L’ambiente di business intelligence attuale

Nel capitolo precedente è stata fatta la descrizione dell’esperienza di avvio della costruzione di un ambiente di business intelligence per il CRM di un’azienda che opera nel settore moda.

E’ stata ricostruita la vita del progetto di CRM ripercorrendo cronologicamente le fasi critiche e le attività di ciascuna fase, riflettendo sui problemi che si sono presentati di volta in volta e sulle soluzioni scelte e analizzando il ciclo di monitoraggio ed elaborazione dei dati che si conclude e si riapre, vista la sua natura ciclica, con la produzione di informazione direzionale e con la conseguente azione da parte del management.

L’esperienza descritta rappresenta un caso di primo approccio alla business intelligence,il progetto pilota ha avuto l’obiettivo di dimostrare che:

1. l’Azienda ha bisogno di un tale sistema;

2. l’Azienda è in grado di implementare tale sistema ;

3. se i primi due punti sono verificati, preparare il terreno per un ambiente di business intelligence completo.

Il punto 1 è stato ampiamente discusso nel capitolo precedente, i risultati portati dal progetto pilota hanno giustificato ed incoraggiato la prosecuzione del progetto sotto condizioni diverse, cioè come progetto sostenuto dal consenso del management e con un budget superiore a quello precedentemente deciso.

Per quanto riguarda il punto 2, il progetto pilota ha dimostrato che l’Azienda ha le capacità tecniche e gestionali e le risorse per implementare e rendere attuabili le seguenti attività:

• il monitoraggio semi-automatizzato delle interazioni con il cliente in negozio;

• l’organizzazione di tali dati secondo una logica multidimensionale; • l’analisi dei dati con strumenti di analisi tipo OLAP

• la produzione di documenti di reporting.

Alcune di queste attività sono da perfezionare e da completare come è emerso nella descrizione del capitolo 4, come ad esempio il fatto che il datawarehouse non è stato sviluppato in un ambiente dedicato o come il fatto che il monitoraggio delle interazioni con il cliente in realtà si riferisce alle sole interazioni che avvengono in negozio e non è ancora possibile monitorare i clienti anche attraverso altri canali. Il sistema però ha dimostrato di servire al suo scopo, cioè di fornire dei dati corretti (rispetto alla sorgente) raggruppabili secondo la logica cliente-centrica e analizzabili; i risultati delle analisi su tali dati ha prodotto informazioni utili e di supporto per la presa di decisioni.

Inoltre, nella logica di sviluppo incrementale le modifiche, i miglioramenti e le aggiunte sono da considerarsi parte del processo di sviluppo.

Il sistema descritto nel capitolo 4 pone delle buone basi per la costruzione di un ambiente di business intelligence, per il completamento dell’ambiente, su queste basi deve poggiare un sistema di data mining.

Nel progetto pilota l’analisi dei dati si è limitata all’analisi di tipo statistico descrittivo dei fatti secondo la logica multidimensionale e con l’uso di strumenti di

query OLAP.

Il data mining è qualcosa di molto più complesso di una tecnica di analisi e, al di là degli slogan pubblicitari, è difficile da implementare e difficile da gestire ma può portare a risultati molto importanti con un impatto (positivo) sul business molto forti.

Il data mining consiste nel processo di esplorazione ed analisi, in maniera automatica o semi-automatica, di grandi quantità di dati al fine di scoprire regole e percorsi interessanti nei dati.4 Il data mining è un processo che estrae conoscenza

attraverso l’individuazione di regole e associazioni tra i dati non note e non visibili ad occhio nudo.

La differenza tra i risultati delle analisi OLAP e il data mining è che le analisi OLAP permettono di produrre rapporti di sintesi a partire da interrogazioni precise, mentre i sistemi di data mining forniscono una serie di modelli che evidenziano aspetti di qualche interesse nei dati e che erano precedentemente sconosciuti.

Un sistema OLAP dà una risposta a domande tipo: trovare i clienti che si sono

attivati a seguito di una partecipazione al trunk show e che hanno speso più di 100 euro in accessori.

Un sistema di data mining invece da risposta tipo: trovare il profilo generale dei

partecipanti al trunk show che si sono attivati.

Per capire se e perché l’Azienda in questione dovrebbe avere bisogno di un sistema di data mining è necessario capire che tipo di risposte può dare un sistema di data mining.

Il data mining applicato nel contesto del marketing è usato per migliorare il business sia dal punto di vista del costo sia dal punto di vista della redditività; il data mining è infatti usato per diminuire i costi delle campagne marketing evitando di contattare clienti che probabilmente risponderanno negativamente ma è anche usato per incrementare la redditività dei clienti attraverso la calibratura dell’offerta su quelle classi di clienti con certe caratteristiche che indicano che sono pronti per essere spinti verso un comportamento più profittevole (cross brand o up selling).

Il CRM tende, idealmente, alla gestione uno-a-uno del cliente; un buon sistema di gestione della relazione con il cliente ha bisogno di capire chi sono i propri clienti e che cosa vogliono o non vogliono, ciò significa anticipare i loro bisogni e andare loro incontro in maniera proattiva.

Il data mining quindi si adatta in maniera perfetta a supportare un approccio di CRM.

Una volta capito se un sistema di data mining possa fare al caso del proprio business bisogna capire e valutare se l’Azienda dispone delle risorse e delle capacità necessarie ad implementarlo e se il costo e i rischi di adozione di un tale sistema siano pienamente ripagati dai benefici che genererebbe.