Analisi predittiva per Marketing, Sales e Finanza.
Forse ricordate la frase di John Wanamaker, pioniere americano del marketing “Metà del denaro che spendo in pubblicità è sprecato, il guaio è che non so quale metà sia”. Ora invece finalmente le aziende hanno la possibilità di predire la propensione all’acquisto degli utenti e concentrare conseguentemente i messaggi personalizzati solo su quelli che hanno un’intenzione più forte, senza “disturbare” invano e sprecare denaro su quelli che probabilmente non compreranno mai un determinato prodotto.
Lo si può fare non con la sfera di cristallo, ma grazie alle risorse computazionali praticamente infinite presenti sul cloud e l’applicazione di tecnologie di Intelligenza Artificiale, in particolare di apprendimento automatico e progressivo, il cosiddetto machine learning. E’ possibile infatti analizzare i comportamenti storici degli utenti sui siti e sulle app e unirvi i dati di CRM, anche relativi all’offline. Lo fa in Italia con successo dimostrato il gruppo Datrix fondato da tre ex dirigenti di Google Italia. “In modo nativamente conforme alle ultime normative europee in tema di privacy, con l’utilizzo dell’AI siamo in grado di delineare i tratti degli utenti in base all’analisi di un quantitativo veramente “big” di dati raccoglibili da fonti proprietarie delle aziende, grazie ai quali è possibile classificarli in base a oltre 1000 variabili comportamentali e alle loro molteplici correlazioni e calcolare algoritmicamente la propensione di acquisto” ha spiegato il CEO di Datrix Fabrizio Milano d’Aragona. È numericamente evidente che si tratta di un volume di calcolo che non sarebbe sostenibile “umanamente”. Va anche considerato che le variabili di cui sopra, non sono semplicemente quelle tradizionali come il numero di clic e il tempo speso sul sito, ma anche “alternative” suggerite dalla macchina come, ad esempio il numero di prodotti aggiunti a carrello nei giorni precedenti senza acquistare, il numero di visite in orari serali, l’utilizzo del motore di ricerca interno al sito.
Dopo solo tre mesi dall’avvio dell’attività per esempio Italo Treno ha riscontrato una decisa fidelizzazione degli utenti che prima abbandonavano il carrello online (su questi si è concentrata inizialmente l’azione tramite email e notifiche sul sito), sono state definite le caratteristiche analitiche di nuovi potenziali clienti che poi raggiunti attraverso le piattaforme pubblicitarie hanno effettivamente acquistato, si è registrato un +20% del tasso di conversione da utenti a clienti facendo rivedere loro in modo più mirato il prodotto precedentemente consultato (c.d. remarketing), il fatturato è aumentato, riducendo efficacemente l’investimento pubblicitario del 15%. Con l’analisi predittiva della propensione di acquisto, sempre dopo soli 3 mesi, l’e-commerce di libri IBS ha moltiplicato per 5 il tasso di conversione che aveva precedentemente da una procedura manuale senza l’ausilio dell’AI. Essendo la soluzione basata su machine learning, questi risultati sono destinati a migliorare ulteriormente sulla base del fatto che l’apprendimento della macchina continua nel tempo con sempre più dati a disposizione. Si possono aggiungere anche dati esterni all’azienda (come previsioni del tempo, calendario eventi locali, …) in modo da mirare ancor più in funzione spazio-temporale.
Nessuno ha la capacità di acquisire e analizzare dati dal futuro. Tuttavia, esiste un modo per prevedere il futuro utilizzando i dati del passato. Si chiama appunto analisi predittiva e SAS la definisce come l’uso di dati, algoritmi statistici e tecniche di apprendimento automatico per identificare la probabilità di risultati futuri basati su dati storici. L’obiettivo è quello di andare oltre la conoscenza di ciò che è accaduto fornendo una migliore valutazione di ciò che accadrà in futuro. L’ultimo business report della IAB’s Data Center of Excellence e della società di ricerca americana Winterberry Group evidenzia che l’80% dei Chief Marketing Officer negli Stati Uniti aumenterà gli investimenti in analisi predittive, a conferma di quanto questo approccio strategico sia stato efficace in termini di ROI.
L’online è anche l’intelligenza dell’offline: collegando i dati di comportamento online con il CRM le aziende possono anche sfruttare queste informazioni nel mondo fisico con attività personalizzate.
La previsione del comportamento e delle preferenze dei clienti è il segno distintivo di aziende come Amazon e Netflix, ma la tecnologia sta diventando sempre più accessibile e pertinente anche per le aziende più piccole, peraltro a costi contenuti. Particolarmente interessante è l’uso della prediction nella generazione di nuovi clienti (lead generation) per aziende operanti nel B2B, come si evince da una ricerca Forrester. Sono tre i casi d’uso che dominano il panorama attuale: fare una graduatoria dei potenziali clienti in base alla loro probabilità di reagire, individuare clienti con caratteristiche comportamentali simili a quelle dei clienti esistenti, personalizzare la comunicazione sulla base di molte più variabili rilevanti. “Lo usiamo anche noi per noi stessi per crescere rapidamente trovando nuove aziende a cui proporre le nostre soluzioni!”, ha confermato d’Aragona.
L’analisi predittiva può essere usata anche per ricerche di mercato. Oggi sempre più aziende hanno l’esigenza di ottimizzare le decisioni in tempi molto rapidi per lanciare nuovi prodotti, internazionalizzare il business, aprire nuovi punti vendita, individuare canali distributivi e promozionali innovativi, identificare gli influencer. Le metodologie di ricerca tradizionale oggi non bastano più a fornire risposte adeguate, a causa di dati limitati o difficilmente reperibili, tempi lunghi, costi elevati, insight poco accurati o parziali. “Con l’Alternative Market Analysis – spiega d’Aragona – abilitiamo invece indagini in tempi rapidi con una maggiore e più profonda conoscenza dei mercati e dei clienti B2C o B2B da raggiungere. Combiniamo dati tradizionali, dati alternativi estratti da social network, blog, forum, e-commerce, mappe satellitari e dati raccolti sul campo tramite app mobile proprietaria e collaboratori locali”. Anche qui le logiche algoritmiche forniscono un ranking dei target da raggiungere (es. aree geografiche) rispetto ad un riferimento codificabile (es. media nazionale, campione di compratori con caratteristiche specifiche). L’attività è multipaese con esperienze di successo già sviluppate anche in USA, Cina ed India.
L’analisi predittiva è impiegata anche nel settore degli investimenti per fare scoring finalizzato alla decisione di finanziamento (es. per valutazione rischio default delle aziende) o per individuare nuovi trend finanziari e le aziende destinate a guidare questi trend. In questo caso dai dati alternativi si ricavano indicatori che misurano la diffusione e la volatilità dei segnali digitali su Internet in relazione ad uno specifico argomento o ad entità fisiche o legali, se ne può qualificare il sentiment ossia come è percepita l’entità nell’ambiente di estrazione (notizia, blog post, social post, ecc.). Questi dati rilevanti alternativi vanno correlati con i dati finanziari (es. prezzi di Borsa, bilanci) e si possono costruire conseguentemente delle strategie di investimento, cosiddette Quantamental, basate sulla predizione del rapporto causa ed effetto sulle attività finanziarie. “Tendiamo ad evitare soluzioni di calcolo a forza bruta e “black box”, preferiamo un approccio con supervisione umana. Noi e i nostri clienti crediamo infatti nell’AI non come sostitutiva dell’Intelligenza Umana, ma come Augmented Intelligence o Actionable Intelligence”, lo ha detto d’Aragona alla recente inaugurazione dell’Innovation Hub di Banca Generali.
Di prediction parlerà anche Filippo Trocca a Web Seeds, l’evento digital più estremo del mondo, il 26 e 27 giugno a Longyearbyen, isole Svalbard. Non potete mancare se vi piace allargare i confini e superare i limiti.
