Come incrementare le vendite con i Big Data

Nobel 2021 per l’economia: (da sinistra)
David Card, Joshua D. Angrist, Guido W. Imbens. Niklas Elmehed
© Nobel Prize Outreach

Dai big data si possono ricavare informazioni utili. Come prendere sagge decisioni negli investimenti in pubblicità, allo scopo di aumentare il fatturato delle proprie attività di impresa

Di recente sono stati scoperti nuovi metodi per ottenere informazioni utili dai big data, per migliorare le performance delle organizzazioni. La scoperta è di così grande portata e importanza che chi l’ha fatta è stato insignito nientemeno che del premio Nobel per l’Economia.

David Card, Joshua Angrist e Guido Imbens hanno ottenuto il Nobel quest’anno per avere chiarito i meccanismi di relazioni causa-effetto soprattutto in ambito sociale. Per lo più lavorando su ricerche che riguardano l’immigrazione, l’istruzione, la formazione professionale e la disuguaglianza sociale.

Perché è importante condurre “esperimenti sociali”? Essenzialmente perché sono elementi cardine che possono cambiare la situazione economica di un paese. Anche di una piccola impresa.

Tra le domande a cui questi economisti hanno dato risposta ce ne sono alcune che spiegano come un salario minimo possa avere effetti sull’occupazione o come i migranti migliorino le economie dei paesi in cui si spostano. 

D’altronde l’importanza e l’urgenza di certe questioni era già stata affrontata da Abhijit V. Banerjee ed Esther Duflo – entrambi Premi Nobel per l’economia 2019 – nel libro: “Una buona economia per tempi difficili”.

Il testo, che consigliamo vivamente a chi fosse interessato all’argomento, è stato recensito dalla Prof.ssa Elena Granaglia, docente di scienza delle finanze all’Università di Roma 3.

Come le questioni sociali siamo legate ai big data, anche domande che interessano da vicino sistemi economico-aziendali, imprenditoriali, sono già state indagate dagli economisti e dagli esperti di statistica.

Un imprenditore ad esempio potrebbe domandarsi se le proprie vendite dipendano dalla pubblicità oppure no. 

L’importanza di dotarsi di un buon modello previsionale

Non tutte le domande hanno necessariamente una risposta univoca. In questo caso non bastano buoni dati: bisogna adottare quello che gli economisti chiamano un buon modello.

Per dare una risposta alla domanda da 1 milione di dollari “le mie vendite sono direttamente proporzionali alla pubblicità che farò, oppure no?” gli economisti utilizzano ciò che chiamano col nome di “modello predittivo”.

I modelli predittivi sono  tecniche che cercano di “interpretare” i dati, scovandone le regolarità e gli andamenti.  Per fare questo lo strumento utilizzato è il calcolo statistico: in economia le incertezze sono sempre in agguato e le tecniche statistiche permettono di gestirle e quantificarle. In più: esse riescono anche ad “estrapolare” gli andamenti, ottenendo quindi previsioni. Un modello predittivo ha proprio questo come fine ultimo, ossia cercare di prevedere razionalmente le grandezze di interesse una volta che si è descritto e rappresentato il dominio delle variabili in gioco.

Quando troppa pubblicità diventa un boomerang per l’impresa 

Supponiamo di spendere ogni anno 10.000 euro in pubblicità e vendere solo 500 prodotti. Se spendessimo il doppio in pubblicità, saliremmo a 1000 prodotti venduti oppure rimarremmo ancorati sempre e solo a 500 . O peggio ancora entreremmo in una spirale negativa con un crollo della domanda? Non è un quesito banale.

I big data possono essere utilizzati in maniera trasversale in tutti i campi e settori, ma solo nel digital marketing diventano fondamentali e imprescindibili.

La pubblicità è lo strumento più importante del marketing communication mix: così importante da assorbire la maggior parte degli investimenti in comunicazione delle imprese. Tuttavia si osserva un trend decrescente, dovuto alla sempre minor efficacia dello strumento. In parte dovuto a un sovraffollamento pubblicitario dei mass media e in parte alla natura intrinseca della pubblicità tradizionale, incapace di interagire con il pubblico sempre più attento alle nuove tecnologie e alla personalizzazione dell’offerta. Inoltre la pubblicità non sempre gode della piena credibilità agli occhi del destinatario nonostante la sua indubbia funzione informativa.

Perché le indagini di mercato sono importanti per le previsioni delle vendite 

L’analisi predittiva (predictive analytics) consiste nell’utilizzare dati, algoritmi statistici e tecniche di machine learning (un sottoinsieme dell’intelligenza artificiale) per calcolare la probabilità che si verifichino eventi futuri basandosi sui dati storici. L’obiettivo è andare oltre la comprensione di cosa è successo per giungere ad una migliore valutazione di quello che accadrà in futuro.

Aumentando l’investimento pubblicitario aumenta anche il fatturato? 

La risposta non è semplice e non sempre un aumento dell’investimento in pubblicità porta al successo di una iniziativa.

In economia come in statistica si chiama “predittore” una funzione dei dati che permette di effettuare previsioni su una o più variabili.
Ovvero degli strumenti matematici che permettono di capire se aumentando il nostro investimento pubblicitario questo non verrà penalizzato ad esempio da una diminuizione della domanda dovuta ad esempio alla presenza di nuovi competitor.

In questo caso si dice che esistono  predittori alternativi  migliori (come ad esempio il numero dei nostri concorrenti diretti); inoltre potremmo costruire un modello in cui la risposta di vendita dipende da molteplici predittori: investimento in pubblicità, qualità del prodotto, numero di concorrenti, innovazione tecnologica, immagine aziendale…

Qualunque modello si scelga, esso avrà un certo livello di errore. Ciò in quanto è ignota la funzione che lega la pubblicità alle vendite, e quindi la si cerca di stimare con un modello che approssimerà la realtà, che tuttavia resta inconoscibile. Tale errore è fatto da due parti: una riducibile e l’altra no. Di conseguenza – qualunque sforzo si faccia – l’errore irriducibile resterà comunque. Quello che si può fare è  rendere minimo l’errore riducibile, poiché esso dipende dalla scelta del modello esplicativo.

L’analisi predittiva viene utilizzata per analizzare ad esempio i comportamenti di acquisto dei clienti, nonché per promuovere opportunità di cross-selling (una pratica di vendita comune nell’ambito del marketing che prevede la vendita di un prodotto aggiuntivo ad un cliente già acquisito.). I modelli predittivi aiutano le aziende ad attirare, fidelizzare e far crescere i loro clienti più redditizi.

L’importanza di trovare un buon modello predittivo 

Per questo sono importanti le indagini di mercato che si basano sull’analisi predittiva. 

Se abbiamo un buon modello possiamo prevedere le vendite conseguenza di un budget pubblicitario che non abbiamo mai speso, ma vorremmo capire se valga la pena affrontare la spesa.

La bontà del nostro modello dipenderà da quanto lavoro abbiamo fatto per minimizzare – per ogni livello di pubblicità / vendite – la differenza fra il valore vero e quello stimato: ciò significa cercare il modello che approssima la realtà meglio che si può e così rendere molto piccolo l’errore riducibile.

Come si stima la bontà di un modello predittivo?

Nell’esempio precedente, supponiamo di conoscere un dato:  spendendo 20.000 euro, venderemo 1000 pezzi. Ora cerchiamo un modello predittivo in grado di approssimare questa situazione di fatto. Se un certo modello statistico prevede 990 pezzi venduti potremmo dire che questo sarà più accurato di un altro modello che ne prevede 750. Questo modello potrà essere utilizzato anche per previsioni future? Non sempre.

Trattiamo i dati sempre in termini statistici e sulla base di ciò che sappiamo. Ma il risultato potrebbe essere modificato da variabili che non abbiamo previsto,  come la qualità del prodotto, il numero dei concorrenti e via dicendo. Ed anche a causa di variazioni non misurabili: le aziende non sono tutte uguali e l’investimento in pubblicità può avere effetti diversi sulle vendite anche a causa di “soggettività” non identificate in alcune aziende.

Chi è Business Intelligence Group