1 Introduzione
Il presente lavoro di tesi parte da un’esigenza riscontrata nel campo del direct marketing.
L’esigenza è quella di ottimizzare l’analisi della clientela e ri-pianificare le campagne di marketing in tempo reale. I sistemi attualmente presenti sul mercato non permettono una valutazione del feedback immediata, di conseguenza si possono valutare i risultati di una campagna solo quando
questa è terminata. Sarebbe invece molto desiderabile poter apprendere immediatamente dai risultati parziali della campagna, per riformulare in tempo utile la strategia di offerta ai clienti e così ottimizzare i risultati economici della campagna stessa. Le moderne tecniche manageriali sono sempre più orientate al controllo in itinere anziché al tradizionale controllo a posteriori, perché in questo modo si rende possibile una ridefinizione dei piani in tempo utile per ottimizzare i risultati.
L’applicazione di questa idea al direct marketing è però un tema trascurato dalla letteratura, sia scientifica che di marketing.
L’analisi di queste esigenze ha portato a identificare una soluzione software in grado di soddisfarle, sfruttando tecniche d’apprendimento automatico come il Reinforcement Learning, con lo scopo di poter dare una risposta a queste esigenze in tempo reale o comunque nel minor tempo possibile.
L’applicazione del Reinforcement Learning al marketing rappresenta un elemento d’innovazione in considerazione del fatto che sino ad oggi abbiamo pochissimi riferimenti nel campo del direct marketing [Naoki Abe 2002-2004, Yong-Hyuk Kim 2006], e anche questi rivolti ad aspetti specifici, scarsamente utili per il problema messo a fuoco nel progetto descritto nel presente lavoro. Solitamente il Reinforcement Learning è utilizzato con agenti intelligenti (robot) con l’obiettivo di identificare una strategia di comportamento automaticamente senza l’intervento dell’uomo. L’agente interagisce con l’ambiente e riceve una ricompensa positiva o negativa.
L’obiettivo è quello di massimizzare “a lungo termine” la ricompensa complessivamente ottenuta.
Gli algoritmi del Reinforcement Learning tentano di cogliere un’informazione di feedback ad ogni istante della vita, modificando di conseguenza il comportamento dell’agente. Visto che l’esigenza primaria in una campagna di marketing è quella di avere una valutazione del feedback immediata in modo da ri-pianificare la campagna in tempo reale, abbiamo pensato, per trovare una soluzione all’esigenze riscontrate, di utilizzare l’idea che sta alla base di questi algoritmi adattandola al contesto applicativo da noi analizzato.
Il sistema realizzato è adatto a chi vuole condurre una campagna di direct marketing sia per via posta elettronica e telefonica, sia nella forma del web marketing.
2 Il progetto si è sviluppato in tre fasi: analisi requisiti, studio dei modelli teorici e degli algoritmi, implementazione e test. Ho partecipato attivamente ha tutte e tre le fasi, riuscendo ad ottenere una visibilità completa del progetto.
Ad oggi è disponibile un prototipo già in grado di realizzare prestazioni realistiche simulando una campagna di marketing, tramite call center, elaborando in tempo reale il feedback e ri-pianificando giorno per giorno la campagna con lo scopo raggiungere gli obiettivi del committente.
Letteratura di riferimento.
La letteratura sul direct marketing è vastissima. Per questo lavoro si sono utilizzati alcuni testi
“classici” che permettessero di chiarire le tematiche del settore.
Anche per il Reinforcement Learning esiste un’ampia letteratura, e anche qui si sono utilizzati alcuni testi di riferimento ben noti, anch’essi da considerare come dei classici.
Per quanto concerne il tema specifico del progetto, cioè la ri-pianificazione in continuo delle campagne di direct marketing con un sistema software capace di apprendimento, invece la letteratura non è stata di significativo aiuto. Il problema è ad oggi oltre lo stato dell’arte.
Ovviamente ciò non significa che la pianificazione in itinere delle campagne non sia un’esigenza sentita e che non venga praticata in alcun modo. Però non abbiamo trovato traccia di soluzioni software automatizzate, né nella letteratura scientifica né in quella di business. È vero che le imprese che realizzano sistemi con un valore competitivo elevato tendono a non pubblicizzarne i risultati (per motivi di riservatezza industriale), e che quindi esistono in realtà soluzioni e tecnologie sofisticati dei quali non si trovano tracce significative nella letteratura. Però il fatto che il problema sia anche pressoché assente nella letteratura propriamente scientifica suggerisce che ad oggi l’idea del progetto sia fortemente originale e innovativa.
In assenza di un aiuto concreto dalla letteratura, il gruppo di progetto (del quale l’Autrice di questo lavoro ha fatto parte) ha quindi elaborato un proprio modello del controllo in continuo di una campagna di direct marketing, modello a partire dal quale sono stati costruiti nuovi algoritmi.
3 Contenuto della tesi
I canali di comunicazione presi in esame, in questo lavoro di tesi, per condurre la campagna riguardano i call center e il web.
Lo scopo del primo capitolo è quello di mostrare l’evoluzione dei call/contact center nel corso degli anni fino ad arrivare al più evoluto concetto di Customer relationship management (CRM).
Il secondo capitolo mostra le nuove opportunità offerte dal mondo della rete alle aziende che sono interessate a svolgere il proprio business adattando un orientamento al marketing relazionale.
Il terzo capitolo si pone come obiettivo quello di far capire al lettore che cos’è il Web Mining e come è possibile utilizzare questa tecnica per risolvere i problemi causati dall’eccesso di informazioni disponibili su Internet. In particolare mostrando, senza entrare in dettagli tecnici, come le informazioni, riguardanti l’ordine nel quale le pagine di un sito web sono visitate, possono essere utilmente utilizzate per prevedere il comportamento di visita ad un sito.
Il quarto capitolo mostra i metodi e gli algoritmi principali del Reinforcement Learning, in modo da far capire al lettore che “cos’è e come” funziona.
Infine il quinto capitolo è quello più importante perché viene analizzato il funzionamento dell’applicativo e vengono messe in evidenza le varie fasi che hanno portato alla realizzazione del progetto.
Gli approfondimenti relativi ai test eseguiti ed appartenenti a tre specifiche simulazioni; la prima riguardante il funzionamento del software in un ambiente statico, la seconda in un ambiente dinamico e la terza introducendo le variazioni sui prodotti, sono descritti nell’Appendice A.
I test realizzati fino ad ora hanno portato a risultati promettenti, in quanto i risultati ottenuti, con la simulazione, attestano il raggiungimento degli obiettivi preposti; in particolare considerando, nel nostro specifico caso, la variabili profitto, il gap tra “Esperto” e AKIM aumenta e questo vantaggio, a favore di AKIM, è tale da giustificare l’introduzione del sistema sul mercato attuale.
