1. Raccolta e normalizzazione degli eventi: lo schema gerarchico mobile

La base del Tier 2 è la progettazione di uno schema di eventi mobile altamente strutturato e flessibile. Ogni evento (screen, azione, transazione) deve includere attributi standardizzati:
– `tipo` (tappo: screen, action, transaction)
– `durata` in millisecondi con conversione automatica da secondi
– `dispositivo` (fisico, emulatore, tablet, smartphone)
– `OS` e `lingua` attiva, univocamente identificati
– `timestamp_utc` preciso, con offset di rete come `latest_network_timestamp` per compensare ritardi.
Un esempio di schema JSON:
{
“event_type”: “screen_view”,
“session_id”: “sess_12345”,
“timestamp_utc”: 1712345678901,
“durata_ms”: 1245,
“device_type”: “iOS 17.2”,
“os”: “iOS”,
“language”: “it”,
“network_type”: “Wi-Fi”,
“last_network_round”: 1712345678800
}

Lo schema deve essere versionato e distribuito via backend centralizzato (Firebase Events o Mixpanel), con validazione in entrata obbligatoria per escludere bot e eventi duplicati.

2. Logging centralizzato e filtraggio delle bot

Implementare un sistema di logging centralizzato con filtri intelligenti: rimuovere sessioni con durata < 3 secondi (anonime o sospette), dispositivi emulatori con pattern ripetitivi, e IP da reti note bot. Usare liste bianche dinamiche basate su geolocalizzazione e comportamenti anomali.
Esempio: escludere eventi con `durata_ms < 3` e `device_type = “emulator”` dal calcolo delle metriche primarie.

3. Normalizzazione cross-platform

Convertire tutte le unità di misura in UTC millisecondi:
– `durata` in ms → unità unica
– `timestamp` con offset di rete: usare `last_network_timestamp = timestamp_utc + (ritardo_reti_ms)`
– `lingua` e `rete` standardizzati con codici ISO 639-1 e enum predefiniti
Questo elimina distorsioni causate da differenze hardware/OS e garantisce coerenza per analisi multi-piattaforma.

“La normalizzazione non è un passaggio tecnico, ma il fondamento per metriche affidabili: senza di essa, ogni analisi diventa ipotesi, non verità.”

“Dati non arricchiti sono solo rumore: il contesto trasforma il comportamento in insight azionabili.”

1. Arricchimento degli eventi con dati contestuali

Ogni evento base viene arricchito con informazioni contestuali per creare segnali più significativi:
– **Geolocalizzazione anonima**: latitudine/longitudine approssimativa (con precisione 500m), associata a regione italiana per analisi geospaziali
– **Tipo dispositivo**: fisico vs emulatore, con classificazione basata su user agent e comportamenti (es. frequenza touch)
– **Lingua attiva**: riconoscimento automatico da impostazioni sistema, mappato a codici ISO
– **Rete attiva**: 4G, Wi-Fi, 5G, con pesatura comportamentale (es. utenti Wi-Fi tendono a sessioni più lunghe)
Esempio di arricchimento:

{
“event_type”: “click_acquista”,
“session_id”: “sess_12345”,
“timestamp_utc”: 1712345680000,
“durata_ms”: 890,
“device_type”: “fisico”,
“os”: “Android 15”,
“language”: “it”,
“network_type”: “Wi-Fi”,
“last_network_round”: 1712345680000,
“geo_region”: “Lombardia”,
“device_category”: “smartphone”
}

Questi dati contestuali permettono di costruire profili comportamentali più precisi e personalizzati.

2. Pipeline ETL per metriche composite

Implementare un ETL strutturato per aggregare eventi in metriche di engagement:
– **Tasso di completamento task**: `(azioni_chiave / sessioni) × peso_linguistico + peso_culturale`
dove `peso_linguistico` è +30 per mercati multilingue, `peso_culturale` +20 per app con contenuti locali (es. food delivery con preferenze regionali)
– **Deep Engagement Index (DEI)**:

DEI = (azioni_chiave / sessioni) × 0.6 +
(interazioni_linguistiche / sessioni) × 0.3 +
(rete_stabili / sessioni) × 0.1

– **Abandono per sessione corta**: sessioni < 5s escluse dal DEI
Questo approccio consente di misurare non solo la presenza, ma la qualità dell’engagement.

“Un DEI calcolato con contesto è il barometro reale del valore dell’engagement, non una metrica generica.”

3. Smoothing temporale per ridurre il rumore

Applicare una media mobile esponenziale (EWMA) su sessioni consecutive per stabilizzare metriche volatile:

EWMA(t,n) = α × evento_t + (1−α) × EWMA(t−1,n)

con α = 0.3 per bilanciare reattività e stabilità. Questo riduce il 50% dei picchi artificiali causati da sessioni isolate o bot intermittenti.

“La conversione da evento a metriche è l’arte del preciso: ogni trigger definisce un momento critico.”

1. Definizione di eventi trigger per metriche chiave

– **sessione attiva**: `evento_type = screen_view` con `durata > 3s`
– **azione