"La Statistica come supporto alle strategie di marketing" [PDF 1.1M]
annuncio pubblicitario
2 febbraio ’07 La statistica a supporto delle strategie di marketing La Statistica come supporto ai bisogni conoscitivi delle aziende Bruno Scarpa Facoltà di Scienze Statistiche – Università di Padova Un pool di analisti e statistici “negli” uffici di marketing Le analisi dei prodotti, ma soprattutto dei clienti, mirano a scoprire le propensioni, gli interessi, le potenzialità economiche, in modo da poter suggerire al marketing manager le azioni da intraprendere per massimizzare i risultati aziendali. Gli analisti sfruttano moltissime informazioni che sono a disposizione dell’azienda grazie a potenti sistemi informativi, che si riferiscono a ciascun cliente e addirittura a ciascuna azione (telefonata, sms, email,…) che il cliente compie. 2 Case history Customer satisfaction index: index: alcune schermate di esempio 3 Case history Customer satisfaction index: index: alcune schermate di esempio 4 Case history Analisi delle vendite: report giornaliero attivazioni 5 Case history Esempio distribuzione oraria del traffico telefonico Distribuzione oraria del traffico telefonico % di traffico telefonico 14,00% 12,00% 10,00% 8,00% 6,00% Mese 4,00% dic98 ott98 2,00% ago98 giu98 apr98 feb98 0,00% dic97 ott97 ago97 giu97 apr97 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 dic99 ott99 ago99 giu99 apr99 feb99 feb97 Fascia oraria 6 Case history 0% VALORE DEL CLIENTE 100% Customer base: segmentazione di base MASSIMIZZARE IL VALORE COSTRUIRE FELDELTA’ DIFFERENZIAZIONE DEI SERVIZI INBOUND & OUTBOUND SCHEMA DI LOYALTY (Incentivi) BLOCCHI (Disincentivi alla fuga) AZIONI A BASSO COSTO/ NO PROMOZIONI NON COSTI AGGIUNTIVI PER LA GESTIONE DEL CLIENTE AZIONI DI “MASSA” 0% OPERATORE CC PERSONALE NUOVI VAS MEMBER GETS MEMBER CURA & ATTENZIONE AUMENTARE IL VALORE AZIONI DI UP / CROSS SELL INCENTIVARE L’USO INCENTIVARE ATTIVAZIONE DI VAS FEDELTA’ DEL CLIENTE 100% …ALLA CONCORRENZA! 7 Case history Presentazione casi reali 8 Case history Case history 1 Analisi delle disattivazioni 9 Case history Scenario Un’azienda di telecomunicazioni mobile ha di solito una clientela piuttosto numerosa (milioni di utenti). …e la società gradirebbe che tutti questi (…o quantomeno quelli “interessanti”) rimanessero fedele e non scappassero alla concorrenza! Ma certo cercare di “coccolare” tutti i singoli clienti è chiaramente alquanto oneroso per l’azienda! Cosa fare? Una possibilità è quella di individuare i clienti più a rischio di andarsene… e coccolare solo quelli! Come individuarli? 10 Case history Valutazioni al marketing meeting Intera Customer base Costi della prevenzione della disattivazione Alti Grado di successo dell’azione preventiva della disattivazione Basso Clienti ad alta propensione alla disattivazione Medi Alto Stadio più efficiente Clienti che stanno disattivando Clienti già disattivati Alti N/A Medio N/A Azioni di retention 11 Case history Valutazioni al marketing meeting Chi è a rischio di disattivazione? Caratteristiche demografiche Usage del telefono Comportamenti di traffico Contatti con l’azienda Informazioni sul billing Copertura della rete Quando è maggiore il rischio di disattivazione? Comportamento dei clienti sul churn Perché sono a rischio di disattivazione? Promozioni della concorrenza Eventi della vita Offerte della concorrenza Convenienza dei prezzi Prezzo dell’Hardware Servizio al cliente Programmi a premi 12 Case history Come, quindi, individuare chi è a rischio di disattivazione? 13 Case history L’analista affronta il problema… 14 Case history I dati a disposizione Informazioni socio demografiche Informazioni sulla attivazione Dati sull’uso & sulla rete Pattern di utilizzo (traffico, log files, files, cookies…) cookies…) dati dal call center DATAWAREHOUSE (calls, calls, complains, complains, billing problems) problems) Informazioni da ricerche di mercato (customer satisfaction, satisfaction, U & A, …) 15 Case history Che cosa c’entra la statistica? Una delle cose che gli statistici sanno fare è trasformare dati e informazioni elementari in nuove conoscenze e previsioni utili per prendere delle decisioni. Nel caso della disattivazione dei clienti, uno studente a metà del secondo anno di una laurea in Statistica avrebbe le competenze per dare dei primi suggerimenti sensati ai Marketing managers dell’azienda. Grazie a questi suggerimenti e alle azioni di marketing predisposte dagli esperti di marketing sul target proposto dallo statistico, si riesce a “salvare” una quantità di clienti almeno doppia (rispetto al target individuato dall’esperto di mktg) 16 Case history Come si muove uno statistico? La prima idea è quella di usare i dati sui clienti del passato per prevedere i clienti futuri, di cui non sappiamo le intenzioni Prima di tutto, assieme fianco a fianco al “makettaro”, seleziona un sottoinsieme di informazioni ritenute rilevanti per prevedere la disattivazione e le organizza in una grande tabella: Cliente Attivo/ Disattivo Sesso Data attivazione Numero chiamate gennaio SMS gennaio Numero chiamate febbraio SMS febbraio … 1 Attivo M 4/10/2001 126 214 135 198 … 2 Attivo M 25/05/1998 54 5 67 2 … 3 Disattivo F 9/03/2003 234 2 201 4 … 4 Attivo M 7/11/2005 147 256 203 350 … 5 Attivo F 8/12/2001 214 256 321 247 … … … … … … … … … … N Attivo F 4/04/2002 124 145 187 265 … 17 Case history Come si muove uno statistico? Calcola, quindi, quanti clienti tra quelli che erano attivi un mese fa, si sono disattivati nell’ultimo mese. Identifica una “propensione alla disattivazione”, una misura della “voglia” del cliente di abbandonare i servizi dell’azienda. Non avendo informazioni sulla volontà dei clienti, può misurare tale quantità come proporzione di clienti con determinate caratteristiche (ad esempio maschi, attivati nel 2001, con meno di 50 chiamate nel mese di gennaio e nel mese di febbraio…) che si sono disattivati. 18 Case history Come si muove uno statistico? Costruisce poi un modello per spiegare come la “propensione alla disattivazione” vari al variare delle altre informazioni utilizzate: sesso, età, traffico, … Un modello di questo tipo ci serve per poter calcolare delle previsioni sulla propensione alla disattivazione nel prossimo mese per un cliente che ora è ancora attivo e che possiede le stesse caratteristiche Questo modello permette quindi di prendere una decisione (a chi facciamo un regalo? A chi spediamo una lettera?) sulla base di adeguate informazioni quantitative sul cliente 19 Case history Modelli di regressione Un modello che descrive come una variabile, chiamata usualmente risposta o dipendente, varia al variare di una o più altre variabili, chiamate variabili indipendenti o esplicative, viene usualmente chiamato modello di regressione. variabile = risposta variabili + (errore) f indipendenti 20 Case history Modelli di regressione Un modello che descrive come una variabile, chiamata a usualmente risposta o dipendente, varia al variare di una o più t s o chiamate variabili indipendenti o esplicative, altre variabili, p le esplicative Variabi ir s i viene usualmente chiamato modello di regressione. n o le i i z = b a ir a v ti a t V sa i d variabile = risposta = anagrafiche, traffico, call center, rete … variabili + (errore) f indipendenti 21 Case history Modelli di regressione logistico È basato sull’assunzione che un cliente con x1 chiamate in gennaio, e α + βx1 +γx2 +δx3 +ηx4 +... x 2 chiamate in febbraio, x 3 SMS in gennaio, Prob = α + βx1 + γx 2 + δx3 +ηx4 + ... 1 + e x chiamate in febbraio, ... 4 si disattiva dove α,β,γ,δ e η sono dei parametri (costanti) che devono essere determinati dai dati disponibili. 22 Case history Modelli di regressione logistico Per semplificare, consideriamo una sola variabile esplicativa: il numero di chiamate effettuate nell’ultimo mese Il modello si può scrivere allora un cliente con x chiamate a dicembre 2006 e a + bx Prob = a + bx si disattiva a gennaio 2007 1+ e Dove questa volta a e b sono i parametri (costanti) che devono essere determinati dai dati disponibili. 23 Case history Modelli di regressione logistico 24 Case history Modelli di regressione logistico 25 Case history Modelli di regressione logistico È un modello probabilistico non deterministico. Ci dice la probabilità di disattivarsi, non quanti clienti si disattiveranno se a dicembre hanno fatto x chiamate. In questo modo, “permette” che due clienti con le stesse caratteristiche possano comportarsi in maniera diversa in quanto a disattivazione Questo è il mondo. Perciò così “ragiona” il modello! 26 Case history Utilizzo dei dati sui clienti precedenti Quali valori sono appropriati in questo caso per b? La teoria della statistica insegna come utilizzare efficacemente i dati per calcolare delle stime di questi parametri. 27 Case history Propensione alla disattivazione Disponendo delle stime dei parametri possiamo calcolare, ad esempio, delle stime del numero di clienti che nel prossimo mese mediamente dovrebbe abbandonare l’azienda per ogni tipologia di clienti (numero di chiamate effettuate a dicembre) 28 Case history Stime, stime … ma se c’è una stima, c’è un errore! Il grafico di prima contiene solamente delle stime. Potrebbero non corrispondere alla realtà. Ad esempio sono basate sui “dati” disponibili ed anche il “modello” utilizzato potrebbe essere sbagliato. È per questo che la statistica insegna anche a valutare la dimensione degli errori. Ad esempio permette di “produrre” delle affermazioni del tipo probabilit à che il cliente Mario Rossi si disattivi > 90 % nel prossimo mese 29 Case history Statistici non maghi! L’affermazione precedente è di tipo probabilistico. Non abbiamo la presunzione di essere Mago Merlino. Del resto questo è il bello della vita. E del mestiere dello statistico. È in ogni caso sufficiente per prendere una decisione: Il cliente Mario Rossi avrà un simpatico regalo, o un’offerta promozionale per il prossimo mese, mentre per Paolo Bianchi, la cui probabilità di andarsene era solo del 20%, il collega markettaro non ha previsto nulla! 30 Case history L’utilizzo in pratica L’applicazione del modello ai clienti ancora “vivi” permette l’attribuzione di un livello di rischio ad ogni cliente. Ogni singolo cliente, infatti, viene monitorato continuamente, e per l’azienda viene identificato con un colore: verde = cliente fedele; giallo = cliente in fase prerischio; rosso = cliente a rischio disattivazione. cliente a rischio disattivazione. cliente in fase pre-rischio; cliente fedele Tali colori appaiono sulle liste estratte dai markettari per spedire regali e attivare promozioni, o sugli schermi degli operatori del call center non appena il singolo cliente chiama per avere informazioni o reclamare… e a seconda del colore l’operatore sarà più o meno “gentile” 31 Case history E di quanto sbagliamo? Con i dati osservati nel prossimo mese cercheremo di valutare quanto ci abbiamo “azzeccato” col nostro modello… o se potevamo fare di meglio! accuratezza del modello omissione: alto Rischio medio Rischio SC = Y 27.94% 29.46% SC = N 3.57% 6.83% basso Rischio 42.60 % ( = 100%) 89.60% ( = 100%) comissione: SC = Y SC = N alto Rischio 49.33% 50.67% ( = 100%) medio Rischio 34.92% 65.08% ( = 100%) basso Rischio 5.58% 94.42% ( = 100%) 32 Case history Case history 2 Il profiling e la segmentazione 33 Case history Scenario Usando tutte le variabili a disposizione si vogliono capire i valori, gli interessi e i bisogni dei clienti Tracciare il grafico dei clienti sottolineando le differenze nei valori e bisogni Analizzare i bisogni e gli interessi dei clienti aiuta a capire cosa offrire loro e come interagire con loro 34 Case history La mappa dei valori Interesse per la moda Consumismo Antiproibizionismo PRIVATO PRIVATO Culturaintessuta intessutadidivalori valori Cultura materiali ed aspirazioni PRIVATO materiali ed aspirazioni Etnocentrismo individualistiche. individualistiche. Interesse Orientamentoaiai valoriapparenza Orientamento valori delAnomia séeedel delprivato privato del sé Ostentazione e Attenzione Edonismo all’aspetto Esoterismo Industrialismo Amore per l’aventura prestigio Chiusura mentale Insicurezza APERTURA Secolarizzazione APERTURA Narcisismo Culturaindustriale industrialeee Cultura Cosmopolititsmo post-industriale, Semplificazione post-industriale, APERTURA della vita aperta al aperta al Gestione della cambiamento, Liberalismo Polisensualismo cambiamento, complessità sessuale all’innovazione e alla Adesione all’innovazione e alla Interesse al nuovo tecnologia complessità sociale. complessità sociale. Paura della violenza Welfare Perbenismo Impegno Spiritualità Vita sociale Diffidenza per la pubblicità CHIUSURA CHIUSURA Culturadidistampo stampo Cultura arcaicoee Localismo arcaico CHIUSURA preindustriale preindustriale Centralità dellasui valori arroccata arroccata famiglia sui valori tradizionali tradizionali ee diffidenteverso versoilil diffidente nuovo. nuovo. Nostalgia natura Ecologia Ricerca Antiautoritarismo interiore Revisione SOCIALE ruoli sessuali Espressione SOCIALE Volontariato Comunitarismo personalità Bisogno di Creatività radicazione Partecipazione Idealismo Cultura solidaristica impregnata personale Cultura solidaristica impregnata valorietici eticieespirituali. spirituali. didivalori SOCIALE Orientamento Orientamento alla collettività sociale. alla collettività eealalsociale. 35 Case history La mappa dei valori PRIVATO Interesse per la moda Interesse apparenza Anomia Consumismo Antiproibizionismo Etnocentrismo Attenzione Edonismo all’aspetto Esoterismo Industrialismo Ostentazione e prestigio Chiusura mentale Amore per l’aventura Insicurezza Secolarizzazione Paura della violenza Narcisismo Cosmopolititsmo Semplificazione della vita APERTURA Gestione della complessità Liberalismo sessuale Adesione al nuovo Localismo Welfare CHIUSURA Centralità della famiglia Polisensualismo Perbenismo Interesse tecnologia Impegno Spiritualità Vita sociale Diffidenza per la pubblicità Nostalgia natura Ecologia Ricerca Antiautoritarismo interiore Revisione ruoli sessuali Espressione Volontariato Comunitarismo personalità Creatività Partecipazione Idealismo personale Bisogno di radicazione SOCIALE 36 Case history La mappa dei valori CENTRALITÀ DEL CORPO E DEL CONSUMO [7.0%] PRIVATO Interesse per la moda CULTURA PICCOLO BORGHESE [21.7%] Interesse apparenza Anomia Consumismo Antiproibizionismo Etnocentrismo Attenzione Edonismo all’aspetto Esoterismo Industrialismo Ostentazione e prestigio Chiusura mentale Amore per l’aventura Insicurezza TRADIZIONALISMO [11.6%] Secolarizzazione Paura della violenza Narcisismo NUOVA FRONTIERA [12.0%] Cosmopolititsmo APERTURA Gestione della complessità Semplificazione della vita Liberalismo sessuale Adesione al nuovo [12.0%] Localismo Welfare CHIUSURA Centralità della famiglia Polisensualismo Perbenismo Interesse tecnologia Impegno IMPEGNO [10.3%] Vita sociale Spiritualità Diffidenza per la pubblicità Ecologia Ricerca Antiautoritarismo interiore Revisione ruoli sessuali Espressione Volontariato Comunitarismo personalità Creatività Partecipazione Idealismo personale RADICI [17.3%] Nostalgia natura Bisogno di radicazione SOCIALE INTERIORITÀ [8.1%] 37 Case history Non solo disattivazione! Il saper trasformare informazioni elementari in nuove conoscenze, in previsioni ed in ipotesi di decisione costituisce una abilità molto richiesta dalla società attuale. L’anno scorso Newsweek ha definito l’analista dei dati (ovvero lo statistico) come una delle professioni bollenti del nuovo secolo. Anche in Italia, tutti i dati dimostrano che le imprese, le istituzioni pubbliche e gli enti di ricerca hanno fame di statistici. 38 Case history 39 Case history
