Articolo
18dicembre

Marketing, Big Data e ROI

img3_silos

Oggigiorno assistiamo ad una vera e propria guerra tra le vecchie scuole di pubblicitarie e le grandi aziende hi-tech, per l’assunzione dei migliori talenti di Big Data che abbiano anche uno spiccato senso del marketing.

I motivi per cui aziende come Google, Facebook e Twitter, sono tanto interessate al mondo del marketing sono strategici. Quello del marketing è infatti uno dei settori che offre i più ampi margini di guadagno per l’analisi data. Questo porta all’equazione: Big Data + Marketing = ROI enorme.

Big Data e Marketing: due facce della stessa medaglia

Tutto ciò non sorprende più di tanto, in quanto le potenzialità dei Big Data rispondono appieno ai desideri dei marketers: un ROI misurabile e dei risultati affidabili.

Basti pensare ai dipartimenti di IT e ai loro certosini lavori di ottimizzazione delle procedure informatiche. Ogni singola azione è pensata per migliorare l’efficienza del sistema e ridurre gli sprechi. Un errore nelle procedure di login, ad esempio, aumenta le richieste di assistenza e quindi i costi. IT risolve il problema e l’azienda risparmia sul supporto ai clienti.

I dipartimenti di marketing sono capaci della stessa precisione chirurgica? In una recente ricerca di Econsultancy, più dell’80% delle 500+ aziende coinvolte ha ammesso di avere una conoscenza limitata del perché i clienti escano dal loro sito senza convertire. Il 78% non ha proprio idea del perché i clienti abbandonino il carrello della spesa.

Trovarsi in una situazione simile al giorno d’oggi e’ piuttosto imbarazzante, data l’estrema facilità di raccogliere, conservare ed elaborare dati. In effetti nell’era dei Big Data, si possono trovare risposte a problemi più fondamentali, come i motivi stessi che spingono i clienti a visitare il sito ed a comprare i prodotti.

Metriche come il numero di stelle nelle reviews (o likes o retweets) danno solo una visione superficiale della situazione, che risulta inutile fintanto che non vengono messe in relazione con i parametri importanti, quali il rate di sottoscrizioni, di ritorno, di acquisti, di offerte accettate, eccetera. Per fare questo servono i dati, e serve analizzarli. Una volta ottenuta tale conoscenza si saprà dove intervenire per aumentare l’efficienza e ridurre gli sprechi (proprio come in IT). L’analisi dati quindi, non solo permette di misurare il ROI ma anche di aumentarlo.

La rottura dei silos

Lo scenario sopradescritto è un caso molto semplice ed accademico direi. Le applicazioni più interessanti e redditizie dei Big Data entrano in gioco quando si integrano tutte le viste o, in termini tecnici, quando si rompono tutti i “silos”. Questo si traduce in due tipi di azioni:

  1. Raccogliere i dati su tutti i canali di interazione con i clienti (sito web, social, in-store, CRM, …)
  2. Inserire nel team di Big Data persone con abilita’ diverse, dallo specialista IT all’uomo di marketing.

Per questi ed altri motivi, oggi sempre più aziende attivano progetti di Big Data. Bisogna però stare attenti ad agire sull’onda dell’entusiasmo. Innanzitutto, a volte le risposte ai propri quesiti stanno negli Small Data (così come descritto in questo articolo) e poi, affinché un progetto di Big Data abbia successo, questo va pianificato, realizzato e valutato. In particolare, spesso si fa confusione nella fase di valutazione, per calcolare il ROI.

ROI

ROI is the Return On Investment

Come calcolare il ROI per un progetto Big Data

L’approccio più diffuso per il calcolo del ROI è quello di fare il rapporto tra l’investimento totale nel progetto e le vendite realizzate. Questo metodo non e’ sempre corretto, in quanto il progetto di Big Data potrebbe non puntare direttamente ad aumentare le vendite.

Grazie ai Big Data è possibile migliorare il livello di soddisfazione del cliente o il livello di produttività dell’azienda. Non sempre il fatturato è un buon indicatore per questi obiettivi.

E’ quindi necessario definire quale specifico problema si intende risolvere, in seguito si determina come il ritorno del progetto deve essere misurato e quindi quali metriche sono le più significative.

ROI measuring

Riporto di seguito i quattro ambiti più comuni per i progetti di Big Data e per ciascuno dei suggerimenti su come misurare il ROI:

1. Gestione delle performance

Lo scopo è di ottenere risposte a domande pre-determinate, ed anche piuttosto tradizionali, come “quale segmento di clienti è il più conveniente?”. L’obiettivo è di ottenere risposte in tempo-reale e che consentano di prendere decisioni sia sul lungo che sul corto termine. Queste strategie possono essere applicate a tutti i reparti dell’azienda.
Per misurare il ROI bisogna concentrarsi sulle informazioni/feedback che il progetto restituisce al fine di migliorare le performance e la produttività. In particolare sulla velocità con cui arrivano e sulla loro accuratezza.

2. Analisi dati

Differisce dall’ambito precedente poiché si cercano risposte a problemi che non sono ancora stati individuati.
L’obiettivo è dunque fornire dei suggerimenti su nuove possibili azioni da intraprendere (creazione di un nuovo segmento, modifica ai listini, nuovo prodotto/servizio). Per misurare il ROI bisogna contare quanti di questi spunti il progetto è capace di fornire e quanto sono utili/applicabili.

3. Analisi social

I progetti sui social hanno di solito l’obiettivo di aumentare tre aspetti: la conoscenza dell’azienda, il coinvolgimento da parte del cliente ed il passaparola (word-of-mouth).
Per misurare il ROI di questi progetti è appropriato utilizzare metriche quali l’aumento di: traffico web; vendite (dovute all’analisi del maggiore traffico); coinvolgimento (misurato tramite l’analisi del testo). Suggerisco invece di non concentrarsi su retweets o likes.
Questo tipo di progetti rientra a volte nell’ambito 2, in quanto può fornire spunti non chiari ad inizio analisi. Spesso forniscono suggerimenti su come aumentare il coinvolgimento del cliente, ad esempio con offerte ed esperienze personalizzate.

4. Scienza delle decisioni

La scienza delle decisioni è un modo di analisi che si basa su dati raccolti appositamente, piuttosto che su dati pre-esistenti. L’obiettivo è di trovare risposte a domande molto specifiche, che nascono da particolari esigenze dell’azienda. Ad esempio, per la scelta di prezzo per il lancio di un nuovo prodotto piuttosto che usare dati storici, si può decidere di fare una piccola campagna esplorativa per conoscere il parere dei clienti in anticipo.
Per misurare il ROI e’ necessario concentrarsi sulle risposte fornite alle domande poste, in particolare alla velocità con cui arrivano ed alla loro accuratezza.