Dopo ingenti investimenti in soluzioni di business intelligence, per la big data analysis o il mobile engagement e avere costituito team multidisciplinari per l’analisi dei milioni di dati disponibili, la maggior parte delle aziende, ormai orientate verso la multicanalità, non riesce ancora a conoscere a fondo la customer experience e a impostare strategie competitive su questa basate (nonostante questo sia un obiettivo dichiarato da tutte). Per aiutarci a capire quali sono gli elementi importanti di focalizzazione per riuscire ad avere una profilazione dei clienti che consenta realmente di basare la propria strategia competitiva sulla customer experience, abbiamo intervistato Paolo Pasini, Direttore della Unit Sistemi Informativi e Responsabile Scientifico dell’Osservatorio Business Intelligence, Sda Bocconi School of Management, e Carlo Vercellis, Full Professor of Computer Science al Politecnico di Milano e Responsabile dell’Osservatorio Big Data Analytics & Business Intelligence della School of Management dell’ateneo milanese.
La gestione della customer experience: anonima o personale?
Paolo Pasini, Direttore della Unit Sistemi Informativi e Responsabile Scientifico dell’Osservatorio Business Intelligence, Sda Bocconi School of Management
Un primo punto che è importante chiarire perché consente di definire meglio gli obiettivi che si vogliono raggiungere (e quindi gli strumenti da utilizzare) è se stiamo parlando di una profilazione sempre più precisa del cliente (o potenziale cliente) che va a collegare i suoi diversi profili per avere un unico repository con tutti i suoi dati e comportamenti di acquisto (abbinando la conoscenza nominale del soggetto con azioni e comportamenti) oppure se stiamo parlando di azioni push per spingere all’acquisto un, anonimo in questo caso, cliente in un determinato momento, attraverso per esempio servizi forniti da Telco o dai classici Overt The Top (Google, Yahoo!, Facebook, YouTube, Skype ecc.).
“È una differenza molto importante – spiega Vercellis – perché quando parliamo di mobile engagement, per esempio, spesso si fa confusione tra i due piani: nel primo caso parliamo di mobile marketing, nel secondo siamo nel mondo del mobile advertising. Se, per esempio, un’azienda retail acquisisce il servizio di un operatore mobile per effettuare adv georeferenziato (transitando attraverso una determinata “cella” l’utente dell’operatore mobile viene raggiunto da una specifica promozione perché in quella zona c’è un negozio dell’azienda retail che ha acquistato il servizio), le informazioni rimangono anonime per l’azienda retail, non le permettono di arricchire il profilo del proprio cliente”. In questo caso l’azienda si comporta come per l’acquisto di pubblicità tradizionale, molto profilata, specifica, avanzata certo, ma pur sempre anonima e dove l’owner del contatto non è l’azienda stessa, ma il provider del servizio.
Carlo Vercellis, Full Professor of Computer Science al Politecnico di Milano e Responsabile dell’Osservatorio Big Data Analytics & Business Intelligence della School of Management dell’ateneo milanese
“Se invece parliamo di social Crm che consente di avere quella visione unica, e nominale, del cliente [cui sono indirizzate le azioni di marketing, mobile o non mobile, ndr] la cosa è molto più difficile, è un obiettivo ambizioso, ma che pochi riescono ancora a realizzare; non tanto perché non esistano le soluzioni per farlo ma perché intervengono problemi, come quello della privacy [vedi articolo a pag 48, ndr] o di reale qualità del dato, non semplici da superare”, prosegue il docente del Politecnico.
“Inoltre – aggiunge Vercellis – bisogna ricordare che il tema del customer profile a 360° ci lega inevitabilmente a quello del livello di servizio garantito. La multicanalità non è solo marketing, ma anche servizio: attraverso i social network, come utente, non mi limito ad essere informato sulle attività di un’azienda, ma comunico eventuali disservizi, richieste di aggiornamenti di offerta ecc.”. E tutto ciò deve essere analizzato e gestito.
La strategia multicanale, una possibile roadmap
Torniamo quindi a quel percorso che le aziende devono fare per capire se esiste una metodologia consolidata. La risposta di Pasini è netta: “Non esiste ancora una vera metodologia, tutti stanno cercando di ispirarsi all’esperienza fatta per cercare di darsi un metodo”. La Unit Sistemi Informativi e la Unit Tecnologia e Produzione di Sda Bocconi hanno realizzato lo scorso anno una ricerca con 10 aziende pioniere in Italia in ambito multicanalità e ora sta proprio cercando di definire una possibile roadmap per supportare una nuova strategia competitiva. Perché poi è a questo che serve conoscere la customer experience: ad essere più competitivi.
Prima di tutto Pasini ci ricorda che le aziende stanno vivendo quattro grandi fasi: da aziende monocanale sono quasi tutte diventate pluricanale (affiancando al tradizionale canale fisico, quello web, ma dove i processi tra i due canali sono completamente separati), per poi passare a una multicanalità più spinta dove ai canali fisici si affiancano diversi canali digitali (dal web alle app, dove magari il cliente si informa sul web ma acquista nel negozio o viceversa, ma non vi sono processi integrati tra i diversi canali) fino ad arrivare (poche) alla vera e propria omnicanalità che implica l’integrazione di tutti canali. “E quando parliamo di integrazione – specifica Pasini – non ci riferiamo ai soli aspetti tecnologici bensì al livello organizzativo e di analisi dei dati. È solo questa integrazione che consente di seguire la customer experience dal momento in cui il bisogno si manifesta a quello in cui si effettua l’acquisto fino al customer care, indipendentemente dal canale utilizzato”.
Figura 1: La roadmap verso l’omnicanalità Fonte: ricerche Sda Bocconi, 2015Nell’ambito di questa ipotetica roadmap Sda Bocconi ha identificato le 9 variabili che cambiano in questo percorso (figura 1); nel corso della ricerca le singole caselle della matrice verranno popolate con le azioni da compiere:
- Single customer view – Riuscire ad avere la visione unica del cliente, che sia anonimo o identificato, indipendentemente dal canale che utilizza; ovviamente questo è sempre più difficile man mano che ci si sposta verso la omnicanalità
- In store technologies – Utilizzo di tutte quelle tecnologie che consentono di seguire il cliente quando si trova nel negozio fisico. E dal punto di vista dell’analisi le informazioni fornite dai famosi Beacon (piccoli dispositivi basati su tecnologia Bluetooth che consentono all’azienda di interagire con il cliente all’interno del punto vendita).
- Social customer engagement – Come ingaggiare il cliente soprattutto sulla parte social: “Oggi è ancora una sfida, il problema di come richiamare l’attenzione del cliente sui social è ancora un grande interrogativo, soprattutto adesso che i social stanno vivendo un momento di maturità”, precisa Pasini.
- Data analysis – Come compiere l’analisi su tutti i dati generati dai punti precedenti? Quali tecnologie utilizzare? Come già evidenziato da Vercellis ci sono tematiche di qualità del dato, di privacy da gestire o, ancora, di capacità di insight nei dati.
- Product mix and Pricing Policy – Quali prodotti mettere in vendita sui vari canali e con quale politica di prezzo? “È un tema molto importante e che richiede una fortissima capacità di analisi: alcuni prodotti ‘funzionano’ solo su determinati canali, altri vanno bene per tutti i canali, ma devono avere prezzi differenziati. Uno degli output più interessanti che le aziende stanno avendo dalla multicanalità è che è possibile segmentare la clientela in funzione del canale che utilizza: non ci si basa più, o non solo, sul profilo socio-demografico, una delle variabili di profilazione è proprio data dal mix di canali che l’utente utilizza”, precisa Pasini
- Organizational Model – Questa trasformazione verso la omnicanalità cambia in modo radicale il modo in cui l’azienda si organizza per analizzare i dati. “Oggi stiamo tutti copiando Google, Uber ecc. nelle loro practice di analisi dei dati [cercando di capire quali soluzioni usano, quali ‘magici’ algoritmi ecc., ndr], ma in pochi stanno andando a vedere come queste realtà si sono organizzate per analizzare i dati, mentre se lo si facesse si scoprirebbero modelli molto centralizzati. Invece in Italia, ma non solo, abbiamo realtà dove l’analisi dei dati è demandata a diversi centri di competenza, specializzati su singoli aspetti. In pochi stanno facendo seri ragionamenti sul modello organizzativo, sia dal punto di vista dell’analisi dei dati sia dal punto di vista commerciale: avere tanti canali significa avere un responsabile per ogni canale? Oppure un responsabile della omnicanalità? Se si creano centri di potere diversi, ognuno cercherà di gestire al meglio il proprio, anche a discapito degli altri. Quindi anche questo è un tema organizzativo molto importante”. E che ha impatto diretto sulla customer experience perché si può correre il rischio di dare messaggi discordanti e, quindi, di disorientare il cliente che, molto rapidamente, può decidere di rivolgersi altrove.
- KPI & Incentives – Cambia la politica commerciale e di incentivi ed è importante che, nella stessa azienda, nessun canale percepisca gli altri canali come concorrenti, ma per raggiungere questi obiettivi “non si può prescindere dalla capacità di misurazione delle performance dei vari canali e delle persone che vi lavorano”. Tema direttamente collegato a quello del modello organizzativo.
- Demand Fulfillment & Delivery – La gestione logisica è una fonte importantissima di dati, dalla verifica della disponibilità della merce, alla gestione dell’ordine, alle modalità di pagamento. Più i canali sono integrati, anche da questo punto di vista, e migliore sarà la capacità dell’azienda di rispondere alle esigenze del cliente (per esempio proponendo alternative, nel caso i tempi di disponibilità di un prodotto in un canale non soddisfino le sue necessità)
- Reverse Logistics – La gestione del reso (ossia quelle merci che vengono respinte dal cliente, per difetti o difformità da quanto ordinato, al produttore o distributore) merita secondo Sda Bocconi un’analisi a sé e non può essere semplicemente un “di cui” del tema logistica. “In Italia è troppo spesso sottovalutato, invece rappresenta un parametro fondamentale per valutare il livello di servizio garantito da un’azienda”, afferma Pasini.
Data driven strategy, come attuarla nelle aziende italiane
L’ultimo report dell’Osservatorio Big Data Analytics & Business Intelligence del Politecnico di Milano titola “Big Data: da Data Insight a Data Driven strategy” (vedi articolo Big Data Journey, il difficile percorso delle aziende italiane) e quello che vogliamo capire con i nostri interlocutori è quanto le aziende italiane basino effettivamente la propria strategia di business sul valore dei dati. “Poco, quasi mai” potrebbe essere la sintesi delle risposte dei due docenti. “Il titolo che abbiamo dato al nostro ultimo report – dice Vercellis – è un auspicio. Cresce la consapevolezza dell’importanza di una strategia basata sui dati, ma penso siano necessari ancora due o tre anni perché questa consapevolezza si consolidi in azioni efficaci”. Naturalmente c’è molta diversità tra le diverse aziende e, soprattutto, tra i differenti settori: telco e retail sono i due mondi dove entrambi i docenti riconoscono si siano fatti i passi più interessanti, soprattutto nell’ambito della vera e propria monetizzazione del dato. Anche in questo caso, spesso non è però derivata da una vera e propria strategia di partenza, ma come conseguenza dell’essersi resi conto di disporre di una quantità e qualità di dati che potevano interessare altri soggetti della filiera.
Quali soluzioni e competenze per la big data analytics?
Abbiamo concluso il nostro incontro con i due docenti cercando di capire quali sono le principali novità per quanto riguarda le soluzioni di analytics che possono supportare le aziende nel meglio interpretare la customer experience.
La vera grande novità, sembra essere la risposta di Pasini, è che non ci sono grandi novità: “Le soluzioni afferiscono sempre alla famiglia di soluzioni che abbiamo sempre utilizzato nella Business Intelligence, intesa come insieme di tecnologie, dati, processi, organizzazione e competenze dedicate all’analisi dei dati; con BI Tools nella prima generazione; con Analytic Applications nella seconda fase; con Analytics e Advanced Analytics e nuovi dati più veloci e di natura diversa nella terza fase generazionale. Big data ha creato un comparto più che una nuova area interpretativa; l’ecosistema Hadoop è interessante, soprattutto perché emergono nomi di prodotti nuovi e open source, ma le advanced analytics, le analytic applications, le appliance, i noSQL database, per citare alcune delle tecnologie associate al fenomeno dei Big data, erano preesistenti al fenomeno stesso. Il vero problema è che oggi mettere insieme tutte le metriche necessarie per analizzare questo complesso fenomeno del contatto con il cliente e dell’analisi di tutto il ciclo di vita della sua relazione con l’azienda è molto più complesso perché si tratta di un mix di metriche (figura 2) che analizzano email, webinar, comportamento nei negozi, navigaizone sui siti, passaggi dai blog e dai social media e che devono essere combinate con le forme di comunicazione classica (dalle pagine pubblicitarie ai volantini) che ancora oggi le aziende usano. È solo tutto più complesso, ma il problema non sono le tecnologie”.
E infatti, come abbiamo visto dalle variabili identificate da Sda Bocconi i temi organizzativi hanno come sempre un peso non indifferente, ai quali si aggiunge quello delle competenze, come emerge dalla risposta di Vercellis: “Quando ci muoviamo nell’ambito predictive analytics, advanced analytics, io credo sempre più in soluzioni custom. Se un’azienda deve trarre vantaggio competitivo dall’analisi dei dati, è molto probabile che non lo troverà in una soluzione da scaffale. Ovviamente bisogna disporre delle tecnologie di base adeguate: una potente libreria di algoritmi, completa e scalabile con algoritmi lineari o sublinerari che possano essere eseguiti su una grande mole di dati. Occorre poi l’infrastruttura hardware idonea, con nodi paralleli per compiere grandi elaborazioni in poco tempo. Ma stiamo parlando dello scheletro e non sta certo qui il differenziale competitivo, il differenziale sta in una soluzione che sia taylor made. Una soluzione che non inventi un nuovo algoritmo, ma che sia innovativa, creativa nella modalità di utilizzo dei potenti algoritmi a disposizione. È in questo modo che si crea il gap con i concorrenti”. Da questa dichiarazione si desume che le competenze sono un elemento cardine di una strategia data driven: “Certo – conclude Vercellis – sono le competenze che porto in azienda, direttamente o attraverso consulenze, che fanno la differenza. Linkedin, Facebook ecc. hanno al loro interno esperti di analisi dei dati dove le skill tecniche non sono le più importanti, ma che si caratterizzano per la capacità progettuale nel modo di utilizzare i dati per creare nuovi servizi”.
Per maggiori informazioni: Big data analytics, come fare e quali le competenze necessarie
