Ottobre 2020. I concetti di one to one marketing, profetizzato da Don Peppers e Martha Rogers e la single customer view non sono affatto nuovi: tuttavia a livello pratico una visione del cliente a 360 gradi (utilizzabile operativamente per campagne profilate) si è sempre rivelata fuori portata della maggior parte dei marketer del retail. Quindi, a livello operativo, come iniziare a trasformare il proprio marketing system? L’argomento è tecnico e complesso, ma si può semplificare a livello strategico. Esistono piattaforme ad hoc, chiamate Customer Data Platform (CDP), in grado di realizzare la cosiddetta single customer view, cioè di collegare qualsiasi attività e comportamento a un singolo cliente, permettendo di svolgere campagne specifiche su quell’utente o comunque su un segmento di utenti simili per qualche comportamento di acquisto. La CDP promette quindi di centralizzare tutti i dati dei clienti, incorporando tre fasi funzionali: raccolta dati, decisioni e consegna dei messaggi. Al livello minimo la CDP rende disponibili e utilizzabili i dati (visti nel mio modello) per azioni promozionali senza dover passare da database diversi, estrazioni e incroci “manuali” dei dati. Altre CDP offrono anche funzioni di decisione e di consegna (publishing) molto sofisticate, e si interfacciano con DMP e sistemi per il programmatic advertising. Secondo Gartner, le CDP “hanno la capacità di estrarre e inviare segmenti di clienti (e istruzioni per tali segmenti) a strumenti per l’esecuzione di campagne e-mail, messaggistica mobile, pubblicità e altre attività di campagne o canali. Le CDP possono includere funzionalità come “raccomandazioni” di prodotto, creatività dinamica e funzionalità di test e ottimizzazione.”
Disporre dei dati di acquisto da parte del cliente
Il primo passo da fare è in ogni caso disporre di dati rilevanti (e “puliti”) del comportamento dei clienti, preferibilmente tratti dalle loro azioni concrete e non da risposte a survey o simili, che spesso sono inaccurate, specialmente se raccolte in cambio di qualche corrispettivo economico. Garbage in, garbage out, si dice in gergo: cioè se immetto nel sistema dati sbagliati, ingannerò qualsiasi sistema di intelligenza, artificiale o umana.
Lo storico di acquistato nella CDP è fondamentale per il marketing system del retailer, soprattutto se la ripetitività media dell’acquisto è sufficiente a produrre indizi di valore: se il mio cliente compra una volta all’anno in store, ne potrò ricavare pochi dati, ma se compra varie volte in un anno, ne trarrò esponenzialmente molte più indicazioni utili. Inoltre, in presenza di un catalogo prodotti numeroso, è necessario “taggare” i singoli prodotti (o microcategorie) a secondo delle informazioni che forniscono sul cliente che li acquista. Per esempio, una mozzarella biologica campana di alto prezzo può far taggare l’acquisto (e il cliente di conseguenza) come interessato a “biologico”, “italiano” e “premium price”, oltre che alla categoria merceologica e al brand. Oppure un maglione può avere come tag “colore”, “brand”, “tipologia”, “variazione”, ma anche “stile”, “prodotti simili”, “prodotti spesso acquistati assieme”.
L’integrazione della basket analysis
In questo modo è possibile integrare la basket analysis nel sistema di marketing omnicanale, associandola con i dati provenienti dal comportamento online (quali pagine ha visitato di recente? Cosa ha cercato nella ricerca interna?), in-store (quanto spesso si reca in negozio? quali aree visita? Dove vive?), e della risposta a stimoli pubblicitari digitali (ha cliccato su di un annuncio? Ha visto un video?). Il modello della basket analysis, è fondamentale nel retail e ha l’obiettivo di trovare relazioni decisive tra gli acquisti, a livello di articolo o a un gruppo di articoli o categorie. Buona parte dei prodotti “che possono essere venduti insieme” sono facili da intuire, come vino rosso con carne di manzo, in cui tendenzialmente uno sconto su di un prodotto può far aumentare le vendite anche dell’altro. Ma non tutte le correlazioni sono così evidenti, e soprattutto cercare, validare con test, e utilizzare per azioni concrete tutte queste correlazioni è un lavoro impossibile da svolgere manualmente. Per esempio solo con sistemi di intelligenza artificiale potremmo scoprire ipoteticamente che esistono relazioni frequenti tra gli acquisti di barbecue di alta gamma e di cibo per gatti in un particolare territorio su tipologie di clienti, e quindi su specifici segmenti simili per alcune caratteristiche testare queste correlazioni con attività di cross-selling one-to-one via push notification, email o messaggio al momento dell’ingresso in-store, senza per forza impostare campagne pubbliche di promozione sui giornali o in volantino. Semplicemente, agli acquirenti di cibi per gatti potrebbe essere proposta un’offerta per un nuovo barbecue (naturalmente, il percorso contrario dovrebbe essere verificato dalla effettiva presenza dell’animale domestico, ricavato dai precedenti acquisti). Ma potremmo anche sfruttare la potenzialità del sistema di creare “pubblici simili” a quelli su cui abbiamo già ottenuto risultati e lasciare al sistema sia la creazione dei segmenti che la creazione della promo personalizzata. Allo stesso modo e in senso opposto, potremmo estrapolare dai dati “cannibalizzazioni” – anche inaspettate – tra prodotti: se metto in promozione il maglione blu di brand A, potrei scoprire che venderò meno maglioni blu di brand B. Posso, su segmenti già potenziali acquirenti del brand B, evitare di scontare il brand A, oltre naturalmente sui già clienti fedeli del brand A stesso. Come dicevo, non c’è nulla di estremamente nuovo in queste logiche. Tuttavia la digitalizzazione rende possibile iper-segmentazione, produzione in scala di segmenti, automazioni di contenuto e promozione, la loro diffusione ottimale one-to-one o per cluster.
Per una visione completa del cliente
È, in conclusione, importante comprendere e decidere:
- Il livello di segmentazione e personalizzazione: non per forza la personalizzazione one-to-one one-to-few è quella più efficiente. Esiste un trade-off ottimale (diverso per ogni modello di business) tra vantaggi della personalizzazione e svantaggi della complessità nella creazione di un numero elevato di situazioni e segmenti che scatenano una comunicazione ad hoc personalizzata. Questo trade-off, grazie alla tecnologia, si sta però spostando. È possibile ora gestire molti più segmenti e personalizzazioni per il marketer, e questi limiti saranno superati in un futuro prossimo.
- Livello di automazione nelle decisioni: quali tipologie possedute dai clienti fanno attivare comunicazioni e quando? Per esempio, quando attivare una procedura di “riconquista” del cliente dopo che non ha acquistato per un periodo di tempo, con quali mezzi (email, SMS, custom audience?), in quali zone?
- Dati: decidere quali fonti di accesso dati utilizzare a seconda della facilità di integrazione. Ovviamente più dati ci sono a disposizione, più sarà completa la visione del cliente, ma il ritorno marginale dell’introduzione di nuove fonti potrebbe essere rapidamente decrescente. Non è la quantità di dati, ma la loro rilevanza per gli insight, a essere decisiva.
Nel lungo termine, il beneficio di utilizzare una CDP sta sicuramente nell’attribuzione omnichannel su KPI di business (e non di advertising, come detto) degli investimenti pubblicitari (“so quale è il mio investimento più redditizio a livello di advertising” ma non solo), ma non solo. Serve a creare un sistema che sia in grado di reagire one-to-one (o one-to-few) a stimoli provenienti dai dati che sia attivo 24/7/365. Sia chiaro, gli strumenti sono solo strumenti, ma prepareranno, se accompagnati da una profonda revisione organizzativa, il retailer a una visione totalmente nuova e più efficiente ed efficace delle attività di marketing. Creare un hub centrale per connettere dati, decisioni e piattaforme di consegna per ogni singolo cliente sarà un pilastro del marketing del futuro.
“Is Your Company Ready for One-to-One Marketing?.” https://hbr.org/1999/01/is-your-company-ready-for-one-to-one-marketing.
“Single customer view – Wikipedia.” https://en.wikipedia.org/wiki/Single_customer_view.
