Algoritmi e modelli predittivi per arricchire il profilo unico dei tuoi utenti.

1. Milano, 7 giugno 2018 Algoritmi e modelli predittivi per arricchire il profilo unico dei tuoi utenti.

2. Vuoi scoprire chi saranno i tuoi top spender l’anno prossimo?

3. Ogni giorno raccogli enormi quantità di dati sui tuoi clienti. Prova ad usarli per conoscere meglio il loro potenziale. Data è la nuova intelligenza della piattaforma Contactlab Marketing Cloud che elabora tutti i dati a tua disposizione e scopre nuove caratteristiche dei tuoi clienti. Ne anticipa i comportamenti e ne prevede le azioni per creare audience efficaci a cui indirizzare le tue strategie e costruire percorsi e messaggi personalizzati. Contactlab Marketing Cloud

4. Solo conoscendo a fondo e in un modo nuovo i tuoi clienti potrai anticiparli nei loro comportamenti futuri. INSIGHTSCUSTOMER DATA PLATFORM MARKETING AUTOMATION MULTICHANNEL 1-TO-1 PERSONALIZATION CONOSCI MEGLIO I TUOI CONTATTI VEICOLI IL MESSAGGIO PIÙ EFFICACE FAI CRESCERE IL VALORE DEI TUOI CLIENTI CONOSCENZA PERSONALIZZAZIONE ANALYTICS INTERAGISCI OVUNQUE IN TEMPO REALE AUTOMAZIONE Contactlab Marketing Cloud

5. Conosci ancora meglio i tuoi contatti con Data, il modulo AI della piattaforma Scopri HUB Scopri DATA Scopri PLAN Dati raccolti e integrati da canali digitali e non Algoritmi per prevedere modelli di comportamento Segmenti creati in tempo reale

6. Per prevedere i comportamenti e arricchire i profili, usa Data

7. Con Data hai la possibilità di arricchire profili, riconoscere pattern di comportamenti e anticiparli nella loro evoluzione. PROFILI ARRICCHITI CLUSTER AUTOMATICI PREVISIONI ACCURATE

8. Data valorizza i tuoi contatti all’ennesima potenza. Grazie ad algoritmi standard o personalizzati e analisi predittive. Proviamo a conoscere meglio Angela

9. All’inizio di Angela sai poco o niente. Angela si è iscritta alla tua newsletter l’anno scorso, allora conoscevi solo il suo nome e l’email. CON DATA PUOI CONOSCERLA MEGLIO, GIORNO DOPO GIORNO. SENZA CHIEDERLE NIENTE.

10. Adesso sai quanto ha speso nell’ultimo mese, dove e come ha pagato. Angela ha speso 600 euro con 4 acquisti nell’ultimo mese nel negozio in centro. Ha pagato con carta di credito. 1 Negozio preferito: MILANO Metodo di pagamento preferito: CARTA DI CREDITO Spesa ultimi 30 gg: 600 euro

11. Hai capito che Angela è fanatica di tacchi e compra nel weekend. Ora puoi fare previsioni. Angela preferisce comprare in negozio, il sabato, e ha un debole per le scarpe col tacco. Cominciamo ad avere informazioni preziose per capire le sue abitudini e le sue preferenze di acquisto. 2 Giorno preferito: SABATO Prodotto preferito: SCARPE Negozio preferito: MILANO Metodo di pagamento preferito: CARTA DI CREDITO Spesa ultimi 30 gg: 600 euro

12. Da nuovo cliente, Angela è diventata cliente silver. Ora sai quanto vale. In pochi mesi Angela ha acquistato 4 paia di scarpe in negozio e 1 paio sul sito. Ha aperto e letto le email che le abbiamo mandato per promuovere il restyling del nuovo ecommerce e la nuova collezione. 3 Tipologia di cliente attuale: SILVER Email Engagement: ENGAGED Prodotto preferito: SCARPE Metodo di pagamento preferito: CARTA DI CREDITO Spesa ultimi 30 gg: 600 euro Giorno preferito: SABATO Canale di acquisto preferito: CROSS Negozio preferito: MILANO

13. Attenzione, Angela potrebbe abbandonare. E ora sai quanto potresti perdere domani. Scopri oggi che Angela ha contattato il tuo Call Center perché non è rimasta soddisfatta del servizio online. E che improvvisamente ha ridotto il numero e il valore degli acquisti. Grazie ai modelli predittivi sei in grado di sapere che è a rischio abbandono e puoi attivare una strategia ad hoc per non perderla. 4 -50% Rischio di abbandono: MEDIO Spesa prevista futura: 332 euro Tipologia di cliente previsto: BRONZE Spesa ultimi 30 gg: 600 euro Giorno preferito: SABATO Tipologia di cliente attuale: SILVER Email Engagement: ENGAGED Metodo di pagamento preferito: CARTA DI CREDITO Prodotto preferito: SCARPE Canale di acquisto preferito: CROSS

14. Adesso che sai molto di più sui tuoi clienti, puoi usare questi dati per stupirli con azioni che corrispondono esattamente a quello che stanno desiderando. LA CONOSCI INTERAGISCI CON LEI PREVEDI I SUOI COMPORTAMENTI Angela, questa conosciuta.

15. Arricchisci il profilo dei contatti con algoritmi disponibili a catalogo o personalizzati Cluster Automatici grazie alla scoperta di pattern comportamentali Migliora l'esperienza dei tuoi clienti e quindi i tuoi risultati Ora moltiplica Angela per 100, 1.000, 1.000.000 E scopri Data: l’intelligenza artificiale della piattaforma

16. Quali pacchetti di algoritmi ottieni con Data? Customer Purchase Insights Predictive Customer Foresights Email Intelligence & Customer Engagement

17. Elabora i dati dell’attività email dei tuoi contatti e identifica il loro livello di interesse a seguirti. Misura il successo delle tue campagne email. ARRICCHISCI IL PROFILO CONOBIETTIVI Quali contatti hanno aperto le tue email? Quali nuovi clienti hanno iniziato a seguirti attivamente? Quali sono i clienti che mostrano maggiore interesse? Email Engagement Index Statistiche email Deviazione dalla mediana di Open Rate e Click Rate Email Intelligence & Customer Engagement

18. Quante email ha aperto e cliccato nell’ultimo anno Angela? Livello di Engagement: ENGAGED. Angela risulta molto attiva sul canale email e reattiva alle comunicazioni che le mandi. Email Intelligence & Customer Engagement Email Engagement Index

19. Email Engagement Index Dati necessari per il calcolo • Feedback delle email (inviate, consegnate, aperte, cliccate, etc.) Opzioni disponibili • Dinamico • Statico Email Intelligence & Customer Engagement

20. Email Engagement Index Parametri configurabili indice statico: • Contact Recency Threshold: recenza ultimo invio • Registration Recency Threshold: recenza primo invio • Activity Threshold: soglia attività • Event Recency Threshold: recenza ultimo evento (apertura, click) I parametri utilizzati per l'indice dinamico sono gli stessi presi già in considerazione. Le soglie di riferimento sono però qui calcolate dinamicamente con le distribuzioni delle variabili di cui sopra. Email Intelligence & Customer Engagement

21. Dagli acquisti online e offline dei tuoi clienti, conosci abitudini e preferenze e misura il loro valore attuale. Riconosci i pattern comportamentali di acquisto. ARRICCHISCI IL PROFILO CONOBIETTIVI Quali sono i tuoi top customers e quali puoi considerare lost? Quali i clienti che acquistano costantemente ma spendono poco? Chi acquista più volte? RFM – Recency Frequency Monetary Statistiche di acquisto Preferenza di acquisto Deviazione dalla mediana della spesa attuale Customer Purchase Insights

22. RECENCY FREQUENCY MONETARY Quando ha acquistato l’ultima volta Quanto spesso acquista Quanto ha speso fino ad oggi Customer Purchase Insights Recency Frequency Monetary (RFM) RFM, acronimo di Recenza Frequenza e Monetary, è uno dei più semplici e al tempo stesso efficaci modelli di clustering. In questo modo è possibile utilizzare le informazioni calcolate, ad esempio per: • Conoscere le caratteristiche di acquisto e differenziare le comunicazioni per ogni singolo cliente (e.g. Top Customer R:5 F:5 M:5 oppure Rischio abbandono R:1 F:5 M:4 ) • Scoprire i clienti a lost (e.g. R:1 oppure R:2) e poter applicare strategie di retention • Individuare i clienti che spendono poco (e.g. M:1 oppure M:2) e promuovere iniziative per incentivare nuovi acquisti

23. Come funziona il modello: il calcolo dello score Per associare uno score a ciascuna variabile per ogni cliente devono essere definite alcune soglie. Utilizzando i quantili possiamo dividere la popolazione in parti uguali. Utilizzando questo metodo si garantisce un naturale adattamento delle soglie, che definiscono gli score, consistente con l'evoluzione dei dati a disposizione e si assicura la validità dei voti attribuiti ai clienti in qualsiasi tipo di business. Dati necessari per il calcolo • Dati transazioni online e/o offline ▪ ID Cliente ▪ Data ▪ ID Scontrino ▪ Totale Spesa Opzioni disponibili • Standard • Nested Customer Purchase Insights

24. Raccogli i dati di transato online e offline dei tuoi clienti e prevedi il loro comportamento futuro di acquisto e la probabilità di abbandono. Anticipa i tuoi profitti potenziali. ARRICCHISCI IL PROFILO CONOBIETTIVI Quanti clienti lo saranno ancora fra 6 mesi? Quale sarà il livello di spesa dei tuoi clienti il prossimo anno? Quali clienti sono a rischio abbandono? I tuoi attuali top spender resteranno tali anche in futuro? CLV – Customer Lifetime Value Statistiche di acquisto Preferenza di acquisto nel tempo Deviazione dalla mediana della spesa attuale Predictive Customer Foresights

25. Quanto ha speso Angela durante l'ultimo anno? Attenzione: si prevede che Angela spenderà molto meno l'anno prossimo Customer Lifetime Value (CLV) Grazie alle capacità di analizzare i comportamenti dei clienti fino a oggi, e di predire il loro comportamento futuro di acquisto, è possibile utilizzare le informazioni calcolate, ad esempio per: • Intercettare i cambi di stato e differenziare le comunicazioni (e.g. da silver a bronze) • Scoprire i clienti a rischio abbandono (e.g. 40%) e poter applicare strategie di retention • Individuare i clienti che hanno una spesa medio bassa e creare strategie di up-selling (e.g. 332 €) Predictive Customer Foresights

26. M. Platzer, T. Reutterer (2016) Ticking Away the Moments: Timing Regularity Helps to Better Predict Customer Activity. Marketing Science 35(5):779-799.http://dx.doi.org/10.1287/mksc.2015.0963 https://cran.r-project.org/web/packages/BTYDplus/vignettes/BTYDplus-HowTo.pdf Predictive Customer Foresights Customer Lifetime Value (CLV) Dati necessari per il calcolo • Dati transazioni online e/o offline ▪ ID cliente ▪ Data ▪ ID ordine ▪ Totale Scontrino

27. M. Platzer, T. Reutterer (2016) Ticking Away the Moments: Timing Regularity Helps to Better Predict Customer Activity. Marketing Science 35(5):779-799.http://dx.doi.org/10.1287/mksc.2015.0963 https://cran.r-project.org/web/packages/BTYDplus/vignettes/BTYDplus-HowTo.pdf Indice di Regolarità per Settore Indice di Regolarità Come funziona il modello Il modello tiene in considerazione la regolarità negli acquisti, la frequenza di acquisto e suppone che dopo ogni acquisto ci sia una probabilità di inattività. Uno dei vantaggi di questo modello è quello di considerare in modo naturale il paradosso della frequenza, ovvero se un cliente ha acquistato frequentemente e recentemente allora nel periodo prossimo futuro avrà un periodo di inattività. Il modello si adatta ai dati forniti e quindi rimane valido per ogni industry con business di tipo non contrattuale. La finestra temporale di previsione viene scelta considerando circa 3-4 volte il tempo medio tra un acquisto ed il successivo. Lo storico delle transazioni necessario equivale a circa 3 volte la finestra temporale scelta. Predictive Customer Foresights

28. Potenziale di spesa: ALTO Rischio di abbandono: MEDIO Negozio preferito: MILANO Metodo di pagamento preferito: CARTA DI CREDITO Giorno preferito: SABATO Spesa ultimi 30gg: 600 euro Livello di Email Engagement: ENGAGED Tipologia di cliente: SILVER Prodotto preferito: SCARPE Livello di spesa: MEDIO-ALTO Frequenza di acquisto: MEDIA Recenza di acquisto: ALTA Con Data oggi puoi conoscere meglio Angela

29. Ora immagina di poter conoscere come Angela i comportamenti e le abitudini di 1.000.000 di clienti. + FIDELIZZAZIONE + CONVERSIONI + RISULTATI

30. It’s all about helping you do your job even better. Grazie

31. Grazie!