- **Raccolta dati contestuali in tempo reale**: tramite IP geolocalizzazione (con precisione fino a città), GPS (su mobile), cookie di posizione e preferenze esplicite.
- **Segmentazione utente per contesto**: identificazione di micro-zone (centro storico, periferia, provincia), gruppi dispositivo (mobile, desktop, tablet), e fasce orarie con comportamenti distinti.
- **Assegnazione di coefficienti iniziali**: basati su dati storici e benchmark regionali, con pesi differenziati per regione (es. +0.4 per Lombardia in orari serali).
- **Integrazione con CMS e piattaforme e-commerce**: tramite API, regole di contenuto dinamico e Liquid in Shopify, o custom hooks in WooCommerce.
*Esempio pratico*: un utente a Milano tra le 18 e 21 ore, su mobile, riceve un peso di +0.45 (posizione +0.35 + dispositivo +0.10 + tempo serale +0.00) → priorità elevata per offerte locali.
- Metodi di geolocalizzazione:
- 1. IP geolocalizzazione: utilizza banche dati aggiornate (MaxMind GeoIP2) con precisione fino a città; ideale per desktop; errore medio 1-3 km.
2. GPS mobile: dati diretti dal dispositivo, accurate entro 100 m; usato per attivare promozioni tempestive.
3. Cookie geolocalizzati: tracciano la posizione recente ma con margine di errore fino a 500 m.
4. GPS + Wi-Fi triangolazione: combinazione ottimale per alta precisione in contesti urbani. - Peso contestuale geolocation:
- Formula: Wp = w0 + w1*(Precisione_IP) + w2*(Precisione_GPS) + w3*(Micro_zone_weight) + w4*(Stagionalità_area)
Esempio:
w0=0.2 (base), w1=0.3 (IP), w2=0.5 (GPS), w3=0.4 (centro storico), w4=0.1 (periferie).
Un utente a Roma centro con GPS + precisione alta → Wp=2.05 → peso massimo. - Attenzione critica:
- Non ignorare la sincronizzazione oraria tra server e client: un offset di 3 minuti può far sì che un’offerta notturna non venga mostrata dopo le 20. Validare sempre timestamp UTC con NTP.
- Rilevazione dispositivo:
- 1. User-Agent parsing: semplice ma insufficiente (falsato facilmente).
2. Feature detection JS: metodo consigliato, con fallback per dispositivi simili (iPhone vs Android).
3. Preferenze salstate: storage locali (LocalStorage, SessionStorage) con priorità crescente se disponibili.
4. Rilevazione multi-device: sincronizzazione tramite login utente, non solo IP. - Pesi contestuali per dispositivo:
- Fase 1: identificare dispositivo con feature detection.
Fase 2: assegnare base:
– Mobile: +0.40 (mobilità = maggiore intenzione d’acquisto)
-0.10 (thread mobile in viaggio)
+0.25 (desktop in ufficio)
-0.15 (tablet in movimento)
Fase 3: aggiornare dinamicamente in base al comportamento (es. sessione prolungata → +0.05).Esempio:
Utente su iPhone in orari lavorativi → +0.40;
Utente su tablet in periferia serale → +0.25;
Utente su desktop in centro storico lunedì → +0.30 (orario +0.30 + posizione +0.40). - Errore frequente:
- Rilevare solo “mobile” senza distinguere iPhone da Android → rischio penalizzazione SEO locale per targeting errato. Usare feature detection con libreria come Modernizr o script custom per discriminare e applicare pesi differenziati.
- Pesi orari:
- Analisi comportamentale italiana mostra:
– Ore 18-21: +0.30 in città grandi (alta intenzione serale)
-0.15 in zone rurali con traffico basso
+0.50 ore 0-6 (minor conversione ma alta ricerca)
+0.40 ore 22-0 (notte, ricerca anticipata)
-0.20 ore 6-12 (ora di pausa, attenzione a offerte in tempo reale) - Regole di contenuto dinamico:
- Esempio:
- Offerte serali automatizzate dopo le 20 in zone urbane (peso +0.50)
– Promozioni notturne solo dopo le 20 per evitare offerte fuori contesto
– Contenuti locali (es. “prodotti tipici Milano”) attivati solo nelle ore 12-18, quando consumo è più elevato
- Offerte serali automatizzate dopo le 20 in zone urbane (peso +0.50)
- Caso studio: Catena di e-commerce alimentare a Bologna ha automatizzato offerte “pranzo veloce” entro le 13:00 e “cena a casa” dopo le 20, aumentando prenotazioni del 30% in 3 mesi.
- Decay dei pesi:
- – Ultime 2 ore: peso +0.5 (intenzione alta)
– Ultime 24 ore: +0.3 (attenzione al comportamento recente)
– Ultime 48 ore: +0.1 (segnale debole ma utile per retargeting) - Integrazione con WooCommerce:
- Utilizzo del plugin WooCommerce Product Recommendations con regole custom:
- +0.4 se utente ha visto scarpe da corsa + aggiunto al carrello nelle ultime 2 ore
- +0.3 se carrello abbandonato dopo <30 minuti, dispositivo mobile, orario serale
- +0.2 se navigazione recente di prodotti alimentari locali
- Sfida italiana: Gestire la privacy (GDPR) richiede consenso esplicito per tracciare sessioni brevi; implementare tracking aggregato e anonimizzato.