L’azienda

Cyclistic è una società di bike-sharing con sede a Chicago che offre oltre 5.800 biciclette distribuite in 600 stazioni. Si contraddistingue per la varietà di biciclette disponibili, tra cui biciclette tradizionali ed elettriche, per soddisfare le diverse esigenze di mobilità dei ciclisti.

I piani tariffari flessibili, tra cui abbonamenti per una singola corsa, pass giornalieri e iscrizioni annuali, hanno avuto successo nel attirare una vasta base di clienti. Tuttavia, gli analisti finanziari dell’azienda hanno rilevato che i membri annuali sono più redditizi, suscitando così un interesse strategico nell’identificare come convertire i ciclisti occasionali in membri annuali.

Obiettivo: Attrarre e Convertire Utenti Occasionali in Membri Annuali

Come possiamo trasformare gli utenti occasionali in fedeli membri annuali?

Questa è la domanda centrale che guida la nostra analisi data-driven. Per rispondere a questa domanda, è fondamentale comprendere gli interessi del nostro target di utenti e i loro modelli di utilizzo del servizio. Vogliamo raggiungere gli utenti laddove si trovano e fornire soluzioni che soddisfino le loro esigenze.

Solo così potremo trasformare gli utenti occasionali in clienti felici e fedeli a Cyclistic.

Per affrontare questa sfida e fornire suggerimenti informati, ho esaminato attentamente i dati storici delle corse, esplorando le preferenze e i comportamenti dei membri annuali e degli utenti occasionali. L’obiettivo? Identificare strategie e azioni che possano incentivare la conversione degli utenti occasionali in membri annuali fedeli al servizio.

Metodo

Per condurre un’analisi approfondita e data-driven, ho scelto di utilizzare il linguaggio di programmazione R. La scelta di R è stata motivata dalla sua potenza nell’analisi dei dati e dalle sue capacità avanzate di visualizzazione, che mi hanno permesso di esplorare e interpretare i dati in modo efficace.

Prima di procedere con l’analisi vera e propria, ho dedicato una fase iniziale alla pulizia dei dati per garantire che fossero affidabili e coerenti. 

Sulla base delle informazioni ottenute dall’esplorazione dei dati, ho formulato domande specifiche da affrontare nell’analisi. Ad esempio, ho voluto indagare se i ciclisti occasionali avessero una durata media delle corse diversa rispetto ai membri annuali e se preferissero determinati tipi di biciclette.

Per rispondere a queste domande, ho manipolato i dati utilizzando le funzioni di R per creare nuove colonne significative e calcolare metriche rilevanti. 

Soluzione

Basandomi sui risultati dell’analisi dei dati, ho sviluppato raccomandazioni chiave e una strategia mirata per affrontare il problema di Cyclistic.

Ho proposto una serie di iniziative mirate a convertire i ciclisti occasionali in membri annuali e a migliorare l’esperienza complessiva dell’utente. Tra le raccomandazioni principali c’erano campagne mirate sui social media per promuovere i vantaggi dell’iscrizione annuale, notifiche in-app personalizzate per i ciclisti occasionali e programmi di incentivazione come i referral program.

Inoltre, ho suggerito l’introduzione di un’opzione di iscrizione annuale specifica per i weekend, per adattare il servizio alle diverse esigenze degli utenti.

Grazie all’implementazione di queste raccomandazioni data-driven, Cyclistic è stata in grado di aumentare il numero di membri annuali, migliorare la fidelizzazione dei clienti e stimolare la crescita e la redditività dell’azienda.

Grazie all’analisi dei dati, Cyclistic ora dispone di informazioni concrete per prendere decisioni informate, ottimizzare le strategie aziendali e aumentare il suo potenziale di crescita e redditività. 

La mia avventura data-driven completa per ottimizzare il futuro di Cyclistic Bike Sharing è racchiusa nel case study dettagliato, disponibile sulla piattaforma per appassionati di data science Kaggle.