I dati oggi sono un elemento chiave soprattutto nel marketing, dove analisi, implementazione strategica, valutazione delle performance per un processo virtuoso, non sono possibili senza utilizzare Analytics per il Marketing. C’è una frase di Kaoru Ishikawa, l’ingegnere giapponese e guru della qualità, che caratterizza quest’epoca: «fate in modo che diventi un’abitudine discutere i problemi basandosi sui dati e rispettando i fatti che essi dimostrano».
Il MarTech (Marketing Technology) entra in questo percorso evolutivo del mercato, perché dimostra come dai dati possiamo generare conoscenza, ma soprattutto insight che permettono poi, alle aziende, di prendere le decisioni finali.
Diventa sempre più importante, quindi, partire dai bisogni di un’azienda e saper utilizzare i dati come parte integrante dei processi atti al conseguimento degli obiettivi. Il problema è che siamo tutti inondati da una mole enorme di informazioni e rischiamo di non sapere come orientarci.
Per questo nascono figure professionali e si formano competenze in grado di leggere i dati e renderli comprensibili alle aziende.
Analytics per il Marketing, mercato in esplosione
Anche l’Italia sta vivendo un’espansione dell’adozione di soluzioni di Analytics. Secondo l’Osservatorio Big Data Analytics & Business Intelligence del Politecnico di Milano, nel 2019 il mercato Analytics raggiungerà un valore di 1,7 miliardi di euro, in crescita del 23% rispetto allo scorso anno, oltre il doppio rispetto al 2015 (790 milioni). Negli ultimi 4 anni, infatti, il tasso medio annuo di crescita è stato pari al 21,3%. Ma se il 93% delle grandi imprese investe in progetti di Analytics, nelle PMI la percentuale scende al 62.
Con la crescita degli investimenti in Analytics aumenta l’esigenza di competenze, serviranno sempre più figure molto curiose, con una profondità di interessi notevoli e in grado di affrontare fenomeni complessi: sono i Data Scientist e i Data Engineer in grado, non solo di rispondere al costante sviluppo della marketing automation e dell’intelligenza artificiale, ma anche di capire il contesto in cui operano con una vera e propria forma di empatia.
Può sembrare strano parlare di empatia in un contesto in cui l’Intelligenza artificiale sembra poter gestire tranquillamente questi flussi, ma il punto è che senza comprendere i veri bisogni delle aziende, senza capirne le reali esigenze e i loro tempi, non si possono ottenere grandi risultati.
Dobbiamo partire da un punto fermo, la consapevolezza che se vogliamo assicurare all’azienda per cui lavoriamo determinate performance in un intervallo di tempo definito, dobbiamo prevedere un “rischio calcolato”, ovvero sapere che c’è un periodo di apprendimento congruo per la macchina che macina i dati e nel frattempo offrire una lettura consulenziale del fenomeno. Si devono bilanciare le competenze tecnologiche con una visione ampia e di respiro del mercato oggetto dell’analisi.
La vera sfida è possedere una capacità predittiva
Dai bisogni possiamo predire i comportamenti, ma per fare questo serve sì un’infrastruttura e delle persone in grado di predire costantemente, tenendo conto di molteplici variabili, ma serve anche un nuovo modo di pensare in azienda. Non è un percorso futuristico, per alcune realtà è già quotidianità. Prendiamo ad esempio Amazon, un brand che ha strutturato la propria logistica partendo dai bisogni dei clienti, abbassando i costi e i tempi di consegna grazie al machine learning.
La logistica è stata la risposta alla capacità predittiva ottenuta grazie all’intelligenza artificiale, dove la costruzione di magazzini e lo stoccaggio dei prodotti risponde a logiche predittive della domanda: grazie al programma Paneuropeo di Amazon, i prodotti delle aziende che utilizzando Logistica di Amazon per la consegna della merce vengono stoccati nei magazzini in Europa che sono situati in prossimità dei territori dove maggiore è la domanda di quella merce. Questa è la frontiera: dati per prendere decisioni.
