di Marco Belmondo, Chief Marketing Officer del gruppo Datrix
Conosciamo bene – almeno nei risultati finali – le modalità con le quali i grandi giganti del web interagiscono con noi consumatori, in maniera sempre più personalizzata e automatizzata. A cascata, sempre più realtà sono consapevoli che la gestione e la valorizzazione attenta di enormi quantità di dati su clienti e prospect possano portare tantissimi benefici nella relazione e quindi avere un impatto positivo sui ricavi. Queste azioni ricadono principalmente nell’ambito della marketing automation. [/vc_column_text][vc_column_text]
Marketing automation: cosa è e a cosa serve
Con il termine Marketing Automation si intendono tutti quei processi e quelle tecnologie necessarie a rendere i workflow di marketing e comunicazione automatizzati.
La marketing automation può avvenire su diversi canali. Un’attività matura è in grado di integrare questi canali, attivando una serie di regole automatizzate – ad esempio per l’e-mail marketing – in modo da fornire un’esperienza omnicanale al cliente, che vive una comunicazione personalizzata con l’azienda. Ciò porta ad aumentare l’efficienza e l’efficacia nelle relazioni con i consumatori.
Come si traduce questo in indicatori di business? Molto semplicemente!
Un indicatore cruciale è il tasso di conversione, sia nel mondo online sia nel mondo offline. Ciò significa aumentare la percentuale di clienti che, atterrati sul sito web dell’azienda o entrati in negozio, decidono di concludere l’acquisto. L’offline, lungi dall’essere totalmente sostituito dai canali digitali, deve infatti essere integrato in una strategia omnicanale. Il tema non è infatti appannaggio solo di siti eCommerce o comunque imprese “native digitali”, anche una piccola catena di negozi può trarre vantaggio dall’affidarsi ad un partner tecnologico che sappia “attivare” i dati raccolti attraverso, ad esempio, una carta fedeltà.
Ma cosa vuol dire oggi avere una strategia di Marketing Automation che si avvalga di tecnologie e metodologie allo stato dell’arte?
Marketing Automation “aumentata” attraverso l’AI e l’Augmented Analytics
Siamo abituati a considerare le regole di Marketing Automation tendenzialmente statiche, ovvero legate a specifiche azioni fatte dall’utente. Un prospect che, ad esempio, naviga sul nostro sito può decidere di visualizzare una determinata pagina o cliccare su una determinata call-to-action e, in base a ciò, previo consenso legato alla privacy (o per meglio dire in questo caso alla profilazione), riceverà una determinata mail promozionale o di approfondimento su uno specifico prodotto. Questo metodo, seppur possa comunque portare dei risultati, presenta tuttavia dei limiti, in quanto non riesce a comprendere a fondo quali sono i desideri del cliente o prospect in quel momento e di fatto raramente riesce ad anticipare le sue richieste. Ad oggi, le tecnologie e le metodologie esistenti ci permettono di evolvere da questo contesto rule-based, dove le regole sono definite a priori e vengono aggiornate in maniera manuale e in ritardo rispetto alle esigenze del mercato, verso un contesto più dinamico, grazie a modelli predittivi e all’Augmented Analytics.
Con il termine Augmented Analytics si intende un approccio di analisi dei dati che sfrutta le metodologie di Machine Learning per supportare l’uomo nell’individuazione automatica dei risultati più rilevanti ed è in grado quindi di suggerire le azioni concrete da intraprendere.
Questo approccio, applicato alla Marketing Automation, potrebbe arrivare a prendere decisioni e compiere azioni in maniera automatizzata, sfruttando l’insieme delle informazioni a disposizione. Ma, forse meglio, fermarsi prima, lasciando all’esperto umano la possibilità di scegliere tra le opzioni che la macchina gli propone.
Due esempi di modelli predittivi: propensity score e clustering
Proviamo a concretizzare i concetti appena espressi ipotizzando di costruire sui nostri clienti due tipologie di modelli predittivi.
Supponiamo di voler calcolare, sul nostro sito e-commerce, un propensity score per i nostri clienti, più precisamente ci poniamo l’obiettivo di calcolare la probabilità di riacquisto di un prodotto da parte di un utente che ha già acquistato sul nostro sito. Questo ovviamente possiamo farlo attraverso un approccio solo marginalmente data-driven, ad esempio basandoci sulle sue caratteristiche socio-demografiche e deducendo, sulla base della nostra esperienza, qual è la probabilità che decida nuovamente di acquistare il prodotto. Possiamo invece utilizzare un approccio parzialmente data-driven, ovvero farci guidare da specifici eventi che l’utente genera sul nostro sito. Il terzo approccio, che ci porterà ai migliori risultati, è invece basato sugli algoritmi di intelligenza artificiale. Ciò significa raccogliere dati su tutte le azioni che gli utenti compiono sul sito, ma non solo, possiamo integrare tutti gli eventi che accadono nei punti di contatto di quell’utente con la nostra azienda e calcolare in tal modo una propensione di acquisto estremamente granulare. Questo ci permetterà di essere molto più specializzati e personalizzati nelle nostre comunicazioni, in prima battuta, ma potrà avere impatti positivi anche su altri processi, ad esempio la logistica e la gestione dei nostri magazzini. E si può calcolare la propensione di acquisto anche sugli utenti non ancora clienti e conseguentemente focalizzare le azioni di marketing solo su quelli che hanno un valore più alto.
Secondo esempio: l’utilizzo di un algoritmo di clustering. L’obiettivo, come molti di voi sapranno, è segmentare la clientela in gruppi omogenei relativamente a determinate variabili. Anche in questo caso, possiamo muoverci con metodologie più tradizionali, definendo ex-ante un numero limitato di variabili su cui effettuare la segmentazione. In alternativa, con un approccio non supervisionato, possiamo far sì che i dati stessi, se di buona qualità e integrati da diversi canali, ci guidino verso un clustering di maggior dettaglio. Ciò si traduce in comunicazioni personalizzate sul sito e via email, anche in questo caso, ma anche nella possibilità di definire proposizioni commerciali a livello strategico differenti nei diversi gruppi. I cluster individuati possono essere poi sincronizzati quotidianamente nei sistemi di analytics e advertising per il loro utilizzo diretto.
Un prerequisito: la Customer Data Platform
Gli algoritmi, le metodologie, i Data Scientist si nutrono di dati, fondamentale materia prima. Costruire una strategia di Marketing Automation evoluta ha dunque come prerequisito una buona base dati, che integri i diversi canali di interazione di clienti e prospect preservando qualità e integrità.
Il prerequisito è quindi costruire una Customer Data Platform, ovvero una piattaforma che raccolga tutti i dati disponibili sui clienti in un unico database. È lecito chiedersi quindi se sia un progetto oneroso e che richiede molto tempo. Non più, anche grazie al Cloud. Sebbene le attività di integrazione e più in generale di ingegnerizzazione dei dati siano sicuramente quelle più complesse, in soli tre mesi con la soluzione DataLysm di 3rdPlace si possono avere i primi risultati diretti di business e i costi sono contenuti perché calcolati in base al traffico dei siti, app e alla tipologia di canali integrati (es. CRM). Non ci sono più barriere all’adozione, neppure per PMI.
