Customer deep analysis

La vera chiave per strategie efficaci è la conoscenza accurata della base clienti: abitudini di acquisto, comportamenti, preferenze. Tuttavia, non sempre le informazioni vengono raccolte e analizzate nel migliore dei modi, sebbene la customer analysis sia utile a tutti i livelli di gestione di un’azienda: dalla produzione, al customer service, dal CRM management al marketing. 

Una customer analysis efficace si basa su ricerche approfondite, condivise con l’intero team e incentrate su ciò che conta davvero: i fattori che influenzano e modificano le decisioni e i comportamenti di acquisto dei clienti, come e quando tali acquisti avvengono, e la loro frequenza, ricorsività e valore monetario.

La customer analysis ha alcuni vantaggi tangibili:

• segmentazione più accurata della clientela
• comunicazione personalizzata e pertinente
• incremento del ROI e del ROAS delle campagne pubblicitarie
• ottimizzazione degli investimenti per canale di comunicazione
• miglioramento dei prodotti e dei servizi
• miglioramento delle relazioni e della fidelizzazione

Tuttavia, la customer analysis può essere resa ancora più efficace grazie a nuovi strumenti e metodologie che consentono di ampliare lo spettro dell’analisi affinché includa e prenda in esame ulteriori aspetti particolarmente rilevanti delle abitudini e dei comportamenti dei clienti. Questa vera e propria evoluzione della customer analysis è la customer deep analysis, ovvero la metodologia adottata da Sidea Group per ottenere il massimo dai dati e dalle loro relazioni. Ne abbiamo parlato anche in occasione del Salesforce World Tour Milano 2023.

Dalla customer analysis tradizionale alla deep analysis

Cosa rende quindi “deep” la customer analysis? Fra i tanti approcci e metodi, quello più utilizzato è l’inserimento di ulteriori variabili nell’analisi RFM per rendere visibili i sotto-cluster di clienti e quanta quota di ciascuno compone il cluster “genitore”, al fine di rendere la lettura delle componenti R, F e M più completa e approfondita. Inoltre, grazie ad altri approcci, questo filone può essere ulteriormente ampliato introducendo nuove variabili che possono ad esempio misurare la lunghezza della relazione d’acquisto, gli scostamenti del valore monetario nel tempo, le cause – positive o negative – del cambiamento del comportamento d’acquisto in un determinato lasso di tempo e altro, tanto altro ancora.

Un altro importante approccio “deep” riguarda il cosiddetto RFM score, che è la somma pesata delle variabili RFM, ovvero l’assegnazione di un peso diverso per ogni variabile, in funzione del settore e del contesto di riferimento. Per esempio, per un brand retail la frequenza d’acquisto ha un peso molto più grande rispetto al valore monetario, quest’ultimo invece è più rilevante per un brand del lusso, del design o di beni durevoli. L’obiettivo è spostare i clienti verso una fascia di più alto valore (agendo sulla frequenza o sul tipo di spesa, sempre a seconda del settore) e disinvestire sui cluster che non producono – e non produrranno – valore.

La customer deep analysis ha un ruolo fondamentale per il marketing predittivo, la nuova sfida per le imprese che intendono strutturare le proprie strategie sfruttando il potenziale della data intelligence. Un esempio su tutti: predire tra quanto tempo un cliente acquisterà di nuovo. In questo scenario, il compito di rendere disponibili i dati è affidato a complessi algoritmi di machine learning, disponibili nelle piattaforme di business intelligence o costruiti ad hoc sulla base degli obiettivi del progetto di data analysis. Per questo è importante per l’analista “fondersi” con la tecnologia per calibrare l’analisi e definire fin dal principio i più idonei data model, sulla base dei dati disponibili, che devono essere integri e qualitativamente buoni (omogenei e presenti per tutti i clienti, affinché l’analisi possa essere compiuta).

La customer analysis più in profondità

Per rendere l’analisi più dettagliata, più “deep”, è inoltre possibile ricorrere a un numero sempre maggiore di algoritmi di machine learning, come l’affinity propagation, un algoritmo basato sul passaggio di informazioni tra punti che poi vengono raggruppati in cluster.
Raggruppare i dati identificando un sottoinsieme di esempi rappresentativi è importante per l’elaborazione dei segnali sensoriali e il rilevamento dei modelli nei dati. Tali “esemplari” possono essere trovati scegliendo a caso un sottoinsieme iniziale di punti dati e poi perfezionandolo iterativamente.

Anche in Sidea Group utilizziamo l’affinity propagation, che prende come input misure di somiglianza tra coppie di punti dati.

L’affinity propagation quindi è un algoritmo di clustering che potenzia la customer deep analysis: con l’RFM i cluster cambiano in maniera molto rapida e questo può inficiare la lettura e l’analisi dei dati e di conseguenza le azioni dei decision maker. L’affinity propagation, come tutti gli algoritmi di machine learning, rende il cluster più stabile, perché comprendendo tante variabili, include molti più dati con variazioni sensibilmente minori rispetto alle sole tre dell’RFM. Ciò consente, tra le altre cose, di definire un profilo cliente “medio” basato su dati e variabili reali, e non più delineato su una buyer persona presunta o teorizzata.

In Sidea Group la business unit di Data Intelligence affianca le imprese nella definizione di nuove strategie basate sui dati. Sfruttando la potenza delle tecnologie di machine learning e degli algoritmi di deep analysis e data visualization, il nostro team di consulenti di marketing e ingegneri del dato legge e interpreta i risultati fornendo una analisi approfondita e soluzioni strategiche volte a generare nuove opportunità di ricavi e un incremento della fidelizzazione dei clienti. Il potenziale di questo approccio è davvero ampio, come dimostra il lavoro avviato da Sidea Group con KIKO Milano e discusso in occasione del Salesforce World Tour Milano 2023.