L’anomaly detection è il complesso sistema di monitoraggio degli andamenti di una metrica che, quando si verifica un’anomalia, permette di avere un alert appena accade. In questo caso, però, il termine “anomalia” non deve essere considerato con una accezione necessariamente negativa. Per anomalia qui si intende una deviazione dal comportamento standard che potrebbe verificarsi sia in positivo che in negativo.
È importante a questo punto, però, distinguere tra anomalia e trend.
Un trend è un comportamento che si consolida nel tempo e diventa costante. In un grafico può essere rappresentato da una curva o una linea retta che vanno verso l’alto o verso il basso. Non presenta particolari picchi e rimane con una certa costanza nel tempo.
L’anomalia è una variazione di un trend. Un picco, una cuspide nel grafico che ci fa identificare qualcosa di completamente diverso da quello che accade di solito.
Monitorare le anomalie è fondamentale per tutti i progetti, ma nell’e-commerce assume una particolare rilevanza, dato che i comportamenti degli utenti sono direttamente connessi alle entrate dell’azienda e quindi alle performance di business.
In questo articolo cercheremo di analizzare tra i dati comportamentali degli utenti, quelli che, ad esempio su Google Analytics, vengono raccolti sotto la tab Behaviour/Comportamento.
Come analizzare i dati comportamentali
Chiunque abbia familiarità con Google Analytics sa che dentro la sezione Behaviour/Comportamento andremo a trovare tutti quei dati che mostrano come gli utenti stanno interagendo con la nostra property, per mostrarci dati di flusso, performance di interazione con le landing page, eventi ecc.
Partiamo allora da alcune metriche classiche dell’analisi del comportamento, analizzando il bounce rate di una pagina. Per bounce si intende una visita in cui si è registrata una sola hit di interazione. In parole povere, qualcuno è entrato sulla nostra pagina, non ha fatto nessun’altra interazione e ha abbandonato il sito.
Questo dato è spesso molto alto in landing page poco attinenti alla ricerca fatta dall’utente o a problemi tecnici del portale quali tempi lunghi di caricamento. Di solito il bounce rate è una metrica che rimane abbastanza costante nel tempo e ci dà una solida base di partenza per l’analisi.
Perché è importante analizzare le anomalie
Poniamo, per esempio, che improvvisamente una pagina che ha sempre avuto un bounce rate molto basso (30%) schizzi improvvisamente verso l’alto, registrando un 90%.
In questo caso è importante intervenire tempestivamente perché quel dato così anomalo può significare un problema tecnico nella pagina o una campagna attivata senza la giusta pertinenza.
In questo senso diventa fondamentale avere un sistema di anomaly detection, in grado di avvertirci in tempo reale di questa deviazione dal trend e permetterci azioni di recupero. Senza un sistema di alerting è molto difficile andare a scoprire queste cuspidi sui grafici e spesso si interviene in ritardo.
Prendiamo ora come esempio anche un comportamento positivo.
Immaginiamo che nelle nostre metriche di revenue un particolare prodotto inizi ad avere un conversion rate altissimo. Potrebbe essere in target con una particolare domanda? Potrebbe essere oggetto di un trend virale sui social?
Un alert che ci tiene informati su eventuali difformità, ci permette di sfruttare subito questa anomalia a nostro vantaggio: le campagne che promuovono proprio quella offerta potrebbero infatti essere potenziate con evidenti vantaggi sul fronte economico.
Come terzo esempio, prendiamone uno ancora più significativo per l’e-commerce: il Cart-To-Detail rate. Questa metrica indica il rapporto tra chi visita un prodotto e chi poi lo aggiunge al carrello.
Anche in questo caso cerchiamo di analizzare il tutto con un approccio trend vs anomaly.
Diciamo che un nostro prodotto ha sempre avuto un Cart-To-Detail rate del 40%. Improvvisamente questo rapporto crolla verso il 15%. Cosa può essere successo?
Una delle motivazioni più probabili è che un concorrente abbia messo lo stesso prodotto ad un prezzo sostanzialmente inferiore o che ci sia una differenza tra il prezzo/promozione che stiamo spingendo con le campagne e quello che gli utenti effettivamente trovano poi sul sito.
Nel primo caso, finita la promozione del nostro competitor, probabilmente il nostro rate tornerà allo stato iniziale. Se guardiamo i report una volta al mese senza un breakdown giornaliero probabilmente non saremo neanche in grado di notare questa cuspide.
Guardandoli più in dettaglio ci accorgeremo del comportamento degli utenti troppo tardi, quando l’opportunità sarà già passata.
Quello che vale in senso negativo, vale a maggior ragione in senso positivo. Immaginate un prodotto il cui Cart-To-Detail rate schizza velocemente verso l’alto. In questo caso sarà fondamentale per noi saperlo nel più breve tempo possibile, perché potremmo avere una enorme opportunità commerciale da sfruttare sia con il prodotto stesso, che con prodotti correlati o offerte multibuy.
Anomaly Detection nel processo di vendita
Un ultimo esempio è il controllo delle anomalie durante il nostro processo di vendita. Se abbiamo attivo il monitoraggio di tutti gli step del check out, avremo già familiarità con i tassi di abbandono del funnel. Questi tassi indicano il rapporto appunto con il quale gli utenti abbandonano il processo senza aver completato l’acquisto.
La visione a fasi del funnel ci aiuta molto perché divide i vari step per livello di importanza, avvicinandoci sempre di più alla vendita.
Tasso di abbandono al primo step
Il tasso di abbandono classico del funnel è nel primo step, quando gli utenti passano dal visitare il sito al visitare la pagina di un prodotto specifico.
In questa fase dobbiamo intervenire al più presto, perché la ragione più probabile potrebbe essere un errore grossolano nella configurazione delle audience delle nostre campagne, che sta portando traffico di basso pertinenza al sito, facendoci perdere vendite e budget.
Tasso di abbandono “prodotti visti” e “aggiungi al carrello”
Più avanti nel funnel, potremmo notare una anomalia improvvisa nel rapporto tra prodotti visti e aggiungi al carrello.
Questo comportamento potrebbe derivare da una azione forte dei competitor oppure da una scarsa disponibilità dei nostri prodotti chiave. Anche qui la tempestività nell’intercettare il trend è fondamentale.
Tasso di abbandono al checkout
Un ultimo esempio può essere il tasso di abbandono al checkout. Una anomalia improvvisa potrebbe essere causata da un malfunzionamento proprio della piattaforma di carte di credito: in questo caso non va perso neanche un secondo per fixare il problema, pena perdere direttamente delle revenue e potenzialmente clienti che non torneranno mai più sul nostro sito, giudicandolo poco affidabile.
Immaginate il peggior scenario, ossia che tutto questo capiti proprio durante il periodo del Black Friday.
Proprio in momenti di picco e di altissima competitività, dotarsi di un sistema di anomaly detection è la chiave per gestire le criticità e sfruttare al massimo tutte le opportunità offerte dal mercato.
Consideriamo infine che l’anomaly detection potrebbe essere attiva su tutte le metriche disponibili, lasciando all’e-commerce manager e alla sua esperienza, la corretta interpretazione dei dati e delle cuspidi per sfruttare al meglio gli insight.
