Lezione 19: Futuro e Analisi Predittiva PDF

FUTURE OUTLOOK Predictive Analytics 1. Il Ruolo del Predictive Analytics nel Marketing Omnichannel Il predictive analytics nel marketing omnichannel utilizza modelli statistici e algoritmi di machine learning (intelligenza...

FUTURE OUTLOOK Predictive Analytics 1. Il Ruolo del Predictive Analytics nel Marketing Omnichannel Il predictive analytics nel marketing omnichannel utilizza modelli statistici e algoritmi di machine learning (intelligenza artificiale) per prevedere le azioni future dei clienti basandosi sui loro comportamenti passati. Questo permette ai retailer di anticipare le esigenze dei consumatori e di personalizzare l'approccio marketing su ogni canale, quindi creare strategie di comunicazione ad hoc. Tutto questo ci permette di prevedere il comportamento del cliente nel retail (cosa farà, quando lo farà, quali saranno i suoi trigger,...) e di conseguenza creare una personalizzazione tale da generare un mondo unico e perfetto per il nostro utente. Perché c’è bisogno del Predictive? Oggi molti business che hanno il ruolo di gestire la complessità, perché oggi abbiamo problemi legati a sistemi molto complessi e quindi questi modelli di business devono aiutarci a fare delle scelte. Vediamo quali sono questi sistemi. - Social media Se non ci fosse stata l'intelligenza artificiale i social media sarebbero stati praticamente come una sorta di sito internet classico, in cui ad ognuno sarebbe stato mostrato la stessa cosa di tutte le altre persone del mondo senza un minimo di criterio preferenziale. I social network infatti si sono sviluppati solo grazie all’idea che ogni utente ha interessi specifici. Questi interessi vengono mostrati a quel determinato utente solo grazie ad un algoritmo che ha il ruolo di gestire la complessità di tutte le informazioni. Questo accade con tutti i social e anche con altre applicazioni come Spotify, la quale contiene miglioni e miglioni di canzoni e podcast e, attraverso l’algoritmo, sceglie quelle adatte ad ogni singolo utente. Riguardo questo scenario ci sono però due punti di vista: 1. Alcune persone credono che facendo questo Spotify vada a creare una bolla informativa, facendo vedere solo quello che è deciso dall’algoritmo, quindi mostrando non quello che vuole l’utente, ma in sintesi quello che decide l’applicazione. 2. Altre persone invece credono che questa scelta da parte dell’algoritmo in realtà non sia un limite, ma che sia un aiuto all’utente per scoprire nuovi artisti o canzoni che sono affini ai suoi gusti. Tutto il mondo di Netflix, Prime Video, ecc funziona così, andando a gestire la complessità. Il nostro ruolo è come quello dell'algoritmo, dobbiamo gestire la complessità per fare in modo di creare un’esperienza personalizzata per il cliente e cercare di fargli vedere/provare quello che più gli piace o interessa.  2. Cosa permette di migliorare la Predictive Analytics STRATEGIE PERSONALIZZATE PER OGNI CLIENTE La predictive analytics ci permette di migliorare: - Analisi dei Dati di Acquisto → attraverso l’utilizzo dei dati storici per prevedere quali prodotti saranno richiesti da specifici segmenti di clienti. - Previsione delle Preferenze → attraverso modelli predittivi che identificano quali offerte e messaggi sono più efficaci per individui o gruppi. - Adattamento in Tempo Reale → attraverso l’aggiustamento delle strategie di marketing in risposta ai cambiamenti nel comportamento del cliente rilevati in tempo reale. EFFICIENZA ED EFFICACIA NEL MARKETING OMNICHANNEL La predictive analytics ci permette di migliorare: - Targeting Proattivo → attraverso l’identificazione e focalizzazione sui clienti più propensi all'acquisto o all'interazione. - Gestione dell'Inventario → attraverso previsioni sulla domanda (che fa appunto l’intelligenza artificiale) per evitare eccessi o carenze di stock, basate sui trend di consumo previsti. - Cicli di Vendita → attraverso l'accorciamento dei cicli di vendita attraverso promozioni mirate e comunicazioni tempestive basate su previsioni affidabili. Tutto molto bello ma come ogni cosa anche il Predictive Analytics deve affrontare alcune sfide: 1. Precisione delle Previsioni: Mantenere l'accuratezza delle previsioni nonostante la variabilità dei comportamenti dei consumatori. 2. Integrazione dei Dati: Unificare dati provenienti da diversi canali per un'analisi coesa che supporti le previsioni. 3. Privacy e Sicurezza dei Dati: Gestire in modo responsabile le grandi quantità di dati personali dei clienti, rispettando le normative sulla privacy. L’evoluzione del Predictive Analytics continuerà nel futuro con: - Tecniche di Apprendimento Automatico Avanzate: Sviluppo di modelli sempre più sofisticati per migliorare l'accuratezza delle previsioni. - Marketing Hyper-Personalizzato: Utilizzo delle previsioni per creare esperienze ultra-personalizzate che attraggano e mantengano i clienti. - Automazione e Scalabilità: Ampliamento dell'uso del predictive analytics per automatizzare e scalare le operazioni di marketing su tutti i canali. CASE STUDY 1 - Synerise e Zabka Cos’è Synerise? E’ una tecnologia polacca, una customer data platform che è nata e si è completamente sviluppata sull’AI. Si tratta di un sistema che ci consente di avere l’utente al centro della raccolta di dati omnichannel, permettendoci di comunicare con lo stesso. Avviene tutto in tempo reale (vengono processati un sacco di dati in maniera velocissima) Alla base di tutto ci sono dei database, creati però da loro (Database Engine), in quanto quelli già esistenti non erano efficienti per raccogliere i dati comportamentali. Sulla base di questi database hanno quindi seguito loro le analisi. Tramite API si sono riusciti ad agganciare a sistemi esterni (sistema sviluppato da loro, non ZAPIER/IFTTT o altro) Hanno una rete di connessione enorme sia con l’utente che con moltissimi canali. Zabka → negozi di vicinato (convenience store), in Polonia (vecchio layout) 5 anni fa decidono di diventare DATA DRIVEN… Nuovo layout, totalmente differente. Contano oltre 10000 store in Polonia: il loro obiettivo è essere al massimo entro 3min a piedi da qualsiasi persona in Polonia. 50 negozi Zabka_nano (negozi dove entri e paghi con la carta). ⅓ delle vendite quotidiane avviene da persone con loyalty card. Quantità di dati raccolti enorme. Loyalty program Non hanno e-commerce, sono solo store fisici, quindi le loyalty card sono importantissime per poter raccogliere i dati dei clienti e fidelizzarli. Esempi di personalizzazione: Gamification: Utilizzo di meccanismi tipici del gioco e, in particolare, del videogioco (punti, livelli, premi, beni virtuali, classifiche), per rendere gli utenti o i potenziali clienti partecipi delle attività di un sito e interessarli ai servizi offerti. Si può usare la valuta creata in Zabka per pagare spotify, netflix, prodotti limitati… Quindi l'utente pensa di non star spendendo soldi per l’abbonamento quando in realtà comunque sta spendendo soldi per i prodotti di Zabka e accumula punti. Synarise è basata sull’Ai chiamata MONAD. ⦁ raccoglie e acquisisce dati (parte di dati processati, scontrini, ordini ecc…) ⦁ Acquisisce dati da immagini ⦁ Può elaborare testi ⦁ Tutto sviluppato per analizzare i dati comportamentali (in maniera dettagliata), unica al mondo  Segmentazione L’evoluzione della segmentazione → acquisisco i dati e successivamente la mia AI si guarda tutte le transazioni e identifica gruppi di persone che si stanno comportando allo stesso modo. (esempi di segmentazione su Zabka) Sappiamo quanto è numerosa la nostra popolazione Base di Synerise , sempre software polacco. (è uguale a Synerise)