intervento

Dati, analytics, ricercatori e azioni: così nasce il nuovo marketing

di Simone Lovati *

default onloading pic
(REUTERS)


3' di lettura

Le imprese di ogni dimensione e di ogni settore sono in possesso di un’enorme quantità di dati. Gli archivi, più o meno organizzati e aggiornati, costituiscono un patrimonio dal potenziale notevole. Alcune imprese non ne fanno buon uso, altre non ne hanno nemmeno coscienza. Quale la causa? Negli ultimi 15 anni la spesa in tecnologia è stata orientata a immagazzinare le informazioni digitali, su Crm, Data warehouse ed Erp. È stato un investimento, ancora in corso, per avere memoria storica e fotografare i processi.

Ci si è occupati di contenitori, meno di contenuti. I contenitori sono migliorati nel tempo, i contenuti si sono accumulati in modo non omogeneo: le guideline di archiviazione sono state poco seguite, l’utilizzo del dato non è mai entrato veramente nella cultura aziendale. Inoltre, a fronte di poca qualità, c'è troppa quantità perché conservare informazioni è un comportamento consolidato: si salvano sempre più numeri, più processi, più dati.

A mio avviso questo è un limite che le nostre imprese possono e devono superare. Avere visione di insieme significa abbattere le barriere dei data silos aziendali. Tutti i dati devono essere parlanti e direttamente connessi con gli ecosistemi digitali per trarre valore dalle interazioni con gli stakeholders. Il valore del dato non è il numero puro: è la gestione, l’organizzazione, la contestualizzazione, il commento, la validazione, l’abilitazione. Pmi e big enterprise hanno allo stesso modo, con le dovute proporzioni, l’opportunità di fare business coi dati in loro possesso. Oltre l’opportunità c’è la criticità della gestione: l’impianto normativo oggi responsabilizza il manager, perché la conservazione è obbligatoria e la compliance non è eludibile.

Nella struttura aziendale chi deve avere questa responsabilità? Il marketing. Fino a cinque anni fa, e per 50 anni, il marketing è servito per essere visibili, per entrare nella testa dei potenziali clienti ed essere conosciuti, riconosciuti e, possibilmente, stimati secondo la regola Reach and Frequency che erano i concetti che ispiravano le campagne pubblicitarie degli anni 80: raggiungi il più alto numero possibile di persone con il tuo marketing e ripeti con la maggiore frequenza possibile il tuo messaggio affinché rimanga nella memoria.

Oggi la situazione è cambiata, chi vende deve farsi trovare dal consumatore già informato. Non basta raggiungere il consumatore ma occorre prevederne e gestirne l’intenzione. Questo scenario dà una nuova fisionomia e una nuova vita al marketing. Perché il marketing grazie ai dati può diventare la centrale di intelligence che indirizza le scelte dell’impresa.

Il machine learning è l'abilitatore di questo cambiamento perché consente di incrociare un mare di informazioni sul proprio mercato fino al dettaglio del comportamento del singolo cliente. In pratica siamo passati dall’avere memoria che il consumatore ha effettuato un acquisto, ad avere un quadro completo: sapere se è un utente/cliente grande o piccolo, se strutturato, maturo, preparato, ecc. È il data-driven marketing: il consumatore è finalmente al centro, ma non perché ce l’ha messo la pubblicità, ma perché sono al centro i suoi dati.

Come funziona il machine learning? Per esempio, un retailer ha 100.000 clienti, ognuno con una storia diversa. La domanda è: quale fra questi è il cliente ideale? Come conquistare nuovi clienti? Un algoritmo di machine learning comincia a analizzare i primi 100 clienti e le loro performance. Poi prende i successivi 100 e prova a indovinare quali sono i migliori, sulla base di quel che ha imparato nel ciclo precedente. Forse, quelli con l’età più alta sono i potenziali clienti migliori. Forse no. Provando e guardando i risultati la macchina impara che non è così, l’età non conta, conta invece la predisposizione verso il prodotto.

La macchina così migliora, tara meglio i parametri, basandosi sul feedback e al giro successivo non considera più l’età come discriminante. E ne analizza altri 100 e di nuovo sbaglia. Ma dopo ulteriore affinamento diventa sempre più precisa, fino a stupire con risposte alle quali l’uomo da solo non arriva. L’uomo è l’architetto del learning by doing: prova, eventualmente sbaglia e impara. Il machine learning fa lo stesso, non c’è programmazione iniziale: prova, guarda i risultati, impara e corregge. La differenza è la capacità e la velocità di elaborazione e di calcolo.

Cosa deve fare la direzione marketing in questo scenario? Le parole chiave sono quattro: dati, analytics, ricercatori e azioni. La base dati viene elaborata da chi sa trasformarla in analytics e score e ulteriormente affinata dall’analisi dei ricercatori, laddove gli algoritmi non bastino. Il risultato è una strategia customizzata che si traduce in azioni concrete attraverso i servizi di marketing, inclusi l’advertising digitale e l’ottimizzazione del posizionamento sul web per un media-mix efficace. E a quel punto, si comincia a vendere.

* Direttore Cerved On

Brand connect

Loading...

Newsletter

Notizie e approfondimenti sugli avvenimenti politici, economici e finanziari.

Iscriviti