Quattro tipologie di analisi

Customer intelligence 2/4

La padronanza delle diverse tipologie di dati – personali, di interazione, comportamentali e attitudinali – di cui abbiamo parlato nel precedente articolo, consente di utilizzarli per una vasta gamma di finalità. Queste vanno dalla semplice descrizione dei fenomeni fino alla previsione dei comportamenti futuri e alla prescrizione delle azioni necessarie al determinarsi di specifici eventi.

Sebbene la maggior parte delle analisi condotte in azienda siano di tipo descrittivo e diagnostico, usando tutto il ventaglio di modalità a disposizione si ottiene una comprensione completa e approfondita della realtà organizzativa, dei clienti e del mercato in cui si opera. Ciò consente di decidere e agire in modo più intelligente, strategico ed efficace.

Gli esempi non mancano. Enel X prevede i bisogni energetici dei propri utenti per offrire loro soluzioni personalizzate finalizzate alla riduzione dei consumi e dei costi. BNL prevedendo i problemi dei clienti riesce a fornire soluzioni preventive e di supporto. Poste Italiane ricorre all’analisi predittiva per  migliorare la gestione delle spedizioni e garantire una consegna più rapida e affidabile. 

Chi si spinge sul terreno dell’analisi prescrittiva riesce a ottenere anche suggerimenti riguardo le azioni specifiche da mettere in campo per ottenere un determinato risultato. UnipolSai identifica i rischi dei propri clienti per suggerire loro le migliori opzioni di copertura assicurativa, mentre Leonardo utilizza questo metodo per migliorare la manutenzione dei propri aerei e garantire un’esperienza di volo più sicura e confortevole.

Descrivere, diagnosticare, predire, prescrivere

L’analisi descrittiva, prima fase di qualsiasi attività di analisi dei dati, fornisce risposte a domande base come “quanti, quando, dove e che cosa”. Gli strumenti adatti sono i  data analytics, le dashboard, i report ad hoc e i canned report, ovvero i report precostituiti dedicati al monitoraggio costante o periodico. Grazie a questa tipologia è possibile quantificare le relazioni tra i dati, individuare le molteplici e differenti relazioni tra clienti e prodotti. Spesso è usata per suddividere in segmenti la customer base, e i suoi risultati costituiscono il punto di partenza per ulteriori approfondimenti.

L’analisi diagnostica, invece, fornisce risposte sul perché le cose sono accadute rilevando eventuali anomalie o problemi. È un’attività che si svolge quando si vogliono eliminare le cause di un malfunzionamento o evitare i reclami frequenti. Di norma, un processo di analisi diagnostica è suddiviso in tre fasi: l’identificazione di anomalie; la raccolta delle informazioni relative alle anomalie rilevate; l’applicazione di tecniche statistiche per individuare correlazioni, dipendenze e trend che spieghino tali anomalie.

Con l’analisi predittiva, invece, si prevede il comportamento futuro in base alle informazioni disponibili. Per esempio, prevedere la domanda di un prodotto o il tasso di cancellazione di un servizio è utile per modificare la produzione o l’organizzazione del lavoro. L’analisi predittiva è possibile grazie a machine learning, reti neurali, alberi decisionali, regressione lineare, data mining e teoria dei giochi, per citarne alcuni. Con questi strumenti si elaborano modelli predittivi e statistici, che permettono di ottimizzare scelte e decisioni,  di trasformare i dati in informazioni preziose e azionabili, di ottenere indicazioni circa l’esito probabile di un evento o di una transazione.

Infine, l’analisi prescrittiva risponde alla domanda su cosa avverrà e perché succederà, indicando un ventaglio di azioni con cui orientare l’attività e indirizzarla verso una possibile soluzione.  In senso stretto sono i suoi insights a dare vita alle decisioni data-driven, permettendo alle aziende di decidere in modo informato anche in un ambiente incerto e volatile come il mercato attuale. Combinando big data, scienze matematiche, regole aziendali e machine learning, l’analisi prescrittiva è in grado non solo di anticipare ciò che accadrà, quando e perché, ma anche di suggerire all’azienda le decisioni e le azioni più vantaggiose in base alle previsioni formulate, favorendo la pianificazione strategica e permettendo loro, tra l’altro, di sfruttare al meglio un’opportunità o di mitigare un rischio futuro.

Decidere in base ai dati

Le quattro tipologie di analisi vengono spesso utilizzate in modo combinato. Per esempio, se si analizzano i dati relativi alle prestazioni di un sito web, si possono individuare eventuali problemi come il tempo di caricamento lento, la navigazione poco intuitiva o la mancanza di contenuti interessanti per gli utenti. La prescrizione suggerisce di adottare determinate soluzioni, come l’ottimizzazione del codice del sito web, la semplificazione dell’interfaccia utente o la creazione di contenuti di qualità, al fine di migliorare le prestazioni del sito e aumentare il coinvolgimento degli utenti.

In generale, l’analisi predittiva e quella prescrittiva offrono molte opportunità alle aziende per migliorare i processi interni, organizzare la produzione e la logistica, con una sicura ricaduta sulla soddisfazione del cliente, che riceverà risposte rapide e ordini puntuali dei prodotti che desidera acquistare.

Le aziende fanno ricorso allo studio dei dati e il monitoraggio del comportamento dei clienti in tempo reale per cogliere tempestivamente tutti i segnali utili a definire il sentiment o le intenzioni di un cliente in un preciso momento, e intervenire in modo mirato prima che quest’ultimo arrivi a esplicitare una rimostranza, una richiesta di supporto o il bisogno di ulteriori informazioni. Grazie all’analisi prescrittiva, le aziende sono in grado di sollevare il cliente dal paradosso della scelta, come fanno con le raccomandazioni Netflix, YouTube e Spotify. I modelli predittivi aiutano le aziende a identificare i canali di comunicazione più efficaci per ogni tipo di cliente, perfezionando la loro esperienza d’acquisto e aumentando la customer satisfaction. 

È possibile prevedere anche  la domanda futura dei prodotti e gestire di conseguenza le rimanenze di magazzino, evitando sprechi e riducendo i costi. Si ottengono suggerimenti circa i prodotti o i servizi da offrire in base alle previsioni dei bisogni e delle esigenza. Si possono mettere alla prova gli effetti di specifiche decisioni per scegliere quella che permette di raggiungere gli obiettivi prefissati.

Condividere le analisi in azienda

La padronanza delle diverse tipologie di dati consente di utilizzarli per una vasta gamma di finalità, dalla semplice descrizione dei fenomeni fino alla prescrizione di interventi mirati. Per ottenere il massimo da questa attività occorre anche avere strategie coerenti e coordinate in tutte le aree dell’azienda. 

La distribuzione dei dati in azienda è essenziale per massimizzare il loro valore. Quando i dati sono disponibili solo in un’area o condivisi solo tra pochi membri del team, l’azienda non sfrutta appieno il loro potenziale. Per questo motivo, è necessario creare una cultura aziendale in cui i dati sono considerati risorse strategiche da condividere e sfruttarli in modo efficace. In questo modo, le diverse aree lavorano insieme per trarre il massimo vantaggio dai dati. Per esempio, il marketing  ricorre ai dati di interazione per migliorare le proprie campagne, mentre le vendite estrae dai dati di comportamento le informazioni per personalizzare le offerte. Oppure, quando si analizzano i dati relativi alle vendite di un prodotto, se i dati sono accessibili anche alle aree del marketing, della produzione e della finanza ciascuna attinge alle stesse informazioni per sviluppare le proprie strategie e  prendere le decisioni più appropriate. L’area vendite individua le aree geografiche in cui il prodotto è maggiormente richiesto e sviluppare le attività di vendita in quelle zone. Il marketing a partire dalle caratteristiche dei clienti che acquistano il prodotto sviluppa campagne pubblicitarie mirate e geolocalizzate. L’area produttiva pianificare la produzione in base alla domanda effettiva. Infine, l’area finanza utilizza i dati per analizzare la redditività del prodotto e per valutare la convenienza di sviluppare ulteriori investimenti.

Questo articolo si basa sulle ricerche del Centro Studi di CMI

COMMENTI