Fare analisi di business “standard” è un approccio obsoleto che rischia di non produrre reale valore al processo decisionale. Parola d’ordine, personalizzazione, anche nelle analisi CLV ed RFM. Perché il valore di un cliente non è mai standard ma è sempre in strettissima relazione al contesto ed alla specifica relazione tra persone e brand.

Se è vero, e ormai assodato, che non tutti i clienti sono uguali e non tutti si rivelano redditizi, è anche vero che molte aziende, quando pensano alle analisi di business in ambito Marketing e Vendite, si concentrano solo sul provare a fare previsioni su “come risponderà il cliente medio ad un nuovo prodotto/servizio o all’offerta, oppure alla campagna marketing?”

Un approccio ormai inefficace, basato sulla logica del “cliente medio”, che non tiene conto dell’importanza delle persone le quali, prima ancora di essere clienti, sono individui con esigenze, abitudini e comportamenti ben distinti.

  

I clienti non sono tutti uguali, e nemmeno le aziende

 

Va anche detto che sono molte le realtà passate da strategia e visione incentrata sul prodotto (dove il cliente è una entità monolitica singolare, ossia il cliente medio) ad un approccio più orientato alla Customer Centricity, consapevoli del fatto che una conoscenza approfondita dei propri clienti rappresenta il primo grande passo per una migliore gestione dei processi decisionali (non solo per le Vendite ed il Marketing, ma per tutti i livelli di business).

Tuttavia, “The dark side of the moon” ci rivela che, se da un alto non tutti i clienti sono uguali, dall’altro, nemmeno tutte le aziende lo sono. Sembra un’ovvietà, ma non lo è se pensiamo a come le aziende più vicine ad una visione customer centrica hanno spesso approcciato il tema dell’analisi dei dati.

Analisi CLV – Customer Lifetime Value ed RFM – Recency, Frequency, Monetary, solo per citare due esempi di analisi “tipiche” per Marketing e vendite, sono analisi troppo spesso standardizzate, mere formule uniformate e comuni per tutte le aziende. Basta fare una rapida ricerca sul web per scovare le “tipiche formule” che promettono di calcolare CLV e fare analisi RFM in modo pratico e veloce.

Ma si tratta di un abbaglio, di un appiattimento delle reali potenzialità nascoste in analisi che, anziché definire un “numero magico” da assegnare a segmenti di clientela, dovrebbero consentire di conoscere in modo molto granulare ogni singolo cliente e la sua relazione con un’azienda.

Un cliente non può avere lo stesso valore per un’azienda di gioielli e per un’azienda di beni alimentari. Un CLV calcolato con formule standard appiattisce il reale valore del cliente, che cambia da contesto a contesto e si modifica in funzione non solo delle abitudini e dei comportamenti di acquisto, ma anche della specifica relazione che può avere con un brand, completamente differente e distinto da quella che, la stessa persona, può avere con un altro tipo di azienda.

Se si è compreso che l’approccio al “cliente medio” è ormai superato, perché continuare ad usare analisi “medie” (standard)?

 

Si legge “Niky”, ma si traduce in “piattaforma di Customer Analytics con algoritmi personalizzati”

 

Niky è una piattaforma di Customer Analytics che integra differenti tipologie di analisi dei dati dei clienti con dashboard, cruscotti e innovativi strumenti di Data Visualization, con l’obiettivo di “tradurre” analisi complesse in informazioni accessibili in modo semplice, di immediata comprensione e con strumenti facili di utilizzare (grafici, tabelle, disegni, infografiche, forme interattive…).

Sviluppata interamente da BNova, la piattaforma ha un motore basato su algoritmi personalizzati che coniugano non solo formule matematiche ma anche elementi umanistici tradotti in dati per poter essere analizzati.

L’idea nasce dalla profonda consapevolezza che i comportamenti di acquisto delle persone, e le relazioni che si instaurano con i brand e le aziende quando si diventa clienti, si basano non solo su abitudini “oggettivizzabili” (frequenza di acquisto, valore medio degli acquisti, ecc.) ma anche su aspetti psicologici estremamente personalizzati che impattano inevitabilmente sul vero “valore” che deriva dalla relazione azienda-cliente.

Una piattaforma come Niky consente di superare le limitazioni delle analisi CLV, RFM e altre analisi di business “standard”, che ricorrono a formule e modelli uniformati applicabili indistintamente a qualsiasi tipologia di azienda e di business. Le relazioni azienda-cliente sono differenti da contesto a contesto, da azienda ad azienda. Standardizzarne l’analisi è un errore.

Partendo dunque dall’assunto che, per analizzare e comprendere a fondo il vero valore di una relazione azienda-cliente, si debba tenere conto di mercato, tipologia di industria, caratteristiche e peculiarità dell’azienda e caratteristiche soggettive e personali dei clienti, BNova ha sviluppato una piattaforma tecnologica che:

– da un punto di vista di “output estetico” delle informazioni derivanti dalle analisi, punta sulla visualizzazione dei dati con sistemi interattivi grafici molto intuitivi e semplici da utilizzare per chiunque (senza dover avere competenze specifiche di analisi dei dati o capacità tecniche informatiche);

– da un punto di vista di “motore analitico”, integra algoritmi personalizzati sviluppati ad hoc per ogni singola azienda mixando sapientemente matematica ed elementi umanistici (tradotti in dati).

 

Obiettivo di un simile approccio è “non trascurare nulla” di ciò che caratterizza una relazione azienda-cliente, ossia prendere in esame tutti gli aspetti, non solo i valori standard, che riguardano e caratterizzano una persona nel suo “essere cliente”, compresi gli aspetti più soggettivi e psicologici (opportunamente tradotti in dati per poter essere analizzati insieme a quelli di natura più oggettiva).

 Gli algoritmi personalizzati consentono alle aziende di avere analisi molto più “profonde” rispetto ai modelli standard e di avere una visione molto più chiara, dettagliata e specifica sui propri clienti. Da un punto di vista di utilizzo da parte degli utenti di business, Niky integra tutte le principali tipologie di Customer Analytics:

 

– CLV- Customer Lifetime Value: calcolare il Customer Lifetime Value con una semplice formula standard e uguale per tutti, potrebbe risultare del tutto inefficace rispetto all’obiettivo intrinseco del CLV stesso, ossia determinare su quali basi si fonda una relazione di valore tra azienda e cliente e, su quella, definire nuove strategie di business.

– RFM, come si comportano e quali sono le abitudini dei clienti: L’analisi RFM, di fatto, aiuta le aziende a prevedere ragionevolmente quali clienti effettueranno nuovamente acquisti in futuro, quanti ricavi provengono da nuovi clienti (rispetto ai clienti abituali) e capire come trasformare gli acquirenti occasionali in acquirenti abituali.

– Cohort Analysis, la segmentazione basata sul valore: l’analisi di coorte è infatti un tipo di analisi comportamentale che permette di raggruppare i propri clienti in base alle loro “caratteristiche comuni e condivise” per monitorare e comprendere meglio le loro azioni. Da una prospettiva di business, l’analisi di coorte consente di porre domande più specifiche e mirate e di prendere decisioni più efficace ed oggettive (basate sui dati) i cui effetti (e obiettivi) saranno la fidelizzazione della clientela, la riduzione del tasso di abbandono, la soddisfazione delle persone.

– Retention e Churn Analysis, le analisi predittive: tra le analisi avanzate dei dati da cui trarre efficaci strategie per migliorare la Customer eXperience, ci sono le cosiddette Retention Analysis (analisi del livello di fidelizzazione di un cliente) e Churn Analysis (previsione della tendenza all’abbandono). Si tratta di due tipi di analisi predittive, ossia tipi di analisi che sfruttano algoritmi e modellazione predittiva per fare previsioni, simulare situazioni possibili o scenari che aiutano a prevedere risultati e valutare rischi ed impatti di determinate scelte, azioni, decisioni…

 

In Niky, tutte queste analisi avvengono con il supporto di algoritmi personalizzati che rappresentano il motore di un nuovo approccio, concreto, alla Customer Centricity.

 

Clicca qui per scaricare la Guida: "Non tutti i clienti sono uguali: le nuove frontiere del Data Driven Marketing"

Approfondimenti da BNext:

Transfer learning: cos’è, i modelli e quando utilizzarlo

Lo sviluppo legato all’intelligenza artificiale coinvolge un’ampia varietà di metodi e tecniche, che possono valorizzare l’abilità di riutilizzare in maniera corretta ed efficiente il lavoro precedentemente svolto. Tale prospettiva viene in particolar modo enfatizzata...

Digital twin: cos’è e come funziona un gemello digitale

I digital twin sono una delle espressioni più affascinanti della trasformazione digitale, in particolare quella che fa riferimento al paradigma del 4.0, sia in ambito industriale che in altre applicazioni civili. Il concetto su cui si basa la tecnologia risalirebbe...

Data Lineage: come assicurarsi qualità e integrità dei dati

Tracciare i dati attraverso il loro ciclo di vita è un tema di valenza strategica. Perché una corretta Data Lineage ci garantisce l’accuratezza e l’integrità dei dati?

Deep learning: cos’è e quali le applicazioni 

Nell’ampio vocabolario dell’intelligenza artificiale c’è una tecnica sempre più diffusa che promette di affrontare i problemi più complessi: il deep learning. Grazie all’impiego delle reti neurali profonde, il deep learning consente di correlare i dati con una...

Machine learning e deep learning: quali le differenze

Machine learning (ML) e deep learning (DL) sono termini sempre più ricorrenti nel vocabolario tecnologico, oltre ad essere sempre più utilizzate nelle applicazioni enterprise e mainstream. Prima di entrare nel merito, per comprendere in cosa consistono e cosa le...

Dataiku: cosa c’è da sapere sulla nuova release

Le novità più importanti della release 11.0 e 11.1.0 spiegate dal nostro data scientist Emiliano Fuccio

ETL, il significato di Extract, Transform, Load: cos’è e a cosa serve

I dati vengono ormai generati con un flusso incessante, in ogni singolo istante, da miliardi di dispositivi interconnessi in tutto il mondo. Ma come è possibile estrarre valore da questa straordinaria risorsa digitale? Il paradigma Big Data, gli Advanced Analytics e...

Data ingestion: significato, esempi e vantaggi 

La data ingestion è una tecnologia molto importante nell’aiutare le organizzazioni a gestire un volume di dati sempre più ingente e complesso, anche per via della sua straordinaria eterogeneità. Se ben implementata, la data ingestion può infatti generare un...

Le differenze tra intelligenza artificiale debole e forte

L’intelligenza artificiale è una tecnologia ormai entrata stabilmente a far parte della nostra quotidianità, dai semplici assistenti domestici ai più complessi sistemi di robotica industriale. Nella sua definizione più ampia, l’intelligenza artificiale è un termine...

Cos’è la Data Quality e le metriche di riferimento

La Data Quality è una misura della condizione dei dati basata su fattori quali accuratezza, completezza, coerenza, affidabilità e se sono aggiornati. La misurazione dei livelli di qualità dei dati può aiutare le organizzazioni a identificare gli errori nei dati che...