CLUSTER CARATTERISTICHE PERSONALIZZAZIONE FINALITÀ DELLA “Opportunist

competenti”

Valori bassi su EQUITY e REL, molto goal-oriented, alta

KNOWLEDGE

Sviluppare la relazione per acquisire conoscenze, snellire la ricerca e la

fruizione dei contenuti “Affluenti da

conquistare ”

Alta EQUITY, ma bassa REL; sensibili all’interfaccia di

comunicazione

Sviluppare la relazione e fornire servizi di facile e affascinante fruizione che innalzino il valore

percepito dalla relazione “Novizi ad alto

potenziale” Bassa expertise, alti livelli di REL e EQUITY

Infomediazione didascalica (dynamic

help); piani di CRM volti alla

ritenzione e alla valorizzazione del potenziale

“Edonisti marginali”

Orientati alla ricerca di esperienze, con bassa EQUITY e

KNOWLEDGE

Offerta di contenuti a costi marginali nulli; investimenti non differenziali,

atteggiamento inerziale “Leali esperti” Alta EQUITY e KNOWLEDGE, goal-oriented e sensibili

all’interfaccia di comunicazione

Accrescere il valore mediante “word-

of-mouse” e la cooperazione nello

sviluppo di nuovi servizi

Per questi soggetti è preferibile pensare a piani di beautiful exit, o comunque a costo marginale nullo. Infine, i “leali esperti” rappresentano un cluster interessante, con valori di lealtà ed expertise significativi e un’alta sensibilità alle leve di valore site-specific. Sono consigliabili piani di sviluppo della customer equity, tramite stimoli al passaparola digitale (“word of mouse”) e la cooperazione per lo sviluppo di nuovi contenuti e strumenti di interazione.

3.4.1 L’estensione del modello pentadimensionale agli altri contesti

Il modello di profiling proposto in questo paragrafo contribuisce alla migliore definizione delle attività di personalizzazione e di CRM in ambienti digitali. Le specificità delle attività di marketing in ambienti digitali tendono con particolare

enfasi verso la personalizzazione dell’offerta e delle esperienze di consumo, ma richiedono operazioni di raccolta e di purificazione dei dati sempre più complesse. Il marketing management on line, infatti, investe un dominio di decisioni generalmente più ampio rispetto a quanto avviene nei mercati fisici, estendendosi sia ai contenuti (prodotti e informazioni) che ai servizi di infomediazione che, infine, alle modalità di interazione con i clienti.

La varietà e la variabilità delle offerte deve essere gestita nella prospettiva della massima differenziazione per evitare che i contenuti costi di transizione fra siti – la cosiddetta concorrenza a portata di mouse – producano fenomeni di strutturale infedeltà dei clienti: una differenziazione, dunque, che deve essere spinta sino alla personalizzazione di prodotti ed esperienze di consumo, evitando però di incorrere nel paradosso della “confusione di massa”. Tale strategia richiede l’adozione di modelli analitici idonei alla profilatura dinamica dei clienti, finalizzati alla segmentazione e alla personalizzazione dell’offerta.

Le evidenze empiriche derivanti dall’applicazione sperimentale del modello hanno fornito un generale supporto alle cinque dimensioni identificate per il profiling dei consumatori. VALUE, KNOWLEDGE, ORIENTATION, REL ed EQUITY sono le cinque dimensioni operazionalizzate tramite indicatori impliciti ed espliciti. Si tratta di variabili e di indicatori dimostratisi idonei a interpretare l’eterogeneità del comportamento e degli atteggiamenti dei consumatori in ambienti digitali, e dunque azionabili a fini di progettazione dei processi e delle iniziative di personalizzazione e di e-CRM.

Le operazioni di profiling potranno essere ulteriormente sviluppate mediante l’applicazione dinamica del modello e la riallocazione dei consumatori ai diversi cluster, anche a seguito delle successive reazioni, attitudinali e comportamentali, alle azioni di personalizzazione e di e-CRM.

Alla luce dei risultati della sperimentazione, è possibile formulare alcune considerazioni di carattere generale per l’applicazione del modello a diversi contesti di e-business. La figura 3.13, al riguardo, descrive le principali fasi che rendono il modello estendibile a diversi contesti.

La prima fase prevede l’applicazione di tecniche d’indagine qualitative al fine di identificare gli indicatori che consentano di tradurre operativamente l’analisi concettuale delle cinque dimensioni del modello di profiling. Gli indicatori possono assumere la forma di item, ossia di dati non osservabili per i quali si rende necessaria la somministrazione di questionari on line; ovvero di eventi da rilevare mediante la decodifica dei logfile e le tecniche di identificazione dell’utente (e.g., cookies, login e password di registrazione) e di analisi dei suoi comportamenti di navigazione. La fase qualitativa della sperimentazione permette di contestualizzare gli indicatori per la profilatura alle specificità del contesto di e-business.

Alla raccolta dei dati devono seguire due distinte fasi di analisi quantitativa. L’applicazione di algoritmi di riduzione dei dati permette di verificare la struttura (pentadimensionale) del modello analitico, di purificare le scale di misurazione e di identificare gli indicatori maggiormente esplicativi delle dimensioni sottese alla descrizione di comportamenti, atteggiamenti e preferenze dei consumatori.

Processi di personalizzazione: analisi e profiling 103 Fe ed ba ck e ra ff in am en to d ei c lu st er Misurazione dell’efficacia delle azioni Modello concettuale di riferimento Analisi qualitativa Contestualizzazione e generazione delle scale Somministrazione del questionario e raccolta dati di clickthrough Analisi quantitativa Riduzione Fattoriale Analisi quantitativa Segmentazione Azioni di differenziazione, personalizzazione ed e-CRM

per ciascun cluster e/o cliente

Estensione della

segmentazione e delle azioni di differenziazione alla customer base A l r ad do pp io d eg li ut en ti cl as si fi ca ti: n uo ve a na lis i e n uo vo te st d el m od el lo

Figura 3.13 L’algoritmo organizzativo per l’applicazione del modello di profiling Dall’applicazione dell’analisi categorica delle componenti principali (o di tecniche simili – e.g., latent class analysis applicata a problemi di riduzione dei dati) è possibile trarre i punteggi fattoriali per ogni consumatore rispetto a ogni dimensione individuata. Tali punteggi rappresentano il data-input per le analisi di segmentazione

che consentono l’identificazione di una serie di profili di consumatori a cui indirizzare specifiche azioni di personalizzazione e di e-CRM.

La raccolta di indicatori content-specific del valore permetteranno, successivamente, l’identificazione dei contenuti da proporre applicando le modalità d’interazione e di personalizzazione ormai note. L’applicazione del modello a due stadi permette di proporre un’offerta personalizzata sui contenuti e sulla modalità di interazione.

La classificazione ottenuta dalla sperimentazione può essere estesa, infine, a tutta la customer-base, secondo una logica fuzzy, tramite la raccolta di dati riguardanti solo gli indicatori maggiormente esplicativi delle dimensioni di analisi, sempre nella duplice forma di eventi e di item. I clienti possono essere assegnati, sulla base delle informazioni ottenute, a uno dei cluster identificati e divenire oggetto delle azioni di personalizzazione e di e-CRM ritenute maggiormente efficaci. Il quadro dei profili ottenuti applicando il modello potrà essere aggiornato al raggiungimento di una soglia critica – ad esempio, nel momento in cui risultino classificati il doppio dei clienti utilizzati per l’analisi iniziale, attivando così meccanismi di feedback e di apprendimento.

La verifica conclusiva dell’efficacia del modello di profiling, tuttavia, potrà avvenire solo verificando se le performance commerciali ed economico-finanziarie con riferimento ai gruppi sui quali è stata condotta la sperimentazione presentano differenze significative rispetto a gruppi di clienti isolati secondo i caratteri del controllo sperimentale.

Il modello di profiling si propone come utile framework per la definizione delle azioni di personalizzazione e di e-CRM, che diversi autori hanno segnalato come fondamentali driver del vantaggio competitivo negli ambienti digitali (Reichheld e Schefter, 2000; Wind e Rangaswamy, 2001; Wind e Mahajan, 2002): un vantaggio competitivo, dunque, raggiungibile mediante lo sviluppo delle politiche di differenziazione nella direzione della personalizzazione di tutte le dimensioni dell’offerta, fino a investire di caratteri distintivi e gratificanti per il cliente ogni singola esperienza di interazione, d’acquisto e di consumo.

4