La concorrenza crescente, una gamma di offerta sempre più ampia, il cliente con aspettative sempre più sofisticate, la diffusione di maggiori punti di contatto tra retailer e cliente (punto di vendita, web, mobile, social, ecc.) sono solo alcuni dei tanti esempi che testimoniano un dinamico e costante stato di cambiamento nel settore delle vendite al dettaglio.
Per rimanere competitivi, soprattutto nei confronti dei canali di vendita on-line, i retailer devono applicare un approccio analitico predittivo per meglio comprendere il loro business e anticipare il comportamento del cliente.
Per anni il data mining è stato appannaggio di poche grandi aziende e di un limitato numero di specialisti di statistica e matematica.
Nel retail, il mito anni ‘90 di un marketing one to one, realizzabile grazie ai dati delle carte fedeltà, è stato largamente disatteso, soprattutto in Italia, da parte delle aziende e per la gran parte dei consumatori. Le loyalty card, diffusissime ormai in ogni settore del dettaglio, sono state utilizzate essenzialmente come raccoglitori elettronici di bollini e come veicolo per promozioni, comunque indifferenziate, sulla totalità dei possessori o su macro cluster di clienti definiti in base a variabili del retailer (es.tutti i possessori di card di un punto di vendita) piuttosto che su abitudini di acquisto del cliente (es.tutti i possessori di card acquirenti -o non acquirenti- di specifiche categorie, referenze o marche di prodotti).
In breve, di promozioni realmente differenziate e “personalizzate” se ne sono viste davvero poche e la riduzione di forme massive (e costose) di promozione (volantino) è restata, nella migliore delle ipotesi, una semplice intenzione.
Le cause sono probabilmente connesse al costo strutturale (software, know-how, risorse umane dedicate) necessario a sfruttare adeguatamente lo sconfinato ammontare di dati derivante dalle carte fedeltà (migliaia e migliaia di singole righe scontrino associate a migliaia e migliaia di anagrafiche clienti).
Questa volta il web e l’e-commerce, spesso nemici del commercio brick e mortar, vengono in aiuto al retailer, rendendo possibile l’applicazione al commercio fisico di modelli analitici predittivi costruiti per quello virtuale.
La capacità di analisi di Google (ricerca e sistematizzazione delle informazioni) e quella predittiva di Amazon (analisi dei comportamenti dei clienti per suggerire ad ognuno l’acquisto migliore), sono oggi applicabili al commercio fisico.
I retailer, attraverso modelli predittivi che analizzano e confrontano migliaia di dati, possono più facilmente acquisire e fidelizzare i clienti, ottimizzare assortimenti e stock, capire in profondità le caratteristiche della domanda nel tempo (qualità, quantità, elasticità), individuando le variabili che hanno l'impatto più significativo sulle prestazioni aziendali rispetto al comportamento dei clienti.
Gli algoritmi di questi modelli predittivi, anziché perseguire la certezza assoluta circa lo specifico e puntuale comportamento di un singolo cliente, confrontano rapidamente grandi numeri di clienti tra loro in base a diverse variabili (frequenza di acquisto, valore dell’acquisto, tipo di prodotto acquistato) e offrono un risultato predittivo circa il più probabile comportamento che un cluster di clienti o un singolo cliente, in quanto appartenente a un determinato cluster, avranno nell’immediato futuro.
Una soluzione meno accurata ma molto più veloce, meno costosa e di più immediato utilizzo in una serie molto ampia di aree applicative del retail business.
Ad esempio, come prevedere l’efficacia di una campagna di marketing?
La riduzione dei budget di marketing impone una maggiore efficacia delle campagne. Allo stesso tempo, il cliente diventa sempre più insofferente alla moltitudine di comunicazioni promozionali che continuano a sommergerlo (anche via mail) nonostante non abbia mai risposto positivamente a nessuna di esse (spesso vero e proprio spamming aggressivo).
I modelli predittivi, attraverso l’analisi storica dei dati, permettono di proporre una nuova campagna solo ai clienti che probabilisticamente saranno più interessati all’offerta, perseguendo un sensibile aumento dei tassi di risposta, una forte riduzione di costi e un aumento della soddisfazione del cliente.
Ancora, come utilizzare i modelli predittivi per una shopping basket analysis efficace?
Il modello analizza statisticamente la composizione del “carrello della spesa” di un gran numero di clienti simili tra loro e propone il completamento della spesa probabilisticamente più efficace per il singolo cliente (e per il retailer). Infatti, le informazioni raccolte da un’analisi dello shopping basket possono essere utilizzate per il cross-selling, l’up-selling e il bundling (prodotti che vengono frequentemente acquistati insieme), aumentando la soddisfazione del cliente e la redditività per il retailer tramite la proposizione di prodotti di completamento della spesa a più elevata marginalità.
E’ quello che fanno da tempo gli e-tailer più evoluti quando un cliente seleziona un prodotto per l’acquisto e il sistema visualizza automaticamente ciò che hanno acquistato altri clienti con gli stessi gusti o quello che, sulla base dei suoi acquisti storici, potrebbe interessarlo di più.
Di conseguenza, la shopping basket analysis effettuata con modelli predittivi che si basano su potenti algoritmi ha un grande potenziale anche dal punto di vista della definizione più efficace degli assortimenti e della gestione molto più efficiente delle scorte e della logistica distributiva.
TESCO, uno dei retailer più evoluti anche in questo ambito, utilizza modelli analitici predittivi in molte aree della propria attività.
In un recente discorso (Global Summit of the Consumer Goods Forum, Istanbul, 6/2012) il chief executive di TESCO, Philip Clarke, ha dichiarato che mantenere la fedeltà dei clienti è oggi più difficile a causa della ricchezza di offerta online ma, proprio per questo, i big data sono la nuova risorsa per soddisfare le esigenze del singolo individuo: "Siamo in una nuova era del commercio al dettaglio – l'era della personalizzazione di massa."
Ad esempio, attraverso la shopping basket analysis sui dati delle carte fedeltà, TESCO mette in correlazione i dati della sua Clubcard con altri dati, compresi i metodi di pagamento e le informazioni provenienti dalle sue pagine sui social networks. L’obiettivo è quello di offrire prodotti meno costosi ai clienti sensibili al prezzo e prodotti premium per i clienti più ricchi. Clarke ha dichiarato: "la potenza di questo approccio è nato da un test che abbiamo fatto per vendere i materassi”. Quando un cliente visitava l’e-commerce, mostrando interesse per l’acquisto di un materasso, TESCO utilizzava i dati della sua Clubcard per capire se appartenesse ad un cluster più influenzato dal prezzo o dalla qualità. Al cliente veniva quindi suggerito il tipo di materasso che probabilisticamente rifletteva meglio le sue caratteristiche. Le vendite sono aumentate del 10%!
L’utilizzo intelligente di modelli predittivi sui big data, fornisce ormai a TESCO enormi ritorni economici: ad esempio, il lavoro predittivo sulla efficacia delle promozioni assicura già oggi il 30% in meno di rotture di stock sugli scaffali.
Modelli predittivi sulla vendibilità dei prodotti (es.stagionalità) hanno ridotto lo stock di magazzino di circa 50 milioni di sterline l’anno e quelli che analizzano l’influenza del clima sul comportamento del clienti e sulle vendite hanno permesso di ridurre lo spreco di cibo fresco invenduto per 6 milioni di sterline!
TESCO, nel Regno Unito, ha misurato come il primo aumento stagionale di dieci gradi della temperatura si traduca in un incremento di acquisto del 300% di carni da barbecue, del 45% di lattuga e del 50% di insalata di cavolo….
I loro modelli predittivi acquisiscono le previsioni meteo tre volte al giorno e altrettante volte aggiornano di conseguenza le previsioni di vendita dei negozi per migliaia di referenze, condividendo immediatamente i dati con i fornitori tramite un sistema web-based chiamato TescoConnect.
Lo stesso approccio è utilizzato per ridurre il prezzo dei prodotti freschi man mano che questi si avvicinano alla scadenza. L’elasticità al prezzo di questi numerosissimi prodotti è molto diversa e i modelli predittivi aiutano TESCO a capire quando e di quanto ciascuna referenza fresca deve essere scontata per garantirne la vendita piuttosto che un costoso processo di reso al fornitore o distruzione.
La capacità di adeguare il prezzo nel momento giusto e con lo sconto giusto massimizza le vendite riducendo le perdite di profitto legate a sconti inutilmente alti o eccessivamente anticipati rispetto alla scadenza dei prodotti freschi: 30 milioni di sterline l’anno sono un buon motivo per dotarsi di una moderna…palla di vetro.