📘 Come Calcolare le KPI di Marketing con Python: Guida Pratica per Marketer e Data Analyst

Le KPI (Key Performance Indicators) sono metriche fondamentali per ottimizzare le strategie di marketing. In questo articolo ti mostrerò come calcolare le principali KPI di marketing usando Python, uno strumento potente per analizzare i dati.

📊 1. CCR (Cost per Conversion Rate)

Cos'è il CCR?

Il CCR misura quanto spendi per ogni conversione ottenuta. Ecco come calcolarlo:

      
def ccr(cost_total, conversions):
    return cost_total / conversions
      
    

Esempio di utilizzo:

      
ccr_value = ccr(1000, 50)
print(f"CCR: {ccr_value:.2f} €")
      
    

💰 2. CPA (Cost per Acquisition)

Cos'è il CPA?

Il CPA misura quanto costa acquisire un nuovo cliente. Ecco come calcolarlo:

      
def cpa(cost_total, new_customers):
    return cost_total / new_customers
      
    

🛒 3. Cart Abandonment Rate

Cos'è il Cart Abandonment Rate?

Il Cart Abandonment Rate misura la percentuale di utenti che abbandonano il carrello senza completare l'acquisto.

      
def cart_abandonment_rate(started, completed):
    return ((started - completed) / started) * 100
      
    

🔄 4. CRR (Customer Retention Rate)

Cos'è il CRR?

Il CRR misura la percentuale di clienti che rimangono fedeli nel tempo.

      
def crr(start_period, end_period, new_customers):
    return ((end_period - new_customers) / start_period) * 100
      
    

⇅ 5. Repeat Purchase Rate

Cos'è il Repeat Purchase Rate?

Il Repeat Purchase Rate misura quanti clienti tornano ad acquistare più volte.

      
def repeat_purchase_rate(repeat_customers, total_customers):
    return (repeat_customers / total_customers) * 100
      
    

💎 6. CLV (Customer Lifetime Value)

Cos'è il CLV?

Il CLV rappresenta il valore economico che un cliente porta durante tutta la sua vita come acquirente.

      
def clv(avg_order_value, purchase_frequency, customer_lifespan):
    return avg_order_value * purchase_frequency * customer_lifespan
      
    

❤ 7. NPS (Net Promoter Score)

Cos'è il NPS?

Il NPS misura la probabilità che un cliente raccomandi il tuo brand.

      
def nps(promoters, detractors, total_respondents):
    return ((promoters - detractors) / total_respondents) * 100
      
    

🔗 8. Referral Rate

Cos'è il Referral Rate?

Il Referral Rate misura la percentuale di clienti che portano nuovi clienti.

      
def referral_rate(referred_customers, total_customers):
    return (referred_customers / total_customers) * 100
      
    

📈 9. Upsell / Cross-sell Rate

Cos'è l'Upsell / Cross-sell Rate?

Il Upsell / Cross-sell Rate misura la percentuale di vendite aggiuntive o complementari.

      
def upsell_rate(upsell_sales, total_sales):
    return (upsell_sales / total_sales) * 100
      
    

⏱ 10. Time Between Purchases

Cos'è il Time Between Purchases?

Il Time Between Purchases misura il tempo medio che intercorre tra un acquisto e l'altro.

      
import pandas as pd

def time_between_purchases(purchase_dates):
    purchase_dates = pd.to_datetime(purchase_dates).sort_values()
    return (purchase_dates.diff().mean()).days
      
    

📉 11. Churn Rate

Cos'è il Churn Rate?

Il Churn Rate misura la percentuale di clienti persi in un dato periodo.

      
def churn_rate(lost_customers, total_customers_start):
    return (lost_customers / total_customers_start) * 100
      
    

📌 Conclusioni

Utilizzare Python per calcolare le KPI di marketing consente di automatizzare il processo di monitoraggio e ottimizzare le performance delle tue strategie. Queste metriche ti guideranno verso decisioni più informate e una gestione efficace del business.