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
