INSIDE THE MACHINE:
come trasformiamo dati complessi in decisioni più intelligenti

Chi sono davvero i clienti?
Ogni interazione lascia un segnale. Un acquisto, una categoria esplorata, una promozione utilizzata, un comportamento ricorrente: singolarmente sono dati. Insieme raccontano qualcosa di molto più importante. 

Algoritmo: Multi-Channel Customer Engagement (Customer Personas Clustering)
Questo modello utilizza tecniche di AI/machine learning non supervisionato per analizzare il livello di engagement dei clienti attraverso i diversi punti di contatto con il brand e individuare gruppi di clienti che condividono caratteristiche e abitudini simili.
A differenza dei modelli tradizionali, che classificano i clienti utilizzando un numero limitato di variabili, questo approccio prende in considerazione l’intero patrimonio informativo disponibile. Tra gli elementi analizzati possono rientrare, ad esempio, le categorie e sottocategorie acquistate, la propensione all’acquisto in sconto, la percentuale di resi, la frequenza di utilizzo della spedizione gratuita, il comportamento durante eventi promozionali speciali o il canale di acquisto utilizzato.
L’obiettivo è costruire un identikit dettagliato dei clienti per comprenderne meglio comportamenti, preferenze e modalità di interazione con il brand, così da supportare strategie di marketing più efficaci e personalizzate. 

AI in Action: un esempio di applicazione
Nel settore Beauty abbiamo analizzato migliaia di segnali comportamentali e scoperto che variabili come sconti e promozioni sensibilizzavano significativamente alcuni segmenti, mentre altri elementi avevano un impatto molto inferiore. 

Da questa analisi sono emersi profili distinti come clienti altamente fedeli e clienti guidati da acquisti d’impulso, consentendo di costruire strategie di relazione dedicate. 

I nostri clienti cosa faranno domani?
Capire cosa è successo è utile. Capire cosa potrebbe succedere permette di agire prima.
I dati storici possono trasformarsi in strumenti di supporto decisionale.  

Algoritmo: Propensity to Buy per categoria di store o di prodotto
Il modello predittivo utilizza algoritmi AI e di machine learning supervisionati per analizzare comportamenti storici dei clienti per stimare la probabilità di acquisto futura. L’obiettivo è comprendere non solo quali clienti saranno più propensi ad acquistare, ma anche quali categorie di prodotto o aree di business saranno maggiormente interessate dai loro acquisti.
Nella fase iniziale il modello viene addestrato ad analizzare lo storico degli acquisti dei clienti, la loro anagrafica e ogni altra sorgente dati che può essere considerata utile.
Il sistema individua pattern comportamentali ricorrenti e apprende quali caratteristiche tendono a precedere un acquisto. Costruisce, così, modelli previsionali in grado di stimare la probabilità che un cliente acquisti nei mesi successivi e le categorie di prodotto o di store verso cui si orienterà con maggiore probabilità.
Grazie alla capacità di anticipare i comportamenti futuri, questo consente all’azienda di agire in modo proattivo e di intercettare le esigenze dei clienti prima che si manifestino. 

AI in Action: un esempio di applicazione
Abbiamo applicato il modello agli outlet multi-store individuando le categorie di negozi che nell’immediato futuro risultavano essere quelle a maggior probabilità di acquisto e usato questa informazione per comunicare ai clienti dormienti (che prevediamo non compreranno nell’immediato futuro) sconti in queste categorie di store. Questo approccio ci ha permesso di riattivare tra l’10% e il 15% di clienti. 

I nostri clienti cosa comprano insieme?
I dati raramente parlano in modo lineare. Dietro ogni acquisto esistono connessioni, abitudini e associazioni che spesso non emergono davanti a una lettura tradizionale: tra prodotti, categorie e segmenti di clienti possono nascondersi relazioni significative. 

Algoritmo: Basket Analysis
Partendo dai dati delle transazioni, il modello individua correlazioni tra articoli e categorie merceologiche, evidenziando le combinazioni di acquisto più ricorrenti all’interno degli scontrini: aiuta, quindi, a comprendere quali prodotti vengono acquistati più frequentemente insieme, andando quindi a supportare decisioni commerciali e strategie di marketing.
L’analisi si basa su algoritmi di AI/data mining, come l’algoritmo Apriori, che permettono di identificare automaticamente le regole di associazione tra prodotti. Il modello cerca, quindi, di rispondere a domande come: “Quando un cliente acquista il prodotto X, quali altri prodotti tende ad acquistare?”
L’analisi può essere applicata a macro-categorie merceologiche, a singoli prodotti e anche a specifici punti vendita, per evidenziare differenze nei comportamenti di acquisto tra territori o bacini di utenza differenti.  

AI in Action: un esempio di applicazione
Nel settore GDO abbiamo individuato associazioni prevedibili tra categorie frequentemente acquistate insieme, ma anche relazioni meno intuitive che hanno aperto nuove opportunità di attivazione commerciale e strategie promozionali dedicate. I risultati ottenuti supportano numerose iniziative commerciali e di marketing, come attività di cross-selling e up-selling, la progettazione di promozioni mirate, l’ottimizzazione degli assortimenti, la definizione del layout dei punti vendita e la personalizzazione delle raccomandazioni di prodotto sui canali digitali. 

Cosa ha davvero funzionato con i nostri clienti? 
Una conversione racconta il risultato finale, ma raramente racconta l’intera storia.
Prima di acquistare, i clienti attraversano un percorso fatto di interazioni, contenuti, touchpoint e momenti di contatto che contribuiscono in modo diverso alla decisione finale.
Saper misurare l’influenza della comunicazione sul comportamento d’acquisto dei clienti,  permette di ottimizzare investimenti, campagne e strategie.  

Algoritmo: Attribution Model per Customer
Modello di analisi proprietario di Contactlab che consente di valutare il contributo delle campagne lungo il percorso di acquisto del cliente.
Basandosi sull’assegnazione di una quota di vendite in merito ai diversi punti di contatto che precedono un acquisto, il modello analizza il comportamento di ogni cliente e verifica in che modo, prima di effettuare un acquisto online o in negozio, abbia interagito col brand. Quando un cliente effettua un acquisto entro una determinata finestra temporale dopo l’interazione col brand, l’acquisto viene considerato influenzato.
L’obiettivo è comprendere quanto i vari canali di comunicazione abbiano influenzato ogni transazione e quindi quale impatto abbiano avuto nella generazione delle vendite. 

AI in Action: un esempio di applicazione
Nel settore Casalinghi abbiamo analizzato un anno di attività email per comprendere il reale impatto delle comunicazioni sul comportamento d’acquisto.
Grazie a queste informazioni, il marketing ha potuto comprendere meglio l’efficacia delle proprie campagne e capire quali tipologie comunicative portassero a più conversioni così da ottimizzare gli investimenti sui diversi segmenti di clientela e sviluppare strategie di comunicazione sempre più personalizzate.