• Non ci sono risultati.

CAPITOLO 5 STUDIO DI UN CASO: UN MODELLO DI ANALISI DEI DATI PER IL CRM NEL SETTORE

N/A
N/A
Protected

Academic year: 2021

Condividi "CAPITOLO 5 STUDIO DI UN CASO: UN MODELLO DI ANALISI DEI DATI PER IL CRM NEL SETTORE"

Copied!
35
0
0

Testo completo

(1)

CAPITOLO 5

STUDIO DI UN CASO:

UN MODELLO DI ANALISI DEI

DATI PER IL CRM NEL SETTORE FASHION

Questo capitolo fornisce una breve descrizione del settore fashion e dei cambiamenti che in esso sono intervenuti negli ultimi anni, giustificando l’esigenza di nuovi strumenti di supporto alle tecniche già in uso per la fidelizzazione dei clienti, in grado di approfondire il livello di analisi dei dati e fornire le informazioni necessarie. Si conclude con la proposta di un modello di analisi multidimensionale dei dati per il CRM nelle aziende del settore.

5.1 Il settore fashion: i mutamenti in atto

Il settore fashion si compone dell’insieme di aziende che detengono i marchi di lusso della moda. Si tratta di aziende che per anni hanno goduto delle caratteristiche del mondo in cui sono inserite, quello della moda di fascia alta, giocando sulla forza del marchio, dell’immagine e della qualità. Sono caratteristiche come prodotti innovativi, qualità elevata, immagine, negozi glamour, prezzi e margini elevati ad aver garantito, fino al 2000 ai gruppi del lusso (come Roberto Cavalli, Dolce & Gabbana, Gucci, Prada etc.) un forte sviluppo dei fatturati.

Il consumatore nutriva un enorme rispetto per i grandi marchi, accettando tutto ciò che gli veniva proposto in termini di prodotto, prezzi, qualità e servizi. Questo comportamento garantiva alle aziende la copertura di tutta una serie di inefficienze in termini di prezzi elevati e velocità di risposta al mercato e di concentrarsi su strategie di crescita quali:

• strategia diretta: facendo leva sul proprio marchio/prodotto di partenza;

• strategia di diversificazione: diversificando verso altri settori più o meno vicini a quello di partenza;

(2)

• negozi monomarca: aprendo negozi monomarca;

• licenze: concedendo licenze per i diversi prodotti della moda (occhiali, profumi…);

• acquisizioni: acquisendo altre aziende o marchi per conquistare altri target di consumatori e realizzare fatturati e utili aggiuntivi.

Dopo marzo 2000 (inizio caduta borse) e soprattutto dopo l’11 settembre 2001, iniziano i grandi cambiamenti che portano ad una forte discesa dei consumi di tutti i prodotti della moda.

I fattori della crisi vanno ricercati nella perdita di ricchezza dovuta al crollo delle borse, nell’attacco dell’11 settembre 2001 ma anche nel crollo del turismo e nella guerra in Iraq, fattori questi che hanno profondamente modificato gli atteggiamenti di acquisto dei consumatori soprattutto in termini di:

• volumi: comprano meno;

• prezzi: chiedono prezzi più bassi;

• novità: chiedono maggiori novità, più uscite, riassortimenti…; • canali di acquisto: sono più trasversali;

provocando un sensibile schiacciamento del mercato verso il basso.

Se rappresentiamo il mercato della moda con una piramide, come in Figura 5.1, possiamo notare benissimo quale è stata l’evoluzione dello stesso da ieri fino ad oggi.

(3)

Lo schiacciamento della piramide ha provocato un avvicinamento del mondo del lusso e della fascia medio alta con la fascia medio bassa e bassa.

Tale schiacciamento ha portato le aziende di fascia alta e medio alta ad un confronto diretto con una realtà diversa, caratterizzata da imprese abituate a “giocare” sulla competitività dell’intero sistema azienda in grado di fornire all’interno dei punti di vendita diretti, collezioni continuative a prezzi competitivi (come United Colors Of Benetton, Zara, Terranova, Onix, etc.).

Le aziende (di fascia alta) che fino a questo momento avevano adottato strategie di crescita concentrando la propria attenzione prevalentemente sul prodotto, si trovano ora a dover adottare strategie del tutto diverse votate all’aumento della competitività interna ma soprattutto al mantenimento della propria clientela.

Si capisce subito che la prova da superare, non è delle più semplici, le aziende di fascia alta e medio alta devono coniugare i fattori vincenti del lusso con un sistema aziendale competitivo e sempre più attento alle esigenze del consumatore. Il cliente diviene quindi un elemento di elevata importanza strategica, capirne i bisogni, soddisfarli e anticiparli rappresenta per l’azienda un’opportunità per aumentarne la fiducia, al fine di renderlo fedele e leale nei confronti del marchio. E’ statisticamente provato che acquisire un nuovo cliente costa, in media, dalle 8 alle 10 volte più che mantenere un cliente esistente, ecco l’importanza di analizzare in modo opportuno i dati che pervengono dai punti di vendita, dal marketing e dalle attività di assistenza ai clienti, in modo da definire in chiave strategica le leve da utilizzare per il loro mantenimento e la loro crescita.

5.2 Come risponde oggi l’azienda alla necessità di fidelizzare il cliente

Un’azienda ha successo sul mercato quando i suoi prodotti o servizi vengono acquistati da clienti (ad un prezzo che consente di coprire tutti i costi aziendali, lasciando un adeguato margine per gli azionisti), che essendo soddisfatti tendono a riacquistarli. Il riacquisto vuol dire porre le basi per fidelizzare il cliente e costruire una relazione che tenderà a perdurare nel tempo.

(4)

La vendita di prodotti e di servizi si inserisce in un ciclo più ampio che comprende anche le fasi della pre-vendita e della post vendita.

Durante la fase di pre-vendita è importante condurre il cliente verso l’acquisto, fornendogli tutti i dettagli specifici sui prodotti o servizi offerti; si tratta di una fase decisiva poiché permette ai clienti di ottenere tutte le informazioni ricercate. Nel settore fashion, questa fase si svolge di solito all’interno dei punti vendita in cui personale specializzato segue il cliente dandogli consigli e delucidazioni. Si parla spesso di “cerimonia di vendita” per enfatizzare il livello di attenzione e cura posta dal personale nei confronti del cliente. In questa fase ciò che avviene è un vero e proprio studio del cliente, l’addetto alle vendite cerca di capire quali sono i gusti e le esigenze dello stesso. La capacità di carpire queste informazioni dipende dalla bravura e dalla professionalità del personale, che ad oggi non usufruisce di nessun strumento di supporto oltre la propria intelligenza.

Durante la fase di post vendita si manifestano tutte quelle attività che si trasformano in assistenza al cliente o che rilevano eventuali disservizi. Si tratta di una fase molto delicata poiché soprattutto in caso di reclami si rischia di perdere il cliente. E’ in questa fase che entrano in azione servizi come un numero verde, o un call center che cercano di risolvere i problemi dei clienti. Pensiamo quanto potrebbe essere importante per un manager conoscere il negozio più vicino in cui far riparare o sostituire il vestito che si è macchiato o rovinato poche ore prima di un’importante conferenza.

Oltre a questi, gli strumenti più utilizzati dalle aziende del settore, per la fidelizzazione del cliente sono le ben conosciute attività di marketing votate alla pubblicità o alla promozione. Il risultato di queste attività risulta spesso soddisfacente ma potrebbe essere senz’altro migliorato da un adeguato supporto informativo, nato da un’accurata analisi dei dati della clientela. Definire il target delle proprie attività di marketing sulla base di analisi condotte sulla storia delle relazioni passate con i propri clienti potrebbe garantire risultati soddisfacenti.

(5)

5.3 I bisogni di analisi e i risultati aspettati

Come si può ben capire dalle sezioni precedenti il bisogno di analisi più forte viene avvertito nei confronti del cliente e del suo comportamento.

E’ necessario definire un modello di analisi che partendo dai dati forniti a livello operativo sia in grado di trovare, tramite l’uso Di tecniche di business intelligence, la risposta alle esigenze informative delle aziende del mondo fashion.

L’attore principale dei vari scenari di analisi è il cliente,intorno al quale ruotano i

soggetti che vorrebbero analizzare il suo comportamento per ricavare delle risposte alle proprie domande.

Analizziamo in dettaglio le domande di ciascuno di essi: Negozio

Quali sono i clienti migliori e che caratteristiche hanno? A chi devo proporre un nuovo prodotto?

Cosa vogliono i miei clienti? Retail Manager

Come è la distribuzione geografica dei miei clienti? Cosa comprano i clienti stranieri? Marketing

Quali clienti che comprano un certo tipo di prodotto ne comprano anche un altro?

Quali sono i clienti francesi che comprano un certo prodotto? Azienda

Quanti e quali sono i clienti di una certa linea? E di un marchio?

Le domande sopra citate mettono in chiara evidenza il bisogno di conoscenza approfondita del proprio cliente, al fine di aumentare le opportunità di business che l’azienda ha nei suoi confronti.

(6)

I margini di miglioramento in questo senso sono molto elevati e incidono sull’intera gestione aziendale, conoscere caratteristiche, gusti e preferenze del proprio cliente, significa riuscire a gestire nel migliore dei modi ogni rapporto con esso sia in fase di vendita che in fase di post-vendita.

La conoscenza delle caratteristiche di particolari gruppi di clienti consente all’azienda di plasmare il prodotto, i servizi di post-vendita e i piani delle campagne di marketing nel modo più opportuno.

Una campagna di marketing racchiude in sé tutte le attività rivolte alla definizione, attuazione e valutazione delle strategie promozionali.

Un piano di campagna di marketing deve :

• stabilire le finalità della campagna in relazione alla strategia generale di marketing (acquisizione, cross selling, fidelizzazione, mantenimento);

• identificare il target da raggiungere;

• stabilire il mix delle attività promozionali (pubblicità, promozione, pubbliche relazioni etc.);

• fissare i criteri di valutazione per la misura del successo.

In altre parole, queste informazioni risultano particolarmente utili non solo all’area marketing, che programma le proprie campagne avendo idee più chiare su dove e a chi proporre un nuovo prodotto, ma all’azienda nel suo complesso per la progettazione dei prodotti, l’organizzazione del personale e dei punti di vendita. Per rispondere a queste domande sarà necessario reperire le informazioni che tracciano la storia delle relazioni con i clienti e analizzarle intrecciandole con un insieme di altre informazioni che riguardano i prodotti, le campagne di marketing, i negozi e il tempo.

In questo modo si possono delineare i seguenti scenari di analisi: • clienti;

• clienti – negozi; • clienti – prodotti;

(7)

• clienti – tempo;

• clienti – campagne di marketing

A livello clienti interessa definire le caratteristiche di un certo gruppo di clienti, attraverso tecniche di segmentazione basate su criteri ben definiti (ad es: volumi di acquisto o RFM).

Una volta definite le metriche di segmentazione si vorrebbe poter raggruppare i clienti e giungere all’identificazione puntuale di ognuno di essi in maniera dinamica.

A livello clienti-negozi interessa definire la mappatura dei clienti sui punti vendita in base a criteri come la redditività, la frequenza d’acquisto, la quantità di merce acquistata e l’area di appartenenza. In questo modo sarà possibile definire per ogni negozio le caratteristiche dei clienti più redditizi e la loro composizione dividendo i clienti “domestici”, ossia quelli che appartengono alla stessa area geografica del negozio, da quelli “stranieri”.

A livello clienti-prodotti interessa definire le caratteristiche della domanda (i clienti) e quelle dell’offerta (i prodotti) con lo scopo di scoprire, dal loro confronto, nuove opportunità di miglioramento in termini di soddisfacimento dei bisogni domandati e di creazione di valore per l’azienda.

Sapere cosa comprano i clienti o meglio sapere cosa comprano i clienti di un certo tipo vuol dire conoscere le preferenze della clientela e riuscire a migliorare il rapporto con essa.

A questo livello di analisi potrebbero essere scoperte importanti regole di cross-selling o up-cross-selling, o semplicemente avere informazioni che mi permettano di conoscere i gusti del mio cliente e di prevedere i suoi bisogni.

Sarebbe molto utile riuscire a definire il posizionamento dei prodotti rispetto ai clienti e alle loro caratteristiche.

(8)

Ancora una volta l’auspicio sarebbe quello di riuscire ad avere uno strumento di analisi fortemente dinamico che consenta al manager di configurare le interrogazioni dei dati in base alle caratteristiche del cliente e/o alle caratteristiche del prodotto.

A livello clienti-tempo interessa definire sia il comportamento del cliente che quello dell’azienda nel tempo. La dimensione temporale viene spesso utilizzata per monitorare la variazione di risultati nel tempo, in questo caso verrà utilizzata per misurare la fedeltà del cliente ed individuare:

• clienti attivi (clienti che hanno fatto almeno un acquisto in un dato periodo di tempo);

• clienti nuovi (clienti che hanno fatto un acquisto per la prima volta);

• clienti persi (clienti che non hanno fatto più acquisti da un determinato periodo di tempo).

A livello clienti-campagne di marketing interessa definire il beneficio degli sforzi compiuti in termini di campagne marketing, attraverso l’analisi dei ritorni di valore delle attività programmate. Tenere traccia di queste informazioni potrebbe infatti essere utile per le campagne future e consentire allo stesso tempo di valutare la bontà di quelle passate.

Il rischio è infatti quello di perdere memoria dei segmenti di clientela alle quali una campagna è stata rivolta con il risultato di non poterne valutare i benefici e confrontarli con quelli sperati.

In questo modo si potrà trarre insegnamento dagli errori fatti e programmare in modo migliore le campagne future.

(9)

5.4 Un modello di analisi dei dati per il CRM

In questa sezione si presenta uno schema di data warehouse per le analisi multidimensionali dei dati.

La letteratura offre molte soluzioni simili a quella che ci accingiamo a presentare, ma nella maggior parte dei casi si limita a definire i modelli a livello progettuale, suggerendo schemi di data warehouse e tecniche di analisi che offrono la miglior soluzione al problema, senza far vedere quello che di fatto succede nelle fasi successive.

Il lavoro che verrà descritto nel seguito riguarda un caso pratico di un’azienda operante nel settore fashion, che ha deciso di avviare un progetto per la costruzione di un prototipo per le analisi di CRM, avvicinandosi per la prima volta a questi strumenti di analisi per porre risposta a domande che, come scopriremo, sono spesso molto più semplici di quelle che ci aspettiamo.

L’attività svolta può essere divisa in due parti: la prima riguarda la progettazione del data warehouse, la seconda riguarda l’utilizzo di esso per la segmentazione della clientela.

5.3.1 Progettazione del modello di analisi dei dati

Nella fase progettuale è stato realizzato lo schema del data warehouse. Gli oggetti di business, le dimensioni e le misure necessarie alla costruzione del data

warehouse sono stati individuati sulla base delle analisi descritte nella sezione

precedente.

Il nostro oggetto di business è il cliente e il veicolo attraverso il quale viene analizzato il suo comportamento è l’atto dell’acquisto.

L’ideale sarebbe disporre di numerose informazioni, che caratterizzino aspetti ben precisi del cliente come:

(10)

• aspetti geografici: stato, città e indirizzo di residenza;

• aspetti demografici: età, sesso, dimensione del gruppo familiare, ciclo di vita familiare (giovane single, uomo sposato senza figli, uomo sposato con figli vicini alla laurea), reddito, occupazione, livello d’ istruzione;

• aspetti psicografici: stile di vita (tradizionalista, sofisticato, alla moda), personalità (mite, aggressiva, distaccata);

• aspetti cognitivi e comportamentali: benefici ricercati (comodità, soddisfazione, prestigio), frequenza d’acquisto (costante, ciclica).

Nella realtà trovare un’azienda che dispone di tutte queste informazioni è di fatto molto difficile.

Nella costruzione di un modello ideale è opportuno prendere in considerazione solo alcune delle informazioni sopra citate, che comunemente sono disponibili nelle aziende. Lo stesso procedimento vale per le informazioni dei prodotti, dei negozi, del tempo e delle campagne di marketing.

Per poter esternare, valorizzare ed arricchire le informazioni insite nella storia del rapporto con il cliente, al fine di fornire un valido supporto alle attività di CRM, è indispensabile considerare la fase di vendita come il momento di contatto fra l’azienda e il cliente stesso e quindi come il fatto da analizzare.

In particolare del fatto vendite si considerano le seguenti misure: • unità: numero di capi o altra merce venduta in una transazione; • ricavo: unità * prezzo di vendita – sconto;

• costo: costo di produzione del prodotto + costo cliente + percentuale di costo; dell’eventuale campagna imputabile alla transazione;

• sconto: eventuale sconto applicato; • profitto: ricavo – costo.

(11)

Il fatto vendite verrà analizzato da diverse prospettive che definiscono le dimensioni di analisi.

Alla luce di quanto esposto nelle righe precedenti, sono state individuate cinque prospettive e quindi dimensioni di analisi, esposte di seguito con i relativi attributi ed eventuali gerarchie sugli attributi.

Dimensione Cliente

Aspetti geografici

• tipo cliente (domestico o straniero) • indirizzo di residenza • città di residenza • provincia di residenza • stato di residenza Aspetti demografici • cognome nome • data di nascita • sesso • occupazione • stato civile • numero di figli Altri attributi • codice cliente

• costo cliente (stima del costo del cliente definita in base ai costi di acquisizione e mantenimento sostenuti per lo stesso)

Gerarchie su Cliente

(12)

Dimensione Negozio

• codice negozio

• tipologia negozio (negozio monomarca, licenziatario, etc…) • nome negozio

• indirizzo negozio • provincia negozio • stato negozio

Gerarchie su Negozio

• gerarchia territoriale (nazione, provincia, indirizzo)

Dimensione Prodotti • codice prodotto • tipo prodotto • modello • colore • materiale • taglia • marchio • linea prodotto • categoria prodotto • costo prodotto Gerarchie su Prodotti

• gerarchia prodotti (marchio, categoria, linea, tipo)

Dimensione Tempo

• anno • semestre • mese

Gerarchie su Tempo

(13)

Dimensione Campagna

• codice campagna

• tipo campagna (pubblicità, promozione, etc…)

• mezzi di comunicazione (tabelloni, TV, radio, opuscoli, etc…) • target

• data inizio campagna • data fine campagna • costo campagna

La struttura del data warehouse è presentata in Figura 5.2.

Figura 5.2 Rappresentazione multidimensionale dei dati tramite uno star-schema. Vendite Unità Ricavo Costo Sconto Profitto Negozio Prodotto Data Mese Anno Marchio Categoria Linea Provincia Stato Indirizzo Tipologia Cod Negozio Nome Semestre Cod Data Tipo Colore Taglia Materiale Cliente Indirizzo Provincia Stato Nome Cognome Occupazione Stato civile Sesso Num figli Data di nascita Istruzione Fatto Dimensione Attributi Gerarchia Campagna Tipo Mezzi di comunicazione Data inizio Data fine Costo Città CodCliente Costo Tipo cliente Cod Campagna Target Modello Cod Prodotto Costo

(14)

Prima di passare a vedere quali sono i requisiti di analisi dei dati è opportuno soffermarci ancora un po’ sul modello appena presentato, mettendo in evidenza alcune sue particolarità.

Una tendenza comune in molte aziende attuali è quella di sostituire il profitto al fatturato come indice di redditività, poiché ci si è resi conto che molto spesso i clienti migliori dal punto di vista del volume di acquisti non sempre si rivelano i più proficui.

Nella progettazione del modello è stata rivolta particolare attenzione a questo aspetto lasciando posto fra le misure, sia al ricavo che al profitto di vendita (si tratta di valori lordi). Solitamente gran parte dei modelli di analisi tengono conto del profitto di vendita ma durante il suo calcolo commettono un leggero, ma potenzialmente fatale, errore definendo il profitto come differenza fra ricavo e costo di produzione del prodotto. Mentre il ricavo può essere facilmente calcolato a partire dal prezzo e dalle quantità di unità vendute, il costo dovrebbe considerare che i clienti possono consumare le risorse in maniera diversa, quindi bisognerebbe considerare oltre i costi diretti di prodotto, anche i costi del cliente e delle campagne di marketing (costi indiretti riclassificati secondo la destinazione).

Il costo del cliente dovrebbe esser dato dall’insieme dei costi sostenuti per l’acquisizione dello stesso, per la gestione delle transazioni che l’azienda ha con esso e per l’assistenza da quest’ultimo richiesta.

Il costo delle campagne di marketing andrebbe invece assoggettato dove possibile con la giusta percentuale ad ogni transazione di vendita.

In questo modo, il margine assume un significato più chiaro e decisamente più realistico, mettendo in luce le situazioni in cui è necessario approfondire l’analisi per prendere decisioni sia a livello interno (organizzazione dei processi) che a livello esterno (gestione dei clienti) dell’azienda.

Chiarite queste particolarità del modello, vediamo quali sono i requisiti di analisi dei dati necessari a soddisfare ognuno degli scenari descritti nella sezione precedente.

(15)

Per ognuno degli scenari di analisi si vuole creare uno strumento che sia in grado di fornire dati di sintesi che consentano di individuare velocemente probabili anomalie nell’andamento aziendale, ma che allo stesso tempo contempli la possibilità di avere dati di dettaglio, dove necessario, senza ricorrere all’aiuto dell’analista e quindi senza dover riformulare ogni volta nuovi tipi di interrogazioni. Per realizzare uno strumento di questo tipo è indispensabile avere a disposizione un modello dei dati, come quello descritto prima che grazie ad opportune gerarchie definite sugli attributi delle dimensioni consente un agevole passaggio da dati di sintesi a dati di dettaglio.

Nel seguito verrà specificato quali dati del data warehouse sono necessari definiti i dati (sottoinsiemi del data warehouse) necessari per soddisfare i bisogni di analisi degli scenari precedentemente descritti.

Scenario di analisi clienti

L’obiettivo è di segmentare la clientela in maniera multidimensionale secondo criteri predefiniti. I criteri di segmentazione possono essere basati sul volume di acquisto, sul profitto o su metodi di RFM.

Per eseguire questo tipo di analisi si usa un sottoinsieme dei dati del data

warehouse organizzato su 4 dimensioni e 2 misure come segue:

data: anni, semestri, mesi

cliente: tipo cliente, stato, provincia, città, indirizzo, nome e cognome

negozio: tipo negozio, stato negozio, provincia negozio, indirizzo negozio, nome negozio

prodotto: marchio, categoria, linea, tipo prodotto misure : ricavo, profitto

(16)

Scenario di analisi clienti - negozi

L’obiettivo è di monitorare il comportamento d’acquisto dei clienti nei vari negozi in termini di redditività e frequenza d’acquisto mettendo in evidenza il posizionamento dei clienti in base alla quantità di merce acquistata e all’area geografica d’appartenenza.

Per eseguire questo tipo di analisi si usa un sottoinsieme dei dati del data

warehouse organizzato su 3 dimensioni e 3 misure come segue:

data: anni, semestri, mesi

cliente: tipo cliente, stato, provincia, città, indirizzo, nome e cognome

negozio: tipo negozio, stato negozio, provincia negozio, indirizzo negozio, nome negozio

misure : ricavo, profitto, unità

Scenario di analisi clienti – prodotti

L’obiettivo è quello di monitorare il comportamento di acquisto dei prodotti da parte del cliente nel tempo. E’ necessario poter disporre sia dei dati del cliente che di quelli dei prodotti in modo da analizzare le vendite sotto queste prospettive. Dovrà esser possibile tracciare il posizionamento dei prodotti rispetto ai clienti, al fatturato e al profitto per mettere in evidenza caratteristiche particolari del mercato come la stagionalità di alcuni prodotti o di alcuni clienti.

Per eseguire questo tipo di analisi si usa un sottoinsieme dei dati del data

warehouse organizzato su 3 dimensioni e 4 misure come segue:

data: anni, semestri, mesi

cliente: tipo cliente, stato, provincia, città, indirizzo, nome e cognome prodotto: marchio, categoria, linea, tipo prodotto

(17)

Scenario di analisi clienti – tempo

L’obiettivo è quello di rilevare l’andamento generale dei costi, dei ricavi e dei profitti legati ai clienti consentendo la possibilità di monitorare il numero di clienti acquisiti, mantenuti e persi.

Per eseguire questo tipo di analisi si usa un sottoinsieme dei dati del data

warehouse organizzato su 2 dimensioni e 4 misure come segue:

data: anni, semestri, mesi

cliente: tipo cliente, stato, provincia, città, indirizzo, nome e cognome misure: unità, costo, ricavo, profitto

Scenario di analisi clienti – campagne

L’obiettivo è quello di fornire tutte le informazioni necessarie alla valutazione delle campagne di marketing, confrontando i costi sostenuti per metterle in atto con i profitti generati dal target dei clienti per le quali erano state pianificate.

Le campagne di marketing vengono pianificate per raggiungere determinati obiettivi che possono essere l’acquisizione, il mantenimento o la crescita di particolari categorie di clienti oppure l’incremento delle vendite o altri ancora; e per far ciò utilizzano diverse strumenti di promozione e diversi canali di comunicazione.

La loro valutazione deve, per tanto, tener conto di molteplici aspetti come il tipo di attività promozionale scelta, il prodotto e il negozio sul quale è stata applicata e il target di riferimento; e considerare ognuno di loro nell’analisi delle vendite. Per eseguire questo tipo di analisi si usa un sottoinsieme dei dati del data

warehouse organizzato su 5 dimensioni e 5 misure come segue:

(18)

cliente: tipo cliente, stato, provincia, città, indirizzo, nome e cognome

negozio: tipo negozio, stato negozio, provincia negozio, indirizzo negozio, nome negozio

prodotto: marchio, categoria, linea, tipo prodotto

campagna: costo, tipo, data inizio, data fine, mezzi di comunicazione misure: unità, costo, sconto, ricavo, profitto

5.4.2 Segmentazione multidimensionale della clientela

Terminata la fase di progettazione del modello l’azienda ha deciso di realizzare un prototipo per valutarne la validità.

Il prototipo ha l’obiettivo di segmentare la clientela sulla base dei volumi d’acquisto, a partire da dati di prova che hanno alimentato un piccolo data

warehouse.

Il criterio di segmentazione seguito è stato quello di dividere la clientela su cinque segmenti distinti in relazione al volume di spesa effettuato:

• SUPER LOYAL: clienti con volumi di spesa superiori a 7000 • LOYAL : clienti con volumi di spesa compresi fra 7000 e 4500 • MEDIUM : clienti con volumi di spesa compresi fra 4500 e 3000 • LOW : clienti con volumi di spesa compresi fra 3000 e 1000 • SECONDARY: clienti con volumi di spesa inferiori a 1000

Il data warehouse usato per le analisi di segmentazione è mostrato in Figura 5.3; esso prende in considerazione solo il ricavo come misura, non contiene la “dimensione campagna” e contiene solo alcuni attributi dimensionali previsti dal modello; tuttavia contiene buona parte dei dati necessari all’attività di segmentazione multidimensionale della clientela.

Prima di passare a descrivere gli strumenti utilizzati per le analisi è opportuno ricordare ancora una volta, che l’obiettivo preposto non è solo quello di

(19)

individuare a livello multidimensionale i diversi segmenti richiesti, ma soprattutto quello di consentire al manager di farlo in maniera del tutto dinamica e autonoma, attraverso uno strumento che sia in grado di analizzare ed interpretare i dati passando facilmente dal massimo livello di sintesi dei risultati al massimo livello di dettaglio previsto.

Figura 5.3 Schema a stella del data warehouse realizzato e popolato per verificare la validità del modello di analisi. Vendite Ricavo Negozio Prodotto Data Mese Anno Marchio Categoria Linea Provincia Stato Indirizzo Tipologia Cod Negozio Nome Semestre Cod Data Tipo Colore Taglia Materiale Cliente Indirizzo Stato Nome Cognome Fatto Dimensione Attributi Gerarchia CodCliente Città Tipo cliente Modello Cod Prodotto Costo

(20)

5.4.3 Strumenti e tecniche utilizzate

Lo strumento scelto per eseguire questo tipo di analisi è stato SQL Server 2000 di Microsoft, in quanto risulta rispetto alla concorrenza economicamente competitivo; ricordiamo che uno dei motivi per i quali spesso le aziende rinunciano ad un progetto di business intelligence è proprio quello del costo elevato.

SQL Server 2000 offre la possibilità, attraverso l’uso dei suoi strumenti, di definire a partire dal data warehouse una vista multidimensionale dei dati (o di un sottoinsieme di essi), detta cubo, semplice da utilizzare ed esplorare da parte di utenti finali in cerca di risposte a questioni aziendali. I cubi vengono archiviati in strutture multidimensionali progettate per garantire una rapida risposta ad una vasta gamma di query, riepilogando le misure numeriche in valori preaggregati. Una volta creato un cubo, SQL Server 2000 mette a disposizione la possibilità di interrogare i dati in due modi :

• attraverso applicazioni client che eseguono query sul cubo;

• attraverso tabelle pivot che accedono ai dati del cubo consentendone un’analisi interattiva.

La nostra scelta è ricaduta ovviamente sullo strumento che offre maggior interattività e indipendenza all’utente finale, quindi sull’utilizzo delle tabelle pivot.

Una tabella pivot può essere creata a partire dalle tabelle di un data warehouse scegliendo i fatti e le dimensioni e definendo le gerarchie e le misure da utilizzare oppure a partire da un cubo Olap già archiviato.

Nel primo caso durante l’uso della tabella pivot, verranno eseguite query SQL sullo schema del data warehouse sottostante che effettueranno opportune operazioni di aggregazione sui dati, mentre nel secondo caso verranno eseguite query MDX (MultiDimensional Expression, vedi appendice A) che estrapoleranno i dati direttamente al cubo.

(21)

Per le nostre analisi utilizzeremo una tabella pivot connessa direttamente al cubo, attraverso le funzionalità messe a disposizione dal servizio Pivot Tables di SQL Server 2000.

A partire da essa l’utente finale può eseguire operazioni di pivoting, drill down e roll up, slice e dice sui dati del cubo combinando in modo opportuno le misure con le dimensioni di analisi, come spiegato di seguito.

Una tabella pivot offre la possibilità di analizzare i dati del cubo utilizzando gli operatori OLAP sopra citati, consentendo all’utente finale, nel nostro caso il manager, di analizzare le misure aggregate al variare delle dimensioni, in particolare i volumi di acquisto che definiscono l’appartenenza dei clienti ad uno o all’altro segmento.

Gli operatori OLAP attraverso i quali vengono analizzati i dati, si basano su gerarchie definite sugli attributi dimensionali e in riferimento ad esse consentono di sintetizzare o espandere i risultati, mettendo in luce, per esempio, il volume di spesa totale effettuato dai clienti in base alla nazione o alla città di appartenenza, in un anno o semestre o mese, su di un marchio o categoria o linea di prodotto. Si presentano di seguito una serie di esempi d’uso delle tabelle pivot, al fine di mettere in evidenza il tipo di analisi che un manager può eseguire utilizzando questo strumento. La struttura di una tabella pivot con due dimensioni è mostrata in Figura 5.4.

Figura 5.4 Struttura di una tabella pivot.

Misure aggregate Dimensione 2

Dimensione 1

Totale

(22)

Nel nostro caso il manager avrà a disposizione una tabella attraverso la quale combinare, ai fini dell’analisi, 4 dimensioni e 1 misura.

Le analisi che verranno presentate riguardano dati fittizzi (perché quelli effettivi non si possono mostrare per motivi di privacy).

Supponiamo che il data warehouse contenga i dati relativi alle vendite effettuate in Italia negli anni 2002 2003 e che la gerarchia territoriale sulla dimensione cliente preveda l’attributo tipo cliente come elemento più generale, per distinguere i clienti italiani (domestici) da quelli stranieri.

Come anticipato una tabella pivot consente di eseguire le analisi su due o più dimensioni, con o senza filtri sui dati, aumentando o diminuendo il livello di sintesi o di dettaglio.

Analisi su due dimensioni

Supponiamo di voler analizzare il totale dei ricavi per tipo cliente e per negozi. Per eseguire questa operazione l’utente dovrà trascinare la dimensione Negozi nel campo riga e quella Clienti nel campo colonna o viceversa, mentre dovrà trascinare nel campo riservato ai dati da analizzare la misura Ricavo.

I risultati ottenuti sono presentati in Figura 5.5 e mettono in evidenza il ricavo totale ottenuto in tutti i negozi d’Italia, in base a tutti i prodotti venduti dal 2002 al 2003 diviso per clienti domestici e clienti stranieri.

Tipo cliente

Figura 5.5 Analisi dei Ricavi per Clienti e Negozi.

Stato Negozio Domestico Straniero Totale Italia 2.513.389,22 2.340.510,357 4.853.899,577

Totale 2.513.389,22 2.340.510,357 4.853.899,577

Prodotti

(23)

A questo punto il manager può decidere fra due opzioni: filtrare i dati analizzando solo i ricavi relativi alle vendite del 2002 come mostrato in Figura 5.6 oppure aumentare il livello di dettaglio dell’analisi, andando a vedere anche come sono distribuite le vendite dei clienti stranieri in base allo stato di residenza (drill-down sul tipo cliente straniero), come mostra la figura 5.7.

2002 Tempo

Tipo cliente

Figura 5.6 Analisi dei Ricavi per Clienti e Negozi relativi alle vendite del 2002.

Figura 5.7 Drill Down su Tipo Cliente. Stato Negozio Italia Tipo cliente Domestico Straniero Prodotti Totale 1.860.931,92 Tempo 2002 Stato cliente Francia Svizzera Totale Straniero Totale 1.860.931,92 876.548,80 1.071.113,107 1.947.661,907 876.548,80 1.071.113,107 1.947.661,907 3.808.593,827 3.808.593,827 Stato Negozio Domestico Straniero Totale

Italia 1.860.931,92 1.947.661,907 3.808.593,827

Totale 1.860.931,92 1.947.661,907 3.808.593,827

(24)

Quelle appena presentate non sono ovviamente le uniche tipologie di analisi che il manager può eseguire, egli può scegliere combinazioni diverse delle dimensioni prendendo in considerazione anche il Tempo e i Negozi.

Una tabella pivot mette a disposizione la possibilità di visualizzare più di una misura per volta; essa può essere una grandezza prevista dal modello oppure una grandezza calcolata a partire da quelle già presenti (tratteremo questo caso in seguito).

Come detto in precedenza una tabella pivot consente di passare da analisi in 2 dimensioni ad analisi in 3 o più dimensioni semplicemente aggiungendo un’ulteriore dimensione alla tabella.

Analisi su tre o più dimensioni

La tabella pivot consente al manager di decidere il numero delle dimensioni da prendere in considerazione per le proprie analisi.

Ovviamente quando il manager decide di includere un numero di dimensioni superiore a due, la tabella pivot organizza i dati in modo tale da riuscire a visualizzarli su righe e colonne.

Supponiamo che il manager voglia analizzare i Ricavi delle vendite del 2002 in base ai Negozi, ai Clienti e ai Prodotti, come mostrato in Figura 5.8.

Il risultato che si ottiene mette in evidenza la distribuzione dei ricavi ottenuti sui negozi italiani in base alla tipologia del cliente e al marchio del prodotto.

A questo punto il manager potrebbe eseguire un’analisi di maggior dettaglio sul marchio “Dolce e Amaro J.” per mettere in evidenza la distribuzione dei ricavi sulla categoria dei prodotti, come mostrato in figura 5.9, sfruttando la gerarchia marchio – categoria.

(25)

Figura 5.8 Analisi dei ricavi per Clienti, Negozi, Prodotti.

Come abbiamo visto, le funzionalità offerte dalla tabella pivot (interattività e dinamicità) rappresentano un passo verso il raggiungimento dell’obiettivo, ma hanno bisogno di essere integrate con qualcosa che aumenti il livello di supporto dato al soggetto decisore, per poter centrare lo scopo dell’analisi.

In realtà il manager vorrebbe poter vedere oltre al volume complessivo di spesa di ciascun gruppo di clienti anche la loro distribuzione in base ai criteri di segmentazione definiti in precedenza.

Per far ciò le funzionalità standard di una tabella pivot non sono sufficienti, ma occorre utilizzare il linguaggio MDX disponibile nel sistema SQL Server 2000, per valutare due tipi di soluzioni alternative:

• affiancare alle misure aggregate della tabella pivot, misure calcolate (dette campi calcolati) a partire dai dati del cubo e in grado di etichettare e contare i clienti di ogni segmento;

Tipo Cliente

Domestico

Stato Negozio Marchio Prodotto Italia Totale Tempo 2002 Dolce e Amaro Dolce e Amaro J. Totale Domestico 592.609,27 592.609,27 1.268.322,65 1.268.322,65 Straniero Dolce e Amaro J. Dolce e Amaro Totale Straniero 1.860.931,92 1.860.931,92 718.514,23 718.514,23 1.229.147,667 1.229.147,667 Totale 1.947.661,907 1.947.661,907 3.808.593,827 3.808.593,827

(26)

• definire una dimensione virtuale nel cubo in grado di segmentare i clienti e contare i membri di ogni segmento.

Idee di base, vantaggi e svantaggi di ognuna delle soluzioni vengono presentate di seguito (l’implementazione di ciascuna di esse è riportata nelle appendici B e C).

5.9 Drill Down su marchio prodotti. Tipo Cliente Domestico Stato Negozio Tempo 2002 Dolce e Amaro J. Dolce e Amaro Totale Domestico

Marchio Prodotto Categoria Prodotto Italia Totale

592.609,27 592.609,27

Abbigliamento 1.187.471,14 1.187.471,14

Accessori 80.851,51 80.851,51

1.268.322,65 1.268.322,65 Totale Dolce e Amaro J.

1.860.931,92 1.860.931,92

1.947.661,907 1947.661,907 718.514,23 718.514,23

1.229.147,667 1.229.147,667 Straniero Dolce e Amaro J.

Dolce e Amaro

Totale Straniero

Abbigliamento

Accessori

Totale Dolce e Amaro J.

1.060.450,617 1.060.450,617

168.697,06 168.697,06

(27)

Campi calcolati

In SQL Server 2000 è possibile definire campi calcolati, come risultato della valutazione di un’espressione MDX definita sui dati del cubo. Nell’appendice B si mostra come procedere per i dati negli esempi.

I campi calcolati vengono utilizzati come ogni altra misura e nel nostro caso verranno impiegati per individuare i segmenti definiti sulla base dei volumi di acquisto e studiare la distribuzione dei clienti all’interno di ogni segmento individuato.

In Figura 5.10 si mostra come si modifica la figura la tabella pivot di Figura 5.6 per la presenza dei campi calcolati, in particolare:

• la colonna stato negozio viene estesa con la colonna dati che contiene i nomi dei campi calcolati. I valori dei campi calcolati appaiono nell’area delle misure aggregate;

• il campo ricavo si riferisce al valore aggregato del ricavo di Figura 5.6; • il campo segmento si riferisce al segmento di appartenenza del valore del

ricavo per tipo cliente (ad es. il ricavo 1.860.931,92 del tipo cliente

domestico per negozi in Italia appartiene al segmento S. Loyal);

• i campi S. Loyal, Loyal, Medium, Low, Secondary si riferiscono al numero del tipo cliente per negozi in Italia che appartengono al relativo segmento; • il campo Clienti si riferisce al numero totale del tipo cliente per negozi in

Italia.

La disponibilità di una tabella pivot con campi in grado di etichettare i clienti sulla base dei loro volumi d’acquisto e calcolare il numero di clienti per ogni segmento, rappresenta per il manager un’opportunità per semplificare il proprio lavoro di interpretazione dei risultati.

Questo strumento di analisi risulta particolarmente utile nello studio della composizione dei vari segmenti poiché aiuta il manager a scoprire interessanti particolarità di ognuno di essi.

(28)

2002 Tempo

Tipo Cliente

Figura 5.10 Esempio d’uso dei campi calcolati nella tabella pivot.

Infatti, il manager può scoprire ad esempio che, un gruppo di clienti risulta Super Loyal perchè formato da tanti individui che spendono poco oppure in quanto formato da pochi soggetti che spendono tanto; e ancora capire se un certo cliente o gruppo di clienti risulta essere legato al marchio dell’azienda o al negozio in cui acquista e così via.

Stato Negozio Italia Dati Straniero Prodotti Totale 1.860.931,92 1.947.661,907 3.808.593,827 Domestico Ricavo

Segmento S. Loyal S. Loyal S. Loyal

S. Loyal 10 13 23 9 16 25 Loyal Medium 31 39 70 187 367 554 Low Secondary 698 1.618 2.316 935 2.053 2.988 Clienti 1.860.931,92 1.947.661,907 3.808.593,827 S. Loyal S. Loyal S. Loyal

Totale S. Loyal 13 23 10 9 16 25 Totale Loyal 31 39 70 Totale Low Totale Secondary Totale Clienti 187 698 367 1.618 554 2.316 935 2.053 2.988 Totale Medium

(29)

Osservazioni

I vantaggi di questa soluzione vanno ricercati nell’aumento di espressività dei dati riassunti dalla tabella pivot e nell’autonomia assicurata all’utente che dispone di tutti gli strumenti di cui ha bisogno per eseguire le proprie analisi. La soluzione è efficace ma non pienamente efficiente in quanto il livello di usabilità della tabella pivot decresce all’aumentare delle dimensioni considerate.

Dimensione di analisi virtuale

Questa seconda soluzione ha l’obiettivo di mantenere gli stessi livelli di efficacia della precedente, garantendo però un’efficienza superiore in termini di usabilità dello strumento di analisi.

L’essenza del problema è quella di poter raggruppare i clienti, sulla base di criteri definiti, in segmenti distinti e calcolarne la numerosità.

Una soluzione in tal senso potrebbe essere quella di definire un’ulteriore gerarchia, nella dimensione cliente, in modo da organizzare i dati in classi, definite sulla base dei criteri previsti per la segmentazione.

Questa soluzione non può essere applicata nel nostro modello poiché nella dimensione cliente non è riportato il valore di ogni acquisto da esso effettuato; non si tratta di un errore, ma dell’applicazione delle regole di progettazione di un modello multidimensionale, le quali prevedono che sia la tabella dei fatti a contenere le misure.

L’idea è stata quella di introdurre nel modello una dimensione virtuale di analisi i cui attributi rappresentano in realtà i segmenti che si vogliono calcolare.

Questa appena descritta non è un’operazione semplice poiché i dati contenuti nella dimensione virtuale Analisi , non esistono fino al momento del suo utilizzo all’interno della tabella pivot.

(30)

In realtà al momento della sua definizione la dimensione virtuale Analisi conterrà solo espressioni matematiche e logiche che verranno valutate durante il suo impiego.

Questa dimensione può essere immaginata come una tabella che racchiude tutti i campi calcolati che abbiamo presentato in precedenza.

La tabella dei fatti si collega ad essa con una chiave esterna, uguale per ogni record registrato, cui unico scopo è quello di far riconoscere la tabella Analisi come una dimensione del data warehouse.

Questo accorgimento consente di poter considerare, durante la definizione del cubo, la tabella Analisi come una dimensione di esso.

In particolare il sistema SQL Server 2000 mette a disposizione la possibilità di correlare due colonne durante la definizione di una dimensione, in questo modo sebbene la dimensione contenga un unico livello di metadati, il numero di livelli visualizzati nelle applicazioni client dipende dai dati delle due colonne.

Questa opzione consente di creare una dimensione padre – figlio ed è stata utilizzata nel nostro caso per creare una correlazione fra il livello Segmenta Clienti che calcola il numero complessivo di clienti che hanno effettuato un acquisto e i livelli S.Loyal, Loyal, Medium, Low, Secondary che calcolano il numero di clienti che appartengono ad ognuno dei relativi segmenti.

La sua realizzazione è stata possibile grazie all’utilizzo del linguaggio MDX ed è presentata nei dettagli tecnici nell’appendice C.

Affinché questa soluzione funzioni è necessario che la tabella pivot venga collegata direttamente al cubo, sfruttando il servizio Pivot Tables.

In questo modo ogni volta che l’utente definirà una nuova combinazione di dimensioni e misure da analizzare l’applicazione client che gestisce la tabella pivot chiederà tramite una stringa di interrogazione MDX i dati direttamente al cubo cui è collegata.

(31)

Il risultato ottenuto tramite questa nuova soluzione è quello di poter segmentare la clientela utilizzando a tutti gli effetti una dimensione di analisi appositamente creata.

Questo significa avere accesso ad una serie di funzionalità che con i campi calcolati non erano possibili come: filtrare i dati in base ad un segmento.

Attraverso questa dimensione è possibile classificare i clienti rispetto ad ognuna delle altre dimensioni del cubo ad esempio negozi, tempo o prodotti, la segmentazione che ne deriva può essere definita a tutti gli effetti multidimensionale ed estremamente dinamica.

In Figura 5.11 viene presentato il risultato della combinazione della dimensione

Analisi con le dimensioni Negozio e Tempo.

Stato Negozio Anno

Italia Analisi 2002 2003 Volume d’acquisto 3.808.593,827 878.909,09 Clienti 2.988 500 Prodotti Clienti

Figura 5.11 Segmentazione rispetto a Negozi e Tempo.

Questa tabella mette in luce il numero totale di clienti e il loro volume di spesa complessivo rispetto al tempo.

Aggiungendo la dimensione Clienti il manager può facilmente scoprire come sono distribuiti gli acquisti rispetto ai clienti e il numero clienti rispetto alla loro tipologia, come mostra la Figura 5.12.

(32)

Stato Negozio Anno Italia

Figura 5.12 Segmentazione rispetto a Clienti, Negozi, Tempo.

Oltre a poter essere combinata con tutte le altre dimensioni del cubo, la dimensione Analisi offre la possibilità di vedere, in qualsiasi momento e con un semplice click del mouse, la distribuzione della clientela sui segmenti di analisi definiti in precedenza, come mostra la Figura 5.13.

2002 2003 Analisi Volume d’acquisto Clienti 531.245,09 935 192 Volume d’acquisto Clienti 1.947.661,907 347.664 2.053 308 Tipo Cliente 1.860.931,92 Domestico Straniero Prodotti

(33)

Anno Stato Negozio

Italia

Figura 5.13 Distribuzione della clientela rispetto ai segmenti di analisi.

L’ultimo esempio proposto, prima di passare alla descrizione dei vantaggi e degli svantaggi, utilizza la dimensione Analisi come filtro sui dati, per consentire al manager di studiare un singolo segmento, nel nostro caso, il segmento Super Loyal. In Figura 5.14 si mostra il numero di Super Loyal per stato negozio e per anno. 2002 2003 Analisi Volume d’acquisto Clienti Tipo Cliente 531.245,09 1.860.931,92 192 Domestico Super Loyal 10 7 Loyal 9 5 Medium 31 1 Low 187 25 Secondary 698 154 Totale Clienti 935 Volume d’acquisto Straniero Prodotti Clienti 8 1.947.661,907 347.664 Super Loyal 13 Loyal 16 11 Medium 39 7 52 Low 367 230 Secondary 1618 Totale Clienti 2053 308

(34)

Analisi Super Loyal

Stato Negozio Anno

Italia Tipo Cliente 2002 2003 Domestico 10 7 Straniero 13 8 Totale 23 15 Prodotti

Figura 5.14 Esempio d’uso della dimensione Analisi come filtro sui dati.

Questi risultati vengono raggiunti tramite l’esecuzione di query MDX per recuperare i dati direttamente dal cubo OLAP. Quello che segue è un esempio di interrogazione MDX che la tabella pivot di Figura 5.11 ha eseguito per ottenere i dati dal cubo:

SELECT {Hierarchize({{[Store].[All Store].[GB]}})} on 0,

{Hierarchize({{UNION({[DimSegmenta].[Standard]},{[DimSegmenta].[Segmenta Clienti]})}})} on 1 from [SALES] where ([Time].[2002], [Time].[2003]) CELL PROPERTIES VALUE, FORMATTED_VALUE, FONT_NAME, FONT_SIZE, FONT_FLAGS,FORE_COLOR, BACK_COLOR, FORMAT_STRING

Di fatti se si cercasse di spiegare il funzionamento della tabella analisi partendo dal data warehouse e utilizzando gli operatori SQL si riuscirebbe a giustificare l’esistenza del solo campo volume d’acquisto ossia l’unico campo il cui codice compare nella tabella dei fatti.

(35)

Osservazioni

I vantaggi che questa soluzione apporta riguardano la semplicità con cui vengono eseguite le analisi nel rispetto di un buon livello di usabilità della tabella pivot, scegliendo a seconda delle esigenze dati di sintesi o dati di dettaglio con un semplice click del mouse.

Gli svantaggi vanno ricercati nella maggior attenzione e nel maggior impegno richiesti durante la fase di implementazione.

Figura

Figura 5.1 “La piramide della moda”
Figura 5.2 Rappresentazione multidimensionale dei dati tramite uno star-schema.   Vendite Unità Ricavo Costo Sconto Profitto Negozio  ProdottoData Mese Anno  Marchio Categoria Linea Provincia Stato IndirizzoTipologia Cod Negozio NomeSemestre Cod Data Tipo
Figura 5.3 Schema a stella del data warehouse realizzato e popolato per verificare la validità del modello di analisi
Figura 5.4 Struttura di una tabella pivot.
+7

Riferimenti