Dai supermercati a chi vende articoli sportivi vengono offerte tessere e invogliano l’uso a fronte di qualche regalo o sconto per premiare i comportamenti d’acquisto dei clienti. Dietro a questi programmi di fidelizzazione ci sono profondi studi di marketing e la possibilità di profilare i clienti in maniera accurata.
Riportiamo a seguire l’articolo di Alberto Montanari, Coordinatore della Commissione Industria 4.0 di Federmanager Bologna – Ferrara – Ravenna, pubblicato su Filo Diretto Giugno 2020
Come consumatori tutti abbiamo tessere fedeltà. Dai supermercati a chi vende articoli sportivi vengono offerte tessere e invogliano l’uso a fronte di qualche regalo o sconto per premiare i comportamenti d’acquisto dei clienti.
Saprete che dietro a questi programmi di fidelizzazione ci sono profondi studi di marketing e la possibilità di profilare i clienti in maniera accurata, in questo caso facciamo noi un regalo.
Principio di Pareto
Secondo il principio di Pareto i maggiori profitti vengono dal primo 20% dei clienti più fedeli. I clienti fedeli valgono mediamente 10 volte quelli saltuari. Un aumento del 5% dei clienti fidelizzati può portare ad un aumento del 25% dell’utile secondo gli studi specializzati.
Perché fidelizzare?
L’idea alla
base della fidelizzazione è semplice: una determinata azienda ha un numero limitato di clienti. La strategia vincente è quella di legare i clienti all’azienda per rendere costanti le vendite e rimanere redditizia. Si garantisce in questo modo la continuità aziendale.
Questi programmi sono strategie a lungo termine, più il cliente gode del programma, maggiore è la probabilità che rimanga fedele al marchio.
C’è però un altro aspetto: i clienti stanno diventando sempre più esigenti e possono abbandonare il programma per un futile motivo. Come tutti gli altri sforzi di marketing, un programma di fidelizzazione ben fatto richiede notevoli risorse e attenzioni.
Vantaggi dei negozi
Come si può immaginare le tessere fedeltà favoriscono le vendite ma sono costose. Vale la pena perché mantenere un cliente acquisito costa mediamente sette volte meno che strapparne uno nuovo alla concorrenza. Le maggiori spese possono essere ampiamente coperte dal maggior fatturato e dai maggiori margini.
I premi offerti devono essere in sintonia con i desideri e le esigenze dei clienti.
Non tutti i programmi di fidelizzazione sono uguali e solo quelli che soddisfano i clienti hanno l’effetto desiderato.
Ricordiamo che il grandissimo valore fornito da queste iniziative alle grandi organizzazioni è l’analisi granulare del mercato, altrimenti impossibile.
Il comportamento d’acquisto
La comprensione del comportamento d’acquisto di una specifica popolazione è uno dei più importanti dati di ricerca per coloro che si occupano di marketing. Per sviluppare un piano strategico, per presentare i propri prodotti in modo da ottenere il risultato atteso, è necessario capire che cosa spinge il pubblico a spendere il proprio denaro.
Offrendo un programma di premi fedeltà si conduce una ricerca che fornisce informazioni fondamentali sui clienti. Si ha la storia degli acquisti nel tempo, le quantità e le preferenze. Ciò permette di profilare e di offrire promozioni mirate a gruppi diversi di clientela.
Algoritmo Apriori
Vi siete mai chiesti con quale criterio gli articoli vengano esposti nei negozi delle grandi catene?
Il vero artefice dietro a queste logiche è un algoritmo legato all’analisi del “paniere” del mercato e all’estrazione di regole di associazione, che si chiama “Apriori”.
L’analisi estrae le regole per identificare i prodotti acquistati insieme di frequente; sulla base della composizione degli acquisti si vogliono stabilire le correlazioni.
L’algoritmo è pensato per lavorare su database con tante transazioni, ad esempio gli articoli acquistati dai clienti in un supermercato. Le regole dell’associazione possono essere utilizzate sia per estrarre le preferenze di un singolo individuo, sia per trovare relazioni tra gli elementi di ogni transazione.
Le fonti dei dati più frequentemente usate sono, oltre alle citate carte fedeltà, le transazioni delle carte di credito, i buoni sconto, le lamentele dei clienti.
Si riescono quindi a creare informazioni sulle abitudini dei consumatori, individuando gruppi di clienti target di caratteristiche uniformi, determinandone i cosiddetti ‘comportamenti d’acquisto’.
Qui entra in gioco l’algoritmo “Apriori”, vediamo come funziona.
Definiamo una transazione (itemset) come un insieme di elementi (item) acquistati insieme nel carrello; l’itemset può essere composto da un prodotto singolo o da più prodotti.
Vediamo qui a fianco un esempio di otto transazioni.
Il rapporto chiamato “supporto” ci dice quanto frequente sia un itemset rispetto al totale delle transazioni, quindi la frequenza relativa:
Il supporto per la mela (si veda immagine sotto) è 4 (transazioni) diviso 8 (transazioni) = 50%.
Se prendiamo un itemset con {mela, birra e riso} sarà 2 diviso 8 = 25%.
Per identificare gli itemset di maggiore interesse o valore si pone un valore minimo per il supporto, ad esempio 20%. In molti casi si cerca un supporto elevato per assicurarsi che sia una relazione utile.
Un’altra importante definizione è quella di “confidenza”, che ci dice quanto sia probabile che l’item B venga acquistato insieme all’item A. Viene misurata dalla proporzione delle transazioni dell’item A in cui appare anche l’item B.
Nel disegno sotto la confidenza di {mela, birra} è 3 su 4 = 75%.
Un itemset è definito frequente se arriva ad un valore minimo per il supporto e la confidenza.
Il rapporto chiamato “Lift” (Immagine sottostante) ci indica quanto sia più probabile che l’item B sia acquistato quando viene acquistato l’item A, quindi quanto A trascina B. Se il Lift è pari ad 1 implica che non ci sia alcuna associazione fra gli item. Un valore di lift maggiore di 1 evidenzia la probabilità che l’item B sia acquistato se viene acquistato l’item A.
Una dimostrazione pratica dell’utilizzo di questi algoritmi sono delle buste regalo vicino alle bottiglie di vino o dei cucchiai vicino alle vaschette di gelato per servirlo.
Occorre fare attenzione poiché il numero di tutte le possibili regole di associazione aumenta moltissimo con il numero degli itemset. Per trovare le regole in modo efficiente dobbiamo identificare tutte quelle che hanno un supporto e una confidenza superiori alle soglie che abbiamo imposto.
Un modo per trovarle sarebbe la forza bruta, cioè elencare tutte le possibilità e calcolare il supporto e la fiducia per ogni regola, per poi eliminare quelle che non rispettano le soglie.
Ciò è molto pesante e proibitivo quindi usiamo un approccio in due fasi:
Fase 1. Generazione di oggetti frequenti: trovare tutti gli itemset per i quali il supporto è superiore alla soglia imposta.
Fase 2. Generazione di regole: creare regole da ogni set di elementi frequenti e cercare quelli con alta confidenza.
Tutti questi calcoli si fanno tramite alcuni software di Data Mining. I parametri da impostare sono relativamente semplici: come classificare le regole (spesso il default è la confidenza, ma si può scegliere anche il lift o il supporto), la confidenza minima (si usa normalmente un valore predefinito = 0,9) e l’intervallo per il supporto minimo (da 0,2 a 1,0).
Google e Amazon
I casi d’uso dell’algoritmo di Apriori si estendono alle funzionalità di auto-completamento di Google ed ai sistemi di raccomandazione di Amazon.
Quando cerchiamo qualcosa su Amazon compare sempre un’indicazione su acquisti o preferenze effettuati da altri, simili a quanto di nostro interesse.
Da quanto citato si comprende l’importanza delle tessere fedeltà e dei loro dati nel profilare i clienti e nel prevederne le scelte e le attitudini di acquisto, quindi pensiamo a quanti nostri dati regaliamo alla grande distribuzione a fronte di qualche sconto o piccolo regalo.
E quando andate al supermercato guardate dove sono le birre e le patatine….
N.d.r: le immagini sono tratte da https://www.invespcro.com; https://www.kdnuggets.com; www.amazon.com
Scarica l’articolo in formato pdf
Sei interessato a questo argomento?
Potrebbero interessarti anche gli eventi realizzati dalla nostra Commissione Industria 4.0 e gli articoli su tematiche simili
