Secondo uno studio Sitecore – Vanson Bourne su 6800 consumatori e 680 decision maker nel marketing e nell’It nel mondo il 36% dei brand non hanno gli strumenti necessari per raccogliere informazioni su ciò che i clienti hanno visto o acquistato su loro sito di ecommerce.
DataLysm di 3rdPLACE è la soluzione basata su algoritmi di intelligenza artificiale ideata per conoscere in maniera approfondita e in forma anonima, ovvero totalmente GDPR compliant, gli interessi specifici, le caratteristiche e i comportamenti di chi interagisce con gli asset che concorrono alla generazione del business aziendale (sito di e-commerce, di servizi di abbonamento, app).
DataLysm si basa sull’inserimento di un semplice tag di profilazione all’interno del sito da monitorare e si compone di due strutture principali: una console di visualizzazione degli insight e un gruppo di strumenti per la definizione dei cluster e per la pianificazione delle attività migliorative sugli asset aziendali.
L’elemento differenziante di DataLysm è il motore per la segmentazione dell’utenza arricchito da moduli di machine learning capace di generare cluster molto dettagliati e interconnessi. In questo modo è possibile categorizzare in modo molto granulare gli interessi mostrati dagli utenti durante la navigazione all’interno degli asset aziendali, e non solo, e la loro correlazione.
L’algoritmo di DataLysm genera un Interest Graph accurato con cui è possibile determinare una valenza non solo per keyword generiche come “auto” ma anche per keyword più profonde come “auto d’epoca”.
L’Interest Graph è la mappa di profilazione da cui partire per l’attivazione di scelte migliorative sugli asset e per la personalizzazione dell’esperienza di navigazione su specifici cluster.
Per fare un esempio specifico, riportiamo il caso di un retailer online.
Il retailer ha individuato tre cluster principali che hanno permesso tre diverse attività correttive con la personalizzazione dell’esperienza di navigazione e il conseguente incremento del fatturato online:
- Cross selling. Individuazione di altri prodotti di interesse ai clienti che hanno già acquistato.
- Nuovi acquisti. Individuazione di utenti che, sebbene non abbiano ancora acquistato, hanno rivelato una propensione d’acquisto.
- Retention. Individuazione di specifici segmenti di clientela con più alta probabilità di acquisto ricorrente.
Nel primo caso (cross selling), per esempio, l’Interest Graph segnala il potenziale interesse degli acquirenti di uno smartphone per altri prodotti dello stesso comparto (It e Consumer Electronics) o per interessi generici diversi dalla tipologia di prodotti già acquistati o visualizzati all’interno del sito (passione per il cinema).
In questo caso si potrà personalizzare la navigazione di quei profili, e solo di quelli, evidenziando le schede prodotto di un nuovo Tv o di un cofanetto di film in edizione limitata. Nelle campagne di digital marketing, invece, si potrà fare leva sui contenuti “collaterali” per cui il cluster ha mostrato interesse.
Allo stesso modo, se l’azienda cliente propone un’offerta di servizi (mercato assicurativo, bancario o telco), si potranno segmentare i cluster a seconda delle probabilità di maggiore monetizzazione, di sottoscrizione di un abbonamento o di particolare fidelizzazione a un prodotto o a un servizio.
Un algoritmo basato su criteri di machine learning è in grado non solo di profilare un utente in base al monitoraggio dell’esperienza di navigazione passata ma, grazie alle stesse informazioni, migliorare in maniera predittiva la navigazione dei nuovi utenti una volta categorizzati in un certo cluster.
Uno dei vantaggi di avviare un e-commerce in questo periodo storico è proprio quello di avere a disposizione una miriade di strumenti per analizzare dati e comportamenti degli utenti e proporre offerte personalizzate. Purtroppo sono ancora poche le aziende che sfruttano e leggono in modo efficace i dati.
Francesca – Strogoff E-commerce Marketing