Le aziende data-driven hanno un revenue più elevato. Basare la propria strategia sui dati consente di incrementare l’Average Order Value. Le realtà con una solida cultura del dato si fanno trovare sempre preparate ai cambi del mercato. Hai mai sentito parlare di questi temi?

Google ha commissionato uno studio pluriennale da Boston Consulting Group (BCG), che ha dimostrato che “chi si basa sui dati (corretti) ha un vantaggio pari a 1,4 volte maggiore e un impatto sui ricavi fino a 2,5 volte maggiore” rispetto a chi non utilizza il sistema data-driven per guidare il proprio business.

Al giorno d’oggi siamo sommersi dai dati, più o meno corretti, e spesso si incontrano delle difficoltà ad interpretarli e ad usarli correttamente.

In questo articolo cerco di sintetizzare in quattro punti quali sono i principali focus che possono darti un vantaggio competitivo utilizzando una strategia data-driven.

Ora, più che mai, è il momento di capire quali dati abbiamo a disposizione, come migliorarli, analizzarli in modalità actionable insights e farsi trovare pronti anticipare i competitor che ancora non utilizzano questi framework.

1. Mantenere aggiornati i KPI e analizzarli periodicamente.

Se tu fossi un pilota di Formula 1 e dovessi conquistare la pole position:

• Ti fideresti del meccanico che “a sensazione” pensa che la benzina nel serbatoio sia sufficiente
• Manderesti un esperto a misurare il livello di benzina per non rimanere a secco durante il giro

Penso che il 99% di chi legge scelga la risposta numero 2. Purtroppo, però, è sorprendente constatare che quasi la metà delle aziende basa le proprie decisioni sulle sensazioni “di pancia” o “ad intuito” anziché sui dati.

Pertanto, il primo punto su cui iniziare a ragionare è comprendere il corretto utilizzo dei KPI per la tua azienda. Settare dei corretti indicatori di performance consente di rispondere rapidamente a domande come:

• Quante entrate sono state generate questa settimana? (KPI: Revenue Settimanale)
• Siamo in presenza di profitto o perdita? (KPI: margine di profitto, schema profit and loss)
• Il CAC (Customer Acquistion Cost) aumenta o diminuisce? (KPI: CAC per periodo di tempo)
• Quanti ordini dei clienti possiamo soddisfare prima di dover riordinare? (KPI: unità disponibili)
• Qual è il time elapsed medio per la chiusura di una vendita? (KPI: time to conversion)

Scegliere e settare i corretti KPI permette di evitare di concentrarsi sulle vanity metrics e di andare invece ad osservare in modo obiettivo gli indicatori di performance e le prestazioni del nostro business.

Ad esempio, se ad oggi acquisiamo 100 nuovi clienti al costo complessivo di mille euro ma nessuno si iscrive dopo il periodo di prova del nostro software significa che è stata presa una decisione errata. A che livello? Se non vado a settare i corretti KPI non potrei mai capire dove è stato l’errore:

• Allocazione budget errato
• Copy non corretto
• Errata UX
• Altri fattori misurabili

Suggerimento: una volta decisi i KPI, impostato e verificato il tracking, una facile formula di lettura è la creazione di una dashboard smart to use, magari utilizzando Google Data Studio (strumento gratuito che presenta moltissimi connettori a numerose piattaforme). Ogni giorno potrai tenere sott’occhio i principali indicatori di performance ed intervenire tempestivamente.

2. Prevedere la domanda futura (e l’offerta)

Conoscere quando la probabilità che i clienti ordinino o riordinino dal tuo ecommerce è la principale differenza tra il tuo brand e quello dei competitor.

Le aziende che non utilizzano l’analisi per prevedere la domanda (o l’offerta) spesso sono sottoposte ai seguenti errori:

• I clienti ordinano, ma non hai prodotti in magazzino per soddisfare le loro esigenze.
• I clienti ordinano, ma devi riordinare il corretto numero di prodotti dai fornitori e quindi i tuoi clienti si lamenteranno dei tempi di consegna e inizieranno a valutare l’acquisto direttamente da un competitor che assicura tempi di risposta minori.
• Pensi che i clienti ordineranno e fai scorta alla rinfusa, ma nessuno lo fa. Ora ti rimangono molte scorte a magazzino.

Le stesse logiche, con le opportune varianti, si possono applicare anche chi offre servizi digitiali:

• Abbiamo calcolato bene la potenza del nostro server per rispondere correttamente ad eventuali picchi di traffico?
• Abbiamo pensato a come trasformare gli utenti da semplici “trial users” a clienti effettivi?

Suggerimento: bisogna iniziare a generare analisi predittive in modo automatizzato (eventualmente utilizzando dei tool low level, come rapid miner) o “manuale” (tramite R o similari). Più dati abbiamo più l’analisi restituirà dei risultati attendibili.

3. Utilizzare il Machine Learning

L’applicazione di Machine Learning più utilizzata, al momento, è la product recommendation. Netflix, l’esempio principe, utilizza un sistema di raccomandazione per creare suggerimenti personali basate su dati di visualizzazioni precedenti (ma non solo). Airbnb utilizza la struttura UX per personalizzare le offerte per ciascun viaggiatore.

Entrambe le società sono rinomate per aver sorpassato la concorrenza con un’offerta di prodotti mirata e personalizzata per i propri utenti.

Eventualmente, se non puoi mettere mano al machine learning, l’analisi dello user behavior può aiutarti a costruire una user experience migliore.

Ascoltare i clienti attraverso una survey e modificare il prodotto a seconda dei feeback, fino ad arrivare alla co-creazione partecipata di prodotti o varianti di prodotto, piuttosto che analizzare la navigazione desktop vs app e migliorare i fallout, analizzare i copy e metterli in test, determinare i touchpoint verso l’acquisto per costruire e migliorare la customer journey, e molto altro ancora.

Suggerimento: mettiti sempre nei panni dell’utente quando ricevi un feedback qualitativo o quantitativo e non far emergere mai il tuo ego durante la fase di analisi.

4. Conoscere il tuo cliente

Viviamo nell’era dell’iper-personalizzazione e i nostri clienti si aspettano che il nostro sito/app crei una versione personalizzata e basata sui loro interessi (quasi anticipandoli).

L’attività da svolgere è molto semplice: creare una segmentazione che permetta di isolare cluster di utenti e, una volta consolidata la metodologia, passare alla customizzazione 1:1 (facendo ricorso anche alla marketing automation).

Un esempio molto semplice, che faccio spesso, è questo: se il 50% dei tuoi utenti acquista cioccolata in polvere e il 50% acquista cioccolata in tavoletta, venderai una cioccolata farinosa per accontentare entrambi oppure vai a fare marketing mirato?

Segmentare = Personalizzare. In un momento in cui raccogliamo tantissimi dati sui nostri clienti (contatti CRM, mail, advertising, ecc) è assurdo che non utilizziamo questi stessi dati di cui disponiamo per creare offerte personalizzate.

Conclusioni

Saper utilizzare l’analisi per migliorare il nostro business spesso non è sufficiente.

Ci sono anche processi, framework o attività che possono fare la differenza tra la costruzione di una base di dati solida o con qualche falla… e se sono presenti delle falle il rischio di sbagliare nelle decisioni di marketing è elevatissimo.

Una corretta base di dati, una successiva analisi della user behavior o estrazione di altri actionable insights sono i requisiti minimi per poter iniziare a parlare di data-driven o meglio data-informed strategy e a personalizzare l’esperienza utente.