Dopo una fase dominata dal branding e dalla RSI, l’obiettivo attuale dei retailer è la massimizzazione del ROI delle azioni di marketing per vendere lo stock accumulato durante i mesi precedenti, e per comunicare i nuovi lanci a un consumatore che ha adottato nuove abitudini di acquisto. Nell’ambiente online, ormai di importanza vitale, le applicazioni di data science nel settore del retail hanno già alle spalle un lungo cammino di studio e analisi. L’obiettivo è massimizzare il numero di vendite mediante il miglioramento dell’efficienza dei siti web, l’automazione dei processi e il perfezionamento dell’esperienza dell’utente.
Applicazioni di data science per il settore retail
Anche se alcuni sondaggi, come Big Data and AI Executive Survey 2019,condotto da NewVantage Partners, riferiscono che solo il 30% delle aziende negli Stati Uniti si considera data-driven, la crisi innescata dalla pandemia SARS-CoV-2 ha accelerato la trasformazione digitale. I rivenditori che operano online e che già applicano tecniche di data science hanno un vantaggio competitivo, soprattutto in questo tempo difficile. In seguito, passiamo in rassegna tre delle applicazioni più importanti:
1. Gestione dei prezzi basandosi sui dati
Gestire la politica dei prezzi utilizzando insight reali piuttosto che intuizioni è uno strumento prezioso sia per incrementare le vendite nei periodi di bassa attività che per approfittare degli aumenti della domanda durante i momenti forti dell’anno. Ciò è possibile a condizione che il rivenditore sia capace di unificare i dati in base a caratteristiche comuni e che si includano tutti i canali di vendita.
Con questa classificazione iniziale, in cui i dati vengono memorizzati in data lakes, elaborati e utilizzati per alimentare modelli di machine learning, si può:
- Personalizzare la politica degli sconti o dei prezzi in base all’utente: l’analisi dei dati servirà a individuare modelli comuni e a identificare i cluster di clienti in base al loro precedente comportamento online, ai loro interessi e acquisti storici. In questo modo, sarà possibile progettare una strategia di promozioni adeguata alla tipologia di utenti e che avrà, quindi, una maggiore probabilità di conversione.
- Definire i prezzi per segmenti: in questo caso, il catalogo dei prodotti e dei servizi e i prezzi vengono stabiliti tenendo in conto segmenti di pubblico più ampi. Ad esempio, un’opzione sarebbe quella di avere prezzi standardizzati per la maggior parte degli utenti, e, allo stesso tempo, integrare un’altra strategia con sconti più aggressivi rivolti a quei clienti per cui il prezzo è il fattore determinante dell’acquisto o includere offerte premium con servizi o caratteristiche speciali per chi cerca sicurezza extra.
2. Raccomandazioni personalizzate per l’upselling e il cross-selling dell’e-commerce
Un punto di riferimento per queste tecniche di data science è Amazon, con il suo algoritmo avanzato per mostrare raccomandazioni agli utenti del marketplace. I modelli di machine learning più consolidati vengono utilizzati per:
- Offrire una versione migliore del prodotto scelto (upselling)
- Consigliare altri prodotti relativi all’articolo acquistato, come ad esempio una palla per il fitness e la pompa per gonfiare.
- Suggerire articoli che utenti simili hanno acquistato contemporaneamente. Si tratta di una tecnica molto diffusa negli e-commerce di abbigliamento, in cui l’obiettivo è aumentare la vendita di outfit completi.
Il vantaggio di utilizzare il machine learning per gestire queste raccomandazioni è che si guadagna in efficienza, visto che non è necessario eseguire centinaia di A/B test per prendere la migliore decisione: è l’algoritmo stesso che decide quali prodotti mostrare a ogni utente in modo personalizzato. Ciò è possibile sottoponendo il modello a un vero e proprio allenamento preliminare, classificando i dati e impostando i tratti che mettono in relazioni i prodotti tra di loro. Dopo l’implementazione, questi algoritmi perfezionano la selezione delle raccomandazioni e la ottimizzano costantemente. Diventano molto precisi, poiché sono alimentati da uno storico di dati sempre più esteso che permette loro di analizzare a fondo le reazioni degli utenti ai suggerimenti proposti.
3. Modelli di attribuzione avanzata con machine learning
La complessità dei percorsi di acquisto degli utenti nel retail è cresciuta a causa dell’implementazione delle strategie omnichannel in cui i confini tra azioni online e offline sono sempre più sottili, dell’aumento del numero di piattaforme di vendita e dell’emergere di nuovi ambienti pubblicitari come TikTok. Nel marketing l’analisi della Buyer Persona è stato sempre oggetto di studio, ma finora non era possibile ottenere un livello di precisione tanto elevato; grazie ai modelli di attribuzione avanzati con machine learning adesso è possibile.
I modelli di attribuzione che funzionano con il machine learning osservano al dettaglio il comportamento online dell’utente in ogni momento. Per fare ciò, integrano i dati raccolti da piattaforme esterne (ad esempio, da campagne pubblicitarie su diversi canali) e le informazioni provenienti dal sito stesso. Sulla base di questo scenario estremamente realistico, è possibile controllare la redditività di ogni canale, ridistribuire i budget o valutare l’efficacia della rete di affiliati. Un altro vantaggio di questo tipo di modello di attribuzione è la sua capacità di rilevare i click fraudolenti.
La scienza dei dati: una fonte di certezza per i rivenditori
Prendere le giuste decisioni è fondamentale per la sopravvivenza di molti retailer che cercano di farsi strada in un ambiente di consumo profondamente segnato dall’incertezza. Per questo motivo, i retailer che applicano le tecniche di data science nel proprio e-commerce sono un passo avanti rispetto ai concorrenti, potendo arricchire l’esperienza online degli utenti e avere le informazioni necessarie per reagire con flessibilità e rapidità ai cambiamenti.
