Ovvero, è possibile seguire dei cluster di shopper nel loro processo di acquisto nei negozi e nella loro navigazione online? Perché farlo?

Come sempre partiamo dalla pratica. Siamo nel mondo del largo consumo e consideriamo una marca molto nota: perché solo lo 0,74 % degli shopper si avvicina e la tocca? Perché perdiamo due terzi degli shopper potenziali, cioè coloro che hanno toccato il prodotto (ma non lo hanno acquistato)?

Il 46 % di coloro che toccano il prodotto (quindi i più potenziali) sono maschi adulti. Cosa li fa desistere?

Solo il 16 % degli acquirenti effettivi è un maschio adulto. Cosa genera questo crollo? Come possiamo intervenire?

Dopo avere analizzato la price elasticity, l’effetto flusso davanti allo scaffale, l’incidenza delle promo, del sampling con le hostess (ma di queste cose parleremo un’altra volta), abbiamo simulato diversi scenari utilizzando il sistema di cognitive machine learning di Rulex inc. Questi i risultati.

Se il prezzo calasse del 20 % i maschi adulti aumenterebbero le interazioni positive (cioè gli acquisti) del 10 %. Ritorno modesto, considerato l’investimento.

Con l’ausilio dei dati di ShinyStat, da decenni player dei digital analytics, abbiamo seguito allora il comportamento online dei maschi adulti acquirenti della tipologia di prodotto in oggetto: nel 39 % dei casi si recano su siti di ricette, nel 73 % confrontano i prezzi on line. L’analisi delle serie storiche evidenzia una correlazione elevata fra la navigazione e gli acquisti degli shopper maschi adulti. In particolar modo nei siti “ecologici”.  Bene, l’intelligenza artificiale ci dice che se la presenza di maschi adulti nei siti ecologici aumentasse del 20 % gli acquisti aumenterebbero del 30 %. Un affare molto più redditizio del semplice taglio prezzo!

Una provocazione? Mah…se consideriamo l’erosione continua dei margini e della brand equity a causa delle promozioni, forse un pensierino…