la statistica a supporto delle strategie di...

Bruno ScarpaBruno ScarpaBruno ScarpaBruno Scarpa

Facoltà di Scienze Statistiche Facoltà di Scienze Statistiche Facoltà di Scienze Statistiche Facoltà di Scienze Statistiche –––– Università di PadovaUniversità di PadovaUniversità di PadovaUniversità di Padova

La statistica a supporto delle strategie di marketingLa statistica a supporto delle strategie di marketingLa statistica a supporto delle strategie di marketingLa statistica a supporto delle strategie di marketing

La Statistica come supporto ai bisogni conoscitivi delle aziendeLa Statistica come supporto ai bisogni conoscitivi delle aziendeLa Statistica come supporto ai bisogni conoscitivi delle aziendeLa Statistica come supporto ai bisogni conoscitivi delle aziende

2 febbraio ’07

2Case history

Un pool di analisti e statistici “negli” uffici di marketing

Le analisi dei prodotti, ma soprattutto dei clienti, mirano a scoprire le propensioni, gli interessi, le potenzialità economiche, in modo da poter suggerire al marketing manager le azioni da intraprendere per massimizzare i risultati aziendali.

Gli analisti sfruttano moltissime informazioni che sono a disposizione dell’azienda grazie a potenti sistemi informativi, che si riferiscono a ciascun cliente e addirittura a ciascuna azione (telefonata, sms, email,…) che il cliente compie.

3Case history

Customer satisfactionCustomer satisfactionCustomer satisfactionCustomer satisfaction indexindexindexindex: alcune schermate di esempio: alcune schermate di esempio: alcune schermate di esempio: alcune schermate di esempio

4Case history

CustomerCustomerCustomerCustomer satisfactionsatisfactionsatisfactionsatisfaction indexindexindexindex: alcune schermate di esempio: alcune schermate di esempio: alcune schermate di esempio: alcune schermate di esempio

5Case history

Analisi delle vendite: Analisi delle vendite: Analisi delle vendite: Analisi delle vendite: reportreportreportreport giornaliero attivazionigiornaliero attivazionigiornaliero attivazionigiornaliero attivazioni

6Case history

Esempio distribuzione oraria del traffico telefonicoEsempio distribuzione oraria del traffico telefonicoEsempio distribuzione oraria del traffico telefonicoEsempio distribuzione oraria del traffico telefonico

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

feb-97

apr-97

giu-97

ago-97

ott-97

dic-97

feb-98

apr-98

giu-98

ago-98

ott-98

dic-98

feb-99

apr-99

giu-99

ago-99

ott-99

dic-99

0,00%

2,00%

4,00%

6,00%

8,00%

10,00%

12,00%

14,00%

Distribuzione oraria del traffico telefonico

Fascia oraria

% di traffico telefonico

Mese

7Case history

0% VALORE DEL CLIENTE 100%

0% VALORE DEL CLIENTE 100%

0% FEDELTA’ DEL CLIENTE 0% FEDELTA’ DEL CLIENTE 100%100%

MASSIMIZZARE MASSIMIZZARE IL VALOREIL VALORE

�� OPERATORE CC PERSONALEOPERATORE CC PERSONALE�� NUOVI VASNUOVI VAS�� MEMBER GETS MEMBERMEMBER GETS MEMBER�� CURA & ATTENZIONECURA & ATTENZIONE

AZIONI A BASSO AZIONI A BASSO COSTO/ NO COSTO/ NO PROMOZIONIPROMOZIONI

�� NON COSTI AGGIUNTIVI PER LA NON COSTI AGGIUNTIVI PER LA GESTIONE DEL CLIENTEGESTIONE DEL CLIENTE�� AZIONI DI “MASSA”AZIONI DI “MASSA”

AUMENTARE IL AUMENTARE IL VALOREVALORE

�� AZIONI DI UP / CROSS SELLAZIONI DI UP / CROSS SELL

�� INCENTIVARE L’USOINCENTIVARE L’USO

�� INCENTIVARE ATTIVAZIONE DI INCENTIVARE ATTIVAZIONE DI VASVAS

COSTRUIRECOSTRUIREFELDELTA’FELDELTA’

�� DIFFERENZIAZIONE DEI SERVIZIDIFFERENZIAZIONE DEI SERVIZI

INBOUND & OUTBOUNDINBOUND & OUTBOUND

�� SCHEMA DI LOYALTY (Incentivi)SCHEMA DI LOYALTY (Incentivi)

�� BLOCCHI (Disincentivi alla fuga)BLOCCHI (Disincentivi alla fuga)

…ALLA CONCORRENZA!…ALLA CONCORRENZA!

CustomerCustomerCustomerCustomer base: segmentazione di basebase: segmentazione di basebase: segmentazione di basebase: segmentazione di base

8Case history

Presentazione casi reali

9Case history

Analisi delle disattivazioni

Case history 1

10Case history

ScenarioScenarioScenarioScenario

Un’azienda di telecomunicazioni mobile ha di solito una clientela piuttosto numerosa (milioni di utenti).…e la società gradirebbe che tutti questi (…o quantomeno quelli “interessanti”) rimanessero fedele e non scappassero alla concorrenza!Ma certo cercare di “coccolare” tutti i singoli clienti è chiaramente alquanto oneroso per l’azienda!Cosa fare?Una possibilità è quella di individuare i clienti più a rischio di andarsene… e coccolare solo quelli!Come individuarli?

11Case history

Valutazioni al marketing meetingValutazioni al marketing meetingValutazioni al marketing meetingValutazioni al marketing meeting

Intera

Customer

base

Clienti ad alta propensione

alladisattivazione

Clienti chestanno

disattivando

Clienti già disattivati

Costi della Costi della prevenzione della prevenzione della disattivazionedisattivazione

MediAlti Alti N/A

Grado di successo Grado di successo dell’azione preventivadell’azione preventivadelladella disattivazionedisattivazione

Alto MedioBasso N/A

Stadio più efficiente

Azioni di retention

12Case history

Valutazioni al marketing meetingValutazioni al marketing meetingValutazioni al marketing meetingValutazioni al marketing meeting

�Caratteristiche demografiche�Usage del telefono�Comportamenti di traffico�Contatti con l’azienda�Informazioni sul billing�Copertura della rete

Comportamento Comportamento dei clienti sul dei clienti sul churnchurn

�Promozioni della concorrenza�Eventi della vita

Chi è a Chi è a rischio di rischio di disattivazionedisattivazione?? QuandoQuando è è

maggiore il rischio maggiore il rischio di disattivazionedi disattivazione??

PerchéPerché sonosono a a rischiorischio didi

disattivazionedisattivazione??�Offerte della concorrenza�Convenienza dei prezzi�Prezzo dell’Hardware�Servizio al cliente�Programmi a premi

13Case history

Come, quindi, individuare chi è a rischio di disattivazione?

14Case history

L’analista affronta il problema…

15Case history

I dati a disposizioneI dati a disposizioneI dati a disposizioneI dati a disposizione

InformazioniInformazionisocio demografichesocio demografiche

DATAWAREHOUSEDATAWAREHOUSE

InformazioniInformazionisulla attivazionesulla attivazione

Dati sull’uso & Dati sull’uso & sulla retesulla rete

Informazioni da Informazioni da ricerche di mercatoricerche di mercato((customer satisfactioncustomer satisfaction , U & A, …), U & A, …)

dati dal dati dal callcall centercenter((callscalls , , complainscomplains , , billing problemsbilling problems ))

Pattern di utilizzoPattern di utilizzo(traffico, log (traffico, log filesfiles , , cookiescookies …)…)

16Case history

Che cosa c’entra la statistica?Che cosa c’entra la statistica?Che cosa c’entra la statistica?Che cosa c’entra la statistica?

Una delle cose che gli statistici sanno fare è trasformare dati e informazioni elementari in nuove conoscenze e previsioni utili per prendere delle decisioni.

Nel caso della disattivazione dei clienti, uno studente a metà del secondo anno di una laurea in Statistica avrebbe le competenze per dare dei primi suggerimenti sensati ai Marketing managers dell’azienda.

Grazie a questi suggerimenti e alle azioni di marketing predisposte dagli esperti di marketing sul target proposto dallostatistico, si riesce a “salvare” una quantità di clienti almenodoppia (rispetto al target individuato dall’esperto di mktg)

17Case history

Come si muove uno statistico?Come si muove uno statistico?Come si muove uno statistico?Come si muove uno statistico?

La prima idea è quella di usare i dati sui clienti del passato per prevedere i clienti futuri, di cui non sappiamo le intenzioni

Prima di tutto, assieme fianco a fianco al “makettaro”, seleziona un sottoinsieme di informazioni ritenute rilevanti per prevedere la disattivazione e le organizza in una grande tabella:

Attivo

…

Attivo

Attivo

Disattivo

Attivo

Attivo

Attivo/Disattivo

…2651871451244/04/2002FN

……………………

…2473212562148/12/2001F5

…3502032561477/11/2005M4

…420122349/03/2003F3

…26755425/05/1998M2

…1981352141264/10/2001M1

…SMS febbraio

Numero chiamate febbraio

SMS gennaio

Numero chiamate gennaio

Data attivazione

SessoCliente

18Case history


Calcola, quindi, quanti clienti tra quelli che erano attivi un mese fa, si sono disattivati nell’ultimo mese.

Identifica una “propensione alla disattivazione”, una misura della “voglia” del cliente di abbandonare i servizi dell’azienda.

Non avendo informazioni sulla volontà dei clienti, può misurare tale quantità come proporzione di clienti con determinate caratteristiche(ad esempio maschi, attivati nel 2001, con meno di 50 chiamate nel mese di gennaio e nel mese di febbraio…) che si sono disattivati.

19Case history


Costruisce poi un modello per spiegare come la “propensione alla disattivazione” vari al variare delle altre informazioni utilizzate: sesso, età, traffico, …

Un modello di questo tipo ci serve per poter calcolare delle previsioni sulla propensione alla disattivazione nel prossimo mese per un cliente che ora è ancora attivo e che possiede le stesse caratteristiche

Questo modello permette quindi di prendere una decisione (a chi facciamo un regalo? A chi spediamo una lettera?) sulla base di adeguate informazioni quantitative sul cliente

20Case history

Modelli di regressioneModelli di regressioneModelli di regressioneModelli di regressione

Un modello che descrive come una variabile, chiamata usualmente risposta o dipendente, varia al variare di una o più altre variabili, chiamate variabili indipendenti o esplicative, viene usualmente chiamato modello di regressione.

( )erroretiindipenden

variabili

risposta

variabile+

=

f

21Case history

Modelli di regressioneModelli di regressioneModelli di regressioneModelli di regressione

Un modello che descrive come una variabile, chiamata usualmente risposta o dipendente, varia al variare di una o più altre variabili, chiamate variabili indipendenti o esplicative, viene usualmente chiamato modello di regressione.

( )erroretiindipenden

variabili

risposta

variabile+

=

f

Variab

ile ri

spost

a

=

disatti

vazio

ni Variabile esplicative=

anagrafiche, traffico, call center, rete …

22Case history

Modelli di regressione logisticoModelli di regressione logisticoModelli di regressione logisticoModelli di regressione logistico

È basato sull’assunzione che

dove α,β,γ,δ e η sono dei parametri (costanti) che devono essere determinati dai dati disponibili.

...

...

4

32

1

4321

4321

1 +++++

+++++

+=

xxxx

xxxx

e

e

x

xx

x

ηδγβα

ηδγβα

disattiva si... febbraio, in chiamate

gennaio, in SMS febbraio, in chiamate

gennaio, in chiamate con cliente un

Prob

23Case history


Per semplificare, consideriamo una sola variabile esplicativa: il numero di chiamate effettuate nell’ultimo mese

Il modello si può scrivere allora

Dove questa volta a e b sono i parametri (costanti) che devono essere determinati dai dati disponibili.

bxa

bxa

e

ex+

+

+=

12007 gennaio a disattiva si

2006 dicembre a chiamate con cliente unProb

24Case history


25Case history


26Case history


È un modello probabilistico non deterministico.

Ci dice la probabilità di disattivarsi, non quanti clienti si disattiveranno se a dicembre hanno fatto x chiamate.

In questo modo, “permette” che due clienti con le stesse caratteristiche possano comportarsi in maniera diversa in quanto a disattivazione

Questo è il mondo. Perciò così “ragiona” il modello!

27Case history

Utilizzo dei dati sui clienti precedentiUtilizzo dei dati sui clienti precedentiUtilizzo dei dati sui clienti precedentiUtilizzo dei dati sui clienti precedenti

Quali valori sono appropriati in questo caso per b?

La teoria della statistica insegna come utilizzare efficacemente i dati per calcolare delle stime di questi parametri.

28Case history

Propensione alla disattivazionePropensione alla disattivazionePropensione alla disattivazionePropensione alla disattivazione

Disponendo delle stime dei parametri possiamo calcolare, ad esempio, delle stime del numero di clienti che nel prossimo mese mediamente dovrebbe abbandonare l’azienda per ogni tipologia di clienti (numero di chiamate effettuate a dicembre)

29Case history

Stime, stime … ma se c’è una stima, c’è un errore! Stime, stime … ma se c’è una stima, c’è un errore! Stime, stime … ma se c’è una stima, c’è un errore! Stime, stime … ma se c’è una stima, c’è un errore!

Il grafico di prima contiene solamente delle stime. Potrebbero non corrispondere alla realtà. Ad esempio sono basate sui “dati” disponibili ed anche il “modello” utilizzato potrebbe essere sbagliato.È per questo che la statistica insegna anche a valutare la dimensione degli errori.Ad esempio permette di “produrre” delle affermazioni del tipo

%90>

mese prossimo nel

disattivi si Rossi Mario

cliente il che àprobabilit

30Case history

Statistici non maghi! Statistici non maghi! Statistici non maghi! Statistici non maghi!

L’affermazione precedente è di tipo probabilistico.Non abbiamo la presunzione di essere Mago Merlino.Del resto questo è il bello della vita. E del mestiere dello statistico.È in ogni caso sufficiente per prendere una decisione:Il cliente Mario Rossi avrà un simpatico regalo, o un’offerta promozionale per il prossimo mese, mentre per Paolo Bianchi, la cui probabilità di andarsene era solo del 20%, il collega markettaro non ha previsto nulla!

31Case history

L’utilizzo in praticaL’utilizzo in praticaL’utilizzo in praticaL’utilizzo in pratica

L’applicazione del modello ai clienti ancora “vivi” permette l’attribuzione di un livello di rischio ad ogni cliente.Ogni singolo cliente, infatti, viene monitorato continuamente, e per l’azienda viene identificato con un colore: verde = cliente fedele; giallo = cliente in fase pre-rischio; rosso = cliente a rischio disattivazione.

cliente fedele

cliente in fase pre-rischio;

cliente a rischio disattivazione.

Tali colori appaiono sulle liste estratte dai markettari per spedire regali e attivare promozioni, o sugli schermi degli operatori del call center non appena il singolo cliente chiama per avere informazioni o reclamare… e a seconda del colore l’operatore sarà più o meno “gentile”

32Case history

E di quanto sbagliamo? E di quanto sbagliamo? E di quanto sbagliamo? E di quanto sbagliamo?

Con i dati osservati nel prossimo mese cercheremo di valutare quanto ci abbiamo “azzeccato” col nostro modello… o se potevamo fare di meglio!

accuratezza del modelloomissione:

SC = NSC = N

SC = YSC = Y 27.94%

3.57% 6.83%

29.46% 42.60 %

89.60%

( = 100%)

( = 100%)

alto alto RischioRischio medio Rischiomedio Rischio basso basso RischioRischio

comissione:

SC = NSC = NSC = YSC = Y

49.33%

34.92%

5.58%

50.67%

65.08%

94.42%

( = 100%)

( = 100%)

( = 100%)

alto alto RischioRischio

medio Rischiomedio Rischio

basso basso RischioRischio

33Case history

Il profiling e la segmentazione

Case history 2

34Case history

ScenarioScenarioScenarioScenario

Usando tutte le variabili a disposizione si vogliono capire i valori, gli interessi e i bisogni dei clientiTracciare il grafico dei clienti sottolineando le differenze nei valori e bisogniAnalizzare i bisogni e gli interessi dei clienti aiuta a capire cosa offrire loro e come interagire con loro

35Case history

La mappa dei valoriLa mappa dei valoriLa mappa dei valoriLa mappa dei valori

APERTURA

Attenzioneall’aspetto

AnomiaConsumismo

Edonismo

Interesseper la moda

Narcisismo

Amore perl’aventura

AntiproibizionismoIndustrialismo

Esoterismo

Welfare

Insicurezza

Cosmopolititsmo Semplificazione della vita

Etnocentrismo

Secolarizzazione

Chiusura mentale

Ostentazione eprestigio

Paura della violenza

Interesse apparenza

Diffidenza per la pubblicità

Centralità della famiglia

Localismo

Bisogno di radicazione

Comunitarismo

Nostalgia natura

Perbenismo

Idealismo

Interesse tecnologia

Polisensualismo

Adesione al nuovo

Liberalismo sessuale

Gestione della complessità

Partecipazione

EcologiaVita sociale

Revisione ruoli sessuali

Antiautoritarismo

Espressione personalità

Impegno

VolontariatoCreatività personale

Spiritualità

CHIUSURA

PRIVATO

SOCIALE

Ricerca interiore

PRIVATO

Cultura intessuta di valori materiali ed aspirazioni

individualistiche. Orientamento ai valori

del sé e del privato

PRIVATO

Cultura intessuta di valori materiali ed aspirazioni

individualistiche. Orientamento ai valori

del sé e del privato

SOCIALE

Cultura solidaristica impregnata di valori etici e spirituali.

Orientamento alla collettività e al sociale.

SOCIALE

Cultura solidaristica impregnata di valori etici e spirituali.

Orientamento alla collettività e al sociale.

APERTURA

Cultura industriale e post-industriale,

aperta al cambiamento,

all’innovazione e alla complessità sociale.

APERTURA

Cultura industriale e post-industriale,

aperta al cambiamento,

all’innovazione e alla complessità sociale.

CHIUSURA

Cultura di stampo arcaico e

preindustriale arroccata sui valori

tradizionali e diffidente verso il

nuovo.

CHIUSURA

Cultura di stampo arcaico e

preindustriale arroccata sui valori

tradizionali e diffidente verso il

nuovo.

36Case history


APERTURA


AnomiaConsumismo

Edonismo


Narcisismo



Esoterismo

Welfare

Insicurezza


Etnocentrismo

Secolarizzazione

Chiusura mentale



Interesse apparenza



Localismo


Comunitarismo

Nostalgia natura

Perbenismo

Idealismo


Polisensualismo

Adesione al nuovo



Partecipazione



Antiautoritarismo


Impegno


Spiritualità

CHIUSURA

PRIVATO

SOCIALE

Ricerca interiore

37Case history


APERTURA


AnomiaConsumismo

Edonismo


Narcisismo



Esoterismo

Welfare

Insicurezza


Etnocentrismo

Secolarizzazione

Chiusura mentale



Interesse apparenza



Localismo


Comunitarismo

Nostalgia natura

Perbenismo

Idealismo


Polisensualismo

Adesione al nuovo



Partecipazione



Antiautoritarismo


Impegno


Spiritualità

CHIUSURA

PRIVATO

SOCIALE

Ricerca interiore

CENTRALITÀ DEL CORPO E

DEL CONSUMO [7.0%]

[12.0%]

CULTURAPICCOLO

BORGHESE[21.7%]

TRADIZIONALISMO [11.6%]

IMPEGNO[10.3%]

RADICI [17.3%]

NUOVA FRONTIERA

[12.0%]

INTERIORITÀ [8.1%]

38Case history

Non solo disattivazione! Non solo disattivazione! Non solo disattivazione! Non solo disattivazione!

Il saper trasformare informazioni elementari in nuove conoscenze, in previsioni ed in ipotesi di decisione costituisceuna abilità molto richiesta dalla società attuale.L’anno scorso Newsweek ha definito l’analista dei dati (ovvero lo statistico) come una delle professioni bollenti del nuovo secolo.Anche in Italia, tutti i dati dimostrano che le imprese, le istituzioni pubbliche e gli enti di ricerca hanno fame di statistici.

39Case history

la statistica a supporto delle strategie di...

Documents