Addestra un modello sulle risposte al tuo sondaggio, valuta tutti gli altri

SurveyAnalytica

10 Sep 2026

Solo circa un cliente su otto risponde al tuo sondaggio. Ecco come usare le sue risposte come etichette di addestramento, così un modello può dirti che cosa stanno vivendo gli altri sette.

Circa un cliente su otto compila il tuo sondaggio. I tuoi report si basano su quelle risposte. Gli altri sette non ti dicono niente — ma i loro dati li hai già: che cosa hanno comprato, quando si sono collegati l’ultima volta, quante volte hanno contattato il supporto, su che cosa hanno cliccato. Sai che cosa hanno fatto. Non sai come si sono sentiti.

Questo articolo mostra come colmare quel divario dentro SurveyAnalytica, schermata per schermata: unire i dati, costruire le feature, addestrare il modello usando le risposte al sondaggio come etichette e assegnare un punteggio ai clienti che non hanno mai risposto.

Circa un cliente su otto compila il tuo sondaggio. I tuoi report si basano su quelle risposte.

Gli altri sette non ti dicono niente. Ma i loro dati li hai già: che cosa hanno comprato, quando si sono collegati l’ultima volta, quante volte hanno contattato il supporto, su che cosa hanno cliccato. Sai che cosa hanno fatto. Non sai come si sono sentiti.

È questo il divario da colmare.

Dati comportamentali e transazionali~100%

Li hai per tutti, sempre. Mostrano che cosa hanno fatto le persone, non come si sono sentite.

Risposte al sondaggio~12%

Risponde solo una piccola parte. Ma sono gli unici che ti hanno detto com’è andata davvero.

Quindi, invece di rincorrere un tasso di risposta più alto, usa le risposte che hai già per insegnare a un modello che cosa significa quel comportamento. Poi applicalo a tutti.

Il sondaggio smette di essere il report. Diventa la griglia di correzione.

Come si costruisce

Sette passi. Ogni schermata qui sotto è reale, con i pulsanti chiamati come li troverai nel prodotto.

Passo 01

Porta dentro gli eventi — e le persone a cui appartengono

Perché questo passoUn modello può imparare solo dai dati che riesce a vedere. Oggi i tuoi ordini stanno in un sistema e le anagrafiche clienti in un altro, e nessuno dei due ha una forma su cui si possa addestrare. Questo passo li porta entrambi nello stesso posto.

Workspace ▸ Data ▸ Create Data Hub · Contact Lists ▸ Import Contacts

Ti servono due cose. Un dataset contiene gli eventi: ordini, sessioni, ticket, clickstream. Una contact list contiene le persone a cui quegli eventi appartengono. Scegli From a flow se i dati continuano ad arrivare, oppure Upload a file per un caricamento una tantum.

Create Data Hub

Upload a fileCSV, Excel, immagini o documenti dal tuo computer.

Industry dataClona un dataset pubblico curato nel tuo workspace.

From a flowLascia che sia un’automazione a scrivere righe in questo dataset.

Wizard:UploadPrepareRefinePublishAnalyze

Il Clickstream ha una porta tutta sua: Connectors Marketplace ▸ Clickstream Publisher ▸ Create Clickstream workflow, poi installa l’SDK — Vanilla JS, Next.js, React, React Native, Flutter o iOS.

I contatti arrivano negli stessi due modi: Upload CSV, oppure un flow che li aggiunge man mano che compaiono nei tuoi sistemi. Poi imposta i campi — è qui che più avanti verrà scritta la risposta del modello.

Contact List — Manage Contact Fields

Import ContactsUpload CSVQuick Add Standard Fields

Field ID	Display Label	Type
email	Email	Email
plan	Plan	Dropdown
tenure_months	Tenure (months)	Number
experience_flag	Experience	Dropdown

Add Custom FieldSave Field Schema

Aggiungi experience_flag adesso e lascialo vuoto. Il passo 07 ci scriverà dentro la previsione. Su questa stessa schermata, più avanti, lo userai come filtro per costruire un segmento.

Passo 02

Collega il comportamento al feedback usando il tuo ID

Perché questo passoUn modello impara dagli esempi, e un esempio ha bisogno del comportamento e della risposta sulla stessa riga. Separate, la tabella degli ordini e le risposte al sondaggio non hanno niente da insegnare. Unite, ogni riga dice: ecco che cosa è successo, ed ecco che cosa ne ha pensato la persona.

Workspace ▸ Analytics model ▸ Data & Relationships

Trascina le tue sorgenti sul canvas e collegale. La contact list è la spina dorsale: tutto si unisce a lei, perché è l’unica tabella che sa davvero chi è il cliente.

Il lato sondaggio arriva già collegato

Se hai distribuito il sondaggio a una contact list, non devi riconciliare niente. Ogni invito porta con sé un session id generato con l’ID del contatto, la lista, l’email e il nome, quindi la risposta torna già marcata con chi l’ha data.

E di solito un sondaggio si manda a proposito di qualcosa: un ordine appena spedito, un ticket appena chiuso, una consegna appena arrivata. Passa quel riferimento come custom variable — ID ordine, numero del ticket, ID transazione — e finisce anche lui sulla risposta. Lo stesso vale per i sondaggi inviati dal tuo ESP o da un link sul tuo sito.

Così la risposta non torna sospesa a livello di cliente. Torna agganciata esattamente alla cosa di cui parlava.

Le opzioni di corrispondenza qui sotto servono quindi per i sistemi che non controlli: il database degli ordini, l’export dell’helpdesk, il foglio di calcolo che arriva dall’amministrazione. I dati di feedback arrivano già puliti.

Per quelli, How to match e Normalize keys risolvono le discrepanze senza aprire un progetto di pulizia dati.

Analytics model — Data & Relationships

Basic DetailsData & RelationshipsPreview

Available Data Sources — click to add to canvas

Contact List · la spina dorsale

customers · contactId · email · plan · tenure_months · experience_flag

Survey · etichette — arriva collegato

csat_responses · contactId · orderId · sid

Dataset · comportamento

orders_2026 · orderId · customer_email

How should the two keys be matched?

Exact match

Ignore case

Starts with · Contains

Close match (fuzzy) · Max differences: 2

Within range · Near (distance)

Normalize source field

trim spaces

Normalize target field

lowercase

Guarda la forma: il comportamento è compilato per tutti, le risposte al sondaggio solo per alcuni. È proprio quel vuoto il punto. Le righe con risposta addestrano il modello. Quelle senza sono le righe da prevedere.

Vale la pena fermarsi qui, perché è la parte che quasi nessuno strumento di sondaggi sa fare. Una valutazione che arriva con un ID ordine attaccato ti dice quale ordine l’ha prodotta. Non stai tirando a indovinare quale delle quaranta transazioni di un cliente ha causato la recensione da due stelle: lo sai tu, e lo sa anche il modello.

Questo ti dà due modi per costruire il training set, e scegli in base alla domanda che stai facendo:

Una risposta, una transazione. Unisci la risposta all’ordine o al ticket da cui è arrivata. Ogni riga è una singola interazione con il suo esito: la consegna è arrivata con tre giorni di ritardo, il checkout ha richiesto quattro tentativi, il cliente ha dato due. Questo modello prevede un’interazione: questo ordine sta andando male?
Un cliente, molte transazioni. Aggrega gli eventi per persona — numero di ordini, ritardo medio di consegna, ticket nell’ultimo trimestre — e abbinali al giudizio complessivo che quella persona ti dà. Questo modello prevede una relazione: questo cliente ti sta sfuggendo?

Servono entrambi e rispondono a domande diverse. Il primo intercetta un’esperienza negativa finché si può ancora rimediare. Il secondo ti dice chi chiamare questo mese. Puoi costruirli tutti e due dalla stessa vista unita; l’aggregazione avviene nel passo successivo.

Passo 03

Costruisci le feature che portano segnale

Perché questo passoI modelli non sanno che farsene delle colonne grezze. «Ultimo accesso: 3 marzo» non dice niente a un modello. «47 giorni dall’ultimo accesso, quando di solito ne passano 4» dice moltissimo. Se stai costruendo la vista per cliente del passo precedente, è qui che avviene anche l’aggregazione: conteggi, medie e totali sono ciò che trasforma quaranta righe di ordini in una riga che parla di una persona.

Analytics ▸ Predictions ▸ Feature Engineering ▸ Open Studio

Scegli una trasformazione dall’elenco, oppure scrivi tu l’espressione. Lo stesso vale per l’etichetta: un punteggio grezzo 0–10 è difficile da prevedere, ma raggruppato in promotore, passivo e detrattore diventa semplice.

Feature Studio — Transformations

ScalingEncodingCleaningInteractionsDatetimeTextSelection

Bin / Bucket

One-Hot Encode

Normalize (0-1)

Standardize

Ratio

Cross Features

Extract Components

Fill Missing

TF-IDF

Word Count

Polynomial

Log Transform

Add Custom Feature — Expression (SQL)

— risposte dei detrattori per account, ultimi 90 giorni
COUNTIF(nps_score <= 6) OVER (PARTITION BY customer_id)

Preview resultApply Selection

Contano anche i commenti scritti. Word Count e TF-IDF trasformano il campo di testo libero che nessuno ha mai avuto il tempo di leggere in qualcosa che il modello può usare.

Passo 04

Scegli un modello e imposta l’etichetta

Perché questo passoÈ qui che il sondaggio fa il suo lavoro. Target Column è la risposta che stai insegnando al modello a produrre: la risposta al tuo sondaggio. Feature Columns sono ciò da cui impara. Azzecca questo abbinamento e il resto è meccanico.

Analytics ▸ Predictions ▸ Model Selection → Data Preparation → Training

Il catalogo copre Classification, Regression, Forecasting, Clustering, Image e Text. Se preferisci non scegliere, AI Recommend propone un modello e un target in base alle tue colonne.

Predictions — Training Studio

Model SelectionData PreparationTrainingResults & Comparison

Model Name

Experience Predictor v1

Model type

Boosted Tree Classifier

Feature Columns

sessions_30ddays_since_last_sessiontickets_per_monthlate_deliveries_qweekday_of_orderverbatim_wordcount

Target Column

nps_band ← l’etichetta del sondaggio

Train / Test Split

80 / 20

Start TrainingTrain with Grid Search

Passo 05

Confronta le versioni, poi rendine una live

Perché questo passoIl primo modello raramente è il migliore, e il numero dell’accuratezza lo farà sembrare meglio di quello che è. Se il 90% dei tuoi clienti è soddisfatto, un modello che risponde «soddisfatto» ogni singola volta ottiene il 90% di accuratezza ed è inutile. Questo passo serve ad accorgersene.

Analytics ▸ Predictions ▸ Results & Comparison ▸ Versions

Guarda precision e recall invece dell’accuratezza. Addestra un secondo modello, confronta i due e premi Mark as Live su quello di cui ti fidi.

Model Performance

0.87Accuracy

0.79Precision

0.71Recall

0.91ROC AUC

Version	Primary metric	Trained
v3 · Boosted Tree	0.91 ROC AUC	today	LIVE
v2 · Logistic Reg.	0.84 ROC AUC	2 days ago	Mark as Live

Feature Importance e Confusion Matrix stanno sotto Detailed Metrics.

Passo 06

Fai il deploy — e fallo parlare la lingua del tuo team

Perché questo passoUn modello fermo nella scheda Predictions non può fare niente. Il deploy lo trasforma in qualcosa che un flow può chiamare. È anche il punto in cui trasformi un numero come 0,83 in una parola su cui il tuo team può agire, perché nessuno conduce una riunione sulla retention leggendo una colonna di decimali.

Predictions ▸ Deploy as Agent, then Agents ▸ open the agent ▸ Deploy

Il deploy ti dà un servizio che sa quali input gli servono e che cosa restituisce. Il codice generato è tuo e modificabile, quindi puoi aggiungere qualsiasi output serva davvero al tuo team.

Agent Builder — ML Prediction Agent

index.jspackage.jsonInput SchemaOutput SchemaEnvironment

// ricava lo stato che il tuo team guarda, non un float grezzo
const pos = probs.find(p => String(p.label) === ‘detractor’);
out.experience_flag = pos
? (pos.prob >= 0.7 ? ‘at_risk’ : pos.prob >= 0.4 ? ‘watch’ : ‘healthy’)
: null;

Dichiara experience_flag nella scheda Output Schema così compare nel flow designer.

BuildTestDeploySave Agent

Fai la conversione qui, una volta sola. Se invece infili la soglia 0,7 dentro nove automazioni diverse, il riaddestramento del modello le rende sbagliate tutte e nove, senza dire niente.

Passo 07

Calcola il punteggio sull’evento, non nel batch notturno

Perché questo passoUna previsione vale qualcosa solo finché puoi ancora cambiare le cose. Contatta qualcuno che ha appena faticato al checkout e ti ascolterà. Domani ha già voltato pagina, e ti stai scusando con una persona che ha già deciso. Se la fai partire a orario fisso, butti via quasi tutto il valore.

Flows ▸ Design ▸ Trigger, then Add Component

Quindi fai partire il flow quando la cosa succede. Clickstream per quello che le persone fanno sul tuo sito o nella tua app. Webhook per il sistema degli ordini o per l’helpdesk. Survey Response quando arriva un feedback. Contact List quando cambia un profilo.

Il nodo AI Agent chiama il tuo modello. Condition poi manda clienti diversi su percorsi diversi.

Flow Designer

+ Add Component
Search actions…
In seriesParallel branch

Trigger · Clickstreamcheckout_error · payment_retry

AI AgentExperience Predictor → experience_flag

Conditionexperience_flag is at_risk

Email · service recovery+ Task per il referente del cliente

Else BranchProsegue il nurture standard

Wait5 giorni

Campaign Engagementopened · clicked · bounced

Contact List · updatescrive experience_flag → profilo

+−⤢

TestSaveActivate

Trascina un nodo da Add Component, rilascialo sul canvas, collegalo. Una Condition divide il percorso; tutto quello che sta sotto un ramo viene eseguito solo per i record che l’hanno soddisfatta.

Gli stessi tre pezzi gestiscono anche l’inbound. Quando un cliente ti scrive su WhatsApp, via email o da un form sul sito, un trigger Message Channel avvia il flow. Il modello legge il suo messaggio insieme a tutto quello che già sai di lui, e il ramo decide se serve una persona o se si può rispondere subito.

Flow Designer — inbound

Trigger · Message ChannelWhatsApp in entrata · email · web

AI Agentmessaggio + profilo → experience_flag

Conditionexperience_flag is at_risk

Task · assign to humanInstrada al referente del cliente, con il contesto

Email · auto-replyRisponde subito, nessuna escalation

Contact List · updateregistra l’interazione

+−⤢

Stesso trigger, stesso modello, stessa condizione, puntati su un segnale diverso. Un cliente a rischio che scrive arriva a una persona. Tutti gli altri ricevono una risposta immediata.

Prima scrivi il campo nella lista da Manage Fields ▸ Add Custom Field, poi filtraci sopra in Advanced Filters e premi Create Dynamic List: il segmento viene rivalutato a ogni invio.

Tieni un trigger Schedule per le cose che sono davvero lente: rinnovi di contratto, anzianità, una passata mensile su chiunque il flusso di eventi non abbia mai toccato. Segnali veloci sull’evento, segnali lenti a orario. Quello che devi evitare è un segnale urgente parcheggiato in un job notturno.

La distinzione che tiene tutto onesto

Una previsione è un’ipotesi, non una citazione. Il modello pensa che questo cliente sia insoddisfatto. Il cliente non l’ha mai detto. Tieni separate le due cose nei report, e non dire mai a qualcuno che sai come si sente.

È anche per questo che continui a chiedere. Le nuove risposte sono il modo per verificare che il modello sia ancora nel giusto. E quando un modello sbaglia, sbaglia in silenzio: i punteggi continuano ad arrivare, tutti continuano a fidarsene, e arrivano sempre meno risposte vere a smascherarlo.

Le cose da non sbagliare

Prevedi qualcosa su cui agiresti davvero. Nessuno tratta un 7 diversamente da un 8. Raggruppa il punteggio nelle fasce a cui rispondi davvero, e prevedi quelle.
Di’ quale esito ti interessa. Il numero di confidenza del modello si riferisce alla risposta che il modello ha scelto. Un sicuro «va tutto bene» e un sicuro «sta per andarsene» tornano entrambi come 0,93, quindi indica quale dei due stai tenendo d’occhio.
Chiedi perché, non solo quanto è grave. Chi ha tre ticket aperti vuole delle scuse e una richiamata. Chi ha smesso di collegarsi vuole aiuto per ripartire. Lo stesso sconto risolve il primo caso e irrita il secondo.
Lascia che le persone escano. Se ordinano di nuovo, segnali come recuperati e ferma la sequenza. Niente rovina un cliente riconquistato più in fretta di altre tre email di win-back dopo che è già tornato.
Tieni un gruppo che non contatti. I tassi di apertura non ti diranno se ha funzionato. Il confronto con i clienti che hai deliberatamente lasciato stare, sì.