MICROMARKETING DI SUCCESSO
SFRUTTANDO “DAVVERO” IL CUSTOMER DATABASE
Innovative tecniche statistiche che consentono di mirare le azioni di marketing, vendita e
comunicazione valorizzando i dati dei database clienti e l’esperienza dei manager.
Marco Di Dio Roccazzella
[email protected]
Partner
*************
Oggi si parla molto di investimenti in soluzioni di CRM, di Customer Database, di Sistemi
Informativi di marketing, anche se spesso si perde la coscienza che questi sono solo strumenti che
possono aiutare i manager ad una presa di decisione basata su dati quantitativi e scientificità.
Talvolta si dimentica che l’aver “messo a sistema i dati” è condizione necessaria, ma non
sufficiente alla presa di decisione in quanto la mancanza di modelli interpretativi, di processi di
analisi strutturata genera solamente troppi dati (…e poche informazioni) con conseguente
creazione di confusione nei processi decisionali.
Questo paper si pone come obiettivo quello di “indossare i panni di un manager” che deve
massimizzare i risultati di vendita, di marketing e di comunicazione e che necessita di metodologie,
modelli di analisi di Data Mining che gli permettano di risolvere questi problemi … parlando il suo
linguaggio con un approccio non accademico, ma estremamente pratico e “vissuto” personalmente
in numerosi progetti sul campo.
*************
“Fare Data Mining” significa dare vita ad un processo costituito dalle seguenti fasi logiche:
•
individuazione dei problemi/opportunità di business prioritari
•
traduzione delle problematiche di business in un obiettivo dì analisi quantitativa
•
costruzione del database funzionale alla presa di decisione
•
scelta della o delle tecniche più adeguate per definire un modello di analisi e risoluzione
della problematica
•
test del modello e sua successiva implementazione
•
definizione dei processi organizzativi che rendono vivo il modello e ne garantiscono
l’utilizzo in azienda.
In realtà è proprio questo processo che distingue il Data Mining da un’analisi statistica
tradizionale; non è tanto l’ampiezza del database, il software o le tecniche utilizzate, quanto
l’integrazione tra metodologie di analisi quantitativa ed esperienza di business. L’attività
di analisi, perciò, nasce ed è finalizzata alle esigenze decisionali ed è svolta in un ambiente
fortemente orientato all’integrazione di contributi tecnici e conoscenze dì business.
Non meno importante è l’aspetto organizzativo, ossia la messa in opera di procedure
tecniche e organizzative che permettono di alimentare correttamente il database di marketing,
di “pulire i dati” attraverso le attività di normalizzazione, doblonatura e spesso di integrarli con
dati anagrafici e territoriali (Geo - Mining) che a loro volta devono essere costantemente
aggiornati.
Le tecniche di Data Mining supportano il marketing e le vendite nelle attività di:
• Classificazione. La classificazione, nasce dalla necessità di caratterizzare un cliente sulla
base del suo profilo di acquisto (es. alto spendente, basso spendente) e porta alla
individuazione di regole, attraverso l’analisi di:
o
variabili comportamentali (acquisto del prodotto/brand A, prodotto/brand B, ecc.)
o
variabili socio demografiche (es. età del cliente, reddito, cluster sociodemografico
Value Lab, scoring finanziario, ecc.)
o
variabili territoriali (caratteristiche della microzona di residenza, distanza dal punto
vendita / agenzia).
Dall’analisi dei comportamenti/degli attributi del cliente il manager può:
o
selezionare tra i clienti attuali sottogruppi omogenei a maggior probabilità di
adesione all’acquisto di un nuovo prodotto
o
acquistare liste di clienti prospect coerenti con il profilo dei migliori clienti
individuati e più vicini ai propri punti vendita/agenzie.
Figura 1 – Identificazione dei clienti rispondenti ad una campagna di marketing
Alberi decisionali
In quali segmenti devo mirare le mie campagne di direct marketing?
In quali segmenti devo mirare le mie campagne di direct marketing?
Profitto medio per cliente £ 355.000
Costo per contatto
- invio 1° mailing £ 2.000
- invio catalogo ai soli richiedenti £ 8.000
23
32
Gain Summary
Target variable: Risposta alla promozione
Node-by-Node
Cumulative
Node: n Node: %
Gain Index (%) Node: n Node: %
78
0,1 11.731
19236
78
0,1
6937
8,56
2.175
3567
7015
8,66
6855
8,46
753
1234
13870
17,12
4303
5,31
288
472
18173
22,42
25384
31,32
142
232
43557
53,75
36337
44,84 551
-903
79894
98,59
1146
1,41 914
-1500
81040
100
Gain
915
16.003
21.163
22.401
26.000
5.990
4.942
Profitti cumulati (£/1.000) per attrattività dei
segmenti decrescente
26.000
22.401
21.163
16.003
26
31
Node
40
32
33
31
23
26
41
5.990
33
915
40
WWW.VALUELAB.IT - PROPRIETARY AND CONFIDENTIAL
40
41
4.942
32
VALUE LAB
CONSULENZA DI DIREZIONE AZIENDALE
33
31
23
26
Segmenti
WWW.VALUELAB.IT - PROPRIETARY AND CONFI DENTIAL
41
VALUE LAB
CONSULENZA DI DIREZIONE AZIENDALE
La figura 1 mostra un esempio di identificazione di quali caratteristiche anagrafiche e socioterritoriali determinano l’aver risposto positivamente ad una campagna di marketing con la
finalità di effettuare campagne acquisendo nuovi prospect il più simili possibile ai migliori
clienti.
•
Assegnazione di punteggi / priorità. Consiste nell’attribuzione di un punteggio ad ogni
cliente con la finalità di selezionare il target di una azione mirata di marketing. Per
esempio, un trade marketing manager che deve offrire un determinato prodotto potrebbe
selezionare i possibili clienti attraverso un modello che assegni a ognuno un valore legato
a caratteristiche strutturali del cliente, al comportamento di acquisto o alla sua
localizzazione, per stimare la probabilità di risposta positiva a una certa offerta,
focalizzando gli sforzi commerciali sui clienti maggiormente ricettivi.
Altro caso in cui vengono assegnati gli score è quello in cui si ha la necessità di prevedere
i clienti a rischio di abbandono su cui focalizzare azioni di rivitalizzazione.
Ad esempio il rischio di abbandono di un cliente che ha sottoscritto una polizza
assicurativa può essere funzione dei parametri che seguono:
•
la posizione sulla sua “curva di sopravvivenza” (tecnica di data mining mutuata dal
settore medico), che descrive la probabilità di vita residua dello stesso misurata
sulla vita media dei clienti
•
appartenenza ad uno specifico cluster sociodemografico
•
numero di contatti tra Call Center Aziendale e cliente.
Figura 2 – Individuazione del rischio di abbandono di un cliente – Hazard Function
Nei primi 10 giorni (ed in misura minore in tutto il primo mese) il rischio di
abbandono è più alto che nei periodi successivi
Hazard Function
,0010
,0009
10 gg
30 gg
,0008
,0007
,0006
,0005
,0004
,0003
,0001
0,0000
0
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30
32
34
36
38
40
42
44
46
48
50
52
54
56
58
60
62
64
66
68
70
72
74
76
78
80
Hazard
,0002
Durata
--- WWW.VALUELAB.IT ---
VALUE LAB
Marketing – Sales – Retailing SOLUTIONS
Nella Figura 2 viene mostrato un output della tecnica di sopravvivenza (la curva degli Hazard, che
indica la probabilità che un cliente sopravvissuto al tempo T0 abbandoni al tempo T1) da cui si
evince che esiste una elevata mortalità nei clienti che hanno appena sottoscritto un contratto.
Inoltre, l’analisi della pendenza di una curva di sopravvivenza permette di identificare quali sono le
variabili che garantiscono una maggiore longevità dei clienti. Quanto più la pendenza della curva di
sopravvivenza è bassa, tanto più la variabile esplicativa (nell’esempio sottostante, “numero di
chiamate al call center” – Figura 3 ) agisce in modo positivo sulla longevità del cliente.
Figura 3 – Impatto delle chiamate al call center
Curva di sopravvivenza
I titolari che hanno chiamato il call center hanno
un tasso di retention più alto
1,1
1,1
1,0
1,0
,9
,9
,8
,8
N. of calls
,7
,7
,6
Yes
No
,5
0
Time
200
400
600
800
1000
1200
1400
Cum Survival
Cum Survival
3 or more
Call to call center
2
,6
1
0
,5
0
200
600
800
1000
1200
1400
Time
--- WWW.VALUELAB.IT ---
•
400
VALUE LAB
Marketing – Sales – Retailing SOLUTIONS
Previsione. La previsione è uno dei temi maggiormente affrontati in azienda. I modelli
previsionali possono essere utilizzati ad esempio per stimare il fatturato di un nuovo
punto vendita isolando tra un set di variabili descrittive conosciute a priori (es.
localizzazione su via commerciale, struttura del punto vendita, contesto del micromercato,
ecc.) quelle a maggior impatto sul risultato del punto vendita. I dati con cui vengono
costruiti tali modelli sono quelli storici (quelli dei punti vendita già esistenti), da cui si
acquisisce conoscenza e con i quali si cerca di elaborare un modello che spieghi il
fatturato delle nuove location e da cui si derivano le regole da applicare alle nuove ipotesi
di apertura.
Figura 4 – Modello di stima del fatturato di una nuova location
Regressione Lineare
Come stimo il fatturato delle nuove aperture ?
FATTURATO STIMATO =
+ Dimensione (mq)
+ Localizzazione nel centro Italia
+ Popolazione nei 15 minuti
+ Reddito pro capite
- N° concorrenti nei 10 minuti
ƒ
Grado di significatività (R²) : 0,708
•
Errore medio: 7,8%
1400000
1200000
1000000
800000
Fatturato set 2001-ago 2002
•
600000
400000
200000
200000
400000
600000
800000
1000000
1200000
1400000
Altri comuni previsione
VALUE LAB
WWW.VALUELAB.IT - PROPRIETARY AND CONFIDENTIAL
CONSULENZA DI DIREZIONE AZIENDALE
La Figura 4 mostra un modello di regressione che permette di stimare il fatturato di una nuova
location tenendo congiuntamente presente parametri
localizzativi, di potenzialità di mercato e
livello di concorrenza.
Un’altra delle applicazioni di maggior successo è quella dei modelli gravitazionali che permette di
prevedere il fatturato di una nuova location fondendo in un unico approccio metodologico tecniche
e strumenti di Geomarketing e algoritmi di Statistica e Data mining finalizzati alla stima per sezione
censuaria della percentuale di popolazione o consumi che il nuovo punto vendita potrà attrarre.
Il modello tiene conto congiuntamente di:
•
profilo socio demografico della popolazione residente o lavorativa (day & night population)
•
tempo impiegato dai consumatori per raggiungere la nuova location rispetto alle alternative
di consumo concorrenti considerando diversi livelli di traffico (scorrevole o intenso a
seconda dei giorni della settimana e/o delle fasce orarie)
•
attrattività delle alternative di consumo in termini di offerta (dimensione, n. addetti, n.
vetrine, brand trattati, ampiezza e profondità dell’assortimento, posizionamento di prezzo
dei prodotti trattati, ecc.).”
Figura 5 – Consumi attratti dalla nuova location.
Modelli Gravitazionali - Soluzione Geo - Gravity by VALUE LAB
Tali soluzioni garantiscono modelli di stima del fatturato molto più precisi e puntuali e
soprattutto tengono conto dell’impatto del portafoglio di alternative di acquisto per il
consumatore. Il consumatore, a parità di offerta, si recherà presso il punto vendita più
vicino, mentre a parità di tempo / distanza si recherà al punto vendita con una migliore
offerta.
•
Segmentazione. La segmentazione della base clienti è focalizzata sulla ricerca di cluster
di clienti con comportamenti simili tra loro con la finalità di mirare al meglio le attività di
vendita, marketing e comunicazione. Le tecniche di cluster analysis consentono di
individuare gruppi di clienti omogenei al loro interno e differenziati tra loro.
Ciò che distingue questa attività da quella di classificazione è il fatto che nel clustering le
classi o i gruppi non sono definiti a priori, ma attraverso un’opera di maieutica vengono
“riconosciuti” e descritti a posteriori dal manager.
Figura 6 – Segmentazione comportamentale
Cluster analysis
BANCA Z - Segmentazione comportamentale dei clienti
1
35,4
51,2
0,9
44,9
68,6
2,2
2,7
96,4
4,6
5,6
1,4
50,9
Bancomat
Carta di credito
Carte revolving
Domiciliazione utenze
Prodotto assicurativo
Home banking
Credito personale
Fondi
Gestione patrimoniale
Libretto di risparmio
Mutui
Deposito titoli
2
39,2
59,0
1,5
14,8
10,8
7,4
2,7
24,8
0,1
3,7
2,2
4,6
1
2
3
Bancomat
100,0
3
40,1
82,7
2,1
86,8
21,9
74,4
4,4
58,8
3,5
5,8
3,0
79,9
Deposito titoli
Mutui
Carta di credito
50,0
Libretto di risparmio
-
Gestione patrimoniale
Bancomat
Carte revolving
Domiciliazione utenze
Prodotto assicurativo
Carta di credito
Fondi
Carte revolving
Domiciliaz. utenze
Home banking
Credito personale
Prod. assicurativo
Home banking
Credito personale
Fondi comuni
Ges t. patrimoniale
Cluster
Libretto risparmio
1
Mutui
2
Depos ito titoli
3
0
10
20
30
40
50
60
70
80
90
100
VALUE LAB
CONSULENZA DI DIREZIONE AZIENDALE
Nella figura 6 il cluster 3 è rappresentato dai cosiddetti “correntisti tecnologici-propensi al
rischio” che fanno largo utilizzo di home banking, carta di credito, domiciliazione utenze e
hanno un consistente deposito titoli.
Su tale cluster l’azienda può focalizzare l’offerta di prodotti finanziari specifici per il target in
oggetto ottenendo redemption significativamente più elevate rispetto alle estrazioni
classiche effettuate tramite semplici query.
•
Associazione. L’associazione permette di prevedere, per esempio, quali prodotti vengono
acquistati congiuntamente e individuare opportunità di cross-selling, o per evidenziare la
relazione tra i diversi consumatori e i prodotti acquistati.
Figura 7 – Prodotti acquistati “insieme” dai clienti
Basket Analysis
Associazioni tra Brand concorrenti nella category Caffè
Caffè
utilizz
ata:
a
Tecnic
lysis
t Ana
Baske
Intensità della relazione
(N. acquirenti che hanno acquistato entrambi i
prodotti nei 3 mesi considerati)
Famiglie non rappresentate: < 5
Linea tratteggiata: 5 - 10
Linea continua fine: 10 - 15
Linea continua spessa: >15
WWW.VALUELAB.IT - PROPRIETARY AND CONFIDENTIAL
VALUE LAB
CONSULENZA DI DIREZIONE AZIENDALE
Le tipiche applicazioni sono quelle del “carrello della spesa” in ambito retail (Figura 7) anche se
numerose sono le esperienze nel settore bancario e assicurativo.
Tali analisi permettono di avere un quadro degli acquisti per singola famiglia e per ogni carta, di
individuare delle regole associative tra una famiglia target di prodotto e le altre e, di conseguenza,
selezionare un campione di carte target per effettuare azioni di couponing mirato.
Ad esempio, ponendo come variabile target quella dei libri, è possibile identificare le famiglie di
prodotto che più frequentemente sono acquistate insieme alla famiglia target e che, pertanto,
hanno una maggior probabilità di associarsi a questa.
Figura 8 – Prodotti acquistati insieme alla category libri
Basket Analysis
Quali altri prodotti compra tipicamente un cliente che acquista libri?
MIA MARCA
Intensità della relazione
(% acquirenti dei diversi tipi di caffè che acquistano
anche illy espresso lattina)
Famiglie non rappresentate: < 1%
Linea tratteggiata: 2% - 7,5%
Linea continua fine: 7,5% - 15%
Linea continua spessa: >15%
WWW.VALUELAB.IT - PROPRIETARY AND CONFIDENTIAL
VALUE LAB
CONSULENZA DI DIREZIONE AZIENDALE
Nella Figura 8 si osserva come la famiglia libri si associ con intensità diverse (rappresentate
graficamente dallo spessore delle rette) alle altre famiglie di prodotto, prese a singolarmente.
Tale associazione può avvenire anche per combinazioni di famiglie di prodotto. Infatti, entrando
ancora di più nello specifico nel caso in esame, se si analizza il totale delle carte fedeltà, solo il
28,3% acquista libri. Se, invece, ci si focalizza su un campione formato da chi acquista
abbigliamento, frutta e verdura confezionata, salumi e latticini da banco assistito (271 carte), si
scopre che la frequenza (e quindi la probabilità) con cui un campione con queste caratteristiche
acquisterà libri cresce al 51%.
Questo tipo di analisi mette in luce come, estraendo dal database di tutte le carte solo quelle con
definiti basket di acquisto, si possa proporre una nuova famiglio di prodotto, sapendo che la
probabilità che a quel basket si aggiunga quella famiglia specifica risulterà molto più elevata
rispetto ad una proposta indifferenziata su tutto il parco clienti.
Marco Di Dio Roccazzella
[email protected]