1
UNIVERSITÀ DI PISA Dipartimento di Informatica
Corso di Laurea Magistrale in Informatica per l’economia e per l’azienda (Business Informatics)
TESI DI LAUREA
PROGETTAZIONE E IMPLEMENTAZIONE DI UNA SOLUZIONE DI
ADVANCED MARKETING AUTOMATION
RELATORE / TUTORE: CANDIDATO:
Prof. MIRCO NANNI GIACINTO TRAFFICANTE Dott. MARIO DANZO
CONTRORELATORE: Prof. FRANCESCA LEVI
2
Abstract
Come si possono superare costantemente i propri obiettivi di redditività e la concorrenza? In prima lettura non sembra complicato: basta comprendere i propri clienti in maniera più efficace e migliore possibile rispetto agli altri. In tal senso è possibile utilizzare la conoscenza acquisita per realizzare target1 efficientemente.
Sfortunatamente non è così semplice: mentre le informazioni sui clienti sono abbondanti, una customer intelligence2 azionabile rimane spesso inarrivabile. I dati dei clienti vengono trasmessi su ogni tipo di canale concepibile. Assemblare un quadro coerente di clienti, da tutti quei pezzi di puzzle, ossia un'immagine su cui si può costruire con fiducia una strategia di marketing3 redditizia, può essere una sfida interessante. Per affrontare tale sfida, le soluzioni del marketing automation, devono fornire tre funzioni chiave:
• Campaign e Customer Analysis • Campaign Management
• Ottica consolidata dei clienti per mezzo del data warehousing
La generazione più avanzata della tecnologia di marketing automation, combina queste funzionalità in modo da produrre un ambiente centralizzato e pienamente integrato, per le prestazioni di marketing.
1 Target: nel linguaggio commerciale si intende la fascia dei potenziali acquirenti di un prodotto, o dei fruitori di
un messaggio pubblicitario.
2 Customer Intelligence: branca della business intelligence dedicata alle attività commerciali che analizza il
comportamento della clientela al fine di comprenderne meglio le abitudini d'acquisto.
3 Marketing: insieme di tecniche intese a porre merci e servizi a disposizione del consumatore e dell'utente in un
dato mercato nel tempo, luogo e modo più adatti, ai costi più bassi per il consumatore e nello stesso tempo remunerativi per l'impresa.
3
Riassunto
L’obiettivo dell’attività, svolta presso l’azienda Value Lab S.p.a, è la realizzazione di un sistema di marketing automation che permetta all’azienda committente (Alfa) di monitorare in modo strutturato la Customer Experience dei propri clienti lungo l’intera Customer Journey. Il lavoro è introdotto con una presentazione della storia del marketing automation nelle sue differenti generazioni. Successivamente vengono descritti gli strumenti utilizzati per progettare ed implementare un sistema di Campaing Management destinato alla creazione di campagne commerciali richieste dal cliente, le personalizzazioni attuate dall’autore e le integrazioni con altri sistemi per abilitare l’invio delle comunicazioni. Altresì viene descritto come si è reso necessario interagire con aree aziendali, differenti rispetto a quelle di appartenenza, per acquisire una base di dati idonea alle attività prefissate.
4
Introduzione e Strutturazione Capitoli
Molti uffici marketing devono automatizzare tasks ripetitivi come azioni mail, social media ed altre azioni sui siti web. La tecnologia di marketing automation rende più facile l’esecuzione di tali tasks. Si è confidenti ad indentificare con il termine marketing automation, un software che esiste per portare a termine le azioni di marketing.
L’automazione del marketing allude solo ad un membro di una più grande equazione. Le soluzioni avanzate di marketing automation, riferiscono più che ad una semplice automazione; supportano i processi operazionali ed analitici che costruiscono il valore di business. Come? Tali tecnologie riescono ad unificare molteplici sistemi interni di un’organizzazione in una strategia di customer intelligence.
L’obiettivo di tesi consiste nell'implementare un sistema di marketing automation in grado di pianificare, gestire e monitorare in modo strutturato la Customer Experience4 nei diversi touch points, in sostanza lungo l’intera customer journey5; con particolare attenzione ai seguenti punti:
• Definizione Infrastruttura Tecnologica • Definizione Campagne Marketing • Definizione Componenti Applicative • Definizione Integrazione Canale SMS/DEM
Al fine di compiere ciò di cui sopra, si ringrazia Value Lab S.p.a. che ha messo a disposizione del sottoscritto tutti gli strumenti necessari per disporre di un ambiente completo per la gestione efficiente del sistema di marketing automation. Attraverso il tool SAS Marketing Automation adoperato in azienda, si è avuta la possibilità di ottimizzare la customer satisfaction ed incrementare il valore per gli stackeholders6. Tale tecnologia fornisce un approccio integrato per supportare la “targetizzazione” dei clienti, per mezzo di un’ambiente grafico user-friendly. La soluzione proposta, non solo gestisce la customer analysis ed il campaign management7, ma combina il data warehousing ed il data mining con i campaign management tools dell’attuate stato dell’arte.
Il titolo di tesi suggerisce che sia stato realizzato un progetto per un caso reale, concreto: l’azienda sede del progetto formativo è stata scelta dall’azienda Alfa8 come partner di progetto per la realizzazione di un sistema di Customer Experience Management9.
4 Customer Experience: conseguenza cognitiva e affettiva dell'esposizione e interazione del cliente con persone,
processi, tecnologie, prodotti, servizi o altri output di un'azienda.
5 Customer Journey: l'itinerario che il cliente percorre quando instaura una relazione con un'impresa nel tempo e
nei diversi “ambienti” di contatto, siano essi offline che online. Rappresenta la “storia del legame” cliente-azienda.
6 Stackeholders: ciascuno dei soggetti direttamente o indirettamente coinvolti in un progetto o nell'attività di
un'azienda.
7 Campaign Management: riguarda il planning, l’esecuzione, il tracciamento e l’analisi delle campagne di
marleting.
8 Alfa: nickname associato al reale nome dell’azienda partner.
9 Customer Experience Management: disciplina che si prefigge di comprendere e ottimizzare l’esperienza della
5
Il progetto realizzato per Alfa ricoprirà il ruolo di caso di studio della tesi.
La struttura dei capitoli, così come i contenuti intrinsechi, rispettano il processo di crescita del progetto formativo nelle sue fasi salienti.
Al fine di fornire un punto di partenza al lettore e alla commissione di laurea, il primo capitolo (MARKETING AUTOMATION OVERVIEW) tratterà l’evoluzione del marketing automation nel corso degli ultimi 50 anni e di come le tecnologie informative siano risultate fondamentali per la sua espansione.
La sezione successiva (CASO DI STUDIO) ha lo scopo di illustrare l’analisi requisiti iniziale e la progettazione concettuale alla base del lavoro svolto per il cliente Alfa. Nello specifico verrà descritto come l’autore della tesi abbia avuto bisogno di interagire con altre aree aziendali per acquisire una base di dati idonea alle attività prefissate.
Il terzo capitolo, intitolato AMBIENTE DI SVILUPPO, mostra inizialmente le basi implementative che l’autore ha dovuto impostare per utilizzare il tool SAS Marketing Automation. Successivamente verranno descritte le attività autonome apportate sull’ambiente di sviluppo per disegnare le campagne start richieste dal cliente.
L’ultimo capitolo (INTEGRAZIONE PROVIDER EMAIL/SMS) riguarderà il processo di integrazione con il provider MailUp, che si occuperà di contattare, per mezzo dell’opportuno canale di comunicazione, i clienti estratti dalle campagne. In particolare verrà riportata un’analisi tecnica delle specifiche fasi coinvolte.
Verranno fornite altresì le considerazioni finali dell’autore sul percorso conseguito e su eventuali sviluppi.
6
Indice
ABSTRACT ... 2
RIASSUNTO ... 3
INTRODUZIONE E STRUTTURAZIONE CAPITOLI ... 4
1. MARKETING AUTOMATION OVERVIEW ... 10
1.1 Challenges del nuovo millennio ... 10
1.2 L’evoluzione della analytic-based marketing automation ... 11
1.3 Le tre key-functions del marketing automation ... 13
1.4 Le quattro fasi dell’intelligence-based marketing automation ... 14
1.4.1. Pianificare le iniziative di marketing più efficaci ... 14
1.4.2. Destinare attività di campagne a segmenti specifici del cliente ... 15
1.4.3. Agire sui piani di marketing con massima efficienza operativa ... 16
1.4.4. Apprendere dalla campaign experience ... 17
1.5 Tecnologie che abilitano il marketing automation ... 18
1.5.1 Dwh centralizzato per supportare una visione centrata sul cliente ... 18
1.5.2 Analiytics per la customer-intelligence ... 19
2. CASO DI STUDIO ... 21
2.1 Azienda sviluppatrice (Value Lab S.p.a) ... 21
2.2 Analisi dei requisiti e progettazione concettuale ... 23
2.3 Sorgenti dati ... 25
2.4 Modello logico di riferimento... 27
2.4.1 KPI ... 31
2.4.2 Processi ETL ... 33
2.5 I livelli del marketing DWH ... 36
2.6 Approccio progettuale ed obiettivi del marketing automation ... 38
2.6.1 Contact Strategy ... 40
2.6.2 Processi del campaign management e abilitatori tecnologici ... 42
2.6.3 Campagne start per Alfa ... 43
3. AMBIENTE DI SVILUPPO ... 46
3.1 Sas Marketing Automation overview ... 46
3.1.1 User interface ... 46
3.1.2 Nodi custom ... 48
3.2 Sas Information Map ... 53
7
3.4 Configurazione campagne per Alfa ... 58
4. INTEGRAZIONE PROVIDER EMAIL/SMS ... 66
4.1 Architettura del processo ... 66
4.2 Integrazione Email ... 68 4.3 Integrazione SMS ... 73 4.4 Acquisizione Feedback ... 76 4.5 Analisi post-Campaign ... 81 CONSIDERAZIONI FINALI ... 82 SITOGRAFIA ... 83 RINGRAZIAMENTI ... 84
8
Elenco delle figure
Figura 1: Le quattro fasi del marketing automation ... 14
Figura 2: Architettura marketing dwh e applicazioni ... 24
Figura 3: Modello logico dwh cliente-centrico ... 27
Figura 4: Schema relazionale dwh ... 31
Figura 5: Livelli ETL ... 33
Figura 6: I livelli del marketing DWH ... 37
Figura 7: Fasi progettuali ... 39
Figura 8: Calendari comunicazione ... 40
Figura 9: Segmenti ai quali comunicazione ... 40
Figura 10: Oggetto della comunicazione ... 41
Figura 11: Canali di comunicazione ... 41
Figura 12: Fasi del Campaign Management per Alfa ... 42
Figura 13: Kpi per i differenti segmenti ... 43
Figura 14: Campagna di benvenuto ... 44
Figura 15: Campagna anniversario primo acquisto ... 44
Figura 16: Campagna buon compleanno ... 45
Figura 17: Interfaccia utente ... 47
Figura 18: Designer workspace ... 47
Figura 19: Tab control group ... 48
Figura 20: Diagramma campagna ... 48
Figura 21: Esempio di flusso per comunicazione email ... 49
Figura 22: Selezione modalità di esecuzione ... 49
Figura 23: Selezione dei seeds... 50
Figura 24: Configurazione parametri email ... 50
Figura 25: Data spedizione ... 51
Figura 26: Esempio di flusso per comunicazione sms ... 51
Figura 27: Parametri nodo prepare_sms... 52
Figura 28: Selezione data item sul soggetto cliente ... 53
Figura 29: Cambiare il soggetto di analisi ... 53
Figura 30: Selezione data item sul soggetto cliente da ordine ... 54
Figura 31: Infomap creato per alfa ... 55
Figura 32: Relazione tra le tabelle dell’infomap ... 55
Figura 33: Esempio di selezione tra data item relativi a differenti soggetti di analisi ... 56
Figura 34: Codice generato dal nodo dopo la sua esecuzione ... 56
Figura 35: Relazioni tra le tabelle del cdm ... 57
Figura 36: Cronologia esecuzione campagna ... 58
Figura 37: Specifiche campagna di benvenuto ... 59
Figura 38: Estratto flusso Contact_Policy ... 59
Figura 39: Estrazione clienti contattabili per direct mail ... 60
Figura 40: Flusso campagna benvenuto nuovo cliente ... 61
Figura 41: Flusso campagna benvenuto nuovo prospect ... 62
Figura 42: Specifiche campagna anniversario ... 62
Figura 43: Flusso campagna anniversario primo acquisto senza ritorno ... 63
9
Figura 45: Flusso campagna anniversario primo acquisto con ritorno ... 64
Figura 46: Specifiche campagna buon compleanno ... 64
Figura 47: Flusso campagna buon compleanno ... 65
Figura 48: Processo di integrazione email tra i sistemi ... 67
Figura 49: Nodo Prepare_Email_integrazione_MailUp... 69
Figura 50: Esempio di valorizzazione settings.xml ... 71
Figura 51: Processo di integrazione sms tra i sistemi ... 73
Figura 52: Nodo Prepare_SMS ... 74
Elenco delle tabelle
Tabella 1: Anagrafica campagne ... 29Tabella 2: Cell_packages... 29
Tabella 3: Contact_history... 29
Tabella 4: Response_history ... 30
Tabella 5: Feedback campagne ... 30
Tabella 6: Kpi ordini ... 32
Tabella 7: Kpi prodotti ... 32
Tabella 8: Kpi campagne ... 32
Tabella 9: Tracciato email ... 51
Tabella 10: Tracciato sms ... 52
Tabella 11: Task e owner - integrazione email ... 67
Tabella 12: Campi per output GetNewsletters... 68
Tabella 13: Campi settings.xml ... 71
Tabella 14: Tracciato recipient.csv – integrazione email ... 72
Tabella 15: Campi email_escluse_invio ... 72
Tabella 16: Task e owner – integrazione sms ... 74
Tabella 17: Tracciato recipient.csv – integrazione sms ... 75
Tabella 18: Campi feedback - integrazione email ... 77
Tabella 19: Opzioni per campo bounce ... 77
Tabella 20: Campi unsub – integrazione email ... 78
Tabella 21: Opzioni campo type ... 78
Tabella 22: Specifiche contatto – integrazione sms ... 79
Tabella 23: Campi unsub – integrazione sms ... 79
10
1. MARKETING AUTOMATION OVERVIEW
Il capitolo ha lo scopo di illustrare al lettore come le strategie di marketing siano evolute nel corso del tempo e con esse le strutture (informatiche), al fine di raggiungere le aspettative prefissate. Le informazioni riportate prendono spunto da una duplice fonte:
1. Advanced Marketing Automation (Maximizing Campaign Returns through Customer Intelligence).
2. SAS Marketing Automation.
I riferimenti sono disponibili nella sezione relativa alla sitografia.
1.1 Challenges del nuovo millennio
Nell’era del “community general store10”, i negozianti hanno goduto di un rapporto offerta-risposta molto favorevole, grazie alla conoscenza personale della clientela. Hanno avuto la possibilità di mettere a punto le loro offerte per creare quella più interessante al giusto prezzo, nel momento adatto. Hanno effettuato anche acquisti complementari, basati sulla conoscenza personale del negoziante circa la propensione del cliente all’acquisto, in un momento di necessità.
Tale visione centrata sul cliente è diventata logicamente inaffidabile o impossibile nell'era del “marketing globale di massa11” e particolarmente difficile per i marketers12 che raggiungono i clienti attraverso i canali remoti.
Tuttavia, i clienti si aspettano ancora di essere trattati personalmente, immediatamente e in modo coerente. Con la proliferazione delle scelte rese possibili dalle tecniche di marketing remoto e online (catalogo, posta diretta, web, ecc.), i clienti sono più autorizzati e meno fedeli che mai. Se le loro aspettative non sono soddisfatte, possono “fare click” sul concorrente con facilità, oppure effettuare una chiamata gratuita al marketer il cui nuovo catalogo è arrivato nella cassetta postale nella settimana corrente.
Tale scenario ha rivolto agli analisti di mercato alcune sfide interessanti:
• Proliferazione dei punti di contatto del cliente. Cinque anni fa, il marketing ha interagito con i clienti principalmente attraverso tre canali: call center, posta diretta e face-to-face. Oggi anche i rivenditori di piccole o medie dimensioni raggiungono i clienti attraverso decine di canali come e-mail, fax, pagine, internet, fiere, rivenditori a valore aggiunto, distributori e altro ancora.
10 Community General Store: un complesso di negozi al dettaglio situati in piccole o rurale comunità che vanta
un'ampia varietà di merci, ma non è diviso in dipartimenti.
11 Marketing Globale di Massa: si intende l’attuazione di una strategia unica con cui si intende soddisfare tutto il
mercato o gran parte di esso.
11
Come possono i marketers raccogliere una visione coerente del cliente che attraversa tutti questi punti di contatto, personalizzando la prospettiva anche per lo stesso?
• Elevate aspettative per campagne di marketing. Non è raro che le aziende programmino fino a 3.000 campagne in un solo anno, chiaramente un impegno significativo. Anche le più grandi aziende non possono permettersi di stampare per il mondo tutti i loro cataloghi lucidi a meno di prospettive rassicuranti. Le frequenze delle campagne sono più alte che mai, così come l'aspettativa per il ritorno sugli investimenti. Come possono gli analisti di mercato essere sicuri di aver puntato con precisione il giusto target con l'offerta migliore nel momento più opportuno?
• Velocità di risposta sul web. “Attraverso l’accesso ad una vasta gamma di informazioni sul web, il cliente che vede un annuncio può chiedere dettagli, passare a qualcos’altro, oppure controllare la concorrenza in un solo click” afferma Quaero Research nella relazione “Campaign Management Marketplace” (2001). L’obiettivo è capire come i marketers possono interagire sul web in modo efficiente con i clienti, in real time.
• Rapida crescita dei dati aziendali. I sistemi aziendali eliminano gigabyte di dati sui clienti e campagne, sia online che offline; soltanto poche imprese sono in grado di assemblare tali informazioni in un quadro coerente, in grado di supportare un processo decisionale intelligente. Gli analisti necessitano di un modo per accedere, consolidare e pulire tutti i dati disponibili sui clienti, al fine di creare una base completa per ottenere la migliore customer intelligence.
Con l’aumento delle aspettative dei clienti e la richiesta di una corrispondenza esatta verso i loro requisiti, è sempre più importante non solo raggiungerlo ma anche capire il cliente e agire di conseguenza.
1.2 L’evoluzione della analytic-based marketing automation
I professionisti di marketing hanno realizzato da tempo che si può sfruttare la tecnologia informatica per affrontare le suddette sfide e compiere un lavoro migliore con le campagne di marketing.
Negli anni '60, i computer hanno messo a disposizione della commercializzazione di massa, tecniche di direct marketing (segmentazione zip-code, fusione e separazione files). Nella decade successiva, i statistici hanno iniziato ad usare applicazioni analitiche come test sulle liste ed ulteriori segmentazioni. Gli anni ’80 hanno apportato un miglioramento nel database di marketing attraverso la creazione di campagne mirate, supportate da analisi sulla popolazione e database relazionali. I dieci anni seguenti hanno visto nascere l’era del marketing relazionale (chiamato anche marketing one-to-one), basato sulla premessa che le relazioni con i clienti e il
12
profitto, aumentano attraverso la condivisione di informazioni e prodotti in base alle esigenze individuali.
In quattro decenni si è assistito ad un passaggio fondamentale: dal “marketing di massa”, che spinge verso l’offerta maggiore possibile dei prodotti “verso il mondo”, ad un “marketing relazionale” che si rivolge verso specifici target al fine di individuare nicchie distinte di clienti con peculiari esigenze da soddisfare.
I sistemi di automazione del marketing hanno intrapreso la suddetta direzione: come si è evoluta la “disciplina del marketing”, l’implementazione del marketing automation è progredita nel tempo attraverso le diverse generazioni.
La prima generazione dell’automazione del marketing, nata negli anni ’60 ma non completamente accettata fino alla fine degli anni ’90, ha utilizzato la tecnologia informatica per automatizzare le attività operative associate a campagne di marketing: aggregazione di elenchi di contatti, generazione di lettere dirette di marketing e così via. Questi prodotti hanno permesso al marketing di segmentare e raggiungere i clienti in modo più efficiente.
Tale generazione di soluzioni operative, basate solitamente su database proprietari e sistemi autonomi, ha migliorato l'efficacia di campagne semplici con tempi di svolgimento di diversi mesi.
La seconda generazione di marketing automation ha introdotto una “messa a fuoco” più olistica e cross-funzionale, considerando la gestione della campagna contestualmente ai processi aziendali complessivi. Le soluzioni software si sono spostate da database proprietari a sistemi aperti, con particolare attenzione alla scalabilità e l’automatizzazione dei processi delle campagne orientate al prodotto, per una comunicazione più efficiente e tempestiva.
Ciò ha ridotto la dipendenza del dipartimento marketing verso l’IT, supportato più veloci cicli di svolta delle campagne e progredito nell'integrazione dei canali di vendita e di servizio in tutti i punti di contatto.
I sistemi di automazione delle prime due generazioni predominano ancora nei giorni attuali, anche se il mercato in continua evoluzione richiede più qulcosa in più dei sistemi “task-oriented”13. Per tale motivo, la terza era ha richiesto un ulteriore passo in avanti:
• Supportare una visione centrata sul cliente, per fornire un’ottica consistente e coerente del cliente su tutti i punti di contatto.
• Integrare l'automazione delle vendite e i sistemi call center verso i canali elettronici. • Storicizzare le prestazioni delle campagne.
La quarta generazione emergente è la base fondamentale per l'ambiente di merchandising attuale, con aspettative più elevate, pressioni per una più rapida svolta a costi inferiori e finestre più strette di opportunità:
• Analisi avanzate per trasformare i dati aziendali in customer intelligence, in tempo reale. • Ottimizzazione di ogni contatto verso il cliente, sfruttando le promozioni e i canali di
contatto per soddisfare al meglio le sue aspettative.
13
• Consentire un marketing opportunistico, rispondendo a segnali che indicano una modifica nello stato del consumatore derivato da demografica o analisi.
• Promuovere una maggiore fedeltà a lungo termine attraverso la costruzione di relazioni. • Massimizzare la durata di vita del valore del cliente attraverso la vendita cross-selling14
e up-selling15.
• Aumentare il tasso di rendimento delle iniziative di marketing, puntando il giusto cliente con il messaggio più adatto nel momento più opportuno tramite i media appropriati. Il prossimo paragrafo spiega come l'automazione di quarta generazione supporti un completo processo di marketing a ciclo chiuso, che sfrutti la customer-intelligence per trasformare il marketing da una funzione operativa automatizzata in una funzione di gestione delle relazioni, basata su un’intelligenza più redditizia.
1.3 Le tre key-functions del marketing automation
La generazione più avanzata della tecnologia di marketing automation, combina 3 funzioni chiave in modo da produrre un ambiente centralizzato e pienamente integrato per le prestazioni di marketing:
• Campaign e customer analysis
Una soluzione completa di marketing automation fornisce strumenti quantitativi per analizzare i clienti, le prospettive e sostenere la creazione delle offerte più adatte. I sistemi avanzati offrono anche analisi e modellazioni statistiche per definire strettamente i mercati di destinazione e migliorare continuamente attraverso il marketing "closed loop", in cui il sistema impara automaticamente dalle informazioni raccolte dalle campagne precedenti.
• Campaign management
Al centro di qualsiasi soluzione di automazione di marketing, vi è la capacità di automatizzare in modo efficace processi essenziali delle campagne promozionali, tra cui la gestione di tutte le comunicazioni con i clienti in più canali, il monitoraggio delle risposte, il consolidamento ed il reporting dei risultati.
• Ottica consolidata dei clienti per mezzo del data warehousing
Tali funzioni di analisi e automazione delle campagne, si basano su un data warehouse centrato sul cliente, che trae i dati dei clienti da tutti i sistemi di back office16 adeguati, i canali e i dati di terze parti. Il data warehouse supporta una visione cross-funzionale orientata al cliente, per la creazione di campagne realmente efficaci.
14 Corss-Selling: tecnica di vendita che consiste nell'aumentare il valore dello scambio mettendo a disposizione
prodotti o servizi in qualche modo collegati con la scelta d'acquisto iniziale, rendendola più completa.
15 Up-Selling: tecnica di vendita che mira ad offrire al consumatore qualcosa di maggior valore rispetto alla sua
scelta d'acquisto iniziale.
16 Back Office: è tutto ciò che il cliente (o l'utente) non vede, ma che consente la realizzazione dei prodotti o dei
14
I marketers possono sfruttare l'ampiezza di questa funzionalità per massimizzare i rendimenti delle campagne, attraverso le quattro fasi essenziali di un processo di marketing disciplinato: plan, target, act e learn.
1.4 Le quattro fasi dell’intelligence-based marketing automation
Dato che le grandi organizzazioni pianificano centinaia di campagne diverse in un solo anno, gli analisti di mercato devono massimizzare ed ottimizzare i risultati di performance in ogni fase del processo.
Il marketing sistematico e redditizio comprende quattro fasi chiave:
• Pianificare le offerte e le strategie più efficaci della campagna di marketing.
• “Targetizzare” attività di campaign a settori di mercato ben definiti con elevate propensioni all’acquisto.
• Eseguire piani con strumenti automatizzati di gestione delle campagne. Ad esempio moduli per estrarre elenchi, generare materiali personalizzati per posta elettronica e direct mail e tracciare i risultati.
• Apprendere dalla campaign experience attraverso la misurazione dei risultati della campagna e alimentare automaticamente l'intelligenza nel sistema per ottimizzare le campagne future.
FIGURA 1: LE QUATTRO FASI DEL MARKETING AUTOMATION
1.4.1. Pianificare le iniziative di marketing più efficaci
Il primo compito del marketing è quello di pianificare offerte e strategie di campagne efficaci, in linea con gli obiettivi aziendali complessivi. A tal fine, si ha bisogno di una chiara immagine dei problemi aziendali in gioco.
15
Qual è il valore immediato e a lungo termine di ogni cliente/segmento?
Quali offerte dovrebbero essere incluse nella campagna? Come dovrebbero essere trasmesse le offerte? Quali metodi di comunicazione funzionano meglio per questa campagna? A che costo? La fase di pianificazione è anche quella in cui la strategia aziendale si fonde con i contenuti di marketing. Tale processo di pianificazione deve essere inquadrato all'interno di una visione strategica aziendale. Non è sufficiente gestire le unità funzionali nei confronti dei singoli successi e aspettarsi che i loro meriti scaturiscano attraverso l'organizzazione: la gestione dovrebbe stabilire obiettivi a livello di organizzazione basate su metriche a livello di organizzazione.
L'automazione di marketing di quarta generazione sostiene questa prospettiva olistica, che consente di pianificare strategie e operazioni di campagna complesse, nel contesto degli obiettivi aziendali. Una componente fondamentale è l’accesso diretto ad un repository centrale di dati, che contiene tutte le informazioni sulla validità e aggiornamento della campagna e del cliente. Un sistema simile incorpora questa conoscenza per rendere le campagne più personali, rilevanti ed efficaci; altresì integra i dati di riferimento delle campagne precedenti per aiutare a misurare i costi e anticipare i risultati.
1.4.2. Destinare attività di campagne a segmenti specifici del cliente
Il targeting 17è fondamentale per un'efficace gestione dei rapporti con i clienti, non solo per migliorare le possibilità di raggiungere clienti di alto valore, ma per assicurare di non perdere risorse limitate nel tentativo di vendere alle persone errate. Per anticipare le esigenze dei consumatori, migliorare la conservazione dei clienti e individuare opportunità di cross-sell e up-sell, i marketers devono capire le caratteristiche uniche di ogni segmento di mercato (in un mercato sempre più frammentato).
La fase di targeting richiede di rispondere a quesiti quali: • Come si dovrebbero definire i segmenti dei clienti? • Come si spostano i clienti tra i vari segmenti nel tempo? • Quali clienti hanno più probabilità di lasciare i segmenti? Un targeting efficace permette di:
• Aumentare la retention18 del cliente individuando i clienti "a rischio" e implementando programmi mirati di fedeltà.
• Rafforzare le campagne di marketing per individuare clienti con una maggiore propensione ad acquistare.
17 Targeting: descrive il processo che porta l'impresa ad individuare i segmenti obiettivo verso i quali orientare le
strategie di marketing.
18 Retention: nel marketing viene spesso riferito all'abilità dell'impresa nel mantenere i propri clienti (customer
16
• Quantificare i cambiamenti nel comportamento, prevedere il valore a lungo termine e identificare le prime opportunità di cross-sell e up-sell.
Un prerequisito per un targeting efficace è una comprensione più completa dei clienti, che può essere ottenuta attraverso tecniche come la profilazione dei clienti, analisi della redditività, analisi churn19/retention e analisi del comportamento. L'automazione di marketing di quarta generazione integra dinamicamente capacità sofisticate di estrazione ed analisi dei dati nella funzione di targeting.
Il data mining provoca un enorme impatto in tal senso, in quanto trasforma i dati in informazioni predittive, informazioni in conoscenza e conoscenza in un valore aziendale maggiore. Con analisi avanzate si possono segmentare ancor meglio i clienti per campagne più mirate.
1.4.3. Agire sui piani di marketing con massima efficienza operativa
Gli strumenti automatizzati di campaign management semplificano i processi di contatto dei clienti da parte di una campagna, inclusi creazione di gruppi di controllo, pianificazione delle attività della campagna e tracciamento dei risultati. Anche i sistemi di automazione di marketing di seconda generazione gestiscono suddetti compiti.
La quarta generazione del marketing automation, migliora notevolmente l'efficacia operativa, introducendo un ulteriore livello di intelligenza ai compiti essenziali della gestione delle campagne, delle comunicazioni e delle segnalazioni.
Una componente di campaign management dovrebbe fornire:
• Priorità e pianificazione integrata per campagne complesse e multicanale.
• Selezione efficiente e filtraggio di elenchi di contatti interni per produrre liste di destinazione pulite e non duplicate, senza affidarsi al gruppo IT.
• Coordinamento e ottimizzazione delle comunicazioni in uscita e in entrata su più canali. • Capacità di creare, consegnare e monitorare campagne di marketing personalizzate
basate su una comprensione approfondita del cliente.
• Gestione dinamica delle risposte, per aggiornare automaticamente la cronologia dei contatti con i clienti, il monitoraggio delle reazioni e i processi analitici.
• Monitoraggio di risposte "hard" (decisioni di acquisto) e risposte "soft" (sottili cambiamenti o tendenze nel comportamento dell'utente), registrate tramite canali convenzionali o e-media.
• Aggiornamenti automatici sul data warehouse della storia dei contatti dei clienti, dei feedback e dei risultati analitici.
19 Analisi Churn: analisi previsionale che consente di individuare i clienti che presentano una maggiore probabilità
17
1.4.4. Apprendere dalla campaign experience
Ottenere una conoscenza dettagliata del cliente ed integrarlo in future campagne di marketing sono eventi differenti. Si deve essere in grado di misurare l'efficacia di una campagna in base ad obiettivi stabiliti nella fase di pianificazione, ed utilizzare le suddette informazioni per migliorare le campagne future.
I clienti hanno risposto e, in caso affermativo, come hanno risposto? Tali indicazioni sono fondamentali per monitorare e incorporare nuovamente il data warehouse dei clienti.
Attraverso tale processo di autoapprendimento, si ottiene un quadro sempre più accurato delle esigenze del target, portando alla realizzazione di campagne più efficaci nel tempo.
Le soluzioni avanzate di automazione di marketing consentono di monitorare tutte le risposte dei clienti tramite un database centrale, per misurare la risposta a ciascuna campagna di marketing e migliorare ulteriormente le prestazioni successive. È inoltre possibile creare gruppi di controllo multipli per fornire linee base su cui misurare i tassi di risposta.
Idealmente, è possibile importare direttamente e automaticamente le risposte dai canali di comunicazione in entrata in una tabella di risposta, ad esempio la registrazione automatica di tutte le risposte "click-to-buy" ad un'offerta di posta elettronica. Non tutte le comunicazioni producono, o addirittura richiedono, una risposta diretta. Ad esempio, una campagna che mira a modificare i modelli di spesa o di salvataggio dei clienti, non può richiedere alcuna comunicazione in ingresso dal cliente e nessuna decisione di acquisto esplicita. Il successo della campagna potrebbe essere misurato non nelle chiamate telefoniche o nelle carte restituite, ma nei cambiamenti nei modelli di transazione del gruppo di destinazione. Monitorando tali risposte, le soluzioni di marketing automation di quarta generazione, possono aiutare a individuare le tendenze che sono facili da perdere quando non esiste un feedback diretto da misurare.
La capacità di apprendimento consente di raggiungere ben oltre che le reazioni del cliente a campagne specifiche. Con la giusta tecnologia, si possono analizzare i dati storici dei clienti, i dati acquisiti dagli stessi, i dati sulle transazioni e i dati di vendita da ogni canale. È possibile utilizzare queste informazioni per comprendere meglio i driver della redditività del cliente, creare modelli predittivi accurati del comportamento dei clienti e implementare la campagna più mirata e redditizia per la volta successiva.
Una simile conoscenza del cliente, permette di sviluppare strategie di marketing efficaci e di reindirizzare risorse di marketing costose verso i segmenti più vantaggiosi dei clienti. Ognuna di queste fasi è parte integrante della catena di valore del marketing automation:
• Una volta appresa la base clienti, è possibile segmentare gli stessi in gruppi a cui è possibile arrivare con attività personalizzate e di marketing.
• Per mezzo degli analytics, è possibile quantificare i cambiamenti nel comportamento, predire il valore a lungo termine e individuare le prime opportunità di cross-sell e up-sell.
18
• La customer intelligence dei clienti costituisce una base per campagne di mercato altamente mirate, oltre ad automatizzare e semplificare l'implementazione per campagne complesse e multicanale.
• Acquisire le risposte e le tendenze da campagne di marketing, permette di ricaricarle nel sistema per ottimizzare l'efficacia.
Il rendimento dei relativi investimenti tecnologici è significativo: tempi di ciclo di marketing più brevi, maggiori probabilità di ottenere il messaggio da indirizzare ai clienti in anticipo rispetto alla concorrenza, riduzione dei costi e un aumento del ritorno sugli investimenti come risultato di ciascuna campagna.
I feedback ottenuti assieme ai rendimenti raggiunti, dovrebbero essere applicati alle campagne future.
1.5 Tecnologie che abilitano il marketing automation
Le fasi essenziali dell'automazione di marketing descritte in precedenza (pianificazione, target, messa in atto e apprendimento), hanno bisogno più di quanto possono offrire le soluzioni software della prima e seconda generazione.
Le soluzioni di terza generazione iniziano a colmare le lacune critiche, automatizzando funzioni in più canali di contatto dei clienti e fornendo una certa capacità di self-learning. Le soluzioni di quarta generazione, come SAS Marketing Automation, integrano una potente funzionalità di gestione delle campagne con:
• Un data warehouse centralizzato per supportare una visione centrata sul cliente. • Analitiche leader nel settore per trarre ed applicare la customer-intelligence.
1.5.1 Dwh centralizzato per supportare una visione centrata sul cliente
Non importa quanto sia grande il mercato di riferimento: è composto da individui, con caratteristiche e preferenze individuali. Pertanto, la chiave per un efficace marketing di massa non è quella di trattare il mercato di riferimento come una massa: più approfondita è l’intelligenza sui singoli clienti, maggiore è l'efficacia dei sforzi di marketing.
Ma cosa accade se si ha bisogno di interagire con milioni di clienti? La risposta è quella di abbracciare una visione cliente-centrica orientata all’azienda. Dal punto di vista organizzativo, ciò significa che si devono allineare i comportamenti di vendita e di servizio con i rapporti verso i clienti, invece che a strutture o prodotti organizzativi specifici.
In una soluzione di automazione di marketing basata sulla customer intelligence, è possibile integrare le informazioni sui clienti dall'organizzazione, così come da partner ed altre fonti esterne, per sviluppare una visione completa del comportamento dei clienti. Solo con una visione unificata è possibile identificare e differenziare con precisione le esigenze dei clienti,
19
definire campagne di marketing basate su tali esigenze e massimizzare il ritorno sugli investimenti da iniziative di marketing.
Necessita un data warehouse multidimensionale che funge da memoria centrale collettiva dei clienti dell'organizzazione. Utilizzando tale tecnologia si può offrire una visione panoramica del cliente che incorpora dati precedenti, dati sulle transazioni, informazioni sulle preferenze e dati provenienti da qualsiasi fonte che aiuti a descrivere i clienti e i loro attributi. Tecnicamente un DWH:
• Fornisce una struttura aperta che funziona con qualsiasi ambiente di database esistente, per massimizzare la flessibilità e ridurre i costi.
• Integra l'input di più sistemi di punti di contatto, ad esempio i dati click-stream20 del commercio Web, della vendita al dettaglio e dei sistemi di vendita sul campo e dei call center.
• Peremette l’integrazione con i sistemi di back-office, quali sistemi di manutenzione dell'account e sistemi di inventario.
• Integra dati di terze parti.
• Esegue la pulizia dei dati, la convalida, la deduplicazione, le funzioni di fusione, depurazione e aggiornamento per mantenere l'integrità dei dati.
• Consente una visione completa a 360 gradi dei clienti su punti di contatto, prodotti e aree funzionali.
• Supporta un'analisi significativa per trasformare i dati in “intelligenza” sulla quale è possibile agire.
In breve, il data warehouse associa una visione singola a livello aziendale del cliente, che comprende tutti i punti e i sistemi di contatto. I dati aziendali e le principali metriche operative di diversi reparti sono allineati, condivisi e integrati in un repository comune. Le informazioni sui clienti, che possono esistere in vari database aziendali, sono combinate e rese compatibili per supportare un'analisi significativa.
1.5.2 Analiytics per la customer-intelligence
Per aumentare il tasso di rendimento delle campagne, le strategie di marketing devono basarsi su una comprensione accurata e completa dei clienti in tutte le aree funzionali e nei canali di contatto. Il modello di gestione delle campagne basato sulla customer intelligence, richiede la creazione di campagne mirate ai clienti di maggiore valore.
Le tecniche analitiche avanzate consentono agli analisti con o senza background statistici di comprendere meglio e anticipare il comportamento dei clienti. Di seguito alcune analisi rappresentative per realizzare campagne di marketing ottimamente efficaci:
• Customer value modeling
Calcola il valore totale del mantenimento dei clienti per tutta la durata della relazione.
20
• Customer risk analysis
Calcola i rischi associati ad un determinato cliente, compreso il rischio di credito e la probabilità di perdita a favore di un competitor.
• Market basket analysis
Analizza il mix di prodotti che un determinato cliente acquista, al fine di comprendere quali altri prodotti “li vendono”.
• Segmentation analysis
Identifica i clienti più preziosi e redditizi per aiutare a definire appropriati programmi di targeting.
• Cross-selling predictions
Identifica il momento più opportuno per definire un'offerta ad un cliente esistente ed il canale di contatto.
• Customer channel analysis
Analizza e predice i canali più idonei ed efficienti per i contatti iniziali, le attività di up-selling e cross-up-selling.
• What-if analysis
Cambia le variabili chiave della campagna e determina come influenzano l'esito. Le analisi avanzate consentono di estrarre il data warehouse per trasformare masse di dati in segmenti di mercato significativi, su base formale o ad-hoc. Armati di queste informazioni, è possibile creare campagne di marketing altamente personalizzate e individuare target di alto valore.
21
2. CASO DI STUDIO
Le attività di progettazione risultano fondamentali per comprendere al meglio le basi su cui si fonda il piano di lavoro proposto per il cliente. Per tale motivo, dopo una breve introduzione sul core business dell’azienda sviluppatrice, verrà presentato un paragrafo relativo all’analisi dei requisiti iniziale e la progettazione concettuale concordata con il team Data Management (Value Lab), incaricato di implementare il DWH. Il sottoscritto ha dovuto interagire con la suddetta area per fornire supporto e sviluppo nei processi ETL e calcolo KPI. Nella parte finale del capitolo verranno illustrati i requisiti delle campagne start richieste dal cliente.
2.1 Azienda sviluppatrice (Value Lab S.p.a)
Value Lab S.p.a è una società di consulenza di management e Information Technology che opera a livello nazionale e internazionale, specializzata sui temi di marketing, vendite e retailing. Fondata da Marco Santambrogio (CEO) nel 1990 a Milano, è divenuta una società privata non quotata che conta ad oggi più di 200 dipendenti ed una seconda sede presso Roma. Il core business dell’azienda è quello di fornire ausilio alle aziende di produzione, distribuzione e servizi all’aumento dei ricavi, riduzione dei rischi ed ottimizzazione dei costi migliorando le scelte strategiche e la gestione operativa di mercati, clienti, punti vendita e reti di vendita. I servizi offerti da Value Lab possono essere sintetizzati in:
• Pricing & Profitability Practice
Tematiche di gestione del prezzo e di ottimizzazione della profittabilità a supporto della creazione di valore dei clienti.
• Digital & E-commerce
Gestione del Digital & E-commerce, dove dispone di un osservatorio privilegiato sulle Best Practice al fine di:
o introdurre o razionalizzare il proprio store on-line;
o definire l'approccio al digital marketing e alla gestione delle leve di marketing digitale;
o impostare e utilizzare gli analytics in ambito web.
• Geomarketing & Location Analytics
Nasce dall'incrocio di due storiche discipline: il marketing e la geografia. Il geomarketing consiste nell'analizzare i comportamenti dei soggetti economici (consumatori e imprese) tenendo conto delle nozioni di spazio. Il "territorio" diventa, quindi, un elemento fondamentale a supporto delle scelte strategiche e della gestione operativa, utilizzato a fianco delle variabili tradizionali: chi, cosa, quando, perché. Il geomarketing è un approccio di marketing che prevede l'utilizzo della componente
22
geografica per rendere più efficaci ed efficienti le decisioni e le attività di strategia, comunicazione, vendita, distribuzione e servizio ai clienti.
• Location Based Marketing
Tecniche e metodologie, elaborazione dati e informazioni per segmentare e profilare il target in base alla localizzazione. In termini di marketing, si punta ad identificare, studiare e gestire almeno tre tipologie di target:
o le persone residenti in una determinata zona (night-time population);
o le persone gravitanti in una zona per diverse motivazioni come lavoro, studio, tempo libero, gestione familiare (day-time population);
o le persone di passaggio, sistematiche o sporadiche (flusso).
• Analytics & Data Mining
Tecniche che fanno emergere le tendenze, le relazioni tra i dati, le ragioni legate al manifestarsi dei fenomeni. Il data mining è da un lato, un processo che mira a scoprire variabili nuove o implicite e le correlazioni di causa e effetto, dall’altro un processo interattivo che consiste nell'esplorazione di correlazioni, modelli e tendenze significative che si manifestano tra i dati (generalmente creati integrando fonti interne ed esterne), utilizzando tecniche statistiche ed algoritmi matematici.
Le numerose tecniche impiegate nel data mining possono essere ricondotte a cinque aree di applicazione:
o Previsione
Utilizzo di valori noti per la previsione di quantità non note (es. stima del fatturato di un punto vendita sulla base delle sue caratteristiche);
o Classificazione
Individuazione delle caratteristiche che indicano a quale gruppo un certo caso appartiene (es. discriminazione tra comportamenti ordinari e fraudolenti); o Segmentazione
Identificazione di gruppi con elementi omogenei all'interno del gruppo e diversi da gruppo a gruppo (es. individuazione di gruppi di consumatori con comportamenti simili);
o Associazione
Individuazione di elementi che compaiono spesso assieme in un determinato evento (es. prodotti che frequentemente entrano nello stesso carrello della spesa);
o Sequenze
Riconoscimento di una cronologia di associazioni (es. percorsi di visita di un sito web).
23
• Customer Experience Management & CRM21
Metodologia di CRM per fidelizzare i clienti con iniziative e comunicazioni mirate, aumentando contestualmente il corredo informativo relativo ai propri clienti in termini di comportamenti, reattività alle azioni di marketing e consumi. Nello specifico:
o differenziazione delle strategie e delle attività di marketing in funzione di profilo, comportamenti e risultati attesi dai singoli segmenti/cluster di clienti; o piano delle campagne di contatto e di comunicazione;
o target e meccaniche delle singole campagne;
o gruppo e parametri di controllo e valutazione dell'efficacia e dell'efficienza della campagna (nel breve e nel medio-lungo termine);
o ottimizzazione dei processi aziendali afferenti alla relazione con il cliente; o segmentazione in base a elementi anagrafici e comportamentali;
o localizzazione e/o provenienza geografica della clientela; o profilo della propria clientela;
o valore economico dei singoli clienti/cluster (life time value); o comportamenti denotanti rischio di abbandono;
o scoring in funzione di differenti obiettivi di marketing (cross-selling, up selling, retention, win back);
o reattività dei diversi clienti/cluster alle campagne di marketing e alle diverse modalità di contatto;
o elasticità al prezzo dei diversi segmenti di clientela; o prodotti acquistati congiuntamente o alternativamente. Quest’ultima rientra nell’ambito di competenza dell’oggetto di tesi.
2.2 Analisi dei requisiti e progettazione concettuale
Azienda Alfa è un gruppo industriale specializzato nella produzione e vendita di divani, poltrone, mobili e complementi di arredo per uso residenziale. La stessa in Italia, distribuisce i propri prodotti attraverso una catena di negozi in franchising.
Value Lab è stato scelto da Alfa quale partner di progetto per lo sviluppo di una soluzione di
Customer Experience Management basata sulla piattaforma SAS Campaign Management.
Il seguente paragrafo, consolida quanto attualmente implementato nell’attuale Customer DB di marketing integrando logiche e informazioni sulla base dati cliente, necessarie ai fini della realizzazione del nuovo Marketing DWH a supporto del Campaign.
Di seguito l’architettuta concrodata con il team Data Management per lo sviluppo del DWH:
21 CRM: customer relationship management (termine inglese spesso abbreviato in CRM) o gestione delle relazioni
24
FIGURA 2: ARCHITETTURA MARKETING DWH E APPLICAZIONI
Lo scopo del DWH di Marketing è quello di fornire una visione “cliente-centrica” di tutte quelle informazioni la cui analisi e fruizione è funzionale ai processi decisionali delle diverse aree di business dell’area Marketing di Alfa, e alla segmentazione e profilazione per campagne di marketing.
Condizione necessaria affinché ciò sia possibile è che tutto il patrimonio informativo di interesse possa essere ricondotto al singolo soggetto, inteso come la persona fisica o giuridica con cui Alfa potrebbe avere (prospect) o ha avuto (cliente) un rapporto di fornitura prodotti. L'analisi del Customer Journey, cioè del comportamento dell'utente dal primo contatto con Alfa in poi, si basa su dati a disposizione di Alfa su diversi sistemi specifici delle aree di business (il gestionale, il database di Marketing, il sito HelpDesk…). Il DWH di Marketing ha la funzione di elaborare i dati ricevuti da tali sistemi così da rendere possibile una visione completa del
Customer Journey in ottica di segmentazione e profilazione per campagne di marketing.
Gli incontri mirati all’analisi delle fonti dati tra le aziende hanno consentito di evidenziare, accanto alle fonti utilizzate dal Customer DB, ulteriori fonti dati.
25
2.3 Sorgenti dati
Di seguito è riportata una breve panormamica delle fonti e delle modalità di accesso ai dati da parte del DWH:
• NARES
Sistema gestionale di Alfa. Dati accessibili da database SQL Server (“Nares_Production_SAP”), aventi le seguenti tipologie:
o Anagrafiche clienti/prospect. o Ordini
Il dato è suddiviso tra una tabella delle "testate" ed una delle relative "righe ordini".
o Preventivi
Il dato è suddiviso tra una tabella di “testate” ed una delle relative “righe preventivi”. Qualora il preventivo sia stato finalizzato, viene riportato il numero ordine effettuato.
o Claim
Si tratta dei reclami su un ordine inseriti direttamente in negozio a seguito di una segnalazione da parte del cliente.
• SAP
L’anagrafica dei punti vendita e dei prodotti è centralizzata in SAP. Per un utilizzo più agevole da parte degli altri applicativi, alcune delle informazioni presenti in SAP sono state riportate su un database condiviso (“DB_Share_Prod”). Il DWH di Marketing
recepirà quindi le anagrafiche di negozi e prodotti da tale database. I dati sono accessibili da database SQL Server (“DB_Share_Prod”) con tipologie
Anagrafica Prodotti e Anagrafica Punti Vendita.
• Sito Garanzie
A valle dell'acquisto di un prodotto, il cliente può sottoscrivere il modulo di richiesta garanzia sul prodotto acquistato, fornendo dati anagrafici potenzialmente non ancora in possesso di Alfa. A meno di casistiche particolari (garanzie richieste su acquisti precedent, la messa in produzione dell’attuale gestionale NARES, garanzie richieste su acquisti effettuati presso rivenditori terzi…) è possibile risalire all’ordine NARES
contenente i prodotti per i quali il cliente ha sottoscritto la garanzia. I dati sono accessibili da database SQL Server (“Warranty”) e riguardano Anagrafiche
client/prospect, Anagrafiche garanzie e riferimento a numero ordine.
• HelpDesk Alfa
Tramite sito web, una persona interessata (sia esso un cliente o un potenziale prospect) ha la possibilità di contattare Alfa per una richiesta di assistenza e supporto al prodotto, per iscriversi alla newsletter o per inviare richieste di contatto di vario tipo (es: informazioni di vendita). Tali informazioni consentono di acquisire eventuali nuove anagrafiche clienti/prospect e di arricchire tali anagrafiche con la motivazione che ha
26
portato loro a tale interazione con Alfa. I dati sono accessibili da database SQL Server (“HelpDeskAlfa”) ed hanno le seguenti tipologie:
o Anagrafiche clienti/prospect. o Iscrizioni newsletter.
o Richieste di contatto/interazione con Alfa.
• Contact Center
I dati relativi ai contatti telefonici verso Alfa sono gestiti da un Contact Center esterno; tali informazioni sono state storicamente inviate al Marketing DB tramite un file Excel (“CONTACT_CENTER.xls”), che veniva elaborato ed importato manualmente. Nel corso degli incontri tenutisi con Alfa è stata evidenziata la possibilità di automatizzare tale flusso, non solo per consentirne un aggiornamento giornaliero, ma anche per evitare la possibilità di errori di codifica o formattazione.
o Accesso Dati
I dati vengono forniti tramite file csv
(“Alfa_ContactCenter_<yyyyMMddhhmiss>.csv”). Tale file verrà depositato dal fornitore su un server FTP Alfa e reso accessibile al DWH di Marketing attraverso l’accesso diretto ad un percorso di rete.
o Tipologia Dati
Anagrafiche client/prospect e richieste di contatto/interazione con Alfa. • Database Marketing
Eventuali liste di anagrafiche acquisite da fonti esterne (prospect) vengono riportate in un apposito database. Accedendo a tale base dati, il DWH di Marketing sarà in grado di integrare le informazioni anagrafiche recepite dalle altre fonti con le liste di clienti/prospect qui contenute.
I dati sono accessibili da database SQL Server (“Marketing”) e contengono soltanto
Anagrafiche clienti/prospect.
• SAS Campaign
Nell’ambito del progetto di Customer Experience Management, è da considerarsi come ulteriore opportunità di approfondimento della conoscenza del cliente ciò che riguarda il comportamento di quest’ultimo a fronte di comunicazioni o campagne da parte di Alfa. E’ opportuno che alcune di queste informazioni vengano recepite nel Marketing DWH, perchè questo possa fornire un quadro più completo del ciclo di vita del cliente. Dalla soluzione Campaign saranno quindi riportate nel Marketing DWH le seguenti informazioni:
o Campagne
Si tratta dell’anagrafica base delle campagne create da Alfa. o Contact_History
Lo storico delle comunicazioni ai clienti finali nell’ambito delle campagne di cui sopra.
27
o Feedback campagne
Lo storico dei feedback recepiti dai sistemi di delivery circa le comunicazioni effettuate.
2.4 Modello logico di riferimento
Il modello logico del Marketing DWH è stato elaborato con un focus particolare sui seguenti requisiti:
• centralità del cliente/prospect;
• riconciliazione dei dati dai diversi sistemi; • granularità minima delle informazioni;
• implementazione KPI di primo livello (computabili cioè a partire dagli attributi base); • pulizia e normalizzazione dei dati;
• predisposizione/abilitazione a: o Campaign Management; o Customer Analytics;
Di seguito viene riportata una rappresentazione schematizzata delle macro-entità identificate nel modello del Marketing DWH; è evidente come tutte le entità ruotano intorno all'oggetto principale: il cliente, sia esso un potenziale cliente o un acquirente:
FIGURA 3: MODELLO LOGICO DWH CLIENTE-CENTRICO
I client costituiscono il core del Marketing DWH. È a tale entità che vengono ricondotte tutte quelle informazioni che possono contribuire a definire il comportamento del cliente nel corso del proprio Customer Journey in Alfa. È sempre tale entità che costituisce il cardine del
28
processo di deduplica, volto ad identificare tutte le occasioni di contatto che la stessa persona, in circostanze diverse e per motivi differenti, ha sperimentato con l’azienda committente. Gli ordini sono gestiti tramite un applicativo custom (NARES) realizzato da Alfa e accessibile in negozio dgli store manager. Nel Febbraio 2009 ha sostituito il precedente sistema gestionale, le cui informazioni sono state integrate nel nuovo Marketing DWH a partire da quanto già caricato ed elaborato nel vecchio Marketing DB. Ciascun ordine è caratterizzato da una “testata” e da uno o più dettagli o “righe ordine”. Tale struttura è stata mantenuta nel nuovo Marketing DWH.
I preventivi costituiscono una fonte di informazione fondamentale nel mercato di Alfa, perché consentono di identificare potenziali clienti e conoscere nel dettaglio quali siano i prodotti di interesse che, successivamente al preventivo stesso, ha scelto di non acquistare.
Anche i preventivi, al pari degli ordini, sono caratterizzati da una “testata” e da uno o più dettagli o “righe preventivi”, a cui però si aggiunge un’ulteriore suddivisione in “proposte”: uno stesso preventivo può subire ulteriori modifiche per andare incontro alle esigenze del cliente. Ciascuna di tali modifiche viene riportata su NARES.
Alfa offre diversi servizi per migliorare il Customer Journey del cliente. La richiesta di usufruire di uno di tali servizi consente non-solo di identificare potenziali prospect, ma anche di caratterizzarne il comportamento ai fini di una più mirata contact strategy. Il nuovo Marketing DWH recepirà pertanto le anagrafiche relative alle sottoscrizioni della garanzia sugli acquisti effettuati. Tali anagrafiche potrebbero non essere presenti in Nares qualora l’acquisto fosse stato effettuato presso un rivenditore terzo e dunque, non considerando tale fonte, si perderebbe un importante bacino di clienti. Il Marketing DWH è stato strutturato in modo tale da consentire in futuro la gestione di altre tipologie di servizi offerte da Alfa.
Il cliente offre diversi touch-point per entrare in contatto con nuovi clienti o per il customer care22. È disponibile, ad esempio, un numero verde da contattare per eventuali richieste di informazioni o assistenza; è possibile tramite sito web compilare un modulo di richiesta di support. Tutti questi canali contribuiscono da una parte ad accrescere il numero di utenti che iniziano il proprio Customer Journey in Alfa, dall’altra a caratterizzare meglio l’esperienza di acquisto nel corso del tempo. Per convenzione si definiscono “interazioni” tali occasioni di contatto.
L’anagrafica dei prodotti Alfa dispone di un patrimonio informativo molto ricco. Il lavoro svolto dal team Campaign sull’analisi dei dati, si è focalizzato pertanto sull’identificare, all’interno di tali informazioni, quelle che potessero essere più significative in ottica di analisi del comportamento del cliente e che potessero meglio identificare la categoria di appartenenza di tali prodotti (in ottica di segmentazione cliente per le comunicazioni promozionali).
Le informazioni relative alle campagne create da Alfa saranno recepite dal DWH di Marketing dalla soluzione di Campaign. Di seguito viene riportato l’elenco delle informazioni relative alle campagne, ai “cell packages” (singole “wave” di invii comunicazioni promozionali all’interno della medesima campagna, ad esempio per campagne multi-canale o campagne ricorsive), alla
contact history (storico delle comunicazioni del singolo cliente in occasione di una specifica
29
campagna) e ai feedback del provider di invio E-Mail/SMS circa il comportamento del cliente a seguito di un tentativo di contatto. La nomenclatura utilizzata (“cell packages”, “contact history” …) rispecchia gli standard seguiti dai principali sistemi di Campaign Management. Di seguito la struttura:
• Anagrafica Campagne
CAMPO DESCRIZIONE
ID CAMPAGNA Identificativo univoco della campagna FONTE Fonte anagrafica campagne
CODICE CAMPAGNA ORIGINALE Codice Campagna su fonte NOME CAMPAGNA Nome campagna
DESCRIZIONE CAMPAGNA Descrizione della campagna
TIPO Tipo campagna
STATO Stato campagna
SN_APPROVATA Indica se la campagna è stata approvata DATA INIZIO CAMPAGNA Data inizio validità promozione
DATA FINE PROMOZIONE Data termine validità promozione DATA ULTIMA ESECUZIONE Data ultima esecuzione della campagna AUTORE CAMPAGNA Autore della campagna
TABELLA 1: ANAGRAFICA CAMPAGNE
• Cell Packages
CAMPO DESCRIZIONE
ID CELL-PACKAGE Identificativo univoco del Cell-Package FONTE Fonte dell’anagrafica Cell-Package CODICE CELL-PACKAGE
ORIGINALE Codice Cell-Package su fonte
ID CAMPAGNA Identificativo univoco della Campagna
CANALE Canale di contatto (es: e-mail, SMS, posta cartacea…) CODICE CELL-PACKAGE Codice descrittivo Cell-Package
DESCRIZIONE CELL-PACKAGE Descrizione Cell-Package
GRUPPO SI CONTROLLO (S/N) Indica se si tratta di un gruppo di controllo DATA ESECUZIONE Data esecuzione dell Cell-Package
TABELLA 2: CELL_PACKAGES
• Contact History
CAMPO DESCRIZIONE
ID CELL PACKAGE Identificativo univoco del Cell-Package ID CLIENTE Identificativo univoco del Cliente DATA CONTATTO Data invio comunicazione
30
• Response History
CAMPO DESCRIZIONE
FONTE Fonte feedback
CODICE FEEDBACK ORIINALE Identificativo feedback su fonte DATA EVENTO Data feedback
EVENTO Evento
DETTAGLIO EVENTO Detteglio evento E-MAIL E-mail contattata CELLULARE Cellulare contattato ID CELL-PACKAGE Identificativo Cell-Package ID CLIENTE Identificativo Cliente
TABELLA 4: RESPONSE_HISTORY
Tali entità vengono recepite all’interno del database CDM (“Common Data Model”) della soluzione di Campaign Management, presente sulla stessa istanza del Marketing DWH. Il DWH di Marketing, inoltre, a partire dai feedback/eventi riportati all’interno della soluzione di Campaign, a seguito di un tentativo di contatto (es: apertura e-mail, click su link, unsubscribe…), andrà a popolare una tabella contenente tali esiti raggruppati per campagna/cliente, per consentire il calcolo di KPI utili alla segmentazione dei clienti/prospect. Il dato non aggregato dei feedback campagne rimarrà comunque disponibile (in base alla retention definita da Alfa) nel CDM (“Common Data Model”) della soluzione Campaign. Di seguito il tracciato:
CAMPO DESCRIZIONE
ID CAMPAGNA Identificativo univoco della Campagna ID CLIENTE Identificativo univoco del Cliente MAIL APERTA (S/N) Indica se la mail è stata aperta
LINK APERTO (S/N) Indica se il link sulla mail è stato aperto UNSUBSCRIBE (S/N) Indica se il cliente ha effettuato un unsubscribe MAIL NON RAGGIUNGIBILE (S/N) Indica se la mail risulta non raggiungibile CELLULARE NON RAGGIUNGIBILE (S/N) Indica se il cellulare risulta non raggiungibile
REDEMPTION PREVENTIVO (S/N) Indica se il cliente ha richiesto un preventivo nel periodo di validità della promozione
REDEMPTION ORDINE (S/N) Indica se il cliente ha effettuato un ordine nel periodo di validità della promozione
TABELLA 5: FEEDBACK CAMPAGNE
Per concludere la panoramica sul modello logico di riferimento e le principali entità che lo compongono, di seguito viene illustrato il diagramma ER (entità-relazioni) di tale modello. Si tratta di una rappresentazione della relazione che lega le entità logiche discusse nel paragrafo e consente di comprendere meglio la struttura “cliente-centrica” che assume il nuovo Marketing DWH.
31
FIGURA 4: SCHEMA RELAZIONALE DWH
2.4.1 KPI
I KPI di seguito riportati sono da considerarsi come indicatori “di primo livello”, cioè calcolabili a partire dalle informazioni base delle entità del DWH di Marketing, e sono finalizzati principalmente all’arricchimento dell’anagrafica cliente con informazioni propedeutiche ai processi di segmentazione del Campaign.
Si tratta di KPI calcolati a livello di singolo cliente. Di seguito vengono riportati suddivisi per macro-tipologia: KPI cliente in base agli ordini effettuati, KPI cliente in base ai prodotti acquistati e KPI cliente in base alle campagne eseguite.
• Ordini
KPI DESCRIZIONE
SPESA TOTALE Importo lordo in euro
SPESA ULTIMO ANNO Importo lordo in euro ultimo anno (rolling)
ACQUISTO ULTIMI 6 MESI (S/N) Indica se è stato effettuato almeno un acquisto negli ultimi 6 mesi NUMERO ACQUISTI ULTIMO ANNO Numero ordini effettuati nell’ultimo anno (rolling)
QUANTITA’ ACQUISTATE ULTIMO
ANNO Numero prodotti acquistati nell’ultimo anno (rolling) DATA PRIMO ACQUISTO Data primo acquisto
32 FREQUENZA MEDIA ULTMO
ACQUISTO Numero ordini dalla data primo acquisto alla data corrente VALORE PREVENTIVI CONVERTITI
IN ORDINE
Importo lordo preventivi convertiti in ordine (solo ultime proposte)
VALORE PREVENTIVI NON CONVERTITI IN ORDINE
Importo lordo preventivi non convertiti in ordine (solo ultime proposte)
PREVENTIVO NON CONVERTITO IN ORDINE NEGLI ULTIMI 30 GIORNI (S/N)
Identifica la presenza di preventivi richiesti negli ultimi 30 giorni e non ancora convertiti in ordini
NEGOZIO PREFERITO Negozio preferito (spesa maggiore) NEGOZIO ULTIMO ACQUISTO Negozio ultimi acquisto
NUMERO ORDINI Numero ordini complessivi NUMERO RIGHE ORDINI Numero righe ordini complessivi
NUMERO PREVENTIVI Numero preventivi complessivi (non considera più versioni per preventivo)
NUMERO RIGHE PREVENTIVI Numero righe preventivi complessivi TABELLA 6: KPI ORDINI
• Prodotti
KPI DESCRIZIONE
CATEGORIA PRIMO ACQUISTO Categoria primo acquisto CATEGORIA ULTIMO ACQUISTO Categoria ultimo acquisto
CATEGORIA PREVALENTE Categoria prodotto prevalente (spesa maggiore) SPESO NELLA CATEGORIA
PREVALENTE Importo lordo per la categoria prevalente SPESO PER CATEGORIA Importo lordo sulle N categorie prodotto
principali TABELLA 7: KPI PRODOTTI
• Campagne
KPI DESCRIZIONE
ELENCO CAMPAGNE IN TARGET Elenco campagne per cui il cliente è stato contattato ADESIONE ORDINE PER CAMPAGNA
(S/N)
Indica se il cliente ha effettuato un ordine nel periodo di validità della promozione
ADESIONE PREVENTIVO PER CAMPAGNA (S/N)
Indica se il cliente ha richiesto un preventivo nel periodo di validità della promozione (al netto degli ordini)
IMPORTO ADESIONE PER CAMPAGNA Importo lordo in euro speso nel periodo di validità della promozione
APERTURA COMUNICAZIONE (S/N) Indica se il cliente ha aperto la comunicazione promozionale TABELLA 8: KPI CAMPAGNE
Il team Campaign ha impostato un processo giornaliero che calcola ed aggiorna i KPI. Si rimanda al paragrafo 4.2 per comprendere la modalità di sviluppo, in quanto equivalente per tutti i processi schedulati ritenuti necessari.
