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.
Data Mining per ottimizzare CRM, Local e Direct Marketing
1. 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
– 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 LAB
VALUE LAB è una innovativa società di consulenza di management e IT solutions specializzata in
Marketing, Vendite e Retail.
Aiutiamo le Aziende di produzione, distribuzione e servizi a migliorare le performance commerciali e
rafforzare il posizionamento competitivo integrando:
– Management consulting
– Business Information e dati di mercato
– Information technology
– Outsourcing
a supporto delle scelte strategiche e della gestione
operativa di mercati, consumatori, punti vendita
e 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. Clienti
I 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 fatturato
Abbiamo una presenza bilanciata in diversi settori. Ecco alcuni dei nostri clienti…
4
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 6
cluster distinti, ognuno dei quali è stato classificato in base a 9 variabili di segmentazione
ed 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 aumentare
significativamente il ROI riducendo i costi di invio e massimizzando la
redemption
Data Mining per il Customer Relationship &
Loyalty Management
Target 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 costruzione
del nuovo layout di negozio organizzato per “mondi” e di misurare costantemente
gli 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 quali
prodotti sia meglio promuovere per ottimizzare le vendite
SINGOLI PRODOTTI
16
17. L’utilizzo della Market Basket Analysis per analizzare il comportamento d’acquisto
dei 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 se
residente 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 media
acquistata nuova
ALPHA
0
1 2 3 4 5
41 42 28 29 22 23
45 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 di
potenziale 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 delle
anagrafiche clienti con informazioni a livello micro-territoriale secondo la logica
del … “dimmi dove abiti e ti dirò chi sei?”
24
25. Le informazioni di arricchimento permettono di verificare il proprio target su base
statistica 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 con
stili 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 penetrazione
Le 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 Premi
Innovazione 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/eventi
Marco Di Dio Roccazzella Fabio Manzoni
Partner Data Mining Senior Specialist
Marco.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