Oltre i Visitatori Unici: cluster e audience per il Marketing

 In Big Data, Digital Analytics, Optimization & Personalization, Predictive Analytics, Programmatic Advertising

diversi_bigI molteplici e mutevoli punti di contatto fra aziende e consumatori generano quotidianamente una grande quantità di dati che aiutano il Marketing a offrire esperienze (non solo d’acquisto) personalizzate e soddisfacenti.

Per evitare che queste informazioni vadano perdute gli analisti devono codificare (in tempo reale) le caratteristiche specifiche di eventi e situazioni affinché i comportamenti “importanti” si distinguano dal normale flusso: un processo chiamato separazione dei pattern.

Senza una strategia di raccolta pervasiva e olistica, questi pattern non vengono individuati e finiscono per confondersi e mescolarsi tra loro senza la possibilità di identificare situazioni vantaggiose (alto ROI) da altre simili ma rischiose per la Customer Satisfaction (basso NPS).

Grazie anche agli strumenti per la raccolta sistematica dei dati da tutte le piattaforme e canali, come i Data Management Platform (DMP), il processo di Pattern Recognition è oggi alla portata di molte aziende, ma spesso, a causa di deficit nella fase di personalizzazione delle offerte commerciali e dei contenuti, le opportunità non vengono adeguatamente sfruttate.

La separazione dei pattern, da non confondere con le analisi di segmentazione e clustering, acquista maggiore efficacia quando è possibile attingere direttamente (e in real time) dal Data Lake.

I Data Lake sono piattaforme per la gestione dei dati dell’intera azienda che servono ad analizzare fonti disparate di dati nei loro formati nativi. Rispetto ai data warehouse (DWH), costruiti secondo uno schema che nasce da pattern già definiti, i dati sono copiati nel Data Lake nel loro formato originale, senza nessuna trasformazione, relazione e gerarchizzazione, rendendoli disponibili per l’analisi all’interno dell’intera organizzazione.

Troppi dati da gestire?

Aggiungere costantemente nuovi dati (eterogenei e in real time) in un sistema che continua a crescere di dimensioni potrebbe suonare come la ricetta per un disastro in termini di prestazioni ed efficienza.

Invece la forza di questo approccio è proprio nei Big Data. Per individuare connessioni fra eventi apparentemente sconnessi, è necessario aggiungere costantemente una grande mole di dati, per rendere attendibili i risultati sperimentali.

Negli ultimi 3 anni il successo di Hadoop ha permesso la diffusione di Data Lake in molte grandi aziende, contribuendo in modo essenziale alle analisi dei pattern.

Il concetto di Data-driven Marketing non è nuovo. Dopo decenni di meticolosa raccolta di tutti i dati disponibili e attenta organizzazione in DB, oggi gli analisti utilizzano i processi euristici per codificare e recuperare correttamente le connessioni fra gli eventi e verificare quali sono maggiormente profittevoli, attraverso osservazioni e test che permettono di migliorare costantemente i modelli (Machine Learning).

I consumatori, nel loro percorso d’acquisto, utilizzano molti device (a volte contemporaneamente) e passano da un canale all’altro senza soluzione di continuità. Molti analisti si concentrano sul problema di identificazione, cioè sui metodi per distinguere un utente come univoco.

Ma difficilmente le aziende hanno un sistema di personalizzazione one-to-one e, quindi, pur avendo riconosciuto l’utente unico, sarà possibile soltanto ricondurlo a una classe di appartenenza (cluster) e assegnarli solo una delle alternative di personalizzazione disponibili (di solito alcune decine).

È quindi più vantaggioso per le Enterprise identificare e distinguere una serie di eventi significativi, evitando che si confondano tra tutti i dati disponibili. Si tratta di eventi significativi perché contribuiscono statisticamente a delineare un pattern che massimizzi la propensione alla conversione.

La capacità di alcuni eventi (o combinazione di eventi) di prevedere il completamento del pattern deve essere direttamente collegata con sistemi ad alta automazione in grado di sfruttare prontamente l’opportunità per l’azienda.

Il Data-driven Marketing per l’Advertising

Quando parliamo di Advertising, il concetto di classe di appartenenza dell’utente (cluster) diventa ancor più centrale, perché si sovrappone alla segmentazione dell’audience.

In questo scenario, i dati degli utenti (indipendentemente dalla loro effettiva identificazione), devono essere normalizzati, perché provengono da fonti differenti (di terze parti, come gli Ad Exchange e gli Ad Server, o di prime parti, come i dati di vendita).

Ma soprattutto, grazie alla separazione dei pattern e all’integrazione di specifiche tecnologie, come i DMP, è possibile analizzare la composizione delle audience definite a livello di Ad Exchange e rielaborarla per definire nuove segmentazioni e cluster ad uso degli Advertiser attraverso le piattaforme di buying.

I benefici di approcci di Data-driven Marketing, infatti, diventano strategici proprio se si pensa al modello del Programmatic Advertising. L’utilizzo della tecnologia permette di acquistare su un numero più elevato di network, con evidenti benefici in termini di Reach, ma non consente all’Advertiser di mantenere lo stesso livello di controllo che avveniva con la contrattazione non automatizzata.

Questo sposta l’attenzione dal posizionamento dell’Advertising (di pagina e di posizione) alla composizione dell’audience di un network.

Di fronte a quello che sta diventando un mercato di audience e non più di spazi, diventa strategico disporre di processi che permettano di analizzare le audience stesse e soprattutto, di metterle in relazione con i dati di prime parti, per agire in maniera tempestiva sulla pianificazione.

Fino a qualche tempo fa parlavamo di Retargeting come di una forma evoluta di personalizzazione in grado di intercettare le effettive preferenze di visitatori in funzione dei comportamenti online passati.

Il Data-driven Marketing diventa allora l’approccio abilitante al Targeting in real time (senza il Re) degli utenti, indipendentemente dalla loro effettiva identificazione, in funzione di tutte le variabili che le diverse fonti dati sono in grado di raccogliere, di cui vengono messe in evidenza le relazioni significative tramite la separazione dei pattern.

Verso un profilo unificato e anonimo di Marketing

Gli approcci di Data-driven Marketing consentono di immaginare scenari, in cui, a fianco degli obiettivi di Brand Awareness ed Engagement di nuovi clienti, ci sia focalizzazione sulle attività di Retention.

In genere, in questi casi non sono previsti ingenti investimenti media e vengono scelte tattiche Direct, come l’Email Marketing o il Telemarketing, realizzate tramite l’integrazione del CRM e di altre fonti dati (dati di vendite online, per esempio) con le specifiche tecnologie per pianificare su questi canali (come le piattaforme di Email Marketing).

Abbiamo così una frattura tra le attività di acquisizione di nuovi clienti (o meglio, di utenti che l’analisi di separazione dei pattern ci dice non appartenere al cluster dei Customer) e quelle di cross-selling o up-selling, o di Retention sul cluster dei Customer. Obiettivi, budget, tecnologie differenti. E naturalmente, dati non riconciliabili e salvati su ambienti differenti.

La Digital Intelligence permette oggi di riconciliare tutti i dati di marketing e, quindi, anche attività con obiettivi differenti, per permettere azioni tempestive in ottica multichannel, senza porsi più il problema dell’effettiva identificazione dell’utente.

In quest’ottica è necessario quindi partire dai dati degli utenti, riconciliando le fonti, per ricostruire dei profili unificati e anonimi che si basano su eventi, e che ci permetta di creare classi di appartenenza, come i cluster di Customer, Lead e Prospect, da incrociare poi con i dati socio-demografici di terze parti, per ridefinire il concetto stesso di audience.

Non più una definizione di audience sulla base esclusiva di caratteristiche esogene, ma una reale differenziazione basata sui dati e sull’effettivo Customer Journey, che è tipico del Marketing Mix e del modello di business.

Come abbiamo visto, creare un profilo unificato e anonimo di Marketing basato sui dati non prevede necessariamente l’identificazione e ci permette di utilizzare le informazioni in maniera strategica per obiettivi differenti (Retention, ottimizzazione della Pipeline di vendita, Lead Generation ed Engagement) e da attori diversi all’interno dell’organizzazione (Marketer e forza vendita).

Programmatic Advertising: una lingua comune tra Engagement e Awareness