{"id":699,"date":"2018-01-18T12:38:03","date_gmt":"2018-01-18T11:38:03","guid":{"rendered":"https:\/\/dialogica.it\/blog\/?p=699"},"modified":"2018-01-18T12:46:22","modified_gmt":"2018-01-18T11:46:22","slug":"699","status":"publish","type":"post","link":"https:\/\/dialogica.it\/blog\/2018\/01\/18\/699\/","title":{"rendered":"Il tesoro \u00e8 nei dettagli: il machine learning serve per prendere migliori decisioni di marketing?"},"content":{"rendered":"<p>Dal 2012 abbiamo integrato nella nostra piattaforma <a href=\"https:\/\/www.dialogica.it\/it\/dianalytics.php\">Dianalytics<\/a> un potente strumento di machine learning\/intelligenza artificiale. Perch\u00e9 lo abbiamo fatto? Da una parte per avere tutte le funzioni statistiche evolute a nostra disposizione, dall\u2019altra per andare a scavare fra i dati e trovare le relazioni nascoste fra le variabili. Esiste una relazione fra l\u2019attenzione a un prodotto e la pressione pubblicitaria? Si.<\/p>\n<p>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 complessit\u00e0 aumenta in modo esponenziale) posso valutare con dati reali l\u2019effetto di ogni singolo media sull\u2019interesse di uno shopper al singolo prodotto? Si.<\/p>\n<p>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\u2019effetto di ciascun fattore? Si.<\/p>\n<p>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.<\/p>\n<p>Sembra quindi che, vista la complessit\u00e0 dei temi trattati, lo strumento di machine learning fornisca risposte utili e azionabili.<\/p>\n<p>A quali condizioni possiamo considerare i risultati attendibili? E\u2019 una domanda che ci viene rivolta spesso. Facciamo un piccolo elenco:<\/p>\n<ol>\n<li>Avere dati attendibili, ovvero disaggregati a livello di singolo punto vendita: gli americani dicono \u201c<em>garbage in, garbage out<\/em>\u201d. Il \u201cmedione\u201d, ovvero il dato aggregato, non \u00e8 sufficiente a fornire risultati realistici e azionabili.<\/li>\n<li>Avere dati sulle performance dei prodotti e allo stesso tempo sul numero degli shopper, la loro segmentazione, i comportamenti di acquisto.<\/li>\n<li>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\u2019 evidente che un piano mezzi e una shopper execution sono problemi del tutto differenti. Trattarli con lo stesso \u201cmacinino\u201d crea non pochi mal di testa e risultati incongruenti.<\/li>\n<li>Contare su una solida competenza: ogni macchina produce delle regole, pi\u00f9 o meno corrette, queste devono essere poi verificate e selezionte attraverso l\u2019esperienza di chi in azienda conosce in modo approfondito le dinamiche dei mercati.<\/li>\n<\/ol>\n<p>Quindi, come al solito nel marketing, attenzione alle mode e alle sirene: non sempre le offerte pi\u00f9 attraenti sono le pi\u00f9 efficaci. L\u2019analisi di situazioni reali e complesse non \u00e8 semplice e non pu\u00f2 essere affrontata e risolta con metodi e strumenti \u201cfacilotti\u201d che promettono risultati roboanti.<\/p>\n<p>Ancora, qualit\u00e0 del dato, buona tecnologia, duro lavoro, solida esperienza specifica.<\/p>\n<!-- AddThis Advanced Settings generic via filter on the_content --><!-- AddThis Share Buttons generic via filter on the_content -->","protected":false},"excerpt":{"rendered":"<p>Dal 2012 abbiamo integrato nella nostra piattaforma Dianalytics un potente strumento di machine learning\/intelligenza artificiale. Perch\u00e9 lo abbiamo fatto? Da una parte per avere tutte le funzioni statistiche evolute a&hellip; <a href=\"https:\/\/dialogica.it\/blog\/2018\/01\/18\/699\/\" class=\"more-link\">Read More <span class=\"screen-reader-text\">Il tesoro \u00e8 nei dettagli: il machine learning serve per prendere migliori decisioni di marketing?<\/span><\/a><!-- AddThis Advanced Settings generic via filter on get_the_excerpt --><!-- AddThis Share Buttons generic via filter on get_the_excerpt --><\/p>\n","protected":false},"author":2,"featured_media":701,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[80,79],"_links":{"self":[{"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/posts\/699"}],"collection":[{"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/comments?post=699"}],"version-history":[{"count":4,"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/posts\/699\/revisions"}],"predecessor-version":[{"id":705,"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/posts\/699\/revisions\/705"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/media\/701"}],"wp:attachment":[{"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/media?parent=699"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/categories?post=699"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dialogica.it\/blog\/wp-json\/wp\/v2\/tags?post=699"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}