L’analisi di fonti di dati eterogenee può rappresentare una sfida per il settore retail. Scoprite come i rivenditori possono ottenere una visione a 360 gradi e creare una vera strategia di retail basata sui dati.
Con la rapida crescita dell’e-commerce, il settore del retail dispone di una grande quantità di dati, ma ai marchi mancano le risorse e gli strumenti giusti per sfruttarli in modo efficace e collegarli al comportamento dei clienti in negozio.
I proprietari di negozi tenevano traccia delle vendite, dell’inventario e del comportamento dei clienti molto prima che esistessero i microchip o i software di retail analytics. I rivenditori utilizzano queste informazioni per ottimizzare le loro decisioni commerciali e soddisfare i loro clienti: quali prodotti tenere in magazzino in quale momento e come commercializzarli al meglio. Anche se oggi sembrano pittoreschi, questi metodi erano molto efficaci per i rivenditori per aumentare le vendite e ottenere un vantaggio competitivo.
Oggi i rivenditori hanno accesso a una grande quantità di dati. Grazie ai dispositivi mobili e ai social media, possiedono milioni, se non miliardi, di dati sui loro clienti attuali e potenziali.
Hanno tutti i dati storici di cui hanno bisogno per produrre customer journey altamente personalizzati utilizzando i big data analytics. I marchi innovativi stanno già utilizzando l’analisi dei clienti e i dati delle vendite al dettaglio per creare percorsi altamente personalizzati basati su queste intuizioni.
L’industria dell’abbigliamento ha accumulato un ritardo nell’adozione degli analytics, basandosi spesso su “sensazioni di pancia” guidate da commercianti e stilisti piuttosto che su processi decisionali basati sugli analytics. Gli operatori del settore dell’abbigliamento citano diverse sfide come ostacoli all’investimento nelle loro capacità analitiche, tra cui la scarsa qualità dei dati, l’assortimento in rapida evoluzione e il panorama competitivo, l’elevata complessità di SKU e logistica e le limitate competenze analitiche dei dipendenti attuali.
Alcune aziende esitano a trasformarsi perché ritengono che richieda una revisione tecnologica di tre o cinque anni e risorse o capacità di livello Amazon. Può essere difficile, costoso e dispendioso in termini di tempo costruire un customer journey che sia veramente data-driven. Ora, grazie a un nuovo approccio che Gartner chiama smart hub (cioè CDP), i marchi possono recuperare molto più rapidamente il vantaggio competitivo.
A titolo esemplificativo, si consideri quanto segue:
- L’accesso ai dati dei clienti di terze parti potrebbe (e probabilmente lo farà) scomparire.
- Rendere utili i dati dei clienti è una sfida
- Le moderne analisi dei dati di retail si basano su una varietà di funzionalità
- Le soluzioni parziali non sono sufficienti
La gestione dell’intero ciclo di vita del cliente con gli smart hub affronta le sfide in modo olistico.
Concentrarsi sul coinvolgimento dei clienti che generano Opt-In e First Party Data
I venditori stanno inoltre perdendo l’accesso a strumenti critici, cookie e dati di terze parti, che per decenni li hanno aiutati a comprendere il comportamento dei consumatori e a indirizzare di conseguenza i clienti.
La disponibilità dei dati dei clienti di altre aziende sta diminuendo rapidamente a causa di normative più severe come il Regolamento generale sulla protezione dei dati (GDPR) dell’Unione europea e il California Consumer Privacy Act (CCPA). Google ha recentemente deciso di bloccare i third party cookie nel suo browser Chrome, il che avrà un impatto sulle aziende digitali, sui prodotti di consumo e sulla tecnologia.
Analisi dei dati per l’abbigliamento al dettaglio: cosa significa? La maggior parte delle informazioni può essere ottenuta dai dati di prima parte. Grazie ai dati storici raccolti attraverso la catena di fornitura, i sistemi POS, i social media, le vendite al dettaglio e altro ancora, i marchi dispongono di enormi quantità di dati. Dal momento che conoscono i dati in prima persona e possono garantirne l’accuratezza, questo tipo di dati è generalmente di qualità superiore rispetto a quelli ottenuti da terze parti.
Capire che la semplice raccolta di dati non è sufficiente
La raccolta dei dati è una priorità assoluta per la maggior parte degli operatori del settore dell’abbigliamento. Le transazioni di acquisto, il comportamento durante la navigazione sul web, le interazioni con le applicazioni mobili e i social media e le risposte alle campagne e-mail sono tutte acquisite automaticamente dai sistemi. Tuttavia, petabyte di dati sui clienti non hanno valore finché non si riesce a trasformarli in informazioni utili per formulare una strategia di vendita basata sui dati.
Per risolvere questo problema, la maggior parte dei marchi ha investito in magazzini aziendali e/o big data lake per raccogliere i dati dei clienti in un unico luogo. Il problema è solo ritardato dall’inserimento di tutti questi dati in un unico sistema rigido.
Quando i rivenditori hanno cercato di risolvere questo problema, a volte hanno speso una quantità significativa di denaro e di tempo (spesso un anno o più) per costruire magazzini aziendali per organizzare i big data in un modo che gli addetti al marketing potessero utilizzare. Quando il magazzino aziendale è stato costruito e tutti i dati rilevanti sono stati puliti, l’intera soluzione era già obsoleta.
I dati prodotti dai nuovi canali di marketing e dagli altri sistemi entrati in funzione nel frattempo erano troppo grandi per essere gestiti. Nell’era digitale, il commercio al dettaglio sta cambiando a una velocità sorprendente. Per questo motivo, la soluzione analitica del nuovo software di retail analytics spesso non era in grado di fornire le analisi avanzate necessarie per adattarsi ai continui cambiamenti del retail.
Di conseguenza, molti retailer, anche i marchi globali del lusso, faticano ancora a unificare i dati frammentati e a ricavarne informazioni utili. Le aziende del settore retail con budget più elevati possono disporre di competenze IT e di analisi avanzate per automatizzare la vendita al dettaglio dal punto di vista operativo. Il marketing, invece, deve fare la fila per ottenere quelle scarse e costose risorse di analisi dei dati. Quando gli addetti al marketing ottengono le informazioni sui clienti di cui hanno bisogno, l’opportunità che stavano inseguendo è già passata.
Costruire una base per l’analisi dei dati
Cosa occorre esattamente per convertire tutti questi dati in informazioni significative? Per ottenere informazioni preziose e attuabili da questi dati occorrono le persone giuste e gli strumenti software adeguati. Senza dubbio avete bisogno di marketer intelligenti e dedicati. Inoltre, avete bisogno di dati storici e di informazioni in streaming per quanto possibile. Sono necessarie anche soluzioni di business intelligence e di analisi predittiva, nonché soluzioni di intelligenza artificiale e di apprendimento automatico.
Non vorrete certo ritrovarvi con preziose informazioni sui clienti se poi non le utilizzate. Perché? I marketer non hanno le capacità per applicare questi insight nelle campagne su scala o in velocità. Si tratta di un problema che tutti i marketer del settore retail devono affrontare
Comprendere gli strumenti disponibili e le loro capacità (e limitazioni)
Non è necessario disporre di tutte le funzionalità, ma è consigliabile collegare il più possibile le analisi aziendali, gli strumenti analitici e le idee attuabili. In questo modo, è possibile personalizzare davvero l’esperienza del cliente su scala e in modo rapido.
Attualmente, sul mercato della vendita al dettaglio sono disponibili molte tecnologie e strumenti di analisi che forniscono alcune o tutte queste funzionalità. Nonostante ciò, molti non riescono a collegare l’intero processo dall’inizio alla fine. Esaminiamo alcuni strumenti di analisi dei dati per il retail:
- Soluzioni per l’infrastruttura dei dati del cliente (CDI). Le CDI utilizzano connettori di dati precostituiti per raccogliere e condividere i dati da tutte le soluzioni di canale (ad esempio, e-mail, web, call center, ecc.). Servono come tubi che spostano i dati da un luogo all’altro. Tuttavia, hanno una capacità limitata di memorizzare, elaborare o analizzare i dati. Inoltre, sono progettati principalmente per utenti tecnici piuttosto che aziendali e non offrono un accesso interattivo ai dati per i marketer.
- Piattaforme di gestione dei dati (DMP). Per indirizzare meglio sia la pubblicità a pagamento sia i propri contenuti web, le DMP sono state progettate per gestire profili anonimi e arricchire tali profili con dati provenienti da terze parti. Negli ultimi anni, tuttavia, la crescente regolamentazione dei dati di provenienza di terzi e la graduale scomparsa dei cookie hanno ridotto il valore delle DMP.
- Marketing cloud (MC). Gli MC forniscono funzionalità di coordinamento e offrono soluzioni per più canali. Queste soluzioni, tuttavia, sono in gran parte realizzate attraverso l’acquisizione. Nonostante offrano alcune o tutte le seguenti funzionalità, anche i principali MC soffrono di alcune o di tutte le seguenti limitazioni:
- Dati scollegati. Spesso è necessario unificare i dati sottostanti di ciascun canale, cosa che il MC non fornisce. Per unire tutti i dati cross-canale, sono necessarie ampie risorse informatiche o di consulenza.
- Limitato self-service del marketing. Storicamente è stato difficile per gli addetti al marketing interagire con i dati sottostanti dei clienti nei MC.
- Manca l’agilità. A causa delle limitazioni degli MC, non è possibile implementare soluzioni best-of-breed di altri fornitori senza rischiare la frammentazione dei dati e l’esecuzione attraverso i canali.
Considerate una soluzione integrata
Dalla nostra discussione è emerso chiaramente che ognuna di queste soluzioni analitiche non è in grado di collegare perfettamente tutte e quattro le funzionalità per una personalizzazione su scala. Il mercato dei CDP è cresciuto rapidamente: secondo Research and Markets, le vendite dovrebbero passare da 900 milioni di dollari nel 2018 a oltre 3 miliardi di dollari entro il 2023.
I CDP non servono solo a creare campagne una tantum. I CDP sono in grado di generare valore lungo l’intero ciclo di vita del cliente, tra cui:
- Acquisizione. Se conoscete i migliori clienti attuali della vostra attività di retail e i loro comportamenti, potete puntare a consumatori che condividono gli stessi tratti e comportamenti chiave. I sistemi POS, i software analitici aziendali acquisiti, i dati della catena di fornitura e altri software analitici per la vendita al dettaglio possono fornire queste informazioni.
- Attivazione. Al giorno d’oggi, l’acquisizione consiste semplicemente nel far condividere a un cliente un indirizzo e-mail o un numero di carta di credito. Tuttavia, se riuscite a personalizzare i messaggi in base alle informazioni preziose che avete raccolto su di loro durante il processo di acquisizione (ad esempio, dati demografici, pagine visitate, carrelli abbandonati, ecc.) è più probabile che vi aggiudichiate la loro fiducia.
- Acquisto ripetuto. Secondo il principio di Pareto, circa l’80% dei clienti rimane acquirente una tantum, mentre solo il 20% diventa acquirente abituale. È possibile creare messaggi molto più efficaci per guidare quel secondo acquisto chiave utilizzando i dati e le informazioni raccolte durante l’acquisto iniziale del cliente (ad esempio, prezzo, categoria, stagione, se si trattava di un regalo, ecc.)
- Ritenzione. Tutti i marchi devono misurare e gestire il rischio di abbandono, indipendentemente dal fatto che si tratti di servizi in abbonamento o di un retailer più tradizionale. Non è sufficiente utilizzare modelli standard di rischio di abbandono. Creare algoritmi di business analytics che forniscano una visione olistica dei clienti a rischio vi aiuterà a creare offerte allettanti che li faranno tornare.
Il settore dell’abbigliamento è in rapida evoluzione. I consumatori sono alla ricerca di un’esperienza personalizzata end-to-end; gli assortimenti e i canali stanno diventando più complessi e la concorrenza dei marchi dinamici e nativi digitali è in aumento. Gli approcci analitici possono aiutare le aziende di abbigliamento ad affrontare queste sfide, trasformando anche i casi più complessi in opportunità di crescita.