola EV:

[
EV = p _ {\text {successo	azione} }\cdot\text {Value} -\text {Cost} - p _ {\text {danno}} cdot\text {Harm}
]

Contattate se l'EV è a 0 e i guardrail sono normali.
Responsabilità: RG/Compilation ha priorità; La spiegazione della decisione è obbligatoria.

9) Passaporti segmenti e campagne (templates)

Passaporto segmento

Codice: 'SEC _ RFM _ R0-7 _ F1-2 _ M0 _ Q3'

Definizione e ricetta ficce (finestre 7/30/90, filtri antibot/frode)

Dimensione/aggiornamento/freschezza; intersezione con altri segmenti

Rischi ed esclusioni (RG/Compilation), proprietario, versione

Passaporto campagna

Obiettivo e KPI (reddito incrementale/riscossione, ROMI)

Segmento/canali/creativi/caps di frequenza

Design di valutazione (A/B o quasi), durata, MDE

Guardra , RG-1,

Piano di riparazione e runybook incidenti

10) Pseudo-SQL/ricette

Segmentazione RFM (sketch)

sql
WITH acts AS (
SELECT user_id,
MAX(ts)                  AS last_act,
COUNT() FILTER (WHERE ts > NOW()-INTERVAL '30 day') AS freq_30d,
SUM(amount) FILTER (WHERE ts > NOW()-INTERVAL '90 day') AS money_90d
FROM user_activity LEFT JOIN payments USING(user_id)
GROUP BY 1
),
rfm AS (
SELECT user_id,
DATE_PART('day', NOW() - last_act) AS recency_days,
freq_30d,
money_90d
FROM acts
)
SELECT,
CASE WHEN recency_days<=7 THEN 'R0-7'
WHEN recency_days<=30 THEN 'R8-30' ELSE 'R31+' END AS R_bucket,
CASE WHEN freq_30d>=10 THEN 'F10+'
WHEN freq_30d>=3 THEN 'F3-9' ELSE 'F0-2' END    AS F_bucket,
CASE WHEN money_90d>=200 THEN 'M200+'
WHEN money_90d>=50 THEN 'M50-199' ELSE 'M0-49' END AS M_bucket
FROM rfm;

Propensione al deposito (treno slice, nessuna perdita)

sql
-- label: deposit in next 7 days
WITH snap AS (SELECT DATE_TRUNC('day',:cut) AS cut),
feat AS (... your RFM/behavioral features with condition ts <= cut...),
label AS (
SELECT u. user_id,
CASE WHEN EXISTS (
SELECT 1 FROM payments p
WHERE p. user_id=u. user_id
AND p. ts > cut AND p. ts <= cut + INTERVAL '7 day'
) THEN 1 ELSE 0 END AS dep_next_7d
FROM users u CROSS JOIN snap
)
SELECT FROM feat JOIN label USING(user_id);

11) Fairness, privacy ed etica

Riduzioni PII: tornizzazione degli identificatori, RLS/CLS, occultamento.
Fairness: controlla le differenze di effetti/errori in gruppi sensibili escludete i segni inaccettabili.
Trasparenza: le cause del targeting (top-feures/regole) sono disponibili per lo zapport. Il percorso dell'appello.
Gocce di frequenza e orologi silenziosi sono contro la stanchezza e il danno all'utente.

12) Anti-pattern

Segmenti «per la bellezza» senza un ingrandimento misurabile.
Valutazione di correlazione, non di accrescimento (no).
Molti segmenti che si sovrappongono, azioni e spam in conflitto.
Le soglie senza isteresi fanno lampeggiare i contatti.
Assenza di guardia (RG/lamentele/frequenza) e spiegabilità.
Senza un orchestratore online, i contatti sono in ritardo, l'effetto è perso.

13) Assegno foglio di avvio targeting segmentato

Obiettivi, KPI e budget definiti; Livello di granolarità concordato
Schemi di dati e prescrizioni PIT filtri antibot/frod attivati
I segmenti sono descritti con passaporti; conflitto-matrice e priorità definite
Metodo selezionato (regole/clustering/propensity/uplift) e progettazione di valutazione
Decise tabelle, isteresi, caps e rate-limit sono configurati
Orchestratore e canali idonei e DLQ; «Ore tranquille»
Monitoraggio: effetto (uplift/ROMI), rischi (denunce/RG), deriva Fiech
Documentazione: versioni segmenti/regole, proprietari, runbooks

Totale

Il targeting segmentato non è un insieme di etichette nel CRM, ma un sistema gestito: dati e segni qualitativi di segmenti (valore/comportamento/sensibilità) di politica con isteresi e garrails, la valutazione causale dell'incrementale, l'orchestrazione e il monitoraggio stabili. Questo sistema migliora ROMI e LTV, riducendo le lamentele e i rischi - e rende ogni tocco appropriato, tempestivo ed etico.

Targeting segmentato