Prima di iniziare a sudare: no, i vostri concorrenti non sono molto propensi a diventare utenti avanzati di analisi predittiva nel marketing. Per ora. Ma dato che il mercato dell’analisi predittiva sta crescendo ad un tasso del 23,2% su base annua e sappiamo che l’analisi predittiva può aiutarvi a prendere decisioni di marketing migliori (il che equivale a maggiori entrate), siamo tentati di dire che è solo una questione di tempo prima che i vostri rivali prendano piede. Quindi, per dare il via alla vostra formazione in analisi predittiva (e per mostrare alla fine ai vostri concorrenti chi è che riesce a sfruttare la magia dei dati di marketing avanzato), prendete una tazza di caffè e mettetevi comodi, perché state per entrare in azione con l’analisi predittiva di marketing.
Cos’è l’analisi predittiva?
L’analisi predittiva è il processo di utilizzo di dati attuali e/o storici con una combinazione di tecniche statistiche – tra cui (ma non solo) il data mining, la modellazione predittiva e l’apprendimento automatico – per valutare la probabilità che un determinato evento si verifichi in futuro. Per capire cosa significhi realmente analisi predittiva, confrontiamola con alcuni altri rami dell’analitica aziendale:
L’analitica descrittiva risponde a domande definitive come “cosa è successo?”
L’analitica predittiva risponde a domande ipotetiche come “cosa è probabile che succeda?”
L’analitica prescrittiva fa un passo avanti rispetto all’analitica predittiva rispondendo a domande come “cosa dovremmo fare sulla base di ciò che è già accaduto e cosa è probabile che accada?
Nel mondo degli affari, una delle prime e più intuitive applicazioni dell’analitica predittiva è il credit scoring.
Utilizzando informazioni storiche sulle richieste di prestito di una persona, sui pagamenti passati e sulla storia del credito, le banche e altre istituzioni finanziarie utilizzano l’analisi predittiva per calcolare un punteggio che riflette la probabilità che quella persona effettui i pagamenti in tempo in futuro.
Nel caso in cui siate ancora svegli, un esempio un po’ più accattivante e recente viene da Netflix. Hanno tirato fuori dati storici sul successo dei precedenti programmi televisivi per creare House of Cards, la pluripremiata serie che segue una ricetta accuratamente costruita:
David Fincher come regista;
House of Cards come concetto (testato nel Regno Unito);
Kevin Spacey come attore protagonista;
E il marketing, allora? In che modo i marketer possono trarre vantaggio dall’analisi predittiva? Nel contesto del marketing, l’analisi predittiva si riferisce all’uso di dati attuali e/o storici con tecniche statistiche (come il data mining, la modellazione predittiva e l’apprendimento automatico) per valutare la probabilità di un certo evento futuro.
Ma per capire cosa significa in realtà, guardiamo un paio di esempi pratici.
5 esempi di analisi predittiva nel marketing
1. Segmentazione del cliente e del pubblico (utilizzando la modellazione dei cluster)
Se non sapete se dovreste segmentare il vostro pubblico in base al loro comportamento, alla demografia, alla firmografia, agli interessi o qualsiasi altra variabile, l’analisi predittiva può essere d’aiuto. Sperimentando diversi modelli di cluster, sarete in grado di trovare modelli che forse non vi sareste aspettati, e in questo modo arriverete ai segmenti di pubblico che hanno più senso per il vostro business.
2. Acquisizione di nuovi clienti (utilizzando modelli di identificazione)
Facendo un ulteriore passo avanti nella segmentazione, è possibile utilizzare i dati dei clienti per creare modelli di identificazione. In pratica, questo si riduce all’identificazione e al targeting dei potenziali clienti che assomigliano in qualche modo ai vostri clienti esistenti. Un esempio comune di questo è il pubblico simile a Facebook. Potete utilizzare questa funzione per caricare una lista delle e-mail dei vostri migliori clienti, in base alla quale Facebook inizia a indirizzare i vostri annunci a persone simili a questi clienti.
3. Lead scoring (utilizzando il modello di propensione e il punteggio predittivo)
Già nel 2015, uno studio di Forrester ha identificato il lead scoring predittivo come uno dei primi tre casi d’uso di analisi di marketing predittivo. In pratica, il processo si riduce all’utilizzo dei dati dei clienti passati per classificare i potenziali clienti identificati in base alla loro probabilità di conversione. A seconda del vostro modello di business, potete utilizzare questi dati per attivare messaggi di marketing rilevanti e/o dare priorità agli sforzi di outreach del vostro team di vendita quando un potenziale cliente raggiunge una certa soglia nel vostro modello di lead scoring.
4. Contenuto e raccomandazioni pubblicitarie (utilizzando il filtraggio collaborativo)
Mentre praticamente tutte le aziende di e-commerce di successo (si pensi ad Amazon e Zalando) e i servizi di streaming (si pensi a Netflix e Spotify) sono esperti nell’utilizzare il filtraggio collaborativo per formulare raccomandazioni rilevanti su prodotti/serie/congressi, la maggior parte dei marketer non ha ancora adottato tattiche simili. In pratica, il filtraggio collaborativo si riduce all’utilizzo di comportamenti passati (ad esempio, modelli di consumo di contenuti a livello aggregato all’interno di un particolare segmento) per formulare raccomandazioni per il consumo di contenuti, la vendita incrociata o l’upsell.
Per esempio, diciamo che avete scoperto che la maggior parte dei vostri nuovi clienti nel settore della vendita al dettaglio ha iniziato un processo subito dopo aver letto un particolare caso di studio di un’attività di vendita al dettaglio di Fortune 500. Sulla base di questi dati comportamentali di un segmento specifico, potreste voler introdurre questo particolare caso di studio ai vostri potenziali clienti al dettaglio in una fase precedente per vedere se è possibile abbreviare il ciclo di vendita.
5. Personalizzare le esperienze dei clienti (utilizzando la segmentazione automatica)
Per molto tempo, la personalizzazione è stata sinonimo di e-mail “Hey {nome}”. Ma ecco la buona notizia: l’analisi predittiva può aiutare ad andare ben oltre. Tornando ai vostri segmenti di audience significativi, al punteggio dei lead (ovvero al riconoscimento della propensione all’acquisto di un singolo candidato) e alle raccomandazioni di contenuti, siete in grado di aumentare non solo la rilevanza delle vostre attività di marketing, ma anche il loro ritorno sull’investimento.
Il processo di analisi di marketing predittivo in 7 fasi
Ora che si spera di avere un’idea di ciò che si può ottenere con l’analisi predittiva, è il momento di guardare a come potrebbe essere il processo per ottenere questo risultato nella pratica. E non preoccupatevi, vi salverò dagli algoritmi di machine learning e simili. Invece, otterrete un esempio semplificato solo per darvi un’idea abbastanza chiara dei passi necessari.
1. Definite la domanda alla quale volete rispondere
Prima di saltare a capofitto nei dati, dovrete avere un’idea chiara di quello che state facendo. Come accennato in precedenza, la domanda che definirete qui dovrebbe essere della serie “cosa è probabile che succeda in base a ciò che è successo prima?”. Tra i buoni esempi ci sono:
“Quali sono i MQL che probabilmente compreranno entro i prossimi 30 giorni?”. (in base a ciò che è successo prima)
“Quali contenuti devo servire alle persone se voglio che si convertano? (in base a quanto è successo prima)
“A quale segmento di pubblico dovrei rivolgermi nella mia prossima campagna Facebook? (in base a quanto è successo in precedenza)
2. Raccogliere i dati necessari per rispondere alla domanda
Diciamo che vi siete accordati sulla prima domanda di esempio: “Quali MQL compreranno probabilmente entro i prossimi 30 giorni?” Per contestualizzare, diciamo che la vostra azienda sta cercando di chiudere un grosso giro di finanziamenti, ed è per questo che avete fretta di fare nuovi affari in modo da ottenere un accordo migliore dagli investitori. Quindi eccovi qui, a cercare di trovare l’affare più basso che potete chiudere entro 30 giorni.
E per rispondere alla domanda su quale di questi MQL è più probabile che si converta entro i prossimi 30 giorni, avrete bisogno di almeno:
- Dati storici sui vostri MQL
- La media e la mediana del numero di giorni necessari ai MQL per diventare clienti
- Divisione per canale (ad es. Facebook, Twitter, traffico organico verso i blog ecc.) e punti di contatto individuali (ad es. annunci, post sul blog, pagine web ecc.)
- Informazioni firmografiche per MQL (ad es. industria, dimensioni dell’azienda)
- Informazioni demografiche per MQL (ad es. titolo)
- Un elenco dei vostri attuali MQL che non hanno ancora acquistato
3. Analizzare i dati raccolti (ovvero fare qualche buona analisi descrittiva vecchio stile)
Ora che avete tutti i dati necessari per l’analisi, è il momento di iniziare a darsi da fare. Nel mio esempio di cui sopra, cercherei di elencare e trovare risposte a domande come:
Il numero medio di giorni da convertire varia da un canale all’altro?
Il numero medio di giorni varia da annuncio creativo a annuncio creativo?
Le variabili firmografiche, come le dimensioni dell’azienda o il settore, sono correlate al numero di giorni da convertire?
4. Costruite e testate le vostre ipotesi con tecniche statistiche
Una volta che siete soddisfatti della vostra lista di domande e siete entrati in modalità number crunching, è il momento di testare le vostre ipotesi. Non è necessariamente vero che le aziende più grandi impiegano più tempo per fare un acquisto rispetto a quelle più piccole. Testate tutte le vostre ipotesi e seguite i vostri dati, non il vostro istinto.
5. Creare un modello predittivo
Una volta che le vostre ipotesi sono state testate e convalidate o gettate tutto fuori dalla finestra sulla base dei vostri dati, o è il momento di creare un modello predittivo. In parole povere, si tratta di utilizzare le statistiche (e spesso l’apprendimento automatico) per prevedere i risultati. A questo punto, probabilmente avrete bisogno di un ingegnere o di un analista di dati che conosca Python o R.
6. Distribuire il modello
Ora che avete un modello predittivo esistente è il momento di iniziare a mettere in pratica i risultati del vostro modello. Ricordate che l’analisi predittiva non prenderà decisioni per voi. Sta a voi guardare i dati e trasformarli in spunti di riflessione. In questo caso, il nostro modello predittivo sputerebbe fuori gli MQL che hanno più probabilità di essere convertiti in clienti entro i prossimi 30 giorni. Sulla base di queste informazioni, potremmo poi indirizzare i nostri sforzi di marketing e/o di vendita a questi potenziali clienti nel tentativo di convertirli entro la scadenza.
7. Monitorare e creare nuovi modelli
Infine, ricordate che le variabili esterne (come il COVID-19) possono far perdere completamente di vista il vostro modello. Ma poiché alcune delle variabili esterne (pensate alle fluttuazioni stagionali e alle tendenze del comportamento dei clienti) non sono associate a qualcosa di così ovvio come una pandemia globale, è una buona idea aggiustare e/o sostituire i vostri modelli con nuovi modelli di tanto in tanto.
Ora, prendetevi una breve pausa e congratulatevi con voi stessi, perché avete superato tutte le sette fasi del processo di analisi predittiva di marketing. Tutto quello che dovete fare ora è iniziare a fare sul serio.
Come iniziare con l’analisi predittiva di marketing?
Ora che sapete cos’è l’analisi predittiva di marketing, cosa potete farci, e come dovrebbe funzionare il processo, spero che siate entusiasti di mettere in funzione i primi modelli. Ecco cosa dovreste fare dopo.
1. Ottenete il buy-in e assicuratevi le risorse
Prima di fare qualsiasi altra cosa, è necessario presentare la propria idea alla C-suite per ottenere un budget, un team dedicato e un po’ di tecnologia. Tuttavia, se si è fortunati (e si lavora in un’azienda abbastanza grande), è probabile che alcuni reparti diversi dal marketing stiano già lavorando all’analisi predittiva. E se questo è il caso, non appena hai avuto il via libera dal management, puoi praticamente andare con le conoscenze e la tecnologia che hai già all’interno dell’azienda. Ma se non siete così fortunati, questo potrebbe essere il momento per qualche discussione seria sulla vostra pila di dati di marketing.
2. Scegliete le tecnologie in base alle vostre esigenze
Di che tipo di tecnologia avete bisogno allora? La centralizzazione di tutti i vostri dati di marketing in un data warehouse è un buon inizio. Punti bonus se è possibile archiviare nello stesso posto anche i dati di vendita e altri dati aziendali. In questo modo, il vostro team di dati può estrarre rapidamente i dati puliti e mappati per i vostri modelli predittivi, poiché non deve sprecare il suo tempo prezioso in dispute di dati. Per farla breve: dovrete lavorare con i vostri dati per capire quali sono i requisiti commerciali e tecnici e trovare la soluzione migliore sulla base di tali requisiti.
3. Incoraggiare ed educare tutto lo staff
Poiché l’analisi predittiva non è (ancora) un lavoro per i cowboy e poiché anche altri dipartimenti possono imparare dalle vostre incursioni nell’analisi predittiva di marketing, vorrete dare il via a questa impresa di massa con comunicazioni trasparenti. Condividete i vostri successi, condividete i vostri fallimenti e condividete i vostri apprendimenti. In questo modo, altre persone nell’organizzazione non dovranno ripetere gli stessi errori che avete commesso voi, e l’azienda risparmierà un sacco di soldi nel processo.
4. Imparare e regolare
Pensate all’analisi predittiva di marketing come a una maratona, non a uno sprint. Certo, i vostri primi due tentativi di modellizzazione predittiva possono essere un po’ confusi, e potreste non ottenere molte informazioni preziose da essi. Ma man mano che imparate cosa potete e non potete fare con l’analisi predittiva di marketing, i vostri modelli miglioreranno, e così dovrebbe essere anche per i vostri risultati. Quindi continuate ad andare avanti e non smettete mai di imparare.
