1.
Milano, 7 giugno 2018
Algoritmi e modelli predittivi per arricchire il profilo unico dei tuoi utenti.

2.
Vuoi scoprire chi saranno
i tuoi top spender l’anno
prossimo?

3.
Ogni giorno raccogli enormi quantità
di dati sui tuoi clienti. Prova ad usarli
per conoscere meglio il loro potenziale.
Data è la nuova intelligenza della piattaforma Contactlab Marketing
Cloud che elabora tutti i dati a tua disposizione e scopre nuove
caratteristiche dei tuoi clienti. Ne anticipa i comportamenti e ne prevede le
azioni per creare audience efficaci a cui indirizzare le tue strategie e
costruire percorsi e messaggi personalizzati.
Contactlab Marketing Cloud

4.
Solo conoscendo a fondo e in un modo
nuovo i tuoi clienti potrai anticiparli nei
loro comportamenti futuri.
INSIGHTSCUSTOMER
DATA PLATFORM
MARKETING
AUTOMATION
MULTICHANNEL
1-TO-1 PERSONALIZATION
CONOSCI
MEGLIO
I TUOI CONTATTI
VEICOLI
IL MESSAGGIO
PIÙ EFFICACE
FAI CRESCERE IL
VALORE DEI TUOI
CLIENTI
CONOSCENZA PERSONALIZZAZIONE ANALYTICS
INTERAGISCI
OVUNQUE IN TEMPO
REALE
AUTOMAZIONE
Contactlab Marketing Cloud

5.
Conosci ancora meglio i tuoi contatti
con Data, il modulo AI della piattaforma
Scopri HUB Scopri DATA Scopri PLAN
Dati raccolti e
integrati da canali
digitali e non
Algoritmi per
prevedere
modelli di
comportamento
Segmenti creati
in tempo reale

6.
Per prevedere i comportamenti e arricchire i profili,
usa Data

7.
Con Data hai la possibilità
di arricchire profili, riconoscere
pattern di comportamenti e anticiparli
nella loro evoluzione.
PROFILI
ARRICCHITI
CLUSTER
AUTOMATICI
PREVISIONI
ACCURATE

8.
Data valorizza i tuoi contatti
all’ennesima potenza.
Grazie ad algoritmi standard o personalizzati e analisi
predittive.
Proviamo a conoscere meglio Angela

9.
All’inizio di Angela sai poco o niente.
Angela si è iscritta alla tua newsletter l’anno scorso,
allora conoscevi solo il suo nome e l’email.
CON DATA PUOI CONOSCERLA MEGLIO,
GIORNO DOPO GIORNO.
SENZA CHIEDERLE NIENTE.

10.
Adesso sai quanto ha
speso nell’ultimo mese,
dove e come ha pagato.
Angela ha speso 600 euro con 4 acquisti
nell’ultimo mese nel negozio in centro.
Ha pagato con carta di credito.
1
Negozio preferito: MILANO
Metodo di pagamento preferito:
CARTA DI CREDITO
Spesa ultimi 30 gg: 600 euro

11.
Hai capito che Angela è
fanatica di tacchi e compra
nel weekend.
Ora puoi fare previsioni.
Angela preferisce comprare in negozio, il sabato, e ha
un debole per le scarpe col tacco.
Cominciamo ad avere informazioni preziose per capire
le sue abitudini e le sue preferenze di acquisto.
2
Giorno preferito: SABATO
Prodotto preferito: SCARPE
Negozio preferito: MILANO
Metodo di pagamento preferito:
CARTA DI CREDITO
Spesa ultimi 30 gg: 600 euro

12.
Da nuovo cliente, Angela
è diventata cliente silver.
Ora sai quanto vale.
In pochi mesi Angela ha acquistato 4 paia di
scarpe in negozio e 1 paio sul sito. Ha aperto e
letto le email che le abbiamo mandato per
promuovere il restyling del nuovo ecommerce e la
nuova collezione.
3
Tipologia di cliente attuale:
SILVER
Email Engagement: ENGAGED
Prodotto preferito: SCARPE
Metodo di pagamento preferito:
CARTA DI CREDITO
Spesa ultimi 30 gg: 600 euro
Giorno preferito: SABATO
Canale di acquisto preferito:
CROSS
Negozio preferito: MILANO

13.
Attenzione, Angela
potrebbe abbandonare.
E ora sai quanto potresti
perdere domani.
Scopri oggi che Angela ha contattato il tuo Call
Center perché non è rimasta soddisfatta del
servizio online. E che improvvisamente ha ridotto il
numero e il valore degli acquisti.
Grazie ai modelli predittivi sei in grado di sapere
che è a rischio abbandono e puoi attivare una
strategia ad hoc per non perderla.
4
-50%
Rischio di abbandono: MEDIO
Spesa prevista futura: 332 euro
Tipologia di cliente previsto:
BRONZE
Spesa ultimi 30 gg: 600 euro
Giorno preferito: SABATO
Tipologia di cliente attuale:
SILVER
Email Engagement: ENGAGED
Metodo di pagamento preferito:
CARTA DI CREDITO
Prodotto preferito: SCARPE
Canale di acquisto preferito:
CROSS

14.
Adesso che sai molto di più sui tuoi clienti, puoi usare questi dati
per stupirli con azioni che corrispondono esattamente a quello
che stanno desiderando.
LA CONOSCI INTERAGISCI
CON LEI
PREVEDI I SUOI
COMPORTAMENTI
Angela, questa conosciuta.

15.
Arricchisci il profilo dei contatti
con algoritmi disponibili
a catalogo o personalizzati
Cluster Automatici grazie
alla scoperta di pattern
comportamentali
Migliora l'esperienza dei
tuoi clienti e quindi i tuoi
risultati
Ora moltiplica Angela
per 100, 1.000, 1.000.000
E scopri Data: l’intelligenza artificiale
della piattaforma

16.
Quali pacchetti di algoritmi
ottieni con Data?
Customer
Purchase
Insights
Predictive
Customer
Foresights
Email Intelligence &
Customer Engagement

17.
Elabora i dati dell’attività email dei tuoi contatti e
identifica il loro livello di interesse a seguirti.
Misura il successo delle tue campagne email.
ARRICCHISCI IL PROFILO CONOBIETTIVI
Quali contatti hanno aperto le tue email?
Quali nuovi clienti hanno iniziato a seguirti
attivamente?
Quali sono i clienti che mostrano maggiore
interesse?
Email Engagement Index
Statistiche email
Deviazione dalla mediana
di Open Rate e Click Rate
Email Intelligence & Customer Engagement

18.
Quante email ha
aperto e cliccato
nell’ultimo anno
Angela?
Livello di Engagement:
ENGAGED.
Angela risulta molto attiva sul
canale email e reattiva alle
comunicazioni che le mandi.
Email Intelligence & Customer Engagement
Email Engagement Index

19.
Email Engagement Index
Dati necessari per il calcolo
• Feedback delle email (inviate, consegnate, aperte,
cliccate, etc.)
Opzioni disponibili
• Dinamico
• Statico
Email Intelligence & Customer Engagement

20.
Email Engagement Index
Parametri configurabili indice statico:
• Contact Recency Threshold: recenza ultimo invio
• Registration Recency Threshold: recenza primo invio
• Activity Threshold: soglia attività
• Event Recency Threshold: recenza ultimo evento (apertura, click)
I parametri utilizzati per l'indice dinamico sono gli stessi presi già in considerazione.
Le soglie di riferimento sono però qui calcolate dinamicamente con le distribuzioni delle
variabili di cui sopra.
Email Intelligence & Customer Engagement

21.
Dagli acquisti online e offline dei tuoi clienti, conosci
abitudini e preferenze e misura il loro valore attuale.
Riconosci i pattern comportamentali di acquisto.
ARRICCHISCI IL PROFILO CONOBIETTIVI
Quali sono i tuoi top customers e quali
puoi considerare lost?
Quali i clienti che acquistano
costantemente ma spendono poco?
Chi acquista più volte?
RFM – Recency Frequency Monetary
Statistiche di acquisto
Preferenza di acquisto
Deviazione dalla mediana della spesa
attuale
Customer Purchase Insights

22.
RECENCY FREQUENCY MONETARY
Quando ha
acquistato
l’ultima volta
Quanto
spesso
acquista
Quanto
ha speso fino
ad oggi
Customer Purchase Insights
Recency Frequency Monetary (RFM)
RFM, acronimo di Recenza Frequenza e Monetary, è uno dei più semplici e al tempo stesso
efficaci modelli di clustering.
In questo modo è possibile utilizzare le informazioni calcolate, ad esempio per:
• Conoscere le caratteristiche di acquisto e differenziare le comunicazioni per ogni singolo cliente
(e.g. Top Customer R:5 F:5 M:5 oppure Rischio abbandono R:1 F:5 M:4 )
• Scoprire i clienti a lost (e.g. R:1 oppure R:2) e poter applicare strategie di retention
• Individuare i clienti che spendono poco (e.g. M:1 oppure M:2) e promuovere iniziative per incentivare nuovi
acquisti

23.
Come funziona il modello: il calcolo dello score
Per associare uno score a ciascuna variabile per ogni cliente devono essere definite alcune
soglie.
Utilizzando i quantili possiamo dividere la popolazione in parti uguali.
Utilizzando questo metodo si garantisce un naturale adattamento delle soglie, che definiscono
gli score, consistente con l'evoluzione dei dati a disposizione e si assicura la validità dei voti
attribuiti ai clienti in qualsiasi tipo di business.
Dati necessari per il calcolo
• Dati transazioni online e/o offline
▪ ID Cliente
▪ Data
▪ ID Scontrino
▪ Totale Spesa
Opzioni disponibili
• Standard
• Nested
Customer Purchase Insights

24.
Raccogli i dati di transato online e offline dei tuoi clienti e
prevedi il loro comportamento futuro di acquisto e la
probabilità di abbandono.
Anticipa i tuoi profitti potenziali.
ARRICCHISCI IL PROFILO CONOBIETTIVI
Quanti clienti lo saranno ancora fra 6 mesi?
Quale sarà il livello di spesa dei tuoi clienti il
prossimo anno?
Quali clienti sono a rischio abbandono?
I tuoi attuali top spender resteranno tali anche in
futuro?
CLV – Customer Lifetime Value
Statistiche di acquisto
Preferenza di acquisto nel tempo
Deviazione dalla mediana della spesa attuale
Predictive Customer Foresights

25.
Quanto ha speso
Angela durante
l'ultimo anno?
Attenzione: si prevede
che Angela spenderà
molto meno l'anno
prossimo
Customer Lifetime Value (CLV)
Grazie alle capacità di analizzare i comportamenti dei clienti fino a oggi, e di predire il loro
comportamento futuro di acquisto, è possibile utilizzare le informazioni calcolate, ad
esempio per:
• Intercettare i cambi di stato e differenziare le comunicazioni (e.g. da silver a bronze)
• Scoprire i clienti a rischio abbandono (e.g. 40%) e poter applicare strategie di
retention
• Individuare i clienti che hanno una spesa medio bassa e creare strategie di up-selling
(e.g. 332 €)
Predictive Customer Foresights

26.
M. Platzer, T. Reutterer (2016) Ticking Away the Moments: Timing Regularity Helps to Better Predict Customer Activity. Marketing Science 35(5):779-799.http://dx.doi.org/10.1287/mksc.2015.0963
https://cran.r-project.org/web/packages/BTYDplus/vignettes/BTYDplus-HowTo.pdf
Predictive Customer Foresights
Customer Lifetime Value (CLV)
Dati necessari per il calcolo
• Dati transazioni online e/o offline
▪ ID cliente
▪ Data
▪ ID ordine
▪ Totale Scontrino

27.
M. Platzer, T. Reutterer (2016) Ticking Away the Moments: Timing Regularity Helps to Better Predict Customer Activity. Marketing Science 35(5):779-799.http://dx.doi.org/10.1287/mksc.2015.0963
https://cran.r-project.org/web/packages/BTYDplus/vignettes/BTYDplus-HowTo.pdf
Indice di Regolarità
per Settore
Indice di Regolarità
Come funziona il modello
Il modello tiene in considerazione la regolarità negli acquisti, la frequenza di acquisto e suppone
che dopo ogni acquisto ci sia una probabilità di inattività.
Uno dei vantaggi di questo modello è quello di considerare in modo naturale il paradosso della
frequenza, ovvero se un cliente ha acquistato frequentemente e recentemente allora nel periodo
prossimo futuro avrà un periodo di inattività.
Il modello si adatta ai dati forniti e quindi rimane valido per ogni industry con business di tipo non
contrattuale.
La finestra temporale di previsione viene scelta considerando circa 3-4 volte il tempo medio tra un
acquisto ed il successivo. Lo storico delle transazioni necessario equivale a circa 3 volte la finestra
temporale scelta.
Predictive Customer Foresights

28.
Potenziale di spesa: ALTO
Rischio di abbandono:
MEDIO
Negozio preferito: MILANO
Metodo di pagamento preferito:
CARTA DI CREDITO
Giorno preferito: SABATO
Spesa ultimi 30gg:
600 euro
Livello di Email Engagement:
ENGAGED
Tipologia di cliente: SILVER
Prodotto preferito:
SCARPE
Livello di spesa:
MEDIO-ALTO
Frequenza di acquisto:
MEDIA
Recenza di acquisto: ALTA
Con Data oggi puoi conoscere
meglio Angela

29.
Ora immagina di poter conoscere come
Angela i comportamenti e le abitudini di
1.000.000 di clienti.
+ FIDELIZZAZIONE + CONVERSIONI + RISULTATI

30.
It’s all about helping you
do your job even better.
Grazie

31.
Grazie!