INTRO

logo del cliente

logo del cliente

Customer Journey

Row


Il Customer Journey di WeAct Today è l’analisi delle interazioni sui “touch point” dei nostri bot, analizziamo in tempo reale ogni blocco di conversazione col nostro agente.


Geolocalizzazione 1) geolocalizzazione in tempo reale 2) geofencing per assistenti sul territorio come per eventi, manifestazioni, fiere, viaggi o emergenze sul territorio

Row

Contatti sull’assistente nelle ultime 24 h

Conversazioni oggi

123

Contatti sull’assistente negli utlimi 7 giorni

Conversazioni Settimana

645

Preventivi richiesti oggi, se sotto la media settimanale = arancione se sopra = blu

Preventivi Oggi

23

Dashboard

Row

Progression

La metrica utilizzata per misurare l’impatto di WeAct.Today sui clienti che hanno raggiunto gli obiettivi di marketing.

Aversion

La metrica utilizzata per misurare l’impatto di WeAct.Today sui clienti che NON hanno raggiunto gli obiettivi di marketing.

Row

Engagement

Oltre a valutare quale sia la creatività, o il blocco di conversazione vogliamo misurare cosa gli utenti hanno fatto. Ad esempio, hanno fatto clic sul pulsante di chiamata all’azione? Sono coinvolti con un contenuto personalizzato? Richiedono approfondimenti?

Timing

In genere, più velocemente un cliente si sposta in ogni parte del viaggio, più velocemente si può raggiungere il risultato desiderato. Per quelli con un ciclo di vendita più lungo, potrebbe essere quanto tempo trascorrono nella fase di engagement.

Value

Misurare il valore delle interazioni, considerando le azioni messe in atto come consigli e raccomandazioni o profilazione.

Row

Touch Point: Menù

823

Touch Point: Video Auto

645

Touch Point: Offerta “Assicurazione”

145

Time Series

Row

Touch Point Analytics

Row

---
title: "WeAct Widgets Showcase"
output: 
   flexdashboard::flex_dashboard:
    #storyboard: true
    social: menu
    source: embed
    orientation: rows
    vertical_layout: scroll
    
---


INTRO
===
![logo del cliente](/Users/giancarlo/Documents/WeAct/Logo/logo WAT business/WeActTodayLogoBusiness.png)


Customer Journey
===================================== 

Row
-------------------------------------  

```{r setup, include=FALSE}
library(flexdashboard)
```

-----------------------------------------------------------------------

### Il Customer Journey di WeAct Today è l'analisi delle interazioni sui "touch point" dei nostri bot, analizziamo in tempo reale ogni blocco di conversazione col nostro agente. 

```{r fig.width=8, fig.height=5}
library(networkD3)
library(htmlwidgets)
nodes = data.frame("blocchi" = 
                     c("menù", # Nodo 0
                       "info", # blocco 1
                       "video", # blocco 2
                       "immagine", # blocco 3
                       "personalizzazioni", # blocco 4
                       "prezzi", # blocco 5
                       "Facebook video", # blocco 6
                       "Facebook personalizzazioni", #blocco 7
                       "preventivo"))# blocco 8
links = as.data.frame(matrix(c(
  0, 1, 190, 
  1, 3, 20, 
  1, 2, 22,
  3, 5, 15,
  3, 4, 5,
  2, 5, 12,
  2,7, 10,
  7, 4, 32,
  6, 2, 43,
  2, 4, 16,
  1, 4, 16,
  4, 8, 31,
  8,7,8,
  5, 8, 11, 
  0, 8, 3),# 
  byrow = TRUE, ncol = 3))
names(links) = c("source", "target", "value")
SKNet<-sankeyNetwork(Links = links, Nodes = nodes,
              Source = "source", Target = "target",
              Value = "value", NodeID = "blocchi",
              fontSize= 12, nodeWidth = 30)

SKNet

```

-----------------------------------------------------------------------

### Geolocalizzazione 1) geolocalizzazione in tempo reale 2) geofencing per assistenti sul territorio come per eventi, manifestazioni, fiere, viaggi o emergenze sul territorio 

```{r}
library(leaflet)
mappa<- data.frame(long =c(7.701914, 7.803, 7.683, 7.802, 7.732431, 7.828368, 7.822682, 7.778887,7.803241, 7.662479, 7.665011), lat=c (45.104202, 45.114202, 44.987, 45.0803, 45.057627, 45.052184, 45.136723, 45.130561, 45.131711, 45.115011, 45.108801), tipo = c("casa", "auto", "salute", "auto", "auto", "casa", "casa", "casa", "casa", "salute", "salute"))
mappaleaf<- leaflet(data = mappa) %>% addTiles() %>%
  addMarkers(~long, ~lat, popup = ~as.character(tipo), label = ~as.character(tipo))
mappaleaf
```

Row
-------------------------------------  

### Contatti sull'assistente nelle ultime 24 h

Conversazioni oggi

```{r}
contattioggi <- (123)
valueBox(contattioggi, icon = "fa-bullhorn")

```

### Contatti sull'assistente negli utlimi 7 giorni

Conversazioni Settimana

```{r}

contattisettimana <- (645)
valueBox(contattisettimana, icon = "fa-comments")
```

### Preventivi richiesti oggi, se sotto la media settimanale = arancione se sopra = blu

Preventivi Oggi

```{r}
preventivi <- (23)
valueBox(preventivi, 
         icon = "fa-chart-area",
         color = ifelse(preventivi< 30, "warning", "primary"))
```

Dashboard
===================================== 

Row 
-----------------------------------------------------------------------

### Progression
La metrica utilizzata per misurare l'impatto di WeAct.Today sui clienti che hanno raggiunto gli obiettivi di marketing.
```{r}
rate <- (85)
gauge(rate, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(80, 100), warning = c(40, 79), danger = c(0, 39)
))
```

### Aversion
La metrica utilizzata per misurare l'impatto di WeAct.Today sui clienti che NON hanno raggiunto gli obiettivi di marketing.
```{r}
rating <- (45)
gauge(rating, min = 0, max = 100, gaugeSectors(
  success = c(0, 20), warning = c(21, 70), danger = c(70, 100)
))
```



Row 
-----------------------------------------------------------------------

### Engagement
Oltre a valutare quale sia la creatività, o il blocco di conversazione vogliamo misurare cosa gli utenti hanno fatto. Ad esempio, hanno fatto clic sul pulsante di chiamata all'azione? Sono coinvolti con un contenuto personalizzato? Richiedono approfondimenti?

```{r}
engagement <- (73)
gauge(engagement, min = 0, max = 100, symbol = '%', gaugeSectors(
  success = c(80, 100), warning = c(40, 79), danger = c(0, 39)
))
```

### Timing
In genere, più velocemente un cliente si sposta in ogni parte del viaggio, più velocemente si può raggiungere il risultato desiderato. Per quelli con un ciclo di vendita più lungo, potrebbe essere quanto tempo trascorrono nella fase di engagement.
```{r}
timing <- (74)
gauge(timing, min = 0, max = 100, gaugeSectors(
  success = c(0, 40), warning = c(41, 70), danger = c(70, 100)
))
```

### Value
Misurare il valore delle interazioni, considerando le azioni messe in atto come consigli e raccomandazioni o profilazione.



```{r}
value <- (76)
gauge(value, min = 0, max = 100, gaugeSectors(
  success = c(75, 100), warning = c(45, 74), danger = c(0, 44)
))
```

Row
-------------------------------------  

### Touch Point: Menù



```{r}
touchpoint1 <- (823)
valueBox(touchpoint1, icon = "fa-smile")

```

### Touch Point: Video Auto



```{r}

touchpoint2 <- (645)
valueBox(touchpoint2, icon = "fa-compass")
```

### Touch Point: Offerta "Assicurazione"



```{r}

touchpoint3 <- (145)

valueBox(touchpoint3, icon = "fa-address-card")
```


Time Series
===================================== 
Row
-------------------------------
```{r, fig.width=15, fig.height=5}
#install.packages("dygraphs")
library(dygraphs)
library(timeSeries)
library(dygraphs)
library(forecast)
library(magrittr)
#oggiora
#oggisys
oggi<- Sys.Date()
days<- seq(oggi, by=1, length.out = 10)
blocchi <- c('menù','video1','offerta', "video1", "menù", "menù", "offerta", "offerta", "preventivo", "exit")
visite <- c(213, 210, 222, 232, 233, 238, 245, 254, 259, 265)
video <- c(23, 17, 26, 16, 28, 33, 30, 38, 22, 9)
offerta<- c (21, 13, 16, 20, 25, 35, 32, 28, 31, 36)
preventivo <- c(4, 6, 5, 13, 14, 17, 18, 22, 27, 33 )
temp<- data.frame(video, offerta, preventivo)

myts <- ts(temp)

myts <- ts(temp, start=c(2017, 11, 1), end=c(2018, 4, 30), frequency=12)
dygraph(myts, main = "User Journey sui touch point del bot") %>% 
  dyRangeSelector()  %>%
dyOptions(colors = RColorBrewer::brewer.pal(3, "Set2"))%>%
  #dyOptions(fillGraph = TRUE, fillAlpha = 0.2)
dyHighlight(highlightSeriesOpts = list(strokeWidth = 3)) %>%
dyEvent("2018-2-20", "offerta Autopiù", labelLoc = "bottom") %>%
dyEvent("2018-1-27", "video Rally", labelLoc = "bottom") %>%
dyEvent("2017-12-24", "video Natale", labelLoc = "bottom")
```

Touch Point Analytics
=====================================
Row
--------------------
```{r, fig.width=14, fig.height=5}
library(ggplot2)
library(plotly)
veb<- data.frame(visite, blocchi)
p <- ggplot(data = veb, aes(x = blocchi)) +
  geom_bar(position = "dodge")
ggplotly(p)
```