DCG presentation by Raffaele Calegari at Bit2018 exhibition in Milano to illustrate the concepts of Big Data, Loyalty program utility and predictive analytics in tourism and hospitality markets applications

1. COMPANY CONFIDENTIAL 1
Predictive per il TURISMO

2. 2Fonte: Norton Rose Fulbright, Statista 2017

3. 3
Una ricerca su Google, un nostro acquisto al
supermercato, una foto, un messaggio vocale,
un tweet. Tutti questi sono dati. La maggior
parte delle nostre attività quotidiane, oggi,
crea dei dati, che possono essere raccolti,
analizzati e monetizzati
La quantità totale di dati generata (si parla di
una media di 12Gb al giorno per persona, in
aumento) solo negli ultimi due anni ha
superato l’ordine degli Zettabyte (1021 byte),
segnando un record per l’umana civiltà.
COSA SONO I BIG DATA?

4. 4
Mark Liberman, linguista e matematico,
professore della Pennsylvania University ha
calcolato che la quantità di storage necessario
per archiviare tutte le parole mai pronunciate
dal genere umano, in qualità audio CD, è di
42 zettabytes.
Se le archiviassimo in qualità MP3 servirebbe
meno spazio di quello necessario per i big
data accumulati negli ultimi 2 anni.
Questo succede anche perché siamo tutti
sempre attaccati ai telefoni a scrivere e non
parliamo più.
QUANTI SONO I BIG DATA?

5. 5
DATA IS THE NEW OIL
La cosiddetta “rivoluzione dei Big Data” non sta nel
che fatto i dati esistano, ma nel fatto che, oggi, si
possano usare per fare “qualcosa”.
Fino a poco tempo fa le capacità di calcolo dei
computer non erano sufficienti a elaborare una
quantità di dati simile.
Gli algoritmi di analisi attuali sono in grado di collegare
fra loro le informazioni di diverse sorgenti per fornire
un approccio visuale ai dati, suggerendo pattern e
modelli di interpretazione fino a ora inimmaginabili.
Il petrolio senza il motore a scoppio non varrebbe
nulla.
LA RIVOLUZIONE BIG DATA

6. 6
Collect data Clean data Identify patterns Make predictions
INTRODUZIONE AL CONCETTO DI PREDICTIVE

7. 7
Raccogliere i dati

8. 8
Cosa succede
in un minuto nel Web
Come abbiamo detto i dati disponibili
sono zettabyte, e arrivano un pò dappertutto
QUALI SONO LE SORGENTI PER RACCOGLIERLI

9. 9
Gli altri touch point
Oltre ai dati che arrivano “direttamente” dal web, ci
sono volantini, parcometri, biglietti del cinema, coupon
dei benzinai, autovelox, telepass..
QUALI SONO LE SORGENTI PER RACCOGLIERLI

10. 10
PERSONAS
Profilazione
una volta che ho un bel pò di dati posso
raggruppare gli utenti in base a caratteristiche
comuni (età, sesso, provenienza, interessi,
reddito e attitudine alla spesa) per creare
PERSONAS.
Con gli algoritmi attuali si arriva fino alla
definizione dell’archetipo secondo Jung.

11. 11
AGGREGARE DATI DI DIVERSE SORGENTI
Ma perché uno dovrebbe darci suoi dati?
Semplice:
perché gli diamo qualcosa
in cambio

12. 12
LA LOYALTY
I programmi di loyalty sono forse il miglior
mezzo per procurasi dati profilati e precisi
presente sul mercato Loyalty

13. 13
COME SI CREA UN PROGRAMMA DI LOYALTY EFFICACE
Meccanica intrigante Premi desiderabili Sistema di accumulo
punti multicanale con
diversi touchpoint

14. 14
L’IMPORTANZA DELLA COMUNICAZIONE
Mi raccomando se crei un
programma di loyalty, fallo sapere
a tutti…
Soprattutto ai tuoi dipendenti,
perché la prima loyalty da
implementare è sempre quella
interna.

15. 15
ESEMPIO DI LOYALTY RETAIL
OVS is a primary international retail
chain with over 600 shops in Italy,
Russia, Germany, Switzerland.
OVS already uses to reward offline
purchases with a standard and
traditional loyalty program, based on a
physical card (OVS Card) charged with
points after each purchase.
OVS aims to provide an omni-channel
experience to its customer, engaging
the customer at 360° degrees, not only
just in store.
With Puncbs OVS has been able to
track customers digital acons, such
as purchasing from the mobile app
ecommerce, linking the OVS Official
Facebook Page, opening the OVS
mobile app and so forth.
Puncbs’s team fully integrated the
Puncs pla]orm with the exisng
OVS Card loyalty management
so_ware, charging points on the OVS
Card.
More interesting KPIs
INCREASE IN MOBILE
E-COMMERCE
PURCHASES
+230%
INCREASE IN
ENGAGEMENT ON OVS
FACEBOOK PAGE
+35%
MONTHLY ACTIONS
TRACKED
68.000
FACEBOOK LIKES DUE TO
THE ENGAGEMENT
PROGRAM
38%
2015 2016 2017
45
877
>500
first 3 months
MOBILE E-COMMERCE PURCHASES:

16. 16
ESEMPIO DI LOYALTY HOTEL
Best Western is a primary hotel
chain with more than 4.200 hotels.
For the 2017 Black Friday Best
Western is launching a member-get-
member program reserved to existing
Best Western Rewards members.
The initiative works as a special
campaign whose goal is boosting the
engagement of existing customer base
and lead generation.
2,8 friends invited per parbcipant
62,5% opened the email
61% visited the coupon page
93% conversion rate was a very
interesbng metric, despite the fact we
were asking the visitor for an “invasive”
acbon (providing email address and
signing few opt-ins). The trick of
communicabng the acbon as a
“confirmabon”-acbon rather than a full
sign-up acbon has been successful.
More interesting KPIs
INCREASE IN MOBILE
E-COMMERCE
PURCHASES
+230%
INCREASE IN
ENGAGEMENT ON OVS
FACEBOOK PAGE
+35%
MONTHLY ACTIONS
TRACKED
68.000
FACEBOOK LIKES DUE TO
THE ENGAGEMENT
PROGRAM
38%
2015 2016 2017
45
877
>500
first 3 months
MOBILE E-COMMERCE PURCHASES:

17. 17
Ma le realtà più piccole?

18. +20 PUNTI
+50 PUNTI
+20 PUNTI

19. 19
Ok, ma poi cosa ce
ne facciamo?

20. 20
“Sapere serve per prevedere”
INTRODUZIONE AL CONCETTO DI PREDICTIVE

21. 21
INTRODUZIONE AL CONCETTO DI PREDICTIVE
In ambito marketing, l’uso dei Big Data è
fondamentale nella costruzione dei cosiddetti
metodi di raccomandazione,
Tutti i dati provenienti dalla navigazione di un
utente, dai suoi precedenti acquisti, dai
prodotti valutati o ricercati permettono ai
colossi del commercio (elettronico e non) di
suggerire i prodotti più adatti al cliente.
Questi algoritmi possono essere molto
complessi come quello di Amazon, che agisce
al fine aggiungere un prodotto al carrello.
Film di domani
Visto che stai prendendo
questo allora valuta anche
quest’altro

22. 22
INTRODUZIONE AL CONCETTO DI PREDICTIVE
• Valutazione del rischio finanziario di un
cliente in base ai suoi acquisti, effettuato
dalle società che emettono carte di credito.
E’ fondamentale sapere che, secondo
alcune ricerche di data mining, le persone
che comprano i feltrini per i mobili
rappresentano i clienti migliori per gli istituti
di credito, perché più attenti e propensi a
colmare i propri debiti nei tempi giusti.
• la creazione di modelli per analizzare i dati
provenienti dagli essere viventi nelle scienze
biologiche
• lo studio delle associazioni tra la qualità
dell’aria e la salute
• l’analisi genomica per migliorare la
resistenza alla siccità delle colture
Altri utilizzi degli algoritmi predittivi

23. 23
UTILIZZI REALI DEI MODELLI PREDITTIVI
Nel nostro paese una delle eccellenze nell’ambito predictive riguarda il dispiegamento delle forze di polizia;
Il software Keycrime, creato da Mario Venturi della questura di Milano, permette di predire dove e quando alcuni reati hanno una
maggiore probabilità di verificarsi, permettendo alle forze dell’ordine di sventare rapine o altri crimini.

24. 24
AL TAYER DUBAI MALL CASE STUDY
Al Tayer is one of the leading UAE
corporations, managing the
distribution of more than 1080
international brands (from luxury to
fashion, from food to automotive) in
UAE.
Predico analyses the huge amount
of transacZonal data coming from
Al Tayer point of sales and thanks
to its AI and predicbve engine is
able to design a profile for each
customer, including products and
categories the customer might be
interested in buying in future.
Thanks to these precious
informabons Al Tayer is able to offer
an innovaZve in-store experience
to its customers: through a tablet,
in-store sales manager receives
from Predico insight about the
product that can be interesbng for
the specific customer entering the
store.
CUSTOMERS THAT, RECEIVING
RECOMMENDATIONS, END UP BUYING
RECOMMENDED PRODUCTS
12%
SALES INCREASE
+15%
INCREASE IN AVERAGE
PRODUCTS/RECEIPT
+25%
ROI OF THE PROJECT
138%

25. 25
ESEMPI DI PREDICTIVE TURISMO
Claremont Inn hotel company is piloting a program to drive
ancillary revenues through the use of next-product-to-buy
algorithms.
These algorithms can analyze historical data to determine, for
example, that a customer enjoys an early-morning coffee and is
likely traveling with a spouse, and then use that customer’s cell
phone location data to deliver a buy-one-get-one-free offer just
as the customer walks by the hotel coffee shop in the morning.
Link: http://www.mmaglobal.com/case-study-hub/case_studies/
view/31739

26. 26
L’industria del turismo genera moltissimi
dati e il volume e la componente digitale,
in Italia, è anche in incremento:
secondo eDreams Odigeo
“in 2016 the most interesting increase can
be seen among travelers in the UK and in
Italy. Also, for the first time, mobile sessions
in those countries actually surpassed
desktop sessions.”
BIG DATA NEL TURISMO

27. 27
Con la quantità di dati a disposizione sarebbe
abbastanza semplice realizzare un sistema di
product suggestion, da utilizzare sia nelle
agenzie su strada sia online, che predica quali
servizi aggiuntivi possano interessare ad un
cliente che sta organizzando o prenotando un
viaggio o una vacanza, vendendoli
direttamente in agenzia.
Sapere quali add-on mirati proporre ad un
cliente specifico porterebbe sicuramente ad
un aumento dei servizi venduti.
BIG DATA NEL TURISMO

28. 28
PROFILAZIONE - SURVEY
Come si fa profilare i nuovi clienti che non
sono mai venuti in agenzia?
Un semplice questionario, online o su
carta, magari con la richiesta di un
facebook connect, con le domande giuste
collegato ad un sistema di analisi dei dati di
tutti i clienti simili può produrre una
profilazione immediata e suggerimenti
istantanei.

29. 29
DUBAI TAXI CASE STUDY
By analysing the informabon provided by DTC and external
databases, Predico is able to draw demand “heat maps” that
predict Taxi’s demand at a certain future month/day/bme.
External qualitaZve databases (e.g.
Weather, Traffic, events, Public Holidays
etc.)
L’importanza dei dati qualitativi

30. 30
With Predico A.I. engine taxi company disposes of
a powerful knowledge and view on the future.
This knowledge can be integrated inside exisbng workflow,
assets and tools used by taxi corporabon, allowing to
opbmize and save on many processes.
86%

31. ALGORITHM CONSISTENCY
• Predico analysed the data provided by DTC for
the months of January to September 2016 to
draw a predicZve heat map; the engine
suggested to exclude the month of August as it
represents a non significant data to build the year
predicbon (as a consequence, a specific piece of
algorithm has been developed only for the month
of August)
• The “heat map” obtained as a result of the
predicbon for the months from Oct. to Dec. has
been compared to the actual data provided by
DTC to evaluate the algorithm accuracy.
Data Provided
• Pick ups of 2016
• Public Holidays
Jan. Dec.Aug. Oct.
Data used to develop the
predicbon algorithm
Predicted
pick-ups from
Predico
Anomaly detected
by the predicbve
engine

32. 32
ESEMPI DI PREDICTIVE TURISMO
As an example, in 2014, the US economy-hotel
chain Red Roof Inn used public weather and flight
data to predict which customers would face flight
cancellations.
Based on the results of this predictive analysis, Red
Roof Inn launched a targeted marketing campaign
aimed at mobile-device users in the areas most
likely to be affected by harsh weather. In those
areas where the strategy was deployed, Red Roof
Inn saw a significant increase in business
Link: http://www.mmaglobal.com/case-study-hub/
case_studies/view/31739

33. 33
ESEMPI DI PREDICTIVE TURISMO
The Hawaii Tourism Authority ran a “Discover Your Aloha”
campaign that used facial recognition software to analyze
travelers’ expressions via webcams as they viewed a video.
The campaign then applied predictive analytics to generate a
custom offer along with a booking link.
Link: http://www.creamglobal.com/case-studies/latest/
17798/38974/discover-your-aloha/

34. +20 PUNTI
+50 PUNTI
+20 PUNTI
IN COSTRUZIONE
se ti sono avanzati
dei punti ti aspettiamo
l'anno prossimo

35. 35
BIG DATA NEL TURISMO
Inutile dire che se poi i dati venissero condivisi con
l’agenzia turistica sarebbe possibile ottimizzare
tutto il processo

36. 36Fonte: Norton Rose Fulbright, Statista 2017
Domande

37. COMPANY CONFIDENTIAL 37
THANK YOU
dcg.net
r.calegari@dcg.net