Il report vendite mostra clienti con comportamenti diversi, ma una media unica li appiattisce tutti: la cluster analysis può far emergere gruppi con abitudini simili, a patto che le variabili scelte descrivano davvero una differenza utile per l’azienda. Il risultato, però, non assegna automaticamente un’etichetta commerciale a ogni persona: prima bisogna capire se i gruppi sono solidi e se suggeriscono azioni sensate.
I gruppi aiutano a decidere solo se restano leggibili e utilizzabili
- Scopo: raggruppare osservazioni simili senza conoscere in anticipo le categorie.
- Variabili: la scelta delle colonne e la loro scala possono cambiare la segmentazione.
- Metodo: K-Means funziona bene per gruppi compatti; DBSCAN individua anche forme irregolari e punti isolati.
- Verifica: un punteggio come la silhouette aiuta a confrontare soluzioni, ma non certifica il valore commerciale.
- Uso: prima di attivare campagne o modificare processi, controlla stabilità, interpretabilità e impatto operativo.
Un cluster descrive una somiglianza, non una causa
Immagina una società che vende software in abbonamento. Alcuni clienti accedono ogni giorno e usano molte funzioni; altri entrano di rado, ma rinnovano puntualmente. Un algoritmo può separarli in gruppi, ma non spiega da solo perché si comportano così: per quello servono analisi ulteriori e conoscenza del contesto.
In termini pratici, il clustering è un metodo di apprendimento non supervisionato: cerca strutture nei dati senza partire da etichette già note. La somiglianza dipende dalle variabili e dalla misura di distanza adottata, quindi il gruppo ottenuto riflette anche le scelte di chi prepara l’analisi.
Credo che il valore della tecnica si veda soprattutto quando trasforma una massa di record in una domanda aziendale precisa: quali clienti hanno bisogno di un onboarding diverso? Quali negozi presentano schemi di riordino simili? Senza una decisione collegata, il cluster resta una descrizione elegante ma poco operativa.
La scala delle variabili può spostare i confini dei gruppi
Un modello basato sulle distanze può farsi guidare dalla colonna con numeri più grandi. Se nel dataset compaiono sia la spesa annua in euro sia il numero di ticket aperti, la spesa può dominare il calcolo, anche quando l’assistenza è il segnale che interessa al team.
Per questo la preparazione dei dati va legata alla domanda di business: rimuovi identificativi e colonne ridondanti, gestisci i valori mancanti e valuta la standardizzazione delle variabili numeriche. Se mescoli importi, categorie e indicatori binari, controlla che la metrica scelta abbia senso per quel tipo di dati.
Un esempio ipotetico: per segmentare gli account SaaS, il team include frequenza di accesso, quota di funzioni usate, rinnovi e ticket aperti. Se l’obiettivo è prevenire l’abbandono, inserire nel modello anche l’etichetta «ha rinnovato» rischia di anticipare la risposta che si vorrebbe scoprire; meglio usare i comportamenti osservati prima della decisione e verificare poi i gruppi rispetto ai rinnovi successivi.
K-Means e DBSCAN rispondono a forme diverse dei dati
Il nome dell’algoritmo non è un dettaglio tecnico: cambia la forma dei gruppi che il modello riesce a rappresentare. K-Means cerca gruppi compatti e richiede di indicare quanti cluster estrarre; DBSCAN individua aree dense e può lasciare alcune osservazioni come rumore.
| Metodo | Quando è adatto | Limite da considerare |
|---|---|---|
| K-Means | Gruppi abbastanza compatti e di forma regolare, con un numero di segmenti ipotizzato. | Può rappresentare male gruppi allungati o con densità molto diverse. |
| DBSCAN | Gruppi di forma irregolare e dati con punti isolati da trattare come rumore. | La scelta dei parametri di densità influenza quali osservazioni vengono aggregate. |
| Clustering gerarchico | Analisi in cui serve osservare come i gruppi si fondono a diverse soglie. | Può richiedere molte risorse quando il dataset cresce molto. |
Le caratteristiche dei metodi e i relativi compromessi sono documentati nella guida di scikit-learn sul clustering. Se il team non conosce il numero plausibile di segmenti, partirei dal clustering gerarchico per esplorare le relazioni, poi confronterei i risultati con un metodo coerente con la geometria dei dati.
La silhouette confronta i cluster, ma non sceglie la strategia
Un grafico colorato può sembrare convincente anche quando i segmenti si sovrappongono. La silhouette misura quanto ogni osservazione sia vicina al proprio gruppo rispetto al cluster più vicino: il coefficiente va da -1 a 1, con valori prossimi a zero associati a sovrapposizione e valori negativi spesso indicativi di assegnazioni poco coerenti, secondo la documentazione di scikit-learn sulla silhouette.
Un esempio della stessa documentazione mostra perché non conviene inseguire il numero più alto senza guardare la distribuzione: nel dataset illustrativo, la media è circa 0,70 con due cluster, 0,59 con tre e 0,65 con quattro. Il punteggio favorisce due gruppi, ma l’analisi visiva segnala che la soluzione a quattro può produrre gruppi di dimensioni più equilibrate; quale sia preferibile dipende dall’obiettivo concreto.
La regola pratica è semplice: se le silhouette sono spesso vicine a zero o negative, rivedi variabili, scala e algoritmo prima di usare i segmenti. Se la qualità statistica sembra buona, controlla comunque se i gruppi si ripetono su campioni o periodi diversi: una segmentazione che cambia a ogni aggiornamento è difficile da integrare nei processi.
Un segmento utile deve suggerire un’azione verificabile
Il test decisivo arriva dopo l’algoritmo: qualcuno può descrivere il cluster senza ricorrere a etichette vaghe come «clienti migliori»? Per un gruppo caratterizzato da pochi accessi, uso limitato delle funzioni e molti ticket, una possibile azione è testare un percorso di onboarding mirato, misurando poi l’attivazione rispetto a un gruppo di controllo.
| Situazione osservata | Possibile causa o conseguenza | Prossimo passo |
|---|---|---|
| I gruppi cambiano molto tra un’estrazione e l’altra. | La segmentazione potrebbe dipendere da pochi record o da variabili instabili. | Ripeti l’analisi su campioni e periodi diversi prima di collegarla a campagne o processi. |
| Un cluster ha profili molto eterogenei. | Le variabili scelte potrebbero non distinguere bene quel segmento. | Esamina le distribuzioni delle singole variabili e prova una diversa selezione o scala. |
| I segmenti sono chiari, ma nessuna funzione aziendale li usa. | La domanda iniziale potrebbe non essere collegata a una decisione concreta. | Definisci un’azione, un responsabile e una metrica di risultato prima di aggiornare il modello. |
| Un gruppo contiene molti casi anomali. | Gli outlier possono alterare metodi sensibili alle distanze o rivelare una sottopopolazione specifica. | Verifica i record e confronta un metodo che gestisca esplicitamente il rumore, come DBSCAN. |
Per una segmentazione clienti, ad esempio, il valore del cluster si misura con una metrica successiva coerente con l’intervento: attivazione, rinnovo o volume di richieste all’assistenza. Eviterei di trattare i gruppi come profili permanenti, perché abitudini, catalogo e condizioni di mercato cambiano; una revisione periodica può rivelare quando il modello ha smesso di descrivere il presente.
La segmentazione regge quando resta spiegabile nel tempo
Prima di mettere i cluster in produzione, assegna a ciascuno una descrizione basata sulle variabili che lo distinguono e verifica che il nome non prometta più di quanto i dati dimostrino. «Bassa frequenza e alta assistenza» è più difendibile di «cliente insoddisfatto», se il dataset non misura direttamente la soddisfazione.
Conserva anche la versione dei dati, delle trasformazioni e dei parametri: senza queste informazioni diventa difficile capire perché una persona o un account sia passato da un gruppo all’altro. La cluster analysis offre una mappa, non una diagnosi; la decisione aziendale resta affidabile quando la mappa è leggibile, stabile e collegata a un intervento misurabile.