Il marketing nell’era dei big data:
i dati ci dicono chi sono i nostri clienti
di Giordano Margotti
Allievo ISTAO, Corso in Data Science 2019
Nella “Big Data Era” abbiamo la possibilità di disporre di grandi quantità di dati che risultano chiave per le decisioni aziendali. La transizione tecnologica in atto ci sta traghettando in un nuovo mondo in cui i tradizionali paradigmi riguardanti le abitudini di acquisto dei consumatori stanno crollando. Le innovazioni tecnologiche hanno avuto un profondo impatto sul nostro stile di vita fin dai primi anni 2000. Dalla ricerca Gartner “The Social Platforms & Influencers 2019” risulta chiara la transizione oramai irreversibile delle abitudini di acquisto degli utenti online, supportata da innovative funzionalità commerciali delle piattaforme Social. Due terzi degli utenti online hanno acquistato direttamente dai social media almeno una volta nell’ultimo anno. Ogni volta in cui gli utenti comprano online, con un solo clic del mouse, i dati disponibili aumentano. E’ necessario, quindi, riconoscere che davanti ad una importante mole di dati risulta impossibile per un essere umano estrarre informazione di valore. Per dare un senso a questi dati ed utilizzarli a vantaggio dell’azienda si può ricorrere all’utilizzo di diverse tecniche di Data Science. Sono, allora, imprescindibili gli strumenti di analisi statistica come quelli racchiusi nella branca del machine learning. Tali strumenti permettono di identificare con più precisione le caratteristiche chiave del cliente target permettendo l’implementazione di modelli previsionali del comportamento dei consumatori.
Quando un utente cerca un prodotto, si vede comparire un certo numero di consigli e banner pubblicitari. Queste raccomandazioni vengono effettuate, grazie algoritmi di Machine Learning, sulla base delle attività e degli acquisti passati sia dell’utente che di utenti simili. Le aziende memorizzano i dati di ogni click dei clienti e li utilizzano per aumentare la loro conoscenza del cliente (Segmentation e Targeting) o per definire nuove piattaforme di raccomandazione (Recommendation engines). Riuscire a collegare le decisioni di acquisto effettive o intenzionali a delle caratteristiche descrittive di un individuo permette di effettuare analisi molto accurate. Per fare questo è fondamentale disporre di dati di alta qualità. Spesso i Social Network, i log sui siti web e le transazioni avvenute nell’e-commerce rappresentano una preziosa fonte di informazione. I casi d’uso delle tecniche di machine learning più comuni che i marketer possono prendere in considerazione sono la segmentazione dei consumatori ed i sistemi di raccomandazione. Non meno importanti sono l’analisi del Churn rate (tasso di abbandono), la valutazione del valore del tempo di vita del cliente ed una modellazione del marketing mix.
Con segmentazione della clientela si intende il processo di divisione della base clienti in diversi gruppi di individui che condividono delle caratteristiche identificative che risultano essere molto rilevanti per il marketing, come il sesso, l’età, gli interessi e le varie abitudini di spesa. Raggruppando i consumatori simili in dei cluster (con algoritmi di clustering come K-means, K-medoids, Hierarchical clustering o Dbscan) è possibile creare personas dei clienti, dei veri e propri avatar, in base all’attività e adattare l’offerta a tali gruppi.
Ciò permette alle aziende di avere una comprensione più profonda delle preferenze dei clienti per scoprire segmenti di valore che consentano loro di ottenere il massimo profitto. Informazioni del genere giocano un ruolo cruciale nel determinare la direzione delle decisioni aziendali. In questo modo, i CMO possono definire le loro strategie di marketing in modo più efficiente, ed efficace, riducendo in maniera importante i rischi per il loro investimento.
Un altro strumento importantissimo per il Digital Marketing è il sistema di raccomandazione. Ovvero un software di filtraggio dei contenuti che crea delle raccomandazioni personalizzate specifiche per l’utente in modo da guidarlo nelle scelte di acquisto. Le raccomandazioni di acquisto per gli utenti vengono effettuate sulla base delle loro ricerche passate o dei dati di ricerca o di acquisto di altri clienti. Fornisce agli utenti una visualizzazione personalizzata sul sito web e dell’e-ommerce aiutandoli a selezionare i prodotti pertinenti.
Un esempio ecclatante di Recommendation System ben riuscito è sicuramente il caso Netflix. Questa piattaforma streaming utilizza un Hybrid Recommendation Filtering. La tecnica ibrida consiste nel fare previsioni utilizzando Collaborative Filtering e Content Based Filtering separatamente oppure combinando tra loro i risultati. Nel Collaborative Filtering, le raccomandazioni saranno date sulla base dei dati raccolti sulle attività degli utenti sul sito web e trovando somiglianza tra le loro attività con quelle degli altri utenti. È la tecnica più popolare tra le aziende di e-commerce in quanto non ha bisogno di conoscere l’articolo prima di raccomandarlo al cliente. Si cerca solo di trovare le somiglianze tra gli interessi dei diversi utenti.
A differenza del filtraggio collaborativo, il Content Based Filtering fornisce raccomandazioni sulla base del profilo dell’utente e della descrizione dell’articolo. Questa tecnica può filtrare i prodotti per gli utenti sulla base di ciò che piaceva loro in passato. Non bisogna sottovalutare l’importanza delle raccomandazioni in un sito e-commerce. Immaginate di dover fare un acquisto online. Il primo e-commerce nel quale vi imbattete non ha alcun sistema di raccomandazione obbligandoti a passare attraverso un sacco di prodotti diversi prima di trovare, forse, quello che cerchi. Questo potrebbe scoraggiarti dall’effettuare acquisti in quanto molto dispendioso in termini di tempo. Mentre, il secondo e-commerce, concorrente del primo ha un sistema di raccomandazione che ti guida velocemente ed intelligentemente nelle scelte di acquisto. Ogni volta che l’utente clicca su un prodotto, vedrà prodotti simili o correlati come raccomandazione sul sito web.
Le organizzazioni che prendono decisioni guidate da dati ad alta velocità sono sulla strada per diventare pionieri del marketing.
In un mare di iperconnessione e grandi quantità di dati le tecniche di Digital Marketing supportate da analisi quantitative con tecniche di Machine Learning saranno la scialuppa di salvataggio che permetterà alle aziende di non annegare travolte dalla fiumana del progresso.
