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:

Data Science Lifecycle, le 6 (+1) fasi del processo

La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da dati strutturati o non strutturati. Non esiste un framework unico e universalmente condivido per definire i processi di Data Science, tuttavia, dal punto di vista tecnico lo standard KDD è quello a cui ci si ispira maggiormente, perché indica l’intero processo di ricerca di nuova conoscenza dai dati.

Cos’è la data monetization e come si implementa in azienda

Lo scopo di tutte le attività che vengono pianificate ed effettuate all’interno di qualunque azienda è quello di creare profitto. L’uso dei dati, in quanto nuovo asset aziendale, mantiene questa linea. Esistono diversi modi di utilizzare i dati aziendali, ed anche in...

Data Mesh: un nuovo approccio architetturale 

Nell’epoca dei Big Data ci troviamo quotidianamente ad affiancare le aziende nella definizione di strategie data driven e ad aiutarle a diventare o a mantenersi competitive nei mercati di riferimento. I dati in questo senso rappresentano un aspetto centrale ed anche...

A cosa serve la Data Science?

L’analisi dei dati è in generale una materia molto ampia e con una storia che rimanda indietro di diversi anni da oggi. Si inizia a parlare di analisi dati già alla fine del 1700 con le prime visualizzazioni grafiche e l’evoluzione di questa materia non solo negli...

IoT Analytics: il valore di applicare il Machine Learning all’IoT 

L’Iot consiste in un sistema formato da dispositivi informatici univoci e interconnessi, capaci di scambiare dati attraverso la rete in maniera autonoma, sfruttando un protocollo di comunicazione. Quando ci si riferisce all’Internet of Things (IoT), infatti, si pensa...

Come scegliere la giusta Data Visualization? I nuovi trend 

La Data Visualization è definita come la rappresentazione grafica di dati e informazioni, ed abbiamo già trattato quanto questo strumento grafico sia capace di rendere informazioni complesse o difficili da interpretare, comprensibili ed accessibili anche per utenti...

Decision support system: cosa sono e come aiutano le aziende 

Negli ultimi decenni il grande e rapido sviluppo delle tecnologie e dell’informatica ha portato le attività aziendali di ogni settore verso un approccio “intelligente”, guidato dai dati. Ciò ha permesso di spostare sempre più il focus sul cliente e sui suoi bisogni e...

Churn Strategy: gli step per impostarla al meglio minimizzando il Churn Rate

Churn analysis e churn rate sono due concetti strettamente connessi: l’analisi degli abbandoni (churn analysis) è quella branca della Data Science attraverso cui si cerca di prevedere quali clienti hanno maggiori probabilità di abbandonare l’azienda, cosa che si...

Cosa sono e come funzionano i sistemi di raccomandazione 

Prima della diffusione di internet e dei motori di ricerca, trovare informazioni utili ad uno specifico argomento o contesto era molto difficile, richiedeva tempo, ricerche lunghe e faticose, e spesso risultava costoso in quanto non era inusuale dover acquistare libri...

Datafication: cos’è e che impatto ha sulla nostra vita quotidiana

Cos’è la Datafication e perché se ne parla  Per datafication si intende tutto il processo tecnologico che trasforma i vari aspetti della vita quotidiana, sociale ed individuale di ogni persona in dati i quali, opportunamente trattati ed analizzati, si trasformano...