Scritto da Benedetta Barbieri e Federica Menoni
Contactlab Marketing Cloud è una piattaforma cloud che aiuta a migliorare la qualità delle interazioni con i clienti, aumentandone il valore e influenzandone gli acquisti.[1]
Durante il loro workshop nella seconda giornata di IAB Forum 2019, Stefano Lieto, Head of Account Management, e Federica Gandolfi, Head of Data Analyst, ci spiegano come sia possibile migliorare l’engagement tramite strumenti come analisi dei dati, algoritmi predittivi e Customer Clustering.
Contactlab gestisce campagne di mail marketing, garantendo che il messaggio arrivi sempre nella mail box del consumatore.
La Single customer view è quell’attività che ci consente di aggregare una serie di informazioni che il nostro utente raccoglie durante le sue interazioni con un brand. È “una rappresentazione olistica del cliente che integra tutti i dati e gli eventi, e consente di arrivare a visione completa dei suoi comportamenti indipendentemente dai canali utilizzati”. Partendo da una singola costumer view, Contactlab eleva alla N le caratteristiche di questo profilo, creando delle audience attraverso algoritmi predittivi. Le audience possono essere “custom”, contattabili one to one, oppure “look alike”, utili per colpire gli utenti molto vicini a quella che è la customer base del brand.
L’obiettivo oggi è quello di conoscere meglio il consumatore, i suoi comportamenti e le sue preferenze d’acquisto. Ciò è possibile unificando le informazioni attraverso una CDP (Customer Data Platform), ossia un sistema di marketing che aggrega le informazioni provenienti da diverse fonti e crea una vista unica sul cluster.
Una volta creata la vista, si possono a applicare una serie di algoritmi, divisibili in due categorie:
- E-mail Intelligence & Customer Engagement, come Attribution model e E-mail Engagement Cluster. Questa categoria lavora sull’impatto che le e-mail hanno sul comportamento d’acquisto del consumatore.
- Customer Purchase Insight, come RFM e Self-Organizing Map (SOM). Questa categoria sull’estrapolazione di una serie di caratteristiche per conoscere ancora meglio il consumatore.
Sono state proposte due case study relative a due settori completamente diversi.
[1]explore.contactlab.com
Case study 1
La prima riguarda un brand del settore fashion che si è rivolto a Contactlab per misurare l’efficacia della comunicazione e-mail che teneva con i clienti da un punto di vista di comportamento d’acquisto. Intendeva quindi capire quanto le spedizioni mail influenzassero il comportamento d’acquisto dei clienti. Dall’analisi della comunicazione del brand da parte di Contactlab è emerso che questa avesse una frequenza piuttosto elevata, dal momento che alcuni clienti ricevevano addirittura due comunicazioni al giorno, ma non era particolarmente personalizzata, dato che l’unica distinzione riguardava il genere dei consumatori, ossia gli uomini ricevevano comunicazioni su prodotti maschili e le donne comunicazioni riguardo prodotti femminili. Una prima analisi si è concentrata sul tracciamento diretto della spedizione mail sul canale web e del tracciamento indiretto, ossia coloro che, influenzati dalla mail ricevuta, acquistavano offline oppure online ma nelle ore successive all’apertura dell’e-mail. Contactlab ha applicato l’algoritmo Attribuition model andando a misurare in una finestra temporale l’influenza della mail sull’acquisto. Il risultato dell’applicazione dell’algoritmo ha evidenziato che su 100 riceventi delle mail soltanto il 20% usava la mail come tramite per fare un acquisto. In questo modo hanno identificato due cluster: il 20% che risultano clienti positivi, e l’80% detti prospect.
Come abbiamo visto l’unica personalizzazione delle comunicazioni riguardava il genere dei clienti. Così, Contactlab ha analizzato la coerenza dei contenuti delle comunicazioni e-mail attraverso l’algoritmo E-mail Engagement Cluster. Da quest’analisi è emerso un risultato piuttosto inaspettato: la maggior parte delle donne che ricevevano le mail acquistavano realmente prodotti femminili, mentre il 60% degli uomini acquistavano prodotti da donna. Il suggerimento è stato quello di provare a modificare il contenuto delle mail cambiando l’associazione, ossia inviando anche agli uomini comunicazioni riguardanti prodotti da donna. Questo cambio di contenuti ha permesso al brand di ottenere sul cluster del 20% di clienti attivi un incremento del 5% sullo scontrino medio in tre mesi.
Sul cluster dell’80% di prospect è stato applicato l’algoritmo “email engagement cluster”, il quale assegna ad ogni utente un cluster che misura la forza dell’interazione tra il cliente e la mail stessa. I risultati applicati a questo 80% hanno dimostrato che questa percentuale era distribuita in quattro cluster principali, due negativi (inacitve e dormant) e due positivi (interessati e ingaggiati). Questo ha permesso di attivare quattro journey il cui obiettivo era che, per ogni cluster, la mail fosse allettante e spingesse l’utente a fare l’acquisto. Le mail sono state personalizzate per ogni cluster. Per esempio, per gli inattivi hanno lavorato sui subject delle mail. In questo modo si sono ridotti i cluster negativi e sono migliorati i cluster positivi. Ma la cosa interessante è stata che il 3% di questi prospect è stata convertita in clienti.
Case study 2
La seconda case study riguarda un brand del GDO. In questo caso il brand aveva appena attivato un programma di loyalty e intendeva conoscere meglio i suoi clienti in termini di comportamenti e preferenza d’acquisto. Allo stesso tempo desiderava lavorare per incrementare l’acquisizione di nuovi clienti. Contactlab ha applicato l’algoritmo RFM (che lavora con tre variabili: recenza dell’acquisto, la frequenza dell’acquisto e il valore monetario) trovando undici cluster che sono stati aggregati in tre macro-categorie sui quali attivare altrettante journey efficaci. Il primo cluster riguarda i clienti migliori, ossia i clienti champione loyalper i quali si è deciso di fare attività di caring. Il secondo riguarda i clienti intermedi, per i quali si è deciso di attivare strategie di up sell, ossia incremento della frequenza d’acquisto e dello scontrino medio. Il terzo cluster riguarda i clienti “at risk”, ossia quelli che rischiano di essere persi poiché la loro frequenza d’acquisto e la loro capacità di spesa sono piuttosto basse. Per questa categoria di clienti si è deciso di attivare delle e-mail automatiche per sei mesi con messaggi finalizzati alla retentione reactivation.
Il 7% dei clienti riceventi questi journey hanno fatto un up grade in cluster migliori.
Successivamente è stato applicato un altro algoritmo, il SOM, che riesce a ingestionare una serie di dati molto diversi tra loro. Sono stati inseriti nel modello i dati del RFM e il mix di prodotti che i clienti acquistavano maggiormente e i reparti più visitati. In questo modo è emerso un elevato numero di possibili cluster. Tra questi, tre sono risultati particolarmente interessanti. Il primo, detto “clienti del fresco”, riguarda coloro che frequentano il supermercato solo per acquistare i prodotti del reparto del fresco. Questi clienti acquistano tutti i giorni e soprattutto la sera. Il secondo cluster, detto “esclusivisti alcolici”; riguarda coloro che vedono nel supermercato un punto di riferimento per l’acquisto di alcolici. Questi clienti frequentano il supermercato soprattutto il venerdì sera per l’acquisto di prodotti in sconto. Il terzo cluster riguardo tutti coloro che acquistano prodotti di vario tipo e che quindi sono stati definiti “clienti da spesa completa”.
Sulla base di queste informazioni, il brand ha deciso di sfruttare quelle riguardanti il primo cluster e quindi la qualità del reparto del fresco per spingere verso questo reparto i clienti che non lo frequentano attraverso e-mail automatiche. Inoltre, le informazioni trovate hanno portato il brand a optare per una nuova distribuzione dello spazio nel supermercato. I risultati di questa strategia non sono stati forniti poiché ancora in atto.
Benedetta Barbieri & Federica Menoni
