Predictive Marketing: che cos’è e perché è il futuro

Si definisce “predittivo” il marketing che utilizza i Big Data per sviluppare previsioni accurate del comportamento futuro dei clienti. Più specificamente, il Predictive Marketing utilizza la scienza dei dati per prevedere con un ottimo grado di approssimazione quali azioni e strategie di marketing hanno maggiori probabilità di successo. L’intelligenza predittiva guida le decisioni di marketing in un’ottica non presente, ma futura.

Predictive Marketing, perché è strategico

Il marketing predittivo è l’uso strategico dei set di dati dei clienti esistenti per identificare dei modelli di comportamento e dei cluster, anticipando di fatti i futuri comportamenti dei clienti stessi, le tendenze di vendita e i risultati di marketing possibili.

Le aziende che sfruttano le strategie di marketing predittivo hanno maggiori opportunità di attirare il pubblico desiderato, di potenziare i propri ritorni sull’investimento e di raggiungere e superare i propri obiettivi.

I vantaggi: più conversioni, più awareness

Il marketing predittivo utilizza, quindi, i dati disponibili sui clienti per sviluppare un profilo della “persona” ideale e aiuta a prevedere quali tattiche di marketing raggiungono e ingaggiano al meglio quello specifico target.

Questi dati possono essere utilizzati per ottimizzare i budget di marketing e moltiplicarne l’efficacia: infatti, parlando con i clienti giusti, al momento giusto, nel modo in cui preferiscono comunicare, si avrà certamente un tasso di conversione più alto.

L’analisi dei dati e la previsione del comportamento dei clienti possono aiutare a:

• Identificare le tendenze del prossimo futuro
• Sviluppare le buyer personas rendendole sempre più precise
• Personalizzare messaggistica e segmentazione
• Dare forma a prodotti o soluzioni futuri

Quindi, è semplice capire come questa capacità di sfruttare AI e Machine Learning, analisi dei Big Data e a/b testing, per anticipare le esigenze dei propri utenti non significa solo avere più conversioni (che già è un ottimo traguardo). Significa anche potenziare la brand awareness e fidelizzare i clienti, facendosi percepire come un marchio capace non solo di ascoltare ma persino di  suggerire le soluzioni perfette.

Inoltre è possibile sfruttare questo approccio persino nel Marketing di Prodotto, per sviluppare nuovi articoli o nuovi servizi sempre più customizzati e in linea con i desideri del target.

I Predictive Analytics al servizio del Predictive Marketing

Il marketing predittivo si basa sui cosiddetti Predictive Analytics, che forniscono un approccio meno reattivo e “generalista” alla pianificazione delle campagne. Anzi, possiamo dire che il Predictive Marketing costituisce una declinazione dei più generali Predictive Analytics, in cui trovano applicazione principalmente algoritmi di Machine Learning e di Deep Learning.

I vantaggi che ne derivano includono:

• Costi di marketing ridotti
• Capacità di consigliare prodotti in base al profilo del cliente, quindi personalizzare il messaggio quasi in maniera one-to-one, anziché rivolgersi a un ampio cluster
• Maggiore visibilità sui punti di contatto e sulle conversioni dei clienti
• Migliori tassi di fidelizzazione dei clienti, che vedono anticipati i propri bisogni

Con l’analisi predittiva i professionisti del marketing possono vedere le tendenze a medio termine e ottenere stime su come le campagne stesse possono continuare a performare. Queste informazioni possono essere molto utili perché si avrà la possibilità di ottimizzare le campagne in corsa e implementare le modifiche necessarie al fine di aumentare la probabilità di raggiungere l’obiettivo.

L’Intelligenza Artificiale ha contribuito a semplificare e allo stesso tempo ottimizzare la pratica dell’analisi di marketing, seguendo in sostanza la mutevolezza dei bisogni, degli stili di vita e dei comportamenti dei consumatori.

Quali Big Data servono per il marketing predittivo

I dati necessari al Predictive Marketing possono essere strutturati (organizzati in tabelle) o non strutturati (testi, immagini, video, ecc.), interni (disponibili sui sistemi dell’organizzazione) o esterni).

Rispetto ai dati interni, quelli fondamentali allo sviluppo del Predictive Marketing sono raggruppabili in quattro macro-categorie:

1. Dati di prodotto o servizio;
2. Anagrafica cliente;
3. Transazioni cliente;
4. Comportamenti del cliente.

L’integrazione di queste categorie di dati permette una completa conoscenza della propria base clienti e dei cluster in cui si differenzia. Questi dati possono essere eventualmente integrati da dati provenienti da survey, sondaggi, focus-group, per una piena comprensione delle caratteristiche della propria base clienti.

Da non sottovalutare il rilievo che, nello sviluppo dei modelli predittivi, possono giocare i dati esterni, strutturati e non-strutturati, a cui l’organizzazione può facilmente avere accesso. Oltre alle ricerche di mercato, commissionate o acquistate, si possono considerare anche gli open data, in alcuni settori davvero molto ricchi, oltre ai dati provenienti da attività di Web e Social Media Listening, ovvero l’ascolto strutturato delle conversazioni sul web. Il complesso di questi dati restituisce fotografie molto ricche (e spontanee) di preferenze, comportamenti, gusti, tendenze, altrimenti difficilmente riscontrabili con approcci tradizionali. In ottica predittiva possono pertanto assumere un rilievo fondamentale.

Come strutturare un modello di marketing di previsione

Un esempio classico di un modello predittivo sono gli algoritmi delle piattaforme meteo. Esistono anche applicazioni industriali dei predictive analytics, per comprendere quando rifornire magazzini, quando approvvigionare materie prime o come ottimizzare le forniture energetiche sulla base di stagionalità e condizioni climatiche.

Un modello predittivo parte dai dati, che vengono prima analizzati e poi processati ed elaborati. Questo consente, appunto, di ipotizzare dei modelli, delle ipotesi ragionevolmente certe da validare attraverso una fase di applicazione, cioè di test.

In pratica, si utilizza uno schema matematico per individuare delle occorrenza, o meglio delle ricorrrenze, dei pattern ripetitivi che vanno a costituire il modello da testate. In pratica, numeri e funzioni matematiche che cercano di prevedere eventi reali e comportamenti umani.

I principali modelli predittivi utili al predictive marketing si possono raggruppare in 3 categorie:

1. modelli di clustering, utili a segmentare clienti e prospect sulla base di una serie di caratteristiche personali, bisogni e comportamenti (un nuovo cliente o prospect, sulla base di alcune caratteristiche, sarà pertanto inserito in uno di questi segmenti, da ingaggiare secondo alcune regole);
2. modelli di propensione rispetto al completamento di specifiche azioni e alla reazioni ad alcune sollecitazioni quali, ad esempio, l’acquisto di un prodotto, la sottoscrizione di un’offerta, o, all’opposto l’abbandono di un servizio;
3. motori di raccomandazione, che propongono al cliente contenuti, prodotti, servizi, offerte basate sulla sua storia.

Marketing predittivo: vantaggi

Secondo il Predictive Intelligence Benchmark Report di Salesforce Marketing Cloud, le raccomandazioni dell’intelligenza predittiva possono influenzare fino al 26,34% degli ordini totali di un business online. Prendendo come campione un periodo di 36 mesi, lo studio ha rilevato che gli ordini totali di un e-commerce medio sono aumentati dell’11,5% circa all’inizio dell’uso dell’intelligenza predittiva, arrivando al 34,7% dopo i 36 mesi.

Una strategia, quindi, proiettata verso il futuro e che dà i suoi frutti sul lungo periodo, grazie a continue ottimizzazioni che tengono conto dell’evoluzione dei trend stessi nel tempo.

I vantaggi del marketing predittivo guidano chiaramente le vendite e la crescita, ma possono portare le aziende anche oltre. Essere in grado di anticipare con precisione le tendenze future può influenzare ogni aspetto del marketing aziendale.

Avere un monitoraggio più granulare e accurato dei punti dati aumentati consente agli esperti di marketing di anticipare facilmente le tendenze attraverso tutti i canali a disposizione.

«Il predictive marketing è il punto di arrivo e l’approdo naturale di strategie di marketing data driven coltivate nel tempo, che partono dalla definizione di una data strategy complessiva e strutturata e dallo sviluppo delle competenze soft e hard necessarie – commenta Federico Della Bella, responsabile della Digital Customer Experience Practice di P4I – Il predictive marketing, per essere davvero efficace, non può prescindere dalla mappatura dei journey dei clienti. L’identificazione di tutti i punti di contatto attraversati e della loro sequenza è imprescindibile perché permette sia di valutare localmente e globalmente l’accessibilità, l’ergonomia e l’esperienza d’uso del singolo punto di contatto e del flusso complessivo, sia raccogliere i dati ad ogni touchpoint».

Who's Who

Federico Della Bella

Consultant P4I, Partners4Innovation – Data Insights & Organization

Predictive Marketing e multicanalità

Il marketing di predizione sfrutta la forza dei dati per anticipare esigenze e bisogno dell’utente, questo è l’assunto.

Significa che può essere efficacemente applicato a svariati i canali di marketing che si basano sul dato, ossia sostanzialmente a tutti i canali digitali, in un’ottica di sostanziale omnicanalità.

Ecco alcune applicazioni di questo approccio a mezzi differenti:

• E-Mail Marketing – comprendere l’importanza del giusto messaggio nel giusto momento può portare ad anticipare i desideri dell’utente. Se ad esempio un consumatore in ambito travel prenota sempre le vacanze estive in marzo, mandargli una DEM customizzata in febbraio con mete che possono essergli gradite sulla base del suo profilo, significa anticipare in momento in cui vorrà mettersi a cercare e prenotare;
• SMS Marketing – per un operatore del TelCo conoscere le date dei rinnovi automatici degli abbonamenti dei clienti dei competitor può essere un ottimo modo per scrivere a ridosso del rinnovo e proporre il cambio di gestore a tariffe agevolate;
• Notifiche push – conoscere anche in modo geolocalizzato i comportamenti degli utenti significa, ad esempio, poter prevedere davanti a quali punti vendita passerà nel suo percorso dalla stazione a casa e intercettarlo con notifiche di drive-to-store;
• SEO – conoscere la fluttuazione di volume delle keyword e la previsione di incremento di un trend può portare a strutturare la propria strategia di ottimizzazione non solo sulla base dei volumi di ricerca attuali, ma su quelli del prossimo futuro, anticipando sia i bisogni degli utenti che i propri concorrenti;
• Content Marketing – come detto per la SEO, anche per il content marketing l’anticipazione di trend topic è essenziale, per fornire agli utenti argomenti in evoluzione, tendenze interessanti ma ancora acerbe, tormentoni sul punto di nascere, che possono intercettare molto traffico e portarlo su Blog e siti editoriali.

Le tecnologie giocano, ovviamente, un ruolo fondamentale. Oltre ai già citati algoritmi di Machine Learning e Deep Learning, è fondamentale avere un CRM strutturato e integrato con la Marketing Automation. Il CRM rappresenta la base e la precondizione per qualsiasi politica seria di predictive marketing. A questo set fondamentale, si possono aggiungere strumenti con delle finalità precise, tra cui: le Customer Data Platform, in grado di raccogliere e integrare i dati provenienti dalle più diverse fonti lungo l’intero journey e le piattaforme di Customer Communication Management, che dalle CDP importano i dati utili veicolare in maniera ottimale e nativa i contenuti adatti al cliente sulle più diverse piattaforme e interfacce.

Esempi di strategie efficaci di Predictive Marketing

Come sempre i colossi del Big Tech hanno molto da insegnare in materia di utilizzo dati e AI. Ad esempio, Amazon sta studiando una nuova tecnologia di “ordine predittivo”, che sarà in grado di suggerire i prodotti desiderati da un utente… prima ancora che vengano acquistati per la prima volta. La loro AI predittiva sarebbe in grado, in base ai dati e alle informazioni geografiche, demografiche, di spending e di interessi, di comprendere cosa vogliono acquistare i consumatori prima che loro stessi ne abbiano la reale consapevolezza.

E ancora, Riley Newman, parte del team di data science di AirBnB, avrebbe affermato che il trucco non è la predizione in sé, ma umanizzare i dati. Spesso si vedono solo dei numeri e non si comprende che si stanno guardando, in realtà, processi decisionali, desideri ed esigenze di persone vere. Ergo, basta analizzarli a fondo e riproporli in maniera evoluta e potenziata, per poter essere ragionevolmente certi di intercettare nuovamente l’interesse di quegli stessi clienti.