Partiamo dal presupposto che mantenere i propri clienti sia meno costoso e più remunerativo di doverne trovare di nuovi. Per trovare clienti nuovi sono infatti necessarie strategie ed azioni che risultano essere anche 6-7 volte più costose rispetto al lavoro sull’esistente; altra cosa fondamentale è il fatto che fare cross-selling sui propri clienti ha una redditività maggiore rispetto a quanto si possa ottenere dai nuovi: secondo la Harvard Business Review una fidelizzazione aumentata del solo 5% può aumentare la redditività dell’azienda fino al 25-95% proprio grazie al rapporto di fiducia che si instaura con i propri clienti.
La misura di quanto un cliente è fedele al brand o di quanto, al contrario, sia da considerare potenzialmente perso è tradizionalmente data all’indice di “retention” (Customer Retention Rate), un valore che esprime la fedeltà dei clienti rappresentando in punti percentuali quanti clienti continuano ad acquistare ed avere una relazione con la mia azienda in un determinato periodo di tempo. Questa metrica, insieme al Churn Rate, è un indicatore della qualità (e quantità) dell’attenzione che l’azienda pone ai propri clienti.
Per rendere un cliente soddisfatto nel proprio rapporto con l’azienda è fondamentale che la sua esperienza sia buona, quindi che sia semplice dialogare con l’azienda, fruire dei contenuti e dei servizi, e se necessario ricevere l’assistenza dovuta.
Per poter intraprendere un percorso virtuoso di questo tipo uno dei primi step che l’azienda deve compiere è imparare a conoscere il proprio cliente ed offrirgli un’esperienza non solo semplice ed intuitiva, ma quanto più in linea con le sue necessità ed interessi. È qui che entrano in gioco le attività di profilazione della clientela. L’uso di CRM e di strumenti di marketing sicuramente aiuta a raccogliere informazioni utili, ma è grazie all’analisi dati che è possibile trasformare queste informazioni in conoscenza del cliente.
Come riuscire a conoscere il proprio cliente: dal clustering alle analisi RFM
Quando si parla di analisi per arrivare a conoscere i propri clienti e relativi comportamenti d’acquisto, non possiamo non parlare di clustering, analisi di coorte e analisi RFM.
Con clustering, o cluster analysis, si intende un insieme di tecniche di analisi multivariata e descrittiva dei dati che ha come obiettivo quello di selezionare e raggruppare le informazioni a disposizione in base ad elementi che risultano omogenei tra i dati. In questo contesto un “cluster” è di fatto un insieme di soggetti, nel caso del customer profiling si tratta di clienti e/o consumatori, con caratteristiche (selezionate dal modello matematico alla base dell’analisi dati) simili tra loro e differenzianti rispetto agli altri cluster.
L’analisi di coorte è una tipologia di analisi dei dati che si concentra sulle attività ed il comportamento di una specifica coorte, ossia un gruppo di persone che condividono una o più caratteristiche in un dato momento o per un certo periodo di tempo. Si tratta di una tipologia di analisi comportamentale che utilizza i dati di gruppi di utenti con profili socio-demografici, psicografici e/o comportamentali simili tra loro e definiti a priori con alcune regole e sulla base di specifiche esigenze di business e di indagine. Le analisi di questo tipo hanno avuto per decenni un ruolo importantissimo nelle indagini statistiche delle scienze sociali ed in campo medico, ma da diversi anni sono patrimonio cruciale per le aziende che intendono focalizzarsi su una strategia di Customer Centricity prendendo decisioni consapevoli, oggettive (basate sui dati) e più efficaci.
Altro aspetto da tenere presente è la valutazione del valore di ogni cliente per la specifica azienda: parliamo del calcolo del Customer Lifetime Value (CLV) e delle analisi RFM.
Senza dubbio il Customer Lifetime Value (CLV) è uno dei framework più importanti del marketing relazionale. Si tratta di un indicatore che, attraverso modelli di analisi previsionali, traduce in termini monetari il valore della relazione tra azienda e cliente. Attraverso il CLV è possibile valutare la relazione con il cliente sia rispetto alla situazione in essere, sia in previsione, cioè stimando come potrà evolvere tale relazione in termini di profitto per l’azienda.
Le analisi RFM hanno lo scopo di descrivere i clienti sulla base di tre parametri: la recency, la frequency e la monetary. La recency rappresenta l’intervallo di tempo che intercorre dall’ultima azione del cliente, indica da quanto il cliente non compra, la frequency rappresenta la frequenza dei suoi acquisti, la monetary corrisponde alla sua attitudine alla spesa. Per ogni combinazione di questi valori è potenzialmente calcolabile un profilo comportamentale. Analisi di questo tipo sono adatte ad ogni contesto, ma è chiaro che i clienti di un negozio di lusso rispetto a quelli di un supermercato avranno caratteristiche di recency, frequenecy e monetary differenti, a significare che questa analisi va poi adeguatamente calata all’interno di un determinato contesto aziendale, del quale è necessario considerare regole di business proprie. È uno strumento utile per individuare clienti su cui puntare particolarmente sulla base delle loro specifiche attitudini all’acquisto.
Alcuni esempi di customer care virtuosi
Ci sono alcuni brand che hanno basato tutto il loro business sulla soddisfazione del cliente e senza dubbio questa è risultata una scelta vincente.
Basti pensare ad Amazon, Jeff Bezos che già nel 1999 rilasciò un’intervista dove dichiarava che l’intera strategia di Amazon era stata costruita sulla “ossessione per l’esperienza del cliente”. Ad oggi possiamo dire che l’obiettivo è stato centrato in pieno. Chiunque abbia anche solo comprato dalla piattaforma, o reso o cambiato un articolo acquistato tramite Amazon, sarà d’accordo sul fatto che l’intero processo risulti molto fluido, con ogni passaggio semplice e chiaro. Inoltre la piattaforma permette agli utenti di ricercare qualsiasi tipo di prodotto, su un sito semplice e facilmente navigabile, con un delivery veloce e la possibilità di abbattere le spese di spedizione.
Un altro caso eclatante è Ikea di cui la maggior parte di noi sicuramente ha avuto esperienza almeno una volta. Indipendentemente in quale degli oltre 300 negozi IKEA si entra, tutti i visitatori vivono la stessa esperienza: dai centri di gioco per bambini piccoli, ai bar e ristoranti in negozio, IKEA progetta tutto per rendere la vita più facile ai clienti. Questo perché l’azienda comprende a fondo chi sono i propri clienti e di che cosa hanno bisogno.
Questi esempi dimostrano come la customer care fatta bene sia un elemento fondamentale per il successo dell’azienda.
Ottimizzare la customer care con gli strumenti di BNova: NIKY Analytics, Now I Know You
Durante l’affiancamento ai nostri clienti in progetti di varia natura, spesso ci siamo trovati ad affrontare il tema di come ottimizzare la customer care. Da qui nasce la nostra idea di creare una piattaforma analitica Customer Centric per utenti di business, in particolare Marketing e Vendite, per fare analisi approfondite sui propri clienti e capire come massimizzare fidelizzazione e profittabilità.
Niky Analytics è la piattaforma di Customer Analytics ideata da BNova che integra differenti tipologie di analisi dei dati dei clienti con dashboard, cruscotti e potenti strumenti di Data Visualization, con l’obiettivo di “tradurre” analisi complesse in informazioni accessibili in modo semplice, e con strumenti facili di utilizzare (grafici, infografiche, forme interattive).
Uno dei punti di forza di Niky è la possibilità di superare le limitazioni delle analisi CLV e RFM e altre analisi di business “standard” che ricorrono a formule e modelli stardard, uniformati per essere applicabili indistintamente a qualsiasi tipologia di azienda e di business: Niky ha un motore basato su algoritmi personalizzati che coniugano non solo formule matematiche, ma anche elementi umanistici tradotti in dati per poter essere analizzati, questo perché le relazioni azienda-cliente sono differenti da contesto a contesto, da azienda ad azienda e secondo noi standardizzarne l’analisi è un errore. Partiamo quindi dall’assunto che per analizzare e comprendere a fondo il vero valore di una relazione azienda-cliente si debba tenere in considerazione mercato, tipologia di industria, caratteristiche e peculiarità dell’azienda stessa e caratteristiche soggettive e personali dei clienti.
Siamo giunti così allo sviluppo di Niky, una piattaforma tecnologica che:
– da un punto di vista di “output estetico” punta sulla visualizzazione dei dati e delle informazioni derivanti dalle analisi con sistemi interattivi grafici molto intuitivi e semplici da utilizzare per ogni profilo aziendale, anche senza 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).
Categoria: ANALYTICS
Churn rate: cos’è, come si calcola e come gestirlo
Customer churn rate, tecniche e strumenti per capire quali sono le cause che portano un cliente a cercare alternative Leggi tutto
Change Data Capture (CDC): i vantaggi e come funziona
Il data management è una disciplina incredibilmente varia e complessa, che si compone di varie componenti, come la data replication.… Leggi tutto
Data warehouse vs database: differenze e come scegliere
Database e data warehouse sono indubbiamente tra i sistemi di gestione dei dati più popolari e diffusi in ambito aziendale.… Leggi tutto