La predictive analysis a favore di una più evoluta esperienza dell’utente

Analisi predittiva

La tecnologia al servizio della predictive analysis, sotto forma di algoritmi di machine learning, statistica e tecniche di data mining, ci abilita nello sviluppo di modelli e tendenze emergenti nei dati raccolti.
Utilizzando l’analisi predittiva, sviluppiamo per l’azienda una strategia di posizionamento, che trae vantaggio da intuizioni ed interpretazioni di fenomeni online e offline.

Multicanalità e Centralità del Cliente per anticipare i bisogni latenti

Multicanalità e centralità del cliente, impogono, nell’attuale scenario competivo, nuovi modi di utilizzare i dati per anticipare i bisogni latenti dei clienti.

Le organizzazioni che hanno a disposizione strumenti di lettura ed interpretazione del dato sono supportati nella gestione di decisioni complesse con una maggiore efficacia nei risultati: nell'attrarre i clienti, nel fidelizzare, nel massimizzare i profitti.

Il nostro obiettivo

In Like Reply utilizziamo la predictive analytics con l’obiettivo di potenziare l’esperienza dell’utente e la sua relazione con il brand.

I sistemi di raccomandazione sono sviluppati con l’intento di prevedere gli interessi dei clienti (cosa vogliono comprare o guardare) e fornire loro determinati suggerimenti. Lo fanno usando statistiche e algoritmi di machine learning con l’obiettivo di massimizzare i profitti. Quando un cliente acquista un prodotto o mostra interesse per esso, il sistema raccomanda automaticamente un prodotto o servizio, che considera altamente rilevante per quel cliente. I sistemi di raccomandazione si basano ad esempio sui concetti di Collaborative Filtering o Content-based Filtering, ovvero sulla possibilità di suggerire, individuando utenti simili in base agli interessi mostrati.

L’analisi predittiva conforma le campagne di digital marketing come orientate verso il cliente, personalizzando gli annunci pubblicitari su segmenti specifici di utenti ad alto potenziale. Possiamo attribuire, ai prospect o ai clienti già acquisiti, una classe di probabilità di conversione, in base a molteplici fattori, che verranno analizzati dall'algoritmo predittivo (durata delle sessione, numero di pagine viste, fonte di traffico, stato di avanzamento del funnel, promo scelta, info CRM etc.). Creando un modello predittivo efficace di classificazione dei clienti, in base alla maggiore possibilità di convertire, possiamo esportare questi segmenti verso gli strumenti di delivery di campagne ADV, aumentando il ritorno sull'investimento, la redditività, il tasso di conversione e la soddisfazione del cliente.

L’analisi di attribuzione dei profitti e delle conversioni per i canali media incontra dei limiti con i modelli deterministici tradizionali (in particolare quelli last click). Questi modelli spesso non permettono di analizzare l’effettiva contribuzione, in quanto i percorsi di conversione degli utenti sono piuttosto articolati e contemplano varie fasi di avanzamento nel funnel. Basarsi su questi modelli a volte può generare un approccio miope, che tende ad escludere momenti di conversione, in cui i canali media spesso esercitano un ruolo determinate, non considerato. Inoltre, questi modelli non contemplano l’esperienza multi device e l’impatto dei canali di marketing tradizionali (TV, stampa, radio etc) integrati con quelli digitali. In Like Reply in tal senso proponiamo un approccio strutturato nel passaggio da un modello deterministico ad un modello predittivo, ottimizzando i budget media e massimizzando i profitti. La metodologia di attribuzione si basa sull'applicazione di algoritmi sofisticati ai set di dati raccolti, che assegnano un credito di conversione parziale ai touchpoints di marketing, che effettivamente contribuiscono alla conversione, a prescindere dalla loro posizione all’interno del funnel.

Il Customer Lifetime Value (LTV) è un indicatore basato su un modello predittivo, che mostra quanto è conveniente mantenere una relazione con un determinato cliente nel tempo. Indica il valore del futuro profitto che si può generare, mantenendo la relazione con il cliente. È una metrica importante e complessa da calcolare, in quanto tiene conto di diverse variabili, tra cui il costo di acquisizione del cliente (CAC), il tasso di retention, il churn rate, gli acquisti ripetuti, etc. Il customer lifetime value permette di monitorare l’andamento del business e di prendere decisioni strategiche rilevanti; infatti, spesso può essere più conveniente per un’azienda concentrare i propri sforzi di marketing su segmenti di clienti già acquisiti, che possono essere profittevoli nel lungo periodo, piuttosto che acquisire nuovi clienti, che permette di raggiungere solo obiettivi di breve o medio termine.

I sistemi di Alerting individuano tempestivamente una variazione anomala di un determinato KPI, sia tecnico sia di business intelligence. L’approcio tradizionale imponeva la definizione a priori di target, per cui tali segnalazioni dovevano funzionare. Con l’applicazione dell’approccio predittivo possiamo analizzare simulateamente numerosi KPIs e comunicare in tempo reale variazioni significative rispetto al valore previsto.

Dopo che l’azienda ha raccolto i dati sufficienti sulle azioni intraprese dai propri clienti, l’analisi predittiva permette di individuare schemi simili nei comportamenti degli utenti, permettendo in tal modo di personalizzare l’esperienza in termini sia di contenuti offerti, sia di modifiche delle interfacce digitali, a cui l’utente è esposto.


L’analisi predittiva aggiunge un altro layer alle tecniche utilizzate dalla CRO, la metodologia di ricerca sperimentale che permette di ottimizzare il tasso di conversione degli applicativi digitali. Intervenendo con l’analisi predittiva analizziamo tutti i percorsi effettuati dagli utenti su una piattaforma digitale, individuando quali sono i contenuti, che gli utenti visitano più spesso prima di effettuare una conversione specifica (eg. registrazione, lead, acquisto). Tale analisi sarebbe impossibile attraverso gli stumenti di analisi descrittiva, in quanto le possibilità, l’ordine e i modi con cui l’utente puà interagire con una piattaforma possono essere molteplici e scarsamente prevedibili a priori.