IT
Collega il tuo agente AI

Aggiungi Hello Retail al tuo assistente AI

Per i clienti Hello Retail: Copia l'indirizzo e aggiungilo come connettore in Claude, ChatGPT o Codex.

Indirizzo MCP

https://core.helloretail.com/mcp

Non sei ancora cliente?L'MCP richiede un accesso Hello Retail. Raccontaci cosa vuoi costruire.

Parliamone
Parliamone

Chapter: Analisi predittiva in Klaviyo · 17:28

Analisi predittiva in Klaviyo: Come usare i dati comportamentali per programmare e indirizzare le email

Rasmus Leth Skjoldan·May 18, 2026·5 min read

L’analisi predittiva di Klaviyo genera quattro punteggi per ogni contatto – data prevista dell’ordine, valore del ciclo di vita del cliente, rischio di abbandono e tempo che intercorre tra un ordine e l’altro – che chi si occupa di fidelizzazione usa per decidere chi riceve quale email e esattamente quando. I modelli si aggiornano continuamente man mano che il comportamento dei clienti cambia, trasformando un elenco statico di contatti in una mappa dinamica di intenzioni e rischi. Per i brand che inviano email basate sul ciclo di vita su larga scala, questi punteggi fanno la differenza tra tirare a indovinare sulla frequenza e agire in base a segnali concreti.

Il punto di vista di un linguista sull’importanza dei modelli predittivi

Anna Sophie Christensen, responsabile dell’email marketing e della fidelizzazione presso FABO e Community Champion di Klaviyo, fa risalire il suo istinto analitico alla coniugazione dei verbi spagnoli. «Hai un verbo e puoi declinarlo in mille modi diversi a seconda della frase in cui si inserisce», spiega. Le regole e le dinamiche di quella complessità l’hanno davvero affascinata, e lei identifica proprio quel fascino come il punto di partenza della mentalità analitica che oggi applica all’email marketing.

Questo approccio è importante perché il set di strumenti predittivi di Klaviyo è, in sostanza, un problema di regole e dinamiche. L’apprendimento automatico della piattaforma stima la data del prossimo ordine di ogni contatto, il suo contributo futuro al fatturato e la probabilità di abbandono. Queste previsioni hanno la stessa struttura che Anna Sophie ha trovato così interessante in spagnolo: Dipendono dal contesto, sono stratificate e sono utili solo se capisci davvero come funziona il modello.

Il suo percorso formativo comprende una laurea triennale e una magistrale incentrate sia sulla responsabilità sociale d’impresa (CSR) che sulla comunicazione aziendale, compreso il lavoro tecnico di creazione di una piattaforma per corsi online. È proprio questa combinazione di precisione analitica, abilità comunicativa e competenza tecnica che rende la sua visione delle funzionalità predittive di Klaviyo davvero approfondita, anziché limitarsi a un approccio superficiale.

Cosa modella effettivamente l’analisi predittiva di Klaviyo

Klaviyo’s predictive analytics genera quattro punteggi principali per ogni contatto, che si aggiornano dinamicamente man mano che cambia il comportamento del cliente:

  • Data prevista dell’ordine: una stima di quando un cliente potrebbe effettuare il prossimo acquisto, basata sulla frequenza storica e sui recenti segnali di coinvolgimento.
  • Valore del cliente nel corso del ciclo di vita (CLV): una stima prospettica dei ricavi che un cliente dovrebbe generare nel corso dell’intero ciclo di vita del rapporto.
  • Punteggio di rischio di abbandono: la probabilità che un cliente non effettui più acquisti, calcolata sulla base di segnali comportamentali quali l’abbandono della navigazione, il calo di interazione con le e-mail e l’allungarsi degli intervalli tra un acquisto e l’altro.
  • Tempo medio tra un ordine e l’altro: la cadenza prevista tra gli acquisti di un cliente, utilizzata per stabilire il periodo giusto per i promemoria di rifornimento, le campagne di riconquista e le email di preparazione delle scorte.

Ciò che rende questi punteggi utili per il lavoro di fidelizzazione è che spostano l’attenzione dalla domanda “chi c’è in questa lista?” a “in quale fase si trova questo specifico cliente e cosa implica questo per ciò che gli invieremo in seguito?”. Il lavoro di Anna Sophie alla FABO si colloca proprio qui: La fase del ciclo di vita come logica organizzativa, con i segnali predittivi come input.

AI predittiva vs. AI generativa in Klaviyo

Klaviyo ora usa “AI” come termine generico per indicare due funzionalità molto diverse tra loro, e confonderle porta a domande di valutazione sbagliate.

L’AI predittiva (l’argomento di questo articolo) analizza i dati storici e comportamentali per prevedere un risultato specifico per un determinato contatto: Quando effettuerà il prossimo ordine, quale sarà il suo valore nel tempo, quanta probabilità c’è che smetta di essere cliente. Il risultato è un numero o una data. Non genera nulla che il cliente possa leggere.

L’AI generativa di Klaviyo (oggetti delle email, stesura dei testi delle email, creazione di immagini con Image Remix) crea nuovi contenuti a partire da un prompt. Non conosce la data prevista per l’ordine di un contatto specifico né il suo rischio di abbandono, a meno che questi dati non vengano inseriti esplicitamente nel prompt.

I due svolgono compiti diversi. I punteggi predittivi decidono chi riceve un’e-mail e quando. Gli strumenti generativi aiutano a redigere il contenuto di quell’e-mail. Un flusso di gestione del rischio di abbandono attivato da un punteggio predittivo può utilizzare l’AI generativa per redigere il testo di riconquista, ma la logica di attivazione e la redazione del testo sono sistemi separati che risolvono problemi distinti. I team che stanno valutando “Klaviyo AI” dovrebbero chiedersi quale delle due funzionalità offra effettivamente una determinata caratteristica, dato che il marketing dei fornitori spesso etichetta entrambe come “basate sull’AI” senza distinguerle.

Creazione di segmenti sulla base dei punteggi predittivi

I punteggi predittivi si rivelano utili solo quando diventano segmenti su cui i flussi e le campagne possono concentrarsi. Klaviyo supporta le proprietà dell’analisi predittiva come condizioni di segmentazione, e sono quattro i modelli che svolgono la maggior parte del lavoro di fidelizzazione:

  • Clienti a rischio di abbandono. Filtra i contatti il cui punteggio di rischio di abbandono supera una soglia prestabilita e il cui ultimo ordine risale a oltre la finestra media di riordino dell’account. Questo segmento alimenta un flusso di fidelizzazione prima che il cliente abbia consapevolmente deciso di andarsene.
  • Ordinazione prevista a breve. Filtra in base alla data prevista per il prossimo ordine, che rientra nei prossimi 3-7 giorni. Utile per un piccolo promemoria o per spronarti a rifornire le scorte, piuttosto che per uno sconto, dato che il modello prevede già un acquisto.
  • CLV previsto alto, coinvolgimento basso. Incrociando il valore del ciclo di vita del cliente con il coinvolgimento via e-mail, si individuano clienti di valore che si stanno allontanando in modo impercettibile: Un gruppo a cui vale la pena dare la priorità rispetto alle campagne di riconquista di massa.
  • Ritardi rispetto al proprio ritmo. Confrontando l’intervallo trascorso dall’ultimo ordine con il tempo medio che quel contatto impiega di solito tra un ordine e l’altro, si individuano eventuali scostamenti rispetto al comportamento normale di quel cliente.

Il modello pratico: Le proprietà predittive diventano condizioni di segmentazione, l’appartenenza a un segmento attiva un flusso e i messaggi del flusso corrispondono al motivo per cui il contatto è stato qualificato. Un contatto segmentato in base al rischio di abbandono non dovrebbe ricevere lo stesso messaggio di uno segmentato in base alla data di ordine prevista. Combinare più proprietà predittive (ad esempio, un CLV elevato e un rischio di abbandono in aumento) produce segmenti più precisi rispetto a qualsiasi singolo punteggio preso da solo.

Perché il tempismo è la vera chiave del successo

Le email inviate in massa trattano un cliente inattivo da 12 mesi esattamente come uno che ha effettuato un acquisto proprio ieri. L’analisi predittiva rompe questo schema, rendendo la tempistica una funzione del comportamento individuale piuttosto che di un calendario comune delle campagne.

McKinsey’s 2021 research on personalization ha rilevato che il 76% dei consumatori è più propenso ad acquistare da marchi che offrono servizi personalizzati e che le aziende che attuano la personalizzazione su larga scala possono aumentare i ricavi dal 5 al 15%. Il calcolo, però, funziona solo se la tempistica fa parte della personalizzazione. Un’e-mail pertinente inviata nel momento sbagliato nel ciclo del cliente continua a dare risultati inferiori alle aspettative.

La data di ordine prevista permette proprio ciò su cui si concentra il lavoro di Anna Sophie in FABO: Flussi che si attivano in base alla fase del ciclo d’acquisto in cui si trova ogni cliente, piuttosto che in base a dove si trova il marchio nel proprio calendario dei contenuti. Un cliente che, secondo le previsioni, acquisterà entro 48 ore potrebbe non aver bisogno di alcun incentivo promozionale. Chi invece ha un punteggio di rischio di abbandono che ha superato una soglia significativa ha bisogno di qualcosa di completamente diverso – e probabilmente di qualcosa di più concreto di uno sconto.

Questa distinzione è importante perché cambia il significato stesso di “buona email”. La tempistica è una scelta tanto creativa quanto tecnica. L’istinto analitico di Anna Sophie – sviluppato in anni di lavoro con sistemi in cui il contesto determina la forma – è ciò che le permette di usare i risultati predittivi come input per la progettazione effettiva del flusso, invece di considerarli semplici metriche di vanità in una dashboard.

Il rischio di abbandono come indicatore di fidelizzazione

La valutazione del rischio di abbandono cambia in modo significativo l’approccio alla fidelizzazione. Anziché lanciare campagne trimestrali di riconquista rivolte a un segmento statico di “clienti che hanno interrotto il rapporto”, i team che utilizzano l’analisi predittiva possono intervenire prima: Quando il modello rileva uno scostamento comportamentale, prima ancora che il cliente abbia tecnicamente abbandonato il servizio.

Salesforce’s State of the Connected Customer (2023) ha rilevato che l’88% dei clienti ritiene che l’esperienza offerta da un’azienda sia importante tanto quanto i suoi prodotti. Per i team di fidelizzazione, questo cambia la prospettiva sul recupero dei clienti: Si tratta più di un problema di rilevanza che di sconti. Il cliente si è allontanato perché qualcosa non funzionava. I primi segnali di abbandono danno ai team di fidelizzazione il tempo necessario per capire davvero cosa non va, invece di offrire uno sconto del 10% a qualcuno che ha smesso di interessarsi già da mesi.

L’approccio di Anna Sophie alla FABO, incentrato sulla logica di attivazione, sui tempi e sulle fasi del ciclo di vita, si ricollega direttamente a questo concetto: Le piccole decisioni su quando si attiva un flusso e su cosa comunica si sommano nel tempo. I punteggi predittivi forniscono la base di dati necessaria per prendere queste decisioni in modo consapevole, anziché per impostazione predefinita.

Dati comportamentali oltre alla mailing list

Uno degli input più significativi per i modelli predittivi di Klaviyo sono i dati comportamentali relativi all’intera sessione: Quali prodotti ha consultato un cliente, con quale frequenza torna sul sito, cosa aggiunge al carrello senza poi acquistare. La cronologia degli acquisti da sola offre al modello un quadro incompleto. Segnali comportamentali più dettagliati rendono le previsioni più precise.

È qui che le integrazioni tra piattaforme fanno davvero la differenza. Hello Retail trasmette i segnali comportamentali – visualizzazioni dei prodotti, ricerche, interazioni con i consigli – direttamente a Klaviyo, così i modelli predittivi hanno un contesto a livello di sessione che va oltre la data dell’ultimo ordine. Per i negozi che utilizzano entrambe le piattaforme, ciò significa che la data di ordine prevista e i punteggi CLV si basano su dati più completi, rendendo così più affidabili le decisioni relative al ciclo di vita del cliente che tali punteggi aiutano a prendere.

Epsilon’s research on personalization ha rilevato che l’80% dei consumatori è più propenso ad acquistare quando i marchi offrono esperienze personalizzate. Questo tipo di personalizzazione dipende dalla disponibilità di un contesto comportamentale completo, non solo dalla cronologia delle transazioni. Il livello di integrazione è ciò che rende tale contesto disponibile ai modelli predittivi che gestiscono i flussi.

L’istinto alla base dello strumento

Ciò che rende preziosa l’analisi di Anna Sophie è che lei affronta le funzionalità predittive di Klaviyo come una professionista che capisce perché il modello funziona, non solo come attivarlo. L’analogia con i verbi spagnoli calza a pennello: Le regole sono interessanti proprio perché dipendono dal contesto. Una data di ordine prevista è utile solo se il flusso che c’è dietro tiene conto di ciò che quella tempistica indica davvero sul cliente. Un punteggio di rischio di abbandono è utilizzabile solo se il flusso di fidelizzazione che attiva ha davvero qualcosa di concreto da offrire.

L’analisi predittiva di Klaviyo crea le condizioni per migliorare le email. L’istinto di sfruttare al meglio queste condizioni – capire cosa rileva il modello e perché, e progettare flussi che rispondano in modo appropriato a quel segnale – spetta comunque al marketer. È proprio questo il campo in cui opera Anna Sophie, ed è per questo che vale la pena seguire il suo punto di vista su queste funzionalità.

Guarda la puntata completa di “Conversations” con Anna Sophie Christensen: L’email marketing oltre le campagne di massa.