Il tesoro è nei dettagli: il machine learning serve per prendere migliori decisioni di marketing?

Dal 2012 abbiamo integrato nella nostra piattaforma Dianalytics un potente strumento di machine learning/intelligenza artificiale. Perché lo abbiamo fatto? Da una parte per avere tutte le funzioni statistiche evolute a nostra disposizione, dall’altra per andare a scavare fra i dati e trovare le relazioni nascoste fra le variabili. Esiste una relazione fra l’attenzione a un prodotto e la pressione pubblicitaria? Si.

Se spacchetto un piano media fra i vari mezzi, confronto i dati con i risultati di attenzione e di vendita (ma sul sell-out si apre una parentesi, la complessità aumenta in modo esponenziale) posso valutare con dati reali l’effetto di ogni singolo media sull’interesse di uno shopper al singolo prodotto? Si.

Se modifico le posizioni a scaffale, inserisco dei fuori banco, considero i fuori stock, faccio differenti tagli prezzo, metto il prodotto a volantino, posso scorporare l’effetto di ciascun fattore? Si.

Se creo delle relazioni fra traffico del punto vendita, traffico a scaffale, attenzione e appeal dei prodotti, vendite, posizione a scaffale, numero di facing, stock a scaffale, posso ridurre i fuori stock e migliorare tutta la supply chain? Si.

Sembra quindi che, vista la complessità dei temi trattati, lo strumento di machine learning fornisca risposte utili e azionabili.

A quali condizioni possiamo considerare i risultati attendibili? E’ una domanda che ci viene rivolta spesso. Facciamo un piccolo elenco:

  1. Avere dati attendibili, ovvero disaggregati a livello di singolo punto vendita: gli americani dicono “garbage in, garbage out”. Il “medione”, ovvero il dato aggregato, non è sufficiente a fornire risultati realistici e azionabili.
  2. Avere dati sulle performance dei prodotti e allo stesso tempo sul numero degli shopper, la loro segmentazione, i comportamenti di acquisto.
  3. Avere un sistema di machine learning trasparente, non una black box che macina numeri attraverso algoritmi pre definiti, ma un sistema flessibile e trasparente che consenta di creare modelli di analisi in funzione del problema. E’ evidente che un piano mezzi e una shopper execution sono problemi del tutto differenti. Trattarli con lo stesso “macinino” crea non pochi mal di testa e risultati incongruenti.
  4. Contare su una solida competenza: ogni macchina produce delle regole, più o meno corrette, queste devono essere poi verificate e selezionte attraverso l’esperienza di chi in azienda conosce in modo approfondito le dinamiche dei mercati.

Quindi, come al solito nel marketing, attenzione alle mode e alle sirene: non sempre le offerte più attraenti sono le più efficaci. L’analisi di situazioni reali e complesse non è semplice e non può essere affrontata e risolta con metodi e strumenti “facilotti” che promettono risultati roboanti.

Ancora, qualità del dato, buona tecnologia, duro lavoro, solida esperienza specifica.