Grado di informazione
VantaggiCompetitivi
CLUSTER
ANALYSIS &
RFM
REDEMPTION &
COMPARISON
SIMULAZIONE
STRATEGICA
BASKET
ANA...
Con un approccio data-driven, partendo dalle singole righe scontrino:
• composizione carrello prodotti
• numerosità client...
Sviluppare un piano di contatto seguendo delle semplici linee guida:
• misurabile (sia durante il piano di contatto stesso...
Coerentemente con le linee guida, far partire la fase 3 in parallelo al piano di contatto stesso.
Il “real time fine tunin...
Al fine di:
1. arrivare ad una corretta valutazione dei risultati ottenuti
2. ottenere degli insight utili per effettuare ...
Utilizzare tutti gli insight rilevati, ai quali vanno
aggiunte le evidenze interne derivanti dalla strategia
aziendale, pe...
Referenze e contatti
Chi siamo: i Senior Data Scientists di Excelle
Davide Camera (Excelle Co-Founder & CEO)
40 anni, Laurea in Economia e Comm...
Stay in touch
Made in Italycs, la scala analitica nel Retail e nella GDO
Nächste SlideShare
Wird geladen in …5
×

Made in Italycs, la scala analitica nel Retail e nella GDO

440 Aufrufe

Veröffentlicht am

Gli step analitici per aumentare il ROI delle campagne di marketing.

Veröffentlicht in: Daten & Analysen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Made in Italycs, la scala analitica nel Retail e nella GDO

  1. 1. Grado di informazione VantaggiCompetitivi CLUSTER ANALYSIS & RFM REDEMPTION & COMPARISON SIMULAZIONE STRATEGICA BASKET ANALYSIS TARGETING PIANO DI CONTATTO CAMPAIGN MANAGEMENT La scala analitica: RETAIL & GDO
  2. 2. Con un approccio data-driven, partendo dalle singole righe scontrino: • composizione carrello prodotti • numerosità clienti • livello di spesa • tempo medio • margine assoluto • margine % • prodotti principali • prodotti complementari • servizi accessori acquistati • etc. Fase 1: analizzare e profilare
  3. 3. Sviluppare un piano di contatto seguendo delle semplici linee guida: • misurabile (sia durante il piano di contatto stesso, per un “real time fine tuning”, sia a posteriori) – prodotto – cliente – azienda – rete di vendita • coerente con le evidenze derivanti dalla fase 1 – differenti comunicazioni per differenti segmenti di clientela • non utilizzi la leva dello sconto • utilizzi il corretto canale di contatto per ogni cliente • i recall siano coerenti con le tempistiche derivanti dalla fase 1 • coinvolgimento totale della rete di vendita Fase 2: il piano di contatto
  4. 4. Coerentemente con le linee guida, far partire la fase 3 in parallelo al piano di contatto stesso. Il “real time fine tuning” contribuisce a migliorare in modo netto i risultati. Calcolare la redemption valutando diversi aspetti, tra i quali: • % aperture DEM • % clienti che hanno acquistato • tempo medio di acquisto • carrello prodotto • scontrino medio • margine assoluto e relativo • etc. Fase 3: la redemption
  5. 5. Al fine di: 1. arrivare ad una corretta valutazione dei risultati ottenuti 2. ottenere degli insight utili per effettuare simulazioni what if future 3. mantenere la coerenza con le linee guida progettuali confrontare i risultati con un campione di controllo perfettamente omogeno al target contattato. Campione di controllo Fase 4: redemption & comparison
  6. 6. Utilizzare tutti gli insight rilevati, ai quali vanno aggiunte le evidenze interne derivanti dalla strategia aziendale, per effettuare delle simulazioni What If Fase 5: la simulazione
  7. 7. Referenze e contatti
  8. 8. Chi siamo: i Senior Data Scientists di Excelle Davide Camera (Excelle Co-Founder & CEO) 40 anni, Laurea in Economia e Commercio (1999), Laurea in Scienze Sociali per la Cooperazione e Sviluppo (2009). Attualmente sta conseguendo “certificates” al MIT (via Edx). Nel corso degli ultimi 15 anni, dopo una consolidata esperienza in ambito bancario ed assicurativo, dove ha ricoprendo ruoli di forte responsabilità nella gestione di progetti di Business Intelligence, ha fondato Excelle, arricchendo ulteriormente la propria esperienza in svariati settori. Tra le attività svolte in questi anni: - Customer Base Analysis; - Market Basket Analysis; - Modelli predittivi sul Churn; - Modellistica Predittiva sulle Vendite, Analisi sulle Serie Storiche; - Social Media Analysis; - Text Analytics Models, Text Analytics Cluster Analysis; - Etno-Experience Analysis; - Campaign Management: Targeting, Redemption & ROI Analysis; - Loyalty Programs Analysis. Sempre in ambito assicurativo ha assunto ruoli di coordinamento di funzioni di Customer Care riportando direttamente alla Direzione Generale Precedenti esperienze : Gruppo Mediolanum, SAS, Eurizon. Stefano Merighi (Chief of Data Scientists) 34 anni, Laurea in Scienze Statistiche ed Economiche (2004) In poco più di 10 anni si è occupato di temi legati alla Customer Intelligence in differenti settori, ricoprendo ruoli di centralità sempre maggiore e con un forte orientamento alla generazione di innovazione ed efficienza. Tra le attività svolte in questi anni: - Segmentazioni Comportamentali; - Realizzazione di Modelli di Propensione a supporto della Direzione Marketing e della Gestione Customer Base (One to One Offer : Previsione status di Multioperatore; Churn Risk (Mobile Number Portability, Standard Deactivation); Previsione Inattività; Up Selling di prodotto; - Definizione del Ciclo di vita del Cliente (Contact Strategy); - Coinvolgimento in progetti di Next Best Activity Management (NBA); - Definizione di Kpi e relative gestioni in ambito Contextual Marketing (su piattaforme Big Data); - Social Network Analysis: Identificazione Nuclei Familiari; - Realizzazione di un Best Tariff Plan Simulator Tool (telco); - Progetti di Geo-Marketing a supporto della rete vendita; - Monitoraggio Performance (CB management evaluation: Operational & Financial kpis); - Competitive Analysis; - Progetti di Definizione e Arricchimento di DWH di Marketing. Precedenti esperienze : Gruppo Mondadori, Eurizon, Direzione Mobile Consumer Vodafone Italia, i4c Analytics – Accenture.
  9. 9. Stay in touch

×