Sempre più spesso e sui tavoli di discussione più diversi, si sente affermare che i dati sono il nuovo petrolio! Vero, non c’è affermazione più incisiva per inquadrare il tempo che stiamo vivendo e non c’è realtà aziendale che ne sia esclusa.
Siamo letteralmente sommersi dai dati, sia che tu sia una grande azienda sia che tu sia una micro azienda o un professionista, ma il vero dilemma è: cosa ce ne facciamo di tutti sti dati?
Questa in effetti è la criticità più grande e più frequente che ci si trova ad affrontare e non è facile dare una risposta, perché gli esercizi teorici sul tema si sprecano ma molto spesso manca la declinazione sul caso pratico, sull’esigenza contingente della singola realtà aziendale.
Con queste premesse è nato uno dei miei ultimi progetti, il brief del top management recitava più o meno così: “Abbiamo tanti dati, sappiamo molte cose dei nostri clienti, ma cosa ce ne facciamo? Come possiamo far fruttare queste informazioni? Cosa dobbiamo chiedergli in più o cosa ci manca che potrebbe tornar utile per le decisioni strategiche?”
A questa sfida, riportata sopra sintenticamente ma quasi testualmente, ho deciso di lasciar rispondere i dati. Come? Con una CLUSTERING ANALYSIS fatta con il machine learning.
Tanti inglesismi per dire che i diversi cluster, gruppi omogenei di clienti, non vengono individuati o guidati a monte dall’azienda (es. per fascia di età, per fascia di spesa, etc.), ma vengono individuati spontaneamente e senza preconcetti dalla macchina (algoritmo) sulla base di correlazioni più o meno evidenti e conosciute all’occhio umano. Ed è proprio su queste correlazioni, soprattutto quelle meno note, che ci si può divertire davvero.
Sosteniblità ed economicità di un’analisi di cluster
Se non l’avete mai fatta, un’analisi di cluster per essere impostata correttamene richiede una buona dose di impegno, ore di lavoro e neuroni che si spremono. Se poi le risorse per farlo non sono interne all’azienda, vuol dire anche un discreto contributo economico.
Come fare quindi per evitare che si spendano migliaia di euro per avviare un mega progettone, che poi tempo 6 mesi è già vecchio (come accade per le ricerche di mercato) o si fa fatica a manutenzionare perché richiede continui contributi esterni? In effetti su questo punto sono di parte, ma credo sia cosa buona e giusta per un’impresa imporsi come condizione sine qua non del progetto di analisi la sua massima e piena sostenibilità ed economicità nel tempo, in modo da minimazzare gli investimenti economici successivi alla fase di set up e garantire un mantenimento nel tempo quasi a costo zero.
Per fare ciò ecco alcuni suggerimenti:
- occhio ai dati che scegliete, assicuratevi di utilizzare dati sempre disponibili e su cui siete certi di mantenere l’accesso nel tempo, così non dovrete tutte le volte rimettere mano all’impianto di base;
- scegliete degli strumenti di data visualization o dashboard che conoscete, che usate già o nel caso in cui si parta da zero assoluto, costruite con carta e penna la dashboard ideale in modo da essere consapevoli di quello che otterrete alla fine del lavoro e, consiglio mio, fatevi un mini corso di data studio che male non fa;
- pianificate già in fase progettuale quelli che saranno i tempi e le modalità di aggiornamento della base dati, potrebbe bastare 1 volta all’anno o magari anche meno o forse di più. Dipende tutto dal tipo di business, dalle esigenze applicative e dalla fonte dati su cui lavorate.
- definite le fasi di progetto e approcciate il lavoro per step incrementali e circolari, non pensate di fare tutto subito e tutto corretto: NON E’ POSSIBILE. Ci saranno di sicuro errori e incongruenze che di volta in volta verranno fuori e vi costringeranno ad aggiustare il tiro, ricalibrare le fasi del progetto, integrare i dati e modificare le viste. E’ un duro lavoro, ma alla fine ne vale la pena
Campi di applicazione e azioni concrete della cluster analysis
Ho fatto tutto e bene, ora ho i miei bei cluster: cosa me ne faccio?
In estrema sintesi, la cluster analysis permette di ottimizzare le strategie aziendali a più livelli.
L’applicazione più comune della clustering è in campo comunicazione e diversificazione prodotti, a clienti diversi comunico con modi e canali diversi e propongo servizi/prodotti diversi. Ma possiamo andare oltre.
I punti di vista sono sostanzialmente 3:
- I cluster oggi
Sapere gli attributi che individuano un determinato cluster, mi permette di riconoscere il mio “tipo” cliente sul mercato prima ancora che sia mio cliente. Altra applicazione riguarda il campo della user experience e l’individuazione delle personas. Mi aspetto ad esempio di avere un segmento di “innovatori/visionari”, a questi posso rivolgermi per dei focus group esplorativi su possibili nuovi servizi da sviluppare in futuro e, sempre a questi, posso proporre i prodotti più avanguardistici.
- I cluster oggi, domani e dopo domani
Se poi guardiamo i cluster su 2 o più anni posso ragionare in termini di flussi e di indagini predittive. Sapere come si muovono i diversi cluster significa poter prevedere con un buon margine di errore come si evolverà la mia base clienti nel prossimo futuro, ma significa anche poter influire sulle evoluzioni a me più convenienti ad esempio favorendo il passaggio da segmenti di basso profitto a segmenti ad alto profitto, mantenere inalterati i segmenti più interessanti per l’azienda e facilitare invece eventuali target potenzialmente dannosi.
- I cluster degli altri
Ora che ho compreso chi sono i miei clienti e utenti, sarebbe molto utile e interessante confrontarmi con il resto del mercato. Su questo punto ovviamente c’è la necessità di raccogliere dati di terze parti e probabilmente non posso escludere un investimento extra, ma almeno 1 volta ogni 3 anni vale la pena farlo.
Si tratta di confrontare il peso relativo dei miei cluster sul mercato, vuol dire sapere che margine di crescita potenziale ho sui singoli segmenti, dove sono debole e dove invece dovrei investire di più. Vuol dire anche capire se la segmentazione della mia azienda è tipica della mia realtà o è indicativa di una situazione di mercato.
I dati sono il nuovo petrolio: è vero, ma per monetizzare “il nuovo petrolio” e non mandarlo in fumo serve la testa. Testa per porsi obiettivi concreti, definire una strategia chiara e condivisa, ma soprattutto testa e spirito critico per leggere i dati e tradurli in informazioni di valore.
Autore: Marilena Antonini
#machinelearning #datamining