Predictive Analytics e Big Data. Segmentare fino a 1

Parliamo di predictive analytics, per cercare di comprendere quali opportunità ci siano nell’analisi dei dati oggi a disposizione di chi si occupa di digital marketing. Non solo l’analisi a posteriori di ciò che è accaduto, per trarne indicazioni su futuri correttivi o ottimizzazioni. Ma avvalersi di tecnologie (predittive, appunto) che ci aiutino a prendere determinate decisioni o a confezionare determinati messaggi pubblicitari. 

Il termine  “predictive marketing” può sembrare qualcosa di oscuro o legato alla chiaroveggenza, ma se viene messo in correlazione a settori specifici, come il Fashion ad esempio, ci accorgiamo che è qualcosa noto da tempo. Gli stilisti, ad esempio, da sempre sono chiamati ad indovinare cosa andrà e cosa no nelle stagioni future.

Allo stesso modo, una delle sfide del futuro dei marketer, sarà riuscire ad identificare con sempre maggiore precisione, le preferenze dei visitatori online, arrivando ad anticiparle. L’avvento dei Big Data, la conoscenza sempre più precisa di gusti, abitudini e attitudini da parte degli utenti online, è lo strumento fondamentale per riuscire nella “magia” delle predizioni.

Come può la Predictive Analytics aiutare il marketing?

Si parla di “mass personalization”, accostando quasi in un ossimoro due termini apparentemente antitetici: la personalizzazione di massa, però, va intesa come un processo evolutivo del marketing. Grazie all’evoluzione tecnologica, all’aumento della capacità di calcolo e di analisi dei sistemi in cloud e alla sempre maggiore indicizzazione di dati strutturati e non, sarà possibile utilizzare strumenti con dinamiche di “di massa” per indirizzare, in maniera puntiforme e totalmente personalizzata, qualsiasi messaggio pubblicitario.

I dati in possesso di un retailer sono molto più preziosi di quanto comunemente si pensi. Un banale esempio lo troviamo nel caso della mamma che in gravidanza acquista abbigliamento pre-maman. La stessa mamma, di lì a pochi mesi, avrà bisogno di acquistare abbigliamento per bebè, accessori e alimenti specifici. Ed il retailer potrà saperlo (ragionevolmente, almeno), senza nemmeno chiederle nulla.

La moltitudine di dati oggi disponibili, di prime, seconde e terze parti, se messi insieme, possono fornirci un quadro incredibilmente preciso degli utenti che navigano tra le pagine di siti ed ecommerce. Fornendo a marketer o ecommerce manager strumenti estremamente accurati per confezionare offerte uno-a-uno.

Personalizzazione + Big Data + AI = Deep Learning

Le analisi predittive, o predictive analytics, forniscono informazioni utili, con vari livelli di dettaglio: dalle abitudini di acquisto dei singoli acquirenti, alle analisi per cluster o tipologia, sino alle classiche informazioni, legate ad aree geografiche, giorni della settimana, categorie di prodotti, andamenti stagionali, e così via.

Sebbene a qualcuno potrebbe far storcere il naso, avvalersi di predictive analytics per recapitare messaggi perfettamente in linea con i desideri latenti degli utenti, legati al momento o alle preferenze dei singoli, crea le condizioni ideali per far accogliere con favore determinati contenuti pubblicitari. Ne è un esempio la maggiore efficacia della pubblicità di tipo Programmatic, rispetto alla Display adv tradizionale. Chi ama l’escursionismo, apprezzerà ricevere messaggi concernenti accessori per la montagna. Amanti degli animali in genere, ameranno ricevere offerte e messaggi relativi ai propri amici a 4 zampe, e non generici messaggi relativi a viaggi o libri.

Segmentare fino a uno

Con la disponibilità di grosse moli di dati, e la capacità di gestirli, ordinarli e razionalizzarli, abbiamo oggi la possibilità di creare segmenti di pubblico sempre più ristretti e precisi. È pensabile di arrivare a segmenti composti da singoli destinatari, cui si comunicherà in maniera puntiforme e personalizzata.

Non più solo targeting geografico, per individuare masse genericamente presenti in una determinata area. Non più solo targeting basato genericamente sugli interessi. O sul ruolo professionale. O sulle connessioni ad una determinata pagina su Facebook. Ciò che si potrà prevedere, sarà ciò che il “mio utente” vuole, prima ancora che sappia di volerlo.

Sapere prima che il Cliente sappia

Come sempre più spesso accade, se si parla di predictive marketing, si pensa ad Amazon. Già nel 2014 si parlava della capacità dell’Ecommerce per eccellenza, di avvicinare le merci ai clienti, prima ancora che questi le acquistassero, per ridurre il più possibile i tempi di consegna e fornire loro una migliore esperienza di acquisto. Incrociando le analisi delle ricerche di prodotti, con lo storico degli acquisti e la stagionalità, avvalendosi di alcuni principi fondamentali con cui viene gestita la logistica delle marci, Amazon è in grado di predire quali saranno i prossimi acquisti di moltissimi clienti.

Quanto è utile la predictive Analytics nel marketing

Recenti studi rivelano che messaggi pubblicitari proposti e indirizzati sulla base di indizi comportamentali ottengono un CTR (Click-Through Rate) fino a quasi 7 volte maggiore di messaggi pubblicitari targettizati genericamente.

Un altro studio del 2014, sviluppato da Razorfish e sponsorizzato da Adobe, dimostra come la stragrande maggioranza dei marketer, pur avendo a disposizione i dati, non sappiano come utilizzarli con efficacia nella segmentazione e nel targeting. Nonostante la tecnologia sia matura, pare che i retailer, ma anche molti professionisti di digital marketing, non sappiano ancora come gestire in maniera proficua i big data e i dati di prime parti già in loro possesso.

L’approccio data-driven all’analisi di opportunità, criticità e performance di progetti di digital marketing, fa parte del DNA di GBS. Ci stiamo specializzando (ed il processo non sarà mai concluso) nella Data Analytics, perché riteniamo fondamentale l’utilizzo di dati oggettivi, approfonditi e granulari come motore per le decisioni da prendere nell’ambito dello sviluppo di business online e offline. Nel caso, parliamone! 🙂

Fonte infografica