Può un giorno di pioggia interferire con l’andamento del tuo business on line?
Assolutamente sì. Almeno secondo Francesco Landi, Sales & Marketing Director di React Consulting e Guido Lucarelli, Ceo di B2X, grande realtà dell’E-Commerce con quasi 1 milione di transazioni gestite nel 2020.
E non solo la pioggia. L’andamento degli acquisti on line è suscettibile anche al giorno della settimana o al fatto che sia mattina o sera; o alle varianti del prodotto come il posizionamento all’interno del catalogo, la tipologia della foto – quanto questa sia “parlante”, susciti cioè emozioni capaci di guidare all’acquisto – o ancora il tipo di cliente.

Il solo fattore “colore” di un prodotto (se è rosso invece che blu p.es.) può determinare una vendita cinque volte superiore. E allora come scegliere il giusto prodotto per la giusta persona nel giusto momento, sul giusto canale?

Per cogliere queste (e altre) variabili occorre mappare l’insieme di segnali deboli e forti che contribuiscono all’interpretazione dei percorsi di acquisto e aiutano a disegnare una Customer Experience di valore. In questo l’Intelligenza Artificiale può fare la differenza, raccogliendo e analizzando grandi quantità di dati e fornendo insight accurati in tempo reale.

 

Francesco Landi, Sales Director di React, illustra la soluzione adottata con B2X.
Il primo passo è stato integrare soluzioni capaci di raccogliere i dati sia on line sia on premise per collezionarli in cloud attraverso Azure Data Factory, una soluzione per la Data Ingestion e la Data Trasformation necessaria per consolidare i dati sulle strutture tabular di Azure Synapse Analytics.

Una volta raccolti e archiviati, i dati possono essere analizzati mediante algoritmi di Machine Learning adatti a estrapolare degli insight, visualizzati all’interno di Dashboard molto intuitive.

Nel caso d’uso, Francesco Landi ha dimostrato come sia stato possibile incrementare del 50% le vendite di un prodotto di moda, incrociando i dati di contesto con quelli degli storici delle campagne al fine di individuare l’associazione pricing-prodotto-cliente più performante.
Un’analisi che serve anche a distinguere tra prodotti elastici (la cui vendita è suscettibile al loro prezzo e al momento dell’anno) e prodotti anelastici, determinando una riorganizzazione del magazzino e una diversa comunicazione per alcuni prodotti.

Incrementare il tasso di conversione è uno degli obiettivi primari. Per questo gli algoritmi di Machine Learning sono impiegati anche nell’analisi del comportamento dei clienti. Tra questi uno dei più rilevanti è l’abbandono del carrello. In un e-commerce infatti il tasso medio di abbandono del carrello è pari al 70%: capire quali ragioni inducono una specifica tipologia di clienti a selezionare un prodotto senza poi concretizzare l’acquisto può rilevarsi di fondamentale importanza per incrementare il tasso di conversione.
Per questo ogni cliente ha associato un set di valori che ne descrivono il “costo”, la propensione all’acquisto (basso, medio, alto spendente), dati geografici, transazionali, socio-demografici.
Grazie all’interpolazione di queste informazioni è possibile abilitare il paradigma della “personalizzazione di massa”, un’infrastruttura tecnologica coniugata con una visione di servizio e di business orientati a generare valore.

Valore sia per la persona che decide di fare un acquisto sia per il sito di e-commerce per cui non tutte le vendite sono uguali.
Il cliente può infatti contare su informazioni appropriate e tempestive, gestite sul canale che preferisce, che facilitano la sua ricerca. Una comunicazione promozionale mirata aggira il problema dell’ “information overload”, di quello stato confusionale che inibisce l’acquisto quando siamo esposti a troppe sollecitazioni. Dall’altro lato è utile ricordare che far arrivare il messaggio giusto al momento giusto moltiplica le vendite x3. Un’ottimizzazione estremamente importante soprattutto quando si tratta di clienti prospect.
Perché per un e-commerce non tutti i clienti sono uguali.

Infatti a parità di spesa, l’acquisto fatto per la prima volta da un cliente “costa” molto di più dell’acquisto fatto da un cliente fidelizzato. Quanto in più lo dice Guido Lucarelli: “i costi di acquisizione di un nuovo cliente impattano dal 20 al 40% sui ricavi”. Francesco Landi spiega perché con i dati derivati dalla soluzione di B.I. implementata da React Consulting per B2X, secondo i quali ogni cliente prospect ha il 2-10% di possibilità di realizzare un acquisto mentre per i clienti fidelizzati questa percentuale sale fino al 30-50%.

Come già evidenziato, le soluzioni basate su AI non si limitano a incrementare il tasso di conversione o a efficientare i costi ma anche a migliorare l’esperienza del cliente. Una previsione di vendita sbagliata può impattare, per esempio, sulla logistica, rallentando i processi di distribuzione e spedizione della merce e determinando ritardi nella ricezione del prodotto e, di conseguenza un incremento delle richieste di contatto al Customer Service. Uno scenario da evitare che conferma quanto sia importante dotarsi di una soluzione per prevenire le vendite, oltre che per ottimizzarle e incrementarle.

 

L’analisi dati rivela così tutto il proprio potenziale come strumento a supporto delle decisioni.
Ma per sapere come questa conoscenza si traduce in azioni pratiche, bisogna leggere il prossimo articolo.