1. Fondamenti del Customer Journey in E-Commerce Italiano
1.1 Segmentazione comportamentale e key touchpoint
Il Customer Journey in e-commerce italiano si compone di fasi distinte: dal primo contatto tramite social e motori di ricerca, alla navigazione in sito, al carrello e infine al checkout. I touchpoint critici (key touchpoint) sono: view prodotto, add_to_cart, checkout_start, pagamento e post-acquisto.
La segmentazione comportamentale si basa su eventi tracciati tramite web analytics (ad es. via GA4 o Adobe Event Configuration), con focus su sequenze temporali e drop-off in fase checkout. In Italia, il 68% degli utenti abbandona nel momento in cui inizia il pagamento, spesso per metodi di pagamento non preferiti o problemi di usabilità mobile.
Il Tier 2 funge da livello intermedio tra dati aggregati (Tier 1) e modelli predittivi (Tier 3): aggrega dati a livello di segmento utente per alimentare feature temporali e modelli ML robusti.
2. Analisi Predittiva dei Drop-off: Metodologie e Modelli Avanzati
Metodo B: Machine Learning per previsione drop-off avanzata
Il Metodo B, implementato in Tier 2, utilizza algoritmi di ensemble e deep learning per prevedere il drop-off con alta precisione.
– **Regressione Logistica** serve come baseline per confrontare performance, con feature come tempo medio tra click (TMC), numero pagine viste, e presenza di errori pagamento.
– **Random Forest** modella relazioni non lineari tra comportamenti e abbandono, generando feature engineering su sequenze temporali con finestre scorrevoli (sliding window) di 30 minuti.
– **XGBoost** e **LightGBM** sono preferiti per la loro capacità di gestire dati sparsi e overfitting mediante regolarizzazione L1/L2 e early stopping.
– Il *feature importance* rivela che il dispositivo mobile (37% di influenza), il valore medio carrello (>€85), e l’assenza di coupon applicato sono i tratti più predittivi del drop-off.
3. Metodologia Tier 2 per la Segmentazione Predittiva
3.1 Preparazione dati e feature engineering granulare
Il Tier 2 impone una pipeline rigorosa per trasformare event logs grezzi in variabili predittive:
1. **Pulizia e deduplicazione**: rimozione eventi duplicati tramite timestamp e ID utente; filtraggio outliers temporali > 3 ore tra azioni consecutive.
2. **Normalizzazione**: sincronizzazione timestamps con finestra temporale di ±15 minuti; conversione categorie (paese, dispositivo) in one-hot encoded.
3. **Feature temporali**:
– Session duration (durata attiva)
– Interarrival time (tempo tra eventi consecutivi)
– Time since last view
4. **Feature aggregate per utente**:
– Frequenza di navigazione (eventi/24h)
– Percentuale di pagine checkout
– Utilizzo filtri avanzati (>30% = rischio drop)
5. **Embedded sequences**: embedding con LSTM su finestre temporali di 2 ore, catturando pattern sequenziali di esplorazione.
4. Fase 1: ETL e Trasformazione Dati Comportamentali
Fase 1: Creazione pipeline ETL con Apache Airflow per raccogliere dati da web (JavaScript tracking), app mobile (Firebase Analytics), e backend (Kafka streams).
– **Eventi trasformati in sessioni**: aggregazione in formato tabellare con identifichi sessione (session_id) e timestamp di inizio/fine.
– **Missing data**: imputazione con mean per valori numerici (es. valore carrello), sostituzione “unknown” per categorie (paese, dispositivo); flag `missing_event` per azioni mancanti.
– **Esempio tecnico**: conversione da log raw a sessioni strutturate con codice HTML:
“`python
session_data = []
for event in raw_logs:
if event[‘event_type’] == ‘checkout_start’ and not session.active:
session = {
‘session_id’: session_key,
‘user_id’: event[‘user_id’],
‘start_time’: event[‘timestamp’],
‘end_time’: None,
‘actions’: [],
‘total_events’: 0,
‘total_duration’: 0,
‘missing_payment_method’: True
}
session_data.append(session)
“`
– **Output**: dataset tabellare con colonne: `session_id`, `user_id`, `start_time`, `duration`, `payment_method`, `filters_used`, `interactions`, `device_type`.
5. Fase 2: Ingegneria Avanzata delle Feature per Predizione
5.1 Feature Temporali e Contestuali**
Feature temporali derivano da analisi di serie storiche a livello di sessione:
– *Time between events*: intervallo medio tra click consecutive (deviazione standard a rilevanza: >2s = alta frizione).
– *Session duration variance*: varianza durata sessioni → utenti con sessioni altamente variabili mostrano bassa intenzione.
– *Time of day* e *day of week*: picchi di drop-off al mattino presto (9-11) e weekend (dipende dalla categoria).
– *Device & country*: mobile (78% drop-off) vs desktop; in Italia, uso diffuso di pagamenti con PostePay (15% drop vs carta).
5.2 Embedding Sequenziali con LSTM
Per catturare pattern complessi, si applicano modelli LSTM su sequenze temporali di azioni:
– Input: embedding di sequenze 48 ore con shape (sequence_length=96, feature_count=12).
– Output: embedding embedding di livello 64, usato come input per classificatore finale.
– Training: loss funzione `binary_crossentropy` con weighting per classe (balanced_class_weights) per correggere squilibrio.
– Esempio parametro: `layers=[LSTM(128, return_sequences=True), Dense(64, activation=’relu’), Dense(1, activation=’sigmoid’)]`
– Risultato: embedding capace di discriminare utenti con pattern di navigazione simili a quelli che abbandonano.
6. Selezione, Addestramento e Validazione del Modello Tier 2**
6.1 Pipeline ML con iperparametri ottimizzati
Algoritmi confrontati: Logistic Regression (baseline), Random Forest, XGBoost, LightGBM.
– **XGBoost** raggiunge AUC-ROC 0.92 sul dataset italiano, con feature top 3:
1. `checkout_abbandonato` (1=sì),
2. `sesso_utente` (maschio > 2.1x probabilità drop),
3. `paese` (sud Italia drop maggiore).
– **Grid Search** su: learning_rate (0.01–0.1), max_depth (3–10), subsampling (0.6–1.0), colsample_bytree (0.6–1.0).
– **Validazione temporale**: split sequenziale (training 2023–2024, validation 2024-01, test 2024-02) per evitare data leakage.
– **Metriche chiave**: F1-score ≥ 0.83, AUC-ROC 0.91–0.93; confusione mostra 78% recall su classe drop (errore critico: pochi falsi negativi).
– **Interpretazione SHAP**: ogni feature contribuisce con peso negativo su drop (es. `device_tipo=tablet` riduce probabilità di abbandono di 0.18).
7. Deployment, Monitoraggio e Ottimizzazione Continua**
7.1 Architettura di inference e monitoraggio avanzato
– **API REST con FastAPI**: modello esposto via endpoint `/predict/dropoff`; input JSON con session_id, timestamp, feature aggregate.
– **Kafka streaming**: pipeline in tempo reale per scoring batch e online, con latenza < 200ms.
– **Drift detection**: Evidently AI monitora feature drift (es. aumento improvviso di sessioni senza pagamento); trigger retraining ogni 30 giorni o >5% drift.
– **Errori comuni**: modello pigro su nuovi segmenti (es. ut
5.2 Embedding Sequenziali con LSTM
Per catturare pattern complessi, si applicano modelli LSTM su sequenze temporali di azioni:
– Input: embedding di sequenze 48 ore con shape (sequence_length=96, feature_count=12).
– Output: embedding embedding di livello 64, usato come input per classificatore finale.
– Training: loss funzione `binary_crossentropy` con weighting per classe (balanced_class_weights) per correggere squilibrio.
– Esempio parametro: `layers=[LSTM(128, return_sequences=True), Dense(64, activation=’relu’), Dense(1, activation=’sigmoid’)]`
– Risultato: embedding capace di discriminare utenti con pattern di navigazione simili a quelli che abbandonano.