Tecniche usate per la profilazione: suggeriment

I dati necessari a profilare i clienti richiedono un processo di rilevazione articolato, in termini sia di metodo che di tempi. E’ intuibile, infatti, che per analizzare alcune dimensioni sia necessario consolidare una base di dati relativa alla storia delle interazioni con i clienti.

Tale struttura pentadimensionale è stata testata tramite un modello di ti- po fattoriale, previo utilizzo dell’analisi categorica delle componenti princi- pali (Costabile, Miceli e Ricotta, 2003) sui due gruppi di utenti identificati: i novizi e gli esperti. Tale analisi genera punteggi fattoriali standardizzati per ognuna delle componenti estratte. Su di essi sono poi stati applicati algo- ritmi di clustering, che hanno individuato cinque profili di consumatori, di- scriminati rispetto alle cinque componenti estratte (fig.7).

L’interpretazione dei cluster ha permesso di identificare le caratteristiche salienti dei segmenti. Ognuno dei clienti poi è stato profilato ulteriormente sulla base dei contenuti ricercati. In particolare, sulla base degli accessi alle diverse sezioni del portale (eventi) e delle manifestazioni d’interesse per i diversi argomenti trattati dal portale (item), il modello è stato in grado di identificare i contenuti da offrire a ciascun segmento a fini di differenziazio- ne, con modalità personalizzate, in funzione delle informazioni derivanti dall’analisi di segmentazione sulle dimensioni interattive e relazionali.

Figura 7. I centri finali dei 5 profili (utenti tn)

Sulla base dei risultati delle analisi di segmentazione, sono poi state indi- viduate specifiche azioni di personalizzazione e di CRM da destinare ai sin- goli consumatori dei diversi cluster (fig.8).

Figura 8. Azioni di differenziazione e di CRM per i cluster del campione (utenti tn)

A titolo d’esempio, consideriamo uno dei profili individuati, quello definito degli Affluenti da conquistare, caratterizzato da elevato potenziale di e- quity, rilevante sensibilità all’interfaccia di comunicazione, significativi livelli di expertise, ma anche da tendenziale infedeltà.

Questi utenti risultano importanti per l’azienda non solo rispetto al poten- ziale di generazione di flussi economico-finanziari, ma anche in merito alle capacità di partecipare allo sviluppo di nuovi servizi, stanti gli elevati livelli di knowledge.

E’ auspicabile che il management rivolga a tali clienti particolari atten- zioni e che investa in servizi volti a innalzarne il valore percepito, valutando l’opportunità di personalizzare l’offerta attraverso un’infomediazione di na- tura “consulenziale” e dunque centrata su informazioni dettagliate e appro- fondite sui contenuti ricercati. Azioni di differenziazione e di CRM di questo genere, spinte sino alla personalizzazione, potrebbero avere un significativo impatto sulle performance del portale (Costabile, Miceli e Ricotta, 2003).

Abbiamo visto come, per l’attività di profilazione, in questo caso come in molti altri, si faccia uso della cluster analysis, strumento particolarmente efficace se i criteri di segmentazione comprendono il comportamento d’ac- quisto pregresso, i profili demografici e psicografici.

Nondimeno, in questo contesto, ci sembra utile valutare le possibilità di utilizzo di strumenti di DM alternativi o da usare congiuntamente, per dare maggior intensità alle intuizioni emerse, con le inevitabili limitazioni dovute al fatto di non poter manipolare le variabili da esso utilizzate nello specifi- co. Per questo motivo ci limiteremo a suggerire qualche approccio alterna- tivo o a sostegno dell’attività di clustering effettuata, presumendo di tratta- re variabili per lo più categoriche, che permettono, notoriamente, di suddi- videre i dati per appartenenza a determinate categorie

Trattandosi di un problema di personalizzazione e considerando le difficol- tà note di interpretazione dei cluster generati automaticamente (senza su- pervisione), in questo caso ci sentiamo di suggerire l’impiego delle tecniche di classificazione, in particolar modo degli alberi di decisione e delle regole associative, per migliorare la caratterizzazione dei cluster ottenuti, a fini di azionabilità maggiore.

La scelta di utilizzare un algoritmo di clustering è ragionevole; infatti, questa tecnica sappiamo rivelarsi molto utile quando si sospetta l’esistenza di raggruppamenti naturali che potrebbero rappresentare segmenti di clien- ti o prodotti che hanno in comune molti elementi, e a cui rivolgere azioni di marketing personalizzate. Ma ciò che avvalora il nostro suggerimento è la consapevolezza che il clustering in presenza di pattern sovrapposti, con la creazione di gruppi di record simili, riduce la complessità interna dei clu- ster, rendendo più semplice individuare i singoli pattern e facilitando l’opera di altre tecniche di DM.

Proprio per questo, una volta creati i cluster, si può trarre vantaggio dalla costruzione di un albero decisionale con l’etichetta del cluster come variabi- le target, usandolo efficacemente per ricavare regole in base a cui asse- gnare nuovi record al cluster corretto. Inoltre, esso, come sappiamo, gene- rando regole di facile comprensione, potrà risultare un valido supporto nel- la determinazione e classificazione delle caratteristiche dei clienti.

In effetti, anche l’uso di reti neurali può essere efficace, poiché anch’esse permettono di trovare con maggior facilità una spiegazione al comporta- mento di una variabile target all’interno di ciascun cluster. In particolar modo, le reti neurali potrebbero essere utili poiché sono in grado di spiega- re le interazioni tra le variabili dipendenti e quelle indipendenti. Il problema fondamentale in un processo di personalizzazione sappiamo infatti essere quello di interpretare al meglio le caratteristiche dei clienti, o, dei gruppi di

clienti, al fine di poter proporre loro offerte personalizzate, che rispondano il più possibile ai suoi desiderata, rendendo alto il livello di soddisfazione.

Sempre a questo pro, pensiamo possa essere interessante effettuare un’analisi delle associazioni, mediante algoritmi che generano regole asso- ciative; queste ultime permettono di individuare dei pattern ricorrenti che possono chiarire determinati aspetti risultati “nebulosi” nell’interpretazione del risultato, utilizzando, eventualmente, anche regole di sequenza (nel ca- so si abbia a che fare con dimensioni temporali). Ai fini di personalizzazione dell’offerta, infatti, può risultare utile accertare che determinate associazio- ni ricorrono con una certa frequenza, a sostegno dei risultati offerti dal clu- stering. Così come l’utilizzo di metodi di visualizzazione (appartenenti alla modellazione predittiva), mediante grafici rappresentativi dei benefici, permettono di mettere adeguatamente in mostra i risultati del modello predittivo.

Ad ogni buon conto, il clustering è senza dubbio una tecnica dall’efficacia comprovata, ma l’utilizzo congiunto di tecniche di classificazione, o di rego- le associative, può senz’altro aiutare nella comprensione delle caratteristi- che che delineano il profilo dei propri clienti. Come abbiamo detto, difatti, la lettura, ad esempio, delle regole di classificazione è di comprensione immediata; non vi sono cioè possibilità che il risultato sia ambiguo o dipen- dente dalle ipotesi fatte da chi interpreta. Lo stesso vale per l’analisi dei collegamenti.

Al fine di stimare la funzione di risposta ad un particolare stimolo di mar- keting, invece, potrebbe essere utile l’applicazione di tecniche di regressio- ne lineare per la modellazione di una risposta continuativa, o di regressione logistica per la modellazione di una risposta discrezionale. E’ noto il valore delle tecniche di regressione, che rappresentano i principali modelli predit- tivi.

In effetti, regressione lineare e regressione logistica (che predice la pro- babilità) permettono sia di predire il valore della variabile risposta, che di rispondere a domande del tipo: “Come i fattori incidono sulla probabilità associata alla variabile risposta?”, “Qual è l’influenza delle variabili esplica- tive sulla risposta?”. E’ chiara dunque l’utilità di tali tecniche nel caso in cui l’obiettivo sia quello di capire, ad esempio, da quali caratteristiche (variabili esplicative) è influenzato un certo comportamento del cliente, quindi, la sua risposta ad un certo stimolo di marketing.

D’altra parte sappiamo quale importanza rivesta la comprensione di ciò per la segmentazione della clientela, per la conseguente profilazione e per- sonalizzazione delle offerte.

Considerazioni conclusive

Abbiamo visto come segmentazione e marketing one-to-one possano essere con- siderati, oggi giorno, due aspetti dello stesso problema di soddisfazione del cliente, il cui concetto unificante può essere considerato la responsiveness. E’ emersa quindi la necessaria rivisitazione del processo di segmentazione tradizionale del mercato, dovuta all’evoluzione tecnologica, per cui è ormai possibile, mediante il DM, mirare, attrarre e trattenere i singoli clienti, con tecniche come, ad esempio, il filtraggio collaborativo. Proporre dunque un’offerta differenziata, che sappia soddi- sfare le esigenze e i desideri di una domanda sempre più eterogenea, è una realtà attuabile muovendo dalla scoperta ed analisi dei benefici ricercati e del valore attri- buito ai singoli elementi del mix d’offerta da parte dei clienti. Internet rappresenta dunque uno strumento fondamentale per instaurare un rapporto interattivo con i propri clienti, permettendo infatti ai clienti di migliorare e personalizzare i prodotti durante il loro ciclo di vita. Sono proprio le specifiche caratteristiche dell’interazione con gli ambienti digitali (tipo di coinvolgimento nel processo d’acquisto e grado di differenziazione percepito), infatti, ad agevolare il raggiungimento di una condizione emotiva che porta con maggiore facilità alla fedeltà e lealtà dei clienti/utenti.

CONCLUSIONI

Con il presente lavoro abbiamo voluto dare un contributo allo studio sulle possi- bilità di reinterpretazione dei concetti di segmentazione, loyalty e personalizzazio- ne, in termini operativamente utili ai progettisti informatici.

In particolare, abbiamo visto come la considerazione della segmentazione come euristica di ottimizzazione renda possibile il collegamento tra i criteri decisionali del management d’impresa e gli algoritmi di data mining usati per segmentare, valu- tando l’efficacia d’utilizzo delle variabili non osservabili. E’ stato poi evidenziato co- me la misurazione di tali variabili, e in generale di costrutti astratti quali soddisfa- zione, fedeltà, fiducia e lealtà, rappresenti un’operazione complessa che può trarre vantaggi dall’utilizzo di modelli sofisticati come quello di customer equity qui pre- sentato. La nostra esplorazione ha evidenziato l’importanza di individuare le varia- bili, da memorizzare sui data warehouse dei clienti, che rappresentano una leva strategica al fine di ottenere un vantaggio competitivo, muovendo dalla considera- zione di alcuni importanti indici aziendali e dai dati estratti durante il processo di customer marketing, opportunamente rielaborati con tecniche di data mining. E’ altresì emerso come, nell’era della customerization, marketing one to one e seg- mentazione come concetto di ottimizzazione possano essere visti come due concetti non incompatibili, date le potenzialità offerte dalla rete. Ormai, infatti, è possibile passare dalla personalizzazione di massa al reverse marketing, con aumento delle potenzialità e dell’autonomia del cliente, in uno scenario in cui sistemi di raccoman- dazione automatica rappresentano uno degli elementi con maggiori potenzialità di crescita.

In conclusione, riteniamo che questa indagine potrà facilitare il lavoro di coloro che implementano i sistemi informativi di marketing che incorporano i suddetti tre concetti fondamentali nel marketing dell’era digitale.

Le considerazioni interdisciplinari emerse da questo lavoro, coerentemente con il pensiero da cui partono i contenuti della tesi stessa, rappresentano, in ogni caso, solo un piccolo contributo ad un complesso ambito di analisi riguardanti problemati- che ancora molto aperte, e in cui la ricerca sta lavorando attivamente da anni, su tutti i versanti.