Data Mining per ottimizzare CRM, Local e Direct Marketing

  • 2,023 views
Uploaded on

Data Mining per ottimizzare gli investimenti in CRM, Direct e Local Marketing. …

Data Mining per ottimizzare gli investimenti in CRM, Direct e Local Marketing.
Sfruttare le informazioni del database di marketing a supporto delle decisioni strategiche e operative. Approccio VALUE LAB e CASE HISTORY di successo.

More in: Business , Technology
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
2,023
On Slideshare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
0
Comments
0
Likes
2

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Data Mining per ottimizzare gli investimenti in CRM, Direct e Local MarketingSfruttare le informazioni del database di marketing a supporto delle decisioni strategiche e operative – Case history di successo – Marco Di Dio Roccazzella – Partner VALUE LAB Fabio Manzoni – Data Mining Senior Specialist Milano, 16 Febbraio 2011 Via Durini, 23 – 20122 Milano Tel. +39.02.77.88.931 Fax +39.02.76.31.33.84 Via Salandra, 8 – 00187 Roma - Tel. +39.06.91.80.20.01 www.valuelab.it valuelab@valuelab.it
  • 2. Profilo SAS• Fondata 1976 a Cary, NC, USA – Uffici in oltre 50 paesi – 11.500 dipendenti nel mondo – 50.000 installazioni in 127 nazioni – Oltre 600 partner nel mondo• Fatturato 2010: 2.43 Miliardi US$ – 35 anni di costante crescita• Maggiore produttore mondiale di “Business Analytics” e BI• Maggiore società di software a capitale privato – Autonomia di strategie rispetto ad azionisti e analisti – Autonomia nell’investire annualmente circa ¼ del fatturato in R&D• In Italia dal 1987 – Fatturato 2010: 77 Milioni € – 330 persone – Sedi a Milano, Roma, Mestre, Torino 2
  • 3. Profilo VALUE LABVALUE LAB è una innovativa società di consulenza di management e IT solutions specializzata inMarketing, Vendite e Retail.Aiutiamo le Aziende di produzione, distribuzione e servizi a migliorare le performance commerciali erafforzare il posizionamento competitivo integrando: – Management consulting – Business Information e dati di mercato – Information technology – Outsourcinga supporto delle scelte strategiche e della gestioneoperativa di mercati, consumatori, punti venditae forza vendita.VALUE LAB opera sia in Italia sia all’estero.La società ha più di 60 consulenti ed è attiva da oltre 20 anni, con uffici a Milano e Roma.VALUE LAB è partner di 3
  • 4. ClientiI nostri Clienti sono: • leader nei rispettivi settori di appartenenza • fedeli: per il 70% del nostro fatturato e tale trend è in crescita • multinazionali: per più del 50% del nostro fatturatoAbbiamo una presenza bilanciata in diversi settori. Ecco alcuni dei nostri clienti… 4
  • 5. Clienti 5
  • 6. Modelli analitici per il Marketing, Loyalty e CRM Cluster Analysis Market Basket Analysis Classificazione analitica che utilizza un algoritmo statistico che Analisi che consente di automaticamente: identificare gruppi di • Identifica le variabili prodotti/servizi da discriminanti proporre • Aggrega i clienti con congiuntamente a caratteristiche più specifici segmenti di simili clienti Propensity Segmentazione Geo-demografica Modello che permette Permette di segmentare di identificare i clienti i clienti, (arricchendone più propensi ad un Mappa dei cluster in base a reddito e fasce d’età al tempo stesso il Alto reddito determinato acquisto, Benessere alto borghese profilo) sulla base delle calcolandone la diverse variabili socio- Carriere metropolitane Tribù urbane relativa probabilità economiche e Crescita Vecchia periferia Rampante Zone operaie Turismo e relax demografiche del territorio. Aree rurali Aree che si Disagio popolare spopolano Basso reddito Precarietà cittadina Giovani Anziani 12 6
  • 7. Modelli analitici per il Marketing, Loyalty e CRM Cluster Analysis Market Basket Analysis Classificazione analitica che utilizza un algoritmo statistico che Analisi che consente di automaticamente: identificare gruppi di • Identifica le variabili prodotti/servizi da discriminanti proporre • Aggrega i clienti con congiuntamente a caratteristiche più specifici segmenti di simili clienti Propensity Segmentazione Geo-demografica Modello che permette Permette di segmentare di identificare i clienti i clienti, (arricchendone più propensi ad un Mappa dei cluster in base a reddito e fasce d’età al tempo stesso il Alto reddito determinato acquisto, Benessere alto borghese profilo) sulla base delle calcolandone la diverse variabili socio- Carriere metropolitane Tribù urbane relativa probabilità economiche e Crescita Vecchia periferia Rampante Zone operaie Turismo e relax demografiche del territorio. Aree rurali Aree che si Disagio popolare spopolano Basso reddito Precarietà cittadina Giovani Anziani 12 7
  • 8. Benefici della segmentazione• Aumentare l’efficacia delle attività di marketing e CRM grazie ad una maggior conoscenza del cliente• Definire azioni differenziate su diversi segmenti finalizzate a fidelizzazione, up selling-cross selling e riduzione dell’abbandono• Individuare segmenti di clienti per il lancio di nuovi servizi / prodotti 8
  • 9. Esempio di indicatori di Segmentazione in ambito Retail alimentare• Indicatori di Segmentazione: rappresentano gli elementi di differenziazione tra i gruppi di clienti• Indicatori di frequenza – N. di visite per mese attivo N visite/N mesi con almeno 1 scontrino – Giorni medi intercorrenti tra una visita e l’altra Media distanze in giorni tra scontrini successivi – Indice di regolarità delle visite Coefficiente di variabilità (media/deviazione standard) distanze in giorni tra scontrini successivi• Indicatori di spesa – Scontrino medio Spesa/N scontrini – Indice di regolarità della spesa Coefficiente di variabilità (media/deviazione standard) importo scontrini• Indicatori di continuità d’acquisto – N. di mesi attivi N mesi con almeno 1 scontrino• Indicatori di modalità d’acquisto – N. Punti vendita frequentati N°punti vendita con almeno 1 scontrino 9
  • 10. Il risultato della segmentazione della clientela BETA ha portato all’individuazione di 6cluster distinti, ognuno dei quali è stato classificato in base a 9 variabili di segmentazioneed interpretato in base a 24 variabili descrittive I Cluster BETA Cluster 6 - I FEDELI Numero visite: 9 6 Cluster 1 - SPORTIVI ATTIVI Spesa Media Annua (€) Incasso medio per visita: 256 € 1 5 Cluster 5 - IL SACCO PIENO Numero prodotti acquistati per visita: 6 Cluster 2 - LA MARCA 2 Spendono l’84% nelle marche Cluster 4 - PRIVATE LABEL Spendono il 31% nella private label 4 3 Cluster 3 - GLI OCCASIONALI Periodo tra due visite: 274 giorni Numerosità clienti nel cluster 10
  • 11. Esempio: Cluster 6 – I Fedeli: questo Cluster è composto dai clienti più alto spendenti nell’arco di un anno; redimono ed utilizzano quindi i punti cumulati; sono sensibili ai periodi di saldi; si focalizzano su prodotti di abbigliamento da città e stagionali. PROFILO QUANTITATIVO 6 N.Clienti xxx % su Clienti Clusterizzati xxx Fatturato € xxx 1 5 % su Fatturato cluster xxx Spesa media complessiva € xxxx 2• Tempi e Modalità di acquisto – Utilizzano più di ogni altro i punti-card accumulati 4 3 – Prevalenza di consumatori sensibili ai periodi di saldi – Prediligono l’insegna BETA Margine su incassi (no IVA)• Tipologie di acquisti N. stagionalità – Minor incidenza di prodotti continuativi articoli N. anni-semestri – Cluster che spende di più per prodotti junior commerciali – Cluster che spende di più per prodotti di Giorni medi tra abbigliamento da città visite Clu.6 Item medi per giorno attivo• Caratteristiche sociali e demografiche Incasso medio – Concentrazione di donne Casalinghe per item Incasso medio – Alta incidenza di residenti entro 5km da un punto vendita BETA per giorno attivo N. giorni – Presenza inferiore alla media di residenti al Sud acquisto N. PV visitati 0 50 100 150 200 11
  • 12. L’impostazione di azioni di micromarketing mirate permette di aumentaresignificativamente il ROI riducendo i costi di invio e massimizzando laredemption Data Mining per il Customer Relationship & Loyalty ManagementTarget per Campagna Pianificazione Campagna 12
  • 13. Modelli analitici per il Marketing, Loyalty e CRM Cluster Analysis Market Basket Analysis Classificazione analitica che utilizza un algoritmo statistico che Analisi che consente di automaticamente: identificare gruppi di • Identifica le variabili prodotti/servizi da discriminanti proporre • Aggrega i clienti con congiuntamente a caratteristiche più specifici segmenti di simili clienti Propensity Segmentazione Geo-demografica Modello che permette Permette di segmentare di identificare i clienti i clienti, (arricchendone più propensi ad un Mappa dei cluster in base a reddito e fasce d’età al tempo stesso il Alto reddito determinato acquisto, Benessere alto borghese profilo) sulla base delle calcolandone la diverse variabili socio- Carriere metropolitane Tribù urbane relativa probabilità economiche e Crescita Vecchia periferia Rampante Zone operaie Turismo e relax demografiche del territorio. Aree rurali Aree che si Disagio popolare spopolano Basso reddito Precarietà cittadina Giovani Anziani 12 13
  • 14. Benefici dell’utilizzo della Market Basket Analysis• Fornire evidenze analitiche a supporto della costruzione di un nuovo layout di negozio e misurare costantemente le relazioni di acquisto reali esistenti tra i singoli prodotti e le diverse categorie merceologiche;• Individuare prodotti “trainanti” e “trainati” a scopi promozionali e di ottimizzazione delle vendite con un’ottica di up-selling e cross-selling;• Individuare le traiettorie d’acquisto (percorsi tipici d’acquisto) finalizzati alla definizione di offerte sul next best product (prossimo prodotto a maggior probabilità d’acquisto) 14
  • 15. L’utilizzo della Market Basket Analysis ha permesso di supportare la costruzionedel nuovo layout di negozio organizzato per “mondi” e di misurare costantementegli impatti sulle variazioni sulle vendite combinate ORGANIZZAZIONE PER CATEGORY / MONDI: un ulteriore passo per migliorare la shopping experience e soprattutto le opportunità di acquisto NEW (Category) MACRO CATEGORIE  Active Sport  Seasonal  Sportswear  Citywear 15
  • 16. L’utilizzo della Market Basket Analysis sta supportando la scelta dei prodotti“trainanti” e “trainati” per costruire “bundle” promozionali e selezionare qualiprodotti sia meglio promuovere per ottimizzare le vendite SINGOLI PRODOTTI 16
  • 17. L’utilizzo della Market Basket Analysis per analizzare il comportamento d’acquistodei consumatori in ambito retail alimentare 17
  • 18. Modelli analitici per il Marketing, Loyalty e CRM Cluster Analysis Market Basket Analysis Classificazione analitica che utilizza un algoritmo statistico che Analisi che consente di automaticamente: identificare gruppi di • Identifica le variabili prodotti/servizi da discriminanti proporre • Aggrega i clienti con congiuntamente a caratteristiche più specifici segmenti di simili clienti Propensity Segmentazione Geo-demografica Modello che permette Permette di segmentare di identificare i clienti i clienti, (arricchendone più propensi ad un Mappa dei cluster in base a reddito e fasce d’età al tempo stesso il Alto reddito determinato acquisto, Benessere alto borghese profilo) sulla base delle calcolandone la diverse variabili socio- Carriere metropolitane Tribù urbane relativa probabilità economiche e Crescita Vecchia periferia Rampante Zone operaie Turismo e relax demografiche del territorio. Aree rurali Aree che si Disagio popolare spopolano Basso reddito Precarietà cittadina Giovani Anziani 12 18
  • 19. Benefici dell’utilizzo dei modelli di Propensity• Misurare la redemption delle attività di marketing e CRM, identificando i profili maggiormente “influenzabili” e “ricettivi”• Individuare i clienti maggiormente propensi all’acquisto di determinati servizi/prodotti in un determinato periodo• Arricchire e profilare il cliente, definendone le potenzialità di acquisto ed identificando le azioni per svilupparne gli acquisti• Individuare i clienti a rischio di abbandono 19
  • 20. Versamenti elevati...…a chi possiede auto di elevata cilindrata acquistata nuova, specialmente seresidente in comuni ad elevato reddito pro-capite ALPHA 0 1 2 3 4 5 41 42 28 29 22 23 45 46 30 31 32 26 27 24 25 20
  • 21. Versamenti medio alti...…a persone in fascia 32-49 anni che possiedono auto di cilindrata mediaacquistata nuova ALPHA 0 1 2 3 4 5 41 42 28 29 22 2345 46 30 31 32 26 27 24 25 21
  • 22. Modelli analitici per il Marketing, Loyalty e CRM Cluster Analysis Market Basket Analysis Classificazione analitica che utilizza un algoritmo statistico che Analisi che consente di automaticamente: identificare gruppi di • Identifica le variabili prodotti/servizi da discriminanti proporre • Aggrega i clienti con congiuntamente a caratteristiche più specifici segmenti di simili clienti Propensity Segmentazione Geo-demografica Modello che permette Permette di segmentare di identificare i clienti i clienti, (arricchendone più propensi ad un Mappa dei cluster in base a reddito e fasce d’età al tempo stesso il Alto reddito determinato acquisto, Benessere alto borghese profilo) sulla base delle calcolandone la diverse variabili socio- Carriere metropolitane Tribù urbane relativa probabilità economiche e Crescita Vecchia periferia Rampante Zone operaie Turismo e relax demografiche del territorio. Aree rurali Aree che si Disagio popolare spopolano Basso reddito Precarietà cittadina Giovani Anziani 12 22
  • 23. I dati interni vengono valorizzati attraverso l’integrazione con i dati dipotenziale di mercato e Stile di Vita Dati di fonte aziendale Dati di fonte esterna Clienti Consumi Stili di vita Punti Vendita POLIS Marketing Scontrini Database Punti Vendita concorrenti Distanze Prodotti (minuti e metri) 23
  • 24. Con strumenti integrati di Geo-Data-Mining è possibile arricchire il profilo delleanagrafiche clienti con informazioni a livello micro-territoriale secondo la logicadel … “dimmi dove abiti e ti dirò chi sei?” 24
  • 25. Le informazioni di arricchimento permettono di verificare il proprio target su basestatistica reale e possono essere utilizzate nella Cluster Analysis• Confrontando il profilo dei Clienti Boutique con quello della popolazione italiana, si osserva una particolare sovra rappresentazione dei cluster POLIS A (Benessere alto-borghese), B (Carriere metropolitane) e C (Crescita Rampante) Cluster Polis L1 – Clienti vs Percentuale Italia 190 Percentuale Card 135 A Benessere alto-borghese 10% 120 B Carriere metropolitane 16% 117 3% C Crescita Rampante 101 D Tribù Urbane 17% 98 I Turismo e Relax 3% 84 E Vecchia Periferia 10% 61 F Zone Operaie 18% 52 G Disagio Popolare 11% 36 J Aree che si spopolano 3% H Precarietà Cittadina 2% 32 K Aree Rurali 1% 0 20 40 60 80 100 120 140 160 180 200 25
  • 26. Identificazione delle vie e dei numeri civici dove abitano i consumatori constili di vita più affini al brand in esame Numeri civici in cui la marca ottiene una alta penetrazione Numeri civici in cui ottengo una bassa penetrazioneLe sezioni di censimento a maggior presenza di auto della marca XY sono caratterizzate da: – cluster socio-demografici più alti (A,B,C,F,M) – …specialmente se con elevato tasso di occupazione femminile e anche – cluster socio-demo di livello medio (D-G) – …specialmente con alta presenza di bambini sotto i 5 anni 26
  • 27. Casi di successo – SAS e VALUE LAB Vincono 2 PremiInnovazione ICT SMAU 2010 a Bologna e Roma BOLOGNA ROMA 27
  • 28. “… non esiste sfortuna o fortuna, ma solo quanto noi abbiamo saputo prevedere e quanto abbiamo fatto per evitarla o incrementarla …” Enzo Ferrari Grazie per l’attenzione Per approfondimenti www.valuelab.it/eventiMarco Di Dio Roccazzella Fabio Manzoni Partner Data Mining Senior SpecialistMarco.Didio@ValueLab.it Fabio.Manzoni@ValueLab.it Via Durini, 23 – 20122 Milano Tel. +39.02.77.88.931 Fax +39.02.76.31.33.84 Via Salandra, 8 – 00187 Roma - Tel. +39.06.91.80.20.01 www.valuelab.it valuelab@valuelab.it 28