,allowExpansion)
Advanced outlet analytics
Come sfruttare i dati digitali per massimizzare il successo del retail offline.
Individuazione di nuovi clienti in ambito B2B: +45%
Consegne ai
punti vendita: -65%
Risultati per
punto vendita: +20%
Significativa riduzione del
rischio di “fuori stock”
Gestione più efficiente della
forza vendita
Il negozio tradizionale non è affatto morto, come spesso si dice. Con 2,7 nuove aperture per ogni esercizio che chiude, l’attuale situazione del commercio analogico, ad esempio negli Stati Uniti, non appare poi così negativa malgrado la crescente concorrenza dell’e-commerce. Tuttavia, soprattutto se parliamo di utilizzo e analisi dei dati rilevanti, la vendita tradizionale arranca rispetto al settore delle vendite online. Mentre le aziende di e-commerce analizzano il comportamento degli utenti grazie a informazioni dettagliate ricavate da Web analytics, CRM e ricerche su Google sviluppando proposte personalizzate, per buona parte dei commercianti e dei marchi convenzionali l’utilizzo di tali strumenti è ancora fantascienza.
Usare i dati digitali per il mondo analogico
Quando i retailer o i brand del mondo analogico vogliono sapere quale località sia più adatta per aprire un nuovo punto vendita, come vada ottimizzato l’assortimento o cosa fare per pianificare al meglio le limitate risorse a disposizione, molti di loro si affidano tuttora unicamente a dati strutturati statici o alle implicite conoscenze dei propri collaboratori. Nonostante i geodati digitali siano oggi ampiamente diffusi e disponibili, spesso nel commercio offline la definizione degli indirizzi strategici è ancora un volo alla cieca.
Affinché anche la vendita fissa possa salire sul treno delle decisioni data driven, TD Reply ha sviluppato un approccio scalabile in grado di prevedere le vendite per i più diversi tipi di esercizi commerciali, segmentare i negozi sulla base del loro potenziale di smercio e del loro target group fit e ottimizzare le azioni di marketing per ogni singolo esercizio: tutto questo attingendo a una grande varietà di dati digitali. Questo approccio, che TD Reply chiama “Advanced Outlet Analytics”, è applicabile ai settori più disparati (ne sono alcuni esempi i prodotti alimentari e le bevande, i capi di moda e le automobili).
Le basi dati digitale
Per un venditore B2B, la sfida è individuare i canali attraverso cui vendere il maggior numero di prodotti. Da parte sua, un commerciante B2C ha un problema analogo: quali categorie e prodotti offrono le maggiori potenzialità in un punto vendita e in quali quantità occorre immagazzinare le scorte? Le cifre cui fare riferimento per rispondere a queste domande sono innanzitutto i dati di prima mano, ad esempio di sell-in e sell-out, in possesso dell’impresa (Owned Data). Invece, un marchio che non ha alcun controllo su questi dati commerciali o che, se li ha, non può contare su una qualità soddisfacente delle informazioni, può sempre decidere di acquistarli da fornitori esterni (cosiddetti Paid Data).
Tuttavia, anche quando sono disponibili informazioni sulle vendite di prodotti– o perché si attinge ai dati di cassa esistenti o perché le si reperisce all’esterno –, sono poche le aziende in grado di indicare i fattori di successo extra-aziendali e le leve su cui agire per massimizzare i risultati. Molte risposte a queste domande si trovano già su Internet e gli esercenti offline ne sono spesso all’oscuro.
Servizi come Google Maps, Facebook e Flickr contengono grandi quantità di dati geospecifici dall’elevato valore informativo. In particolare, la vendita tradizionale può mettersi nei panni dei consumatori finali per identificare le informazioni più appropriate al proprio settore. Gli utenti consultano la rete per conoscere orari di apertura (Google), giudizi di altri utenti (Google, TripAdvisor, Foursquare), offerte di particolari negozi (Yelp), indicazioni stradali (Google Maps) o eventi d’interesse (Facebook). Tale comportamento genera una serie di dati geospecifici che possono essere usati, così come sono, per un singolo negozio o opportunamente scalati, per l’intero mercato. In questo modo, basandosi unicamente sui dati di servizi geografici come Google Places o Open Street Map, è possibile ottenere informazioni dettagliate sui dintorni di un punto vendita, ad esempio sulla densità di esercizi commerciali, sulla presenza in zona di luoghi come sale concerti o scuole, oppure sulla vicinanza a stazioni ferroviarie o della metropolitana. L’integrazione di tutti questi dati con le cifre già in possesso delle imprese rappresenta un anello di congiunzione fondamentale, finora mancante, e che permette di eseguire stime dettagliate per ogni punto vendita sui gruppi target di consumatori, sul potenziale di vendita e sulle migliori azioni di marketing da adottare.
Dati e realtà
Le nuove tecnologie non sono un rimedio universale alle sfide che le imprese devono affrontare. I nuovi dati e sistemi offrono reali vantaggi solo se utilizzati per problemi concreti e se messi in correlazione con l’implicita conoscenza del settore cui si accennava pocanzi. La periodica verifica sul campo dei risultati ottenuti e la successiva ottimizzazione dei modelli generati rivestono infatti grande importanza.
Quello dell’ "Advanced Outlet Analytics” non è un approccio meramente statico, sviluppato a tavolino, ma richiede un constante confronto con la realtà del mercato e con il know-how dei responsabili alle vendite e di negozio. Data science e apprendimento automatico sono concetti oggi molto importanti, ma possono essere massimizzati solo mediante un interscambio con la base imprenditoriale.