, la centralità del cliente nei processi di conoscenza e di decisione aziendali è ormai evidente anche nel settore automotive. Il CRM, Customer Relationship Management, sta assumendo un peso sempre più notevole all’interno delle scelte manageriali, poiché conoscere e saper agire sul bacino clienti è una leva fondamentale del marketing, specialmente in un’ottica di lungo periodo.

1. ANALISI DEI PERCORSI DI LOYALTY NEL SETTORE SERVICE
AUTOMOTIVE:
IL CASO SEAT
Francesca Stramazzo
1

2. 2
Sommario
1) Oggetto ed Obiettivi
2) CRM e Data Mining
3) Disegno di ricerca: Il caso Seat
4) Obiettivi di Business ed obiettivi di Data Mining
5) I Dati e il Campione
6) Metodologia e Valutazione dei risultati
7) Implicazioni manageriali
8) Suggerimenti al Management e Limiti

3. 1. Oggetto ed Obiettivi
 Obiettivo: analizzare i database in possesso del CRM di Seat al fine
di scoprire dei percorsi di loyalty.
 Esigenza di business dell’azienda: ricerca di un indicatore di fedeltà
per migliorare il CRM e aumentare la probabilità di acquisto del
servizio.
 I risultati:
 diversi comportamenti di fedeltà dei clienti per le tipologie di
interventi offerte dal service di Seat
 differenziazione comportamentale nei clienti con veicoli
LongLife (un’innovazione tecnologica dell’olio motore).
 Le implicazioni manageriali:
 utilizzare l’indice di fedeltà ottenuto per campagne di
marketing e per strategie aziendali
 differenziare le offerte, così da costruire una proposizione di
loyalty durevole nel tempo.
3

4. Il Customer Relationship Management indica il contatto e la relazione con il cliente, al
fine di sviluppare una rete che colleghi l’azienda al consumatore finale del bene e del
servizio, in un rapporto mutualmente beneficiario per entrambe le parti.
2. Il CRM e Data Mining
 Legata a politiche sia anti-churn sia volte a conquistare i prospect.
 Ci si è occupati della parte analitica del CRM, che esplora, dai data
warehouse, i dati provenienti da tutte le linee di business, al fine di ottenere
un profilo per ciascun cliente.
 È stato seguito un approccio discovery-driven, dai dati alla conoscenza.
 È stato implementato un metodo di apprendimento supervisionato, il quale
prevede, dato un insieme di parametri noti, il valore di un diverso parametro
di output relativo all’elemento stesso.
Il processo di data mining consente di “scavare nei dati”, con lo scopo di definire un
pattern descrivente le relazioni chiave che emergono nel processo di estrazione di
nuova informazione dai dati.
(Berry J.A & Gordon, 2004)
.

5. È stato adottato il CHAID, albero che utilizza come criterio di split il test di
indipendenza statistica del Chi quadrato.
Sono stati creati dei pacchetti di manutenzione ordinaria, per poi poter
costruire delle probabilità di passaggio in officina per ciascun pacchetto. I
pacchetti manutentivi sono:
 cambio olio, pastiglie dei freni, spazzole tergicristallo, ammortizzatori, filtri
polvere, motore e aria, candele e candelette.
3. Disegno di ricerca: il caso Seat
5Fonte: dati Seat
L’innovazione
tecnologica
introdotta con il
sistema LongLife
ha allungato i
periodi di alcuni
tipi di
manutenzioni
ordinarie (cambio
olio).

6. 4. Obiettivi di Business ed obiettivi di Data Mining
6
L’obiettivo principale di questo lavoro può essere esploso in 4 micro - obiettivi di
business, legati a corrispondenti obiettivi di data mining:
 Esplorazione dei data set e delle variabili determinanti nel processo di
costruzione di un percorso di fedeltà
 Definizione di pacchetti che descrivono dei raggruppamenti di interventi
secondo specifiche concordate direttamente con Seat
 Individuazione di una variabile che descriva la loyalty della clientela del
Service Seat
 Creazione di una variabile output per pacchetto d’intervento
 Classificazione dei clienti in base alle probabilità di passaggi agli interventi
Partizione dei clienti del service Seat in base alla frequenza del passaggio
in officina
 Descrizione dei clienti in base alla classe di loyalty di appartenenza
Esplorazioni descrittive sui risultati emersi sui clienti in relazione ad età,
chilometraggio percorso, modello

7. 5. I Dati e il Campione di Validazione
 Sono stati scelti i soli interventi
in un lasso temporale
predeterminato di 6 mesi.
 Le principali variabili utilizzate
nel processo di estrazione di
conoscenza sono visualizzabili in
tabella.
Il data set originario è stato
ripartito in 2 subsample:
 Una parte (70%) per
l’addestramento del modello;
 Una parte (30%) in out of
sample, per la validazione del
modello .
7
Principali Variabili Descrizione delle variabili
CLIENTE
Codice che identifica il business
partner
TELAIO
Codice di 17 cifre che identifica il
telaio univoco del veicolo
DAT-ANNO Campo chiave
NUM-PROG Campo chiave
COD-CONTROPARTE
Codice dell’organizzato che ha
effettuato il passaggio.
COD-TELAIO Codice telaio del veicolo
COD-TIPO-CLIENTE Tipo cliente
COD-TIPO-INTER Tipo intervento
NUM-CHILOM-VEI Numero di chilometri autoveicolo
DAT-
IMMATRICOLAZIONE
Data di immatricolazione
autoveicolo. Formato: SSAA-
MM-GG
Inizio_possesso
Data di inizio possesso del
veicolo
Fine_possesso Data di fine possesso del veicolo
RELAZIONE ATTIVA
Indica se il BP ha ancora una
relazione attiva con Seat

8. 6.1 Metodologia CHAID
Le variabili in input sono:
 Il chilometraggio stimato, variabile derivata. È stata stimata per i veicoli con
un solo passaggio come differenza in giorni fra il chilometraggio al passaggio
e il chilometraggio al momento della data di immatricolazione, mentre per i
veicoli con più di un passaggio come differenza fra il chilometraggio
nell’ultimo passaggio rispetto al passaggio precedente. La media del
chilometraggio annuale è stata poi calcolata utilizzando la formula:
 La differenza in semestri dall’ultimo passaggio in officina;
 Il segmento annuo, indicato come il periodo che decorre dalla data di
immatricolazione al momento del passaggio, esplicando quindi l’anzianità del
veicolo;
 Il segmento derivato, che discretizza in fasce ad intervalli fissi l’anzianità del
veicolo: 0-2, 2-4, 4-7, 7-10, oltre a 10 anni.
8

9. 6.1 Esempio di nodi CHAID
La figura mostra una parte di un albero CHAID come da output da SPSS
Modeler; nello specifico, l’albero del pacchetto candele/ candelette.

10. 6.2 Valutazione dei risultati
10
Variabile dipendente
Area sottesa
alla ROC
% di corretta
riclassificazione
Cambio Olio 0,701 65,15%
Cambio Olio Pre LongLife 0,703 63,82%
Cambio Olio Post LongLife 0,678 64,29%
Cambio Pacchetto Filtri 0,683 63,96%
Cambio Ammortizzatori 0,665 62,96%
Cambio Spazzole Tergicristallo 0,694 64,93%
Cambio Pastiglie/ Ganasce
Freni
0,745 64,75%
Cambio Candele/ Candelette 0,749 68,02%
La curva ROC è un indicatore di bontà dei modelli; rappresenta lungo i due assi
il vero positivo rispetto al falso positivo. L’area sottostante alla curva ROC
esprime il potere diagnostico del test; il test è tanto migliore quanto più la ROC
è spostata in alto a sinistra.
La tabella mostra i valori delle aree sottese per i modelli applicati al subsample
d’addestramento; anche sull’out of sample il test performa positivamente.
Test Ideale

11. 7.1. Implicazioni Manageriali – I Pacchetti di intervento (1)
11
Variabile dipendente Importanza dei predittori
Cambio Olio
Chilometraggio stimato (63%), lag temporale dall’ultimo intervento
(17%), segmento derivato (12%)
Cambio Pacchetto Filtri
Lag temporale dall’ultimo intervento (66%), segmento derivato
(16%), chilometraggio stimato (7%)
Cambio Ammortizzatori
Chilometraggio stimato (69%), lag temporale dall’ultimo intervento
(19%), segmento annuo (10%)
Cambio Spazzole
Tergicristallo
Chilometraggio stimato (70%), lag temporale dall’ultimo intervento
(28%), segmento derivato (3%)
Cambio Pastiglie/
Ganasce Freni
Chilometraggio stimato (86%), segmento derivato (7%), lag
temporale dall’ultimo intervento (4%)
Cambio Candele/
Candelette
Segmento annuo (61%), chilometraggio stimato (29%), lag
temporale dall’ultimo intervento (11%)
Gli alberi decisionali sviluppati su ciascun pacchetto mostrano delle similarità:
 Primo predittore:
 Chilometraggio in cambio olio, ammortizzatori, tergicristallo, pastiglie
freni;
 Lag temporale in cambio filtri;
 Anzianità del veicolo in cambio candele/candelette.

12. 7.1. Implicazioni Manageriali – I Pacchetti di intervento (2)
12
Sono emerse delle differenziazioni importanti:
 I clienti che si recano in officina per il cambio filtri sono quelli con il lag
temporale minore dall’ultimo intervento.
 strategie di retention.
 I clienti che eseguono il cambio delle spazzole tergicristallo e delle pastiglie
freni crescono all’aumentare del chilometraggio percorso dell’auto.
 campagna di sensibilizzazione al passaggio in officina per possessori di
veicoli con una fascia di chilometraggio percorso medio-alto.
 Per il cambio di candele/ candelette, fra i clienti con veicoli fra i 5 - 8 anni, vi
è maggiore probabilità di passaggio laddove il lag temporale è basso.
 campagne di richiamo attraverso punti di contatto dei clienti,
specialmente di quelli che sono passati da meno di un anno in officina.

13. 7.2. Implicazioni Manageriali – LongLife (1)
13
Variabile dipendente Importanza dei predittori
Cambio Olio Pre
LongLife
Chilometraggio stimato (45%), lag temporale dall’ultimo
intervento (29%), segmento derivato (14%)
Cambio Olio Post
LongLife
Chilometraggio stimato (62%), segmento derivato (23%),
segmento annuo (9%), lag temporale dall’ultimo intervento
(5%)
Sono stati partizionati i dati fra i veicoli prodotti prima del 2010 e dopo
il 2010 (anno di introduzione del LongLife).
I clienti con veicoli non LongLife più fedeli al service sono coloro i quali
possiedono auto che hanno percorso un numero piuttosto alto di
chilometri, come per i veicoli LongLife, ma diversamente da
quest’ultimi, l’importanza predittiva della differenza dall’ultimo
intervento raddoppia quasi la sua importanza.

14. 7.2. Implicazioni Manageriali – LongLife (2)
14
Implicazioni Pre LongLife:
 Adottare politiche di marketing che hanno come target principale i
possessori di veicoli ad anzianità elevata, sensibilizzandoli
sull’importanza di utilizzare una buona qualità dell’olio motore
soprattutto su automobili che non hanno motori più nuovi.
 Seat potrebbe sviluppare in collaborazione con l’intero gruppo
Volkswagen un olio motore di alta qualità che allunghi i lag
manutentivi anche per i veicoli con la vecchia tecnologia.
Implicazioni Post LongLife:
 Poichè la necessità del passaggio in officina è suggerita
dall’accensione di una spia, non sembra conveniente adottare
nessuna strategia di marketing ad hoc per questo segmento.

15. 8.1 Evidenze e Suggerimenti al Management
15
In conclusione, è necessario all’interno del bacino clienti del
Service che i diversi segmenti di clienti fedeli per pacchetti
manutentivi vengano valorizzati in maniera differenziata dal CRM,
per poter creare una proposizione di loyalty consistente e durevole
nel lungo periodo.
Tergicristallo
Pastiglie Freni
Sensibilizzazione al passaggio per
auto con chilometraggio elevato
Cambio Filtri Strategie per aumentare la
retention
Olio
Pre LongLife
Programmi promozionali su olii
motore di maggiore qualità

16. 8.2 Limiti dell’analisi
16
Nella valutazione circa il grado di efficacia e di applicabilità delle
implicazioni proposte, è essenziale considerare una serie di limiti
insiti nell’indagine empirica presentata:
 l’indisponibilità di informazioni complete relative ai clienti non
loyal;
 i dati del service analizzati sono slegati dai dati di vendita;
 l’esclusione dal processo di data mining dei clienti aziende;
 la necessità di adottare nel modello di alcune variabili stimate,
come il chilometraggio;
 le analisi sono state condotte solo su interventi avvenuti in un
lasso di tempo (fino a Gennaio 2014).

17. Grazie per l’attenzione.