Scarica data analytics e comportamento del consumatore e più Sbobinature in PDF di Tecniche Di Intelligenza Artificiale solo su Docsity!
Riassunto Data Analytics Fondamenti di AI e Analisi dei Dati La lezione riprende i concetti fondamentali affrontati all’inizio del corso, evidenziando come tutte le aziende moderne siano ormai “data-driven”. Secondo questa logica, i dati sono al centro dei processi decisionali e rappresentano ciò che nel libro di testo il professor Smith definisce imperativo operativo per competere nei mercati contemporanei. Marketing Data-Driven Si è approfondito il nuovo paradigma del marketing data-driven , in cui le decisioni di marketing, comunicazione e prodotto non si basano più su intuizioni, ma su analisi sistematiche dei dati. L’analisi del consumatore non segue mai un unico filone, ma si costruisce attraversando discipline diverse (statistica, psicologia, tecnologia, economia). Definizioni Chiave dell’Intelligenza Artificiale Sono state richiamate le principali definizioni utili per orientarsi nel mondo dell’AI:
- Intelligenza Artificiale (AI) : capacità dei sistemi di simulare processi tipici dell’intelligenza umana.
- Machine Learning (ML) : sottoinsieme dell’AI che consente di analizzare grandi quantità di dati, individuare pattern complessi e generare previsioni.
- Big Data : insieme di dati enormi e complessi, spesso citati anche durante gli interventi esterni (es. testimonianze dei ragazzi di Film). Analisi e Misurazione nel Marketing L’analisi dei dati è un elemento imprescindibile del marketing moderno. Per costruire una visione affidabile di trend, fenomeni o comportamenti di consumo, è necessario integrare diverse tipologie di dati , tra cui:
- Dati statici – informazioni stabili nel tempo (es. dati demografici).
- Dati dinamici – aggiornati continuamente o frequentemente.
- Dati comportamentali – basati sulle azioni dell’utente (click, acquisti, navigazione).
- Dati intenzionali – esprimono desideri o intenzioni future (ricerche, wishlist, survey). La combinazione di queste categorie permette un'analisi più ricca e una comprensione più accurata del consumatore e dei fenomeni di mercato. AI Generativa e Agentic AI Infine, la lezione anticipa il percorso sull’ AI generativa , affrontata sia nei suoi aspetti più intuitivi sia nelle applicazioni più avanzate, fino a introdurre il tema degli Agentic AI , sistemi capaci non solo di generare contenuti ma anche di agire in autonomia seguendo obiettivi complessi. **Approfondimento sulle Tipologie di Analisi e Analisi del Consumatore
- Le Quattro Tipologie di Analisi** Durante la lezione sono stati approfonditi i quattro livelli principali di analisi dei dati , fondamentali per qualunque strategia di marketing data-driven: - Analisi descrittiva
Risponde alla domanda: “Cosa è successo?” Riassume i dati e fotografa la realtà passata o presente (report, KPI, dashboard).
- Analisi diagnostica Risponde alla domanda: “Perché è successo?” Approfondisce cause e correlazioni per comprendere le motivazioni dietro i fenomeni. - Analisi predittiva Risponde a: “Cosa succederà?” Utilizza modelli statistici e machine learning per effettuare forecast e proiezioni. - Analisi prescrittiva Risponde a: “Qual è l’azione migliore da compiere?” È la frontiera più avanzata (e quella più legata all’AI): - suggerisce azioni ottimali; - permette decision-making semi o completamente autonomo; - consente ottimizzazione continua. Un esempio concreto è il dynamic pricing , in cui i sistemi regolano automaticamente i prezzi in base alla domanda, massimizzando revenue e conversioni. 2. Analisi del Consumatore È stato poi evidenziato come l’innovazione, da sola, non sia sufficiente. Per avere successo nel marketing serve una conoscenza solida del consumatore , costruita su basi teoriche robuste. Perché è indispensabile? - Permette di comprendere a fondo motivazioni, bisogni, comportamenti del target. - Consente di costruire strategie più efficaci, personalizzate e coerenti. - È la condizione essenziale per qualunque attività di marketing e comunicazione di successo. Come nella costruzione di una casa, servono fondamenta solide : per questo il corso ha approfondito diverse teorie di riferimento sul comportamento del consumatore, utili per sviluppare una visione ampia, multidisciplinare e analitica del target. **Analisi del Consumatore: Teorie, Scuole di Pensiero e Modelli Interpretativi
- Le Basi Teoriche dell’Analisi del Consumatore** Per comprendere davvero i comportamenti d’acquisto, il corso ha messo in evidenza la necessità di partire da solide basi teoriche , combinando:
- Teoria del consumatore
- Psicologia della scelta
- Analisi dei pattern nascosti
- Studio dell’individuo e delle influenze esterne Questa prospettiva multidisciplinare permette di spiegare non solo cosa fa il consumatore, ma perché lo fa.
Maslow è ancora attuale, ma è stato reinterpretato nel tempo. La Piramide di Cosma (evoluzione moderna di Maslow)
- Integra i bisogni tradizionali con dimensioni digitali e di identità online.
- Tiene conto dell’autorealizzazione nel mondo digitale contemporaneo.
- Rispecchia un consumatore sempre più connesso, influenzato dai social e dalle dinamiche di rappresentazione personale. 4. Valore e Atteggiamenti del Consumatore Valore utilitario vs. valore edonistico
- Utilitario → funzionalità, efficienza, praticità.
- Edonistico → emozioni, piacere, esperienza. I prodotti di successo spesso combinano entrambi gli aspetti. Componenti dell’atteggiamento Gli atteggiamenti del consumatore sono composti da:
- Credenze (dimensione cognitiva)
- Emozioni (dimensione affettiva)
- Intenzioni (dimensione comportamentale) Queste tre componenti influenzano le decisioni e la fedeltà al brand. **Comportamento Osservato, Atteggiamenti e Leve di Marketing
- Il GAP tra comportamento osservato e atteggiamenti dichiarati** La lezione sottolinea come spesso esista un divario tra ciò che i consumatori dichiarano (atteggiamenti, opinioni, intenzioni) e ciò che realmente fanno. È in questo spazio – il GAP comportamentale – che il marketing può intervenire con:
- leve persuasive,
- interventi sul contesto decisionale,
- messaggi mirati,
- stimoli che guidano l’azione. Queste dinamiche spiegano perché conoscere le motivazioni profonde del consumatore sia fondamentale. 2. Dissonanza cognitiva e tecniche di neutralizzazione Anche se gli individui sono consapevoli delle tecniche persuasive del marketing, restano comunque influenzabili.
La dissonanza cognitiva – la tensione psicologica che si crea quando atteggiamenti e comportamenti non sono allineati – può essere ridotta attraverso:
- rassicurazioni post-acquisto,
- garanzie,
- messaggi che confermano la bontà della scelta,
- contenuti che giustificano l’acquisto. Il marketing sfrutta queste leve per facilitare decisioni coerenti e ridurre il rimpianto o il dubbio. **Pricing: Microeconomia e Psicologia del Prezzo
- Curva di domanda ed elasticità** La relazione tra prezzo e quantità domandata varia secondo il tipo di prodotto:
- Domanda elastica → piccole variazioni di prezzo generano grandi variazioni nella quantità.
- Domanda anelastica → la quantità cambia poco anche con variazioni di prezzo (es. beni di prima necessità). Comprendere l’elasticità è cruciale per definire strategie di prezzo efficaci. 2. Il prezzo come messaggio Il prezzo non è più solo un valore numerico: è un messaggio potente , capace di comunicare:
- qualità ,
- posizionamento ,
- unicità ,
- valore percepito. In quest’ottica il pricing diventa comunicazione. 3. Strategie di prezzo analizzate La lezione ha approfondito alcune delle principali strategie adottate nel marketing: - Penetration Pricing Prezzo iniziale basso per acquisire rapidamente quote di mercato. - Skimming Pricing Prezzo iniziale alto per massimizzare i margini nella fase di lancio, soprattutto per prodotti innovativi. - Decoy Pricing (Effetto esca) Introduzione di un’opzione intermedia che non serve a essere acquistata , ma a indirizzare la scelta verso l’opzione più profittevole, alterando la percezione del valore relativo. Tutte queste tecniche sono ampiamente utilizzate e risultano estremamente efficaci.
Questi elementi riducono l’abbandono del carrello e aumentano la probabilità di finalizzare l’acquisto.
3. Le Influenze Sociali sul Comportamento del Consumatore Le decisioni di consumo sono profondamente modellate dal contesto sociale. I gruppi di riferimento influenzano identità, preferenze e percezioni. Tipologie di gruppi analizzate - Aspirazionali → gruppi a cui si desidera appartenere - Associativi / Con-factual → gruppi di cui si è già parte in modo positivo - Dissociativi / Disclaimant → gruppi da cui ci si vuole distanziare - Evitamento → gruppi la cui immagine è percepita come negativa o non desiderabile Il marketing può lavorare su questi gruppi per posizionare un brand e costruire messaggi che risuonino con l’identità del consumatore. 4. Segnotica: Il Linguaggio dei Segni nel Marketing La segnotica studia i segni e i simboli utilizzati nel marketing per costruire significati e rappresentazioni attorno a un prodotto. Tipologie di segni - Iconici → assomigliano a ciò che rappresentano - Indicali → mostrano una relazione causale o di contiguità - Simbolici → significato appreso culturalmente, senza somiglianza fisica Il segno più importante: il brand Il brand è il segno simbolico per eccellenza: - racchiude valori, storia, percezione, identità - determina il posizionamento del prodotto nella mente del consumatore - costruisce un vero e proprio mondo narrativo attorno all’offerta La segnotica è quindi essenziale per creare coerenza visiva , identità distintiva e valore percepito. **Modulo 3 – Analisi dei Dati Comportamentali e Customer Value
- Analisi del Customer Journey** Il Modulo 3 approfondisce l’analisi dei dati comportamentali con l’obiettivo di stimare e incrementare il Customer Value. Attraverso il Customer Journey, l’azienda può osservare tutte le interazioni del cliente con il brand e ottimizzare la gestione del rapporto nel tempo. Il Customer Journey diventa quindi la base su cui costruire una solida strategia di CRM (Customer Relationship Management) mirata a:
- aumentare i ricavi,
- migliorare la fedeltà,
- ridurre l’abbandono,
- potenziare il valore del cliente lungo tutto il ciclo di vita. 2. Acquisire vs. Fidelizzare Un concetto chiave del modulo è che acquisire un nuovo cliente costa molto di più che mantenerne uno esistente. Un cliente perso genera un costo elevato, mentre fidelizzarlo richiede investimenti molto più contenuti. La metafora utilizzata in lezione — la cura di una pianta — rappresenta bene l’approccio necessario: il cliente va coltivato, seguito e “annaffiato” per crescere e diventare parte attiva della community del brand. 3. Metriche del Customer Journey A. Awareness Monitoriamo metriche come:
- CTR (Click-Through Rate)
- Reach
- Impressions Misurano la visibilità del brand e la sua capacità di attirare attenzione. B. Acquisition Misura quanto è efficace il processo di acquisizione. Include KPI come:
- conversion rate,
- cost per acquisition (CPA),
- qualità dei nuovi utenti. C. Onboarding È una fase critica: un utente acquisito ma non attivo si perde facilmente. Metriche principali:
- Activation rate
- Tasso di completamento dell’onboarding
- Eventuale churn precoce dovuto a onboarding difficile o poco intuitivo. D. Engagement Analizza quanto e come gli utenti utilizzano un prodotto o una piattaforma:
- utenti attivi giornalieri o mensili (DAU/MAU),
- frequenza d’uso,
- durata della sessione,
- profondità dell’interazione. L’obiettivo è individuare leve per aumentare la partecipazione e l’interesse.
- permette di prendere decisioni strategiche più consapevoli,
- aiuta a capire quanto “vale” davvero un cliente nel lungo periodo. 2. Churn Rate e Impatto sul CLV Il churn rate misura la percentuale di clienti che abbandonano l’azienda o smettono di usare un servizio. Può riferirsi a:
- clienti che disdicono un abbonamento,
- utenti che smettono di usare un prodotto,
- visitatori che abbandonano un sito subito. Legame con il CLV: Un aumento del churn abbassa drasticamente il CLV, perché accorcia la durata della relazione e riduce il valore economico generato. 3. NPS – Net Promoter Score Uno degli strumenti più utilizzati per valutare la advocacy e la probabilità di crescita tramite passaparola. L’NPS viene rilevato tramite ricerche interne o istituti specializzati e misura:
- la soddisfazione,
- la fedeltà,
- il potenziale di raccomandazione. 4. Segmentazione RFM (Recency, Frequency, Monetary Value) Il modello RFM è centrale per tutte le attività di CRM e customer nurturing. Le tre dimensioni:
- Recency → da quanto tempo il cliente ha acquistato
- Frequency → quanto spesso acquista
- Monetary Value → quanto spende A ogni cliente vengono assegnati punteggi su queste tre aree, così da creare segmenti avanzati e differenziare le strategie di retention, upselling e reactivation. 5. Web Analytics: Cosa Tracciare e Perché Per un’azienda moderna la presenza online è una proprietà strategica che va misurata in ogni dettaglio. Le aree principali da monitorare sono:
- Sito web (traffico, bounce rate, conversion rate)
- Blog
- Social media
- Campagne adv
- Funnel di conversione Senza traffico, anche la migliore presenza online è inutile Proprio come le vecchie pagine in Flash molto belle ma invisibili ai motori di ricerca, anche oggi: Se non portiamo traffico, i contenuti non hanno impatto. La qualità da sola non basta: serve una strategia di distribuzione. 6. Growth Strategy: Presenza + Crescita Il corso sottolinea un concetto fondamentale: Non basta essere presenti online: bisogna anche crescere. La strategia vincente ha sempre due componenti : A. Presenza
- contenuti coerenti con il posizionamento,
- sito strutturato,
- identità digitale chiara. B. Growth (crescita)
- advertising,
- partnership,
- sponsorship,
- eventi,
- influencer marketing,
- campagne paid social & search. Il growth marketing permette all’azienda di controllare l’audience invece di sperare nella viralità casuale. 7. Portare traffico alle proprie proprietà digitali La domanda chiave diventa: Come portiamo traffico qualificato verso ciò che possediamo online (sito, app, landing, e-commerce)? La risposta è una combinazione di:
- SEO,
- SEM,
- social advertising,
- contenuti mirati,
- attività di CRM e remarketing,
- iniziative di crescita integrate.
L’influencer giusto non porta solo visibilità, ma porta credibilità e appartenenza.
3. Echo Chambers e Omofilia La lezione approfondisce il tema delle: - Camere dell’eco : ambienti in cui le persone ascoltano solo ciò che conferma le loro credenze. - Omofilia : tendenza naturale a connettersi con individui simili per valori, demografia, ideologia. Il ruolo degli algoritmi Gli algoritmi dei social: - personalizzano i contenuti sulla base del comportamento, - limitano l’esposizione a idee diverse, - in alcuni casi possono alimentare polarizzazione. Questo fenomeno riprende il concetto classico di agenda setting dei mass media: ciò che vediamo modella la nostra percezione della realtà. 4. Il Futuro del Marketing: AI Generativa e Automazione La parte finale della lezione si concentra sull’ evoluzione dell’intelligenza artificiale , oggi sempre più autonoma e scalabile. Da ML a Generative AI Le tecnologie moderne vanno ben oltre: - l’AI tradizionale, - i modelli predittivi, - il machine learning classico. Oggi parliamo di: - AI generativa , - Large Language Models (LLM) , - modelli come GPT , Gemini , Mistral , Claude , ecc. Perché sono diversi? Queste AI non si limitano a classificare o prevedere: creano contenuti, generano testo, immagini, strategie, analisi, insight, automazioni. Sono capaci di: - comprendere contesto, - sintetizzare informazioni, - generare output complessi, - agire come assistenti intelligenti, - operare in forma semi-autonoma.
Questa è la base della transizione verso sistemi agentici , capaci di compiere azioni e prendere decisioni in modo autonomo. Architettura Transformer e Caratteristiche Chiave dei Large Language Models (LLM)
1. La Rivoluzione dei Transformer (2017) Una parte cruciale della lezione riguarda la storia dell’IA moderna , con l’introduzione dell’architettura Transformer (Vaswani et al., 2017), che ha cambiato completamente il modo in cui i modelli elaborano il linguaggio. L’innovazione principale è il meccanismo di self-attention , che consente al modello di: - valutare le relazioni tra parole in una sequenza, - attribuire pesi diversi a seconda dell’importanza, - comprendere il contesto in modo molto più ricco e flessibile rispetto ai modelli precedenti (come LSTM e RNN). 2. Caratteristiche Chiave degli LLM A. Pre-addestramento su enormi dataset I LLM sono addestrati su collezioni vastissime di testi. Questo permette loro di: - riconoscere pattern linguistici complessi, - gestire molte lingue, domini e contesti, - rispondere in modo coerente a scenari diversi. Bias nei LLM Tuttavia, dataset così grandi possono contenere bias , pregiudizi o rappresentazioni distorte. Per questo è utile: - usare più LLM in parallelo, - confrontare risposte, - verificare consistenza e neutralità. Ogni LLM infatti è addestrato in modo diverso: ciò riduce il rischio di dipendere da un’unica prospettiva. B. Fine-Tuning per Compiti Specifici Dopo il pre-training, gli LLM possono essere: - perfezionati (fine-tuned) con dataset specializzati, - adattati a compiti verticali (es. legale, medico, finance, customer care), - ottimizzati per generare output più pertinenti in ambiti specifici.
- continuità logica,
- struttura del discorso anche in testi molto lunghi. Questa capacità è ciò che consente agli LLM di:
- generare testi articolati,
- mantenere il filo della conversazione,
- gestire analisi complesse. **Prompt Engineering, RAG e AI Agent Autonomi
- Prompt di Qualità e Knowledge Base** Per superare le limitazioni degli LLM, la lezione evidenzia due strategie fondamentali:
- Prompt di qualità: la precisione e la chiarezza dell’input influenzano direttamente la qualità dell’output.
- Knowledge base strutturate: fornire al modello informazioni contestuali mirate migliora l’accuratezza e la rilevanza delle risposte. Questi due aspetti permettono di ottimizzare l’interazione con l’IA, riducendo errori e bias. 2. RAG (Retrieval-Augmented Generation) Il RAG è una tecnologia avanzata che supera alcune limitazioni degli LLM classici. Il processo funziona così:
- Input dell’utente → Vector Embedding La domanda viene trasformata in un vettore numerico che cattura il significato semantico.
- Database vettoriale e Retrieval o I documenti rilevanti sono memorizzati in database vettoriali. o Si effettua una ricerca semantica per individuare i contenuti più pertinenti.
- Augmentation o Il contesto recuperato viene aggiunto al prompt originale. o L’input diventa quindi arricchito e più informativo per l’LLM.
- Generazione della risposta (LLM) o Il modello produce output più accurati, coerenti e rilevanti grazie all’integrazione di knowledge esterna. Questa tecnologia è fondamentale per applicazioni enterprise e casi d’uso complessi, dove la semplice generazione testuale non basta. 3. AI Agent Autonomi L’evoluzione più avanzata dell’AI riguarda gli AI agent autonomi , che rappresentano un passo oltre i LLM:
- Percepiscono l’ambiente
- Ragionano su obiettivi complessi
- Agiscono tramite strumenti esterni (software, interfacce, automazioni)
- Imparano continuamente dall’esperienza Questi sistemi intelligenti sono in grado di automatizzare processi complessi , adattarsi dinamicamente e prendere decisioni quasi indipendenti dall’intervento umano. **AI Agent, Orchestrazione e Prompt Engineering Avanzato
- Metafora del Modello AI** Per comprendere l’architettura degli AI agent, la lezione ha utilizzato una metafora:
- Modello (LLM) → il cervello ,
- Strumenti → le mani , capacità di interagire con il mondo,
- Orchestrazione → il sistema nervoso , coordinazione dei processi. Questa struttura mostra come gli AI agent non si limitino più a rispondere, ma agiscano autonomamente. 2. Livelli di AI Agent Gli agenti possono essere organizzati su diversi livelli di complessità:
- Isolato → agenti singoli che agiscono in autonomia su compiti limitati.
- Collaborativo → più agenti che cooperano su obiettivi comuni.
- Multi-Agent Systems → team di agent specialisti che: o collaborano su workflow complessi end-to-end, o dividono i compiti, o sincronizzano i risultati, o seguono una architettura ad albero con un agente coordinatore. Futuro possibile
- Un manager umano potrebbe coordinare team misti di persone e agenti AI , rendendo la governance più complessa ma più potente. 3. Prompt Engineering: Massimizzare la Qualità dell’Output Il prompt engineering è fondamentale per ottenere risultati di qualità dagli AI agent. Tecniche principali:
- Role Play → assegnare un ruolo all’AI per indirizzare il comportamento e il tono.
- Contestualizzazione → inserire contesto, esempi e indicazioni di formato nello stesso prompt.
- Chain of Thought / Step by Step → far ragionare l’AI passo per passo su problemi complessi.
- Markdown Prompting → strutturare l’output con liste, tabelle, formattazione chiara.
- Prompt Chaining → collegare più prompt in sequenza per workflow complessi.
- Aspetti socio-culturali e contesto familiare
- **Etica, emozione e bias psicologici
- Applicazione del MADS** Il framework consente:
- Visualizzazione e spaccato del consumatore ,
- configurazioni elastiche e personalizzabili a seconda dell’analisi,
- raccolta dati, configurazione analitica e execution del processo di analytics,
- ottimizzazione continua nel tempo attraverso un processo ciclico. 5. Scopo
- Fornire uno strumento flessibile e sistematico per comprendere il comportamento del consumatore,
- integrare dati quantitativi e qualitativi,
- permettere strategie di marketing più mirate e contestualizzate. **Analisi dei Risultati, Web Design Moderno e Responsabilità Etica nell’AI
- Analisi, Validazione e Interpretazione** Il processo di analytics non si limita a produrre output:
- Validazione e testing → verificare correttezza e affidabilità dei risultati,
- Interpretazione strategica → dare senso e significato ai dati elaborati,
- Creazione di valore → azioni concrete per l’impresa e per tutti gli stakeholder: investitori, consumatori, società. Oggi il valore sociale dell’azienda è sempre più considerato nelle strategie. 2. Web Design Moderno con AI Il web design contemporaneo integra AI e prototipazione rapida:
- Prototyping AI-driven → strumenti come Bolt, Lovable, Cursor consentono di sviluppare pagine web rapidamente, mantenendo i principi chiave di SEO, wireframing e testing.
- Retesting e revisione → fondamentali per valutare la bontà del lavoro, anche quando coadiuvati dall’AI.
- Il design resta moderno se combina rapidità, precisione e aderenza ai principi fondamentali del web. 3. Strategia, Etica e Data Quality L’utilizzo dell’AI richiede attenzione a diversi aspetti critici:
- Data Quality → principio “Garbage In, Garbage Out” si applica anche al prompting.
- Model Bias → gli algoritmi possono favorire sistematicamente alcuni gruppi; serve mitigare rischi di discriminazione.
- Sicurezza e vulnerabilità → proteggere i sistemi AI da attacchi e abusi.
- Regolamentazione → GDPR tutela i dati in Europa. 4. Impatto Ambientale e Competizione Energetica L’AI comporta un enorme consumo di risorse computazionali ed energetiche :
- Impatto sull’ impronta energetica ,
- Competizione globale non solo sullo sviluppo dei modelli, ma anche sull’ accesso alle risorse energetiche necessarie,
- Crescente attenzione agli investimenti sostenibili e responsabili. 5. Project Work e Nuovo Marketing Intelligente
- Il lavoro pratico già realizzato dagli studenti mostra applicazione dei concetti di AI e marketing intelligente.
- Il nuovo marketing combina dati, AI, creatività e etica , con un approccio strategico, modulare e responsabile.
