SAP Forum: Il carrello Analytico per il Retail Management

Transcript

1 SDG SAP Forum: Il carrello Analytico per il Retail Management People Process Performance

2 Svelare il vero valore dei «dark data» 10% Use Analytics Today Missing new insights Not utilizing all the information out there IT is not agile enough and the business wants to get involved Ability to manage and consume all data is getting harder 75% Need Analytics by 2020 = Not leveraging the power of collective insight Nucleus Research, Gartner, Fortune Magazine 2

3 Hype Cycle - Emerging Technologies Source Gartner

4 Focus sul Predictive analytics Con Predictive Analytics si intendono le tecniche di data mining e machine learning utilizzate per predire i comportamenti futuri. Definizione Soluzioni prepacked: esperienze di industry «embedded» dal vendor nell applicazione Soluzioni open: necessità di coinvolgere il team di analisti all inizio del progetto per affinare la modellazione del dato Dare chiarezza e consistenza nelle situazioni in cui il dato futuro è incerto Comprensione dei bisogni del cliente Impatti Stato futuro nel ciclo di vita Necessità di maintenance di un impianto Volumi di nuovi prodotti 4

5 Sense and Respond Are no longer enough Supply Chain predictive planning Livello di Servizio Efficacia :-) Brand Marketing Come rafforzare l attrattività del brand? Pricing optimization/ basket analysis Efficienza Product phase in phase out Customer driven marketing & Social Intelligence 5

6 Brand Marketing and Sentiment Come rafforzare l attrattività del brand? Contesto: Competizione Brand vs Private Labels Nuovi strumenti di visibilità Attenzione nella scelta di investimenti e posizionamento dei Brand Valutare il potenziale delle Brand, considerando caratteristiche del PdV, localizzazione e attributi Stimare l effetto sulle Brand di politiche di marketing (con le azioni specifiche) Dati di vendita, caratteristiche dei PdV, localizzazione, altri attributi Modelli di stima del potenziale delle brand e dell effetto del marketing Popolazione Ambiente interno (Operational Management) Organizzazione Marketing locale Location Customer service Location Performance Fatturato Profittabilità Customer satisfaction Operational management Marketing Organizzazione Customer service Competizione Ambiente esterno Popolazione Potenziale di spesa Competizione Potenziale di spesa 6

7 Customer 360 Customer driven marketing Contesto: Con l utilizzo di variabili del profilo di acquisto e caratteristiche puntuali del cliente (fidelity) è possibile Costruire cluster significativi, Personalizzare le offerte Prevedere sfruttando il custering Esempi sono prodotti di verosimile interesse per il cliente ( next best offer ), promozioni mirate, one to one marketing e messaggi personalizzati. Utilizzare dati socio-demografici e comportamentali per segmentare, indirizzare e personalizzare le offerte Incrementare la redditività e il lifetime del cliente Mirare l offering e ottimizzare la previsione Modelli di predizione del comportamento d acquisto e analisi di propensity models per la scelta dei target più appropriati delle diverse azioni di marketing 7

8 Customer 360 Social Intelligence Contesto: L utilizzo delle informazioni generate dagli utenti all interno di social network o sulle pagine dei siti corporate sono ad oggi gli obiettivi del social media marketing. Raccogliere informazioni sulle fonti selezionate Interpretare il contenuto con un motore di analisi semantica Creare algoritmi di sentiment, correlati con gli indicatori retail (walk-in sellout ) Scoprire ed analizzare i legami che esistono tra clienti che accedono a social networks e a siti web corporate Dati social, fonti destrutturate. Modelli di text mining e di analisi semantica 8

9 Product phase in phase out Ottimizzare l assortimento garantendo l offerta migliore 9 Contesto: Costante rinnovamento di assortimenti e collezioni Lyfe cycle management sempre più importante (diventa una funzione aziendale) Sviluppo prodotto ed engineering guidati da logiche di semplificazione e di razionalizzazione Ottimizzare l innovazione di prodotti nei canali di vendita. Supportare la gestione del phase in/out Ridurre obsolescenza e magazzino Modelli per serie storiche funzionali, Similarity tra prodotti old e new, shape analysis corretta per il volume dai dati di innesco o da stime di esperti Integrazione variabili indipendenti e modelli

10 Pricing / promotion optimization and basket analysis Elasticità del prezzo per aumentare il basket cliente 10 Contesto: I modelli di marketing price optimization sono sempre più utilizzati all interno dei modelli retail di ultima generazione. Si usano modelli predittivi per stabilire se i criteri promozionali sui prezzi generano incrementi significativi delle vendite Determinare quali sono le azioni promozionali più efficaci e che possano creare valore senza avere impatti sulla marginalità Determinare i cluster di client target per le promozioni Dati di vendita, relative alle promozioni, a sconti permanenti, a ribassi temporanei Modelli di predizione dell impatto dei ribassi sulle vendite e sulla marginalità media

11 Basket analysis Elasticità del prezzo per aumentare il basket cliente Contesto: La basket analysis ha l obiettivo di proporre raccomandazioni all acquisto che sono in generale basate sulle correlazioni con quello che altri clienti che hanno comprato lo stesso prodotto normalmente acquistano in gergo: collaborative filtering. Si possono anche usare specifici attributi dei prodotti. Usare un metodo analitico per raccomandare prodotti a specifici clienti: indicare opportunità di cross selling - up selling; definizione di layout di negozio coerenti Dati di acquisto in basket, attributi dei prodotti acquistati Modelli di associazione e di affinità tra prodotti 11

12 Supply chain predictive Planning Ottimizzare il Servizio al Cliente Contesto: Gestione Innovazione Personalizzazione, packaging, co-branding Riduzione ciclo di vita prodotti Long Lead Time per approvvigionamenti Far East Integrazione Modelli di Planning & Forecasting (middle-short time) Individuare cluster e livelli di aggregazione efficaci. Integrare variabili esogene e andamentali. Elaborare rapidamente scenari di previsione per la Supply Chain. Modelli per serie storiche gerarchici e multilivello, Clustering. Predittori e variabili di intervento. 12

13 Un caso - Retail Customer Segmentation Contesto Cliente Benefici e risultati Fast Fashion 200 Punti Vendita 20 Category. Disponibilità dati di scontrini e fidality. Segmentare la clientela sulla base di tecniche di calcolo dei punteggi di loyalty, definire i criteri di profilazione all interno del segmento in termini di caratteristiche demografiche o di comportamento d acquisto. Dati anagrafici clienti, Dati di vendite a livello di sellout. Modelli stocastici di distribuzione, per il calcolo dei segmenti. Modelli di regressione lineare per le attribuzioni dei profili. Definizione di segmenti di clientela basati su tecniche stocastiche e non deterministiche Possibilità di analisi dei profili dei segmenti di modo da indirizzare le scelte di advertising e communication verso i media corretti 13

14 Il modello dati Dati di input: Vendite per SKU, Cliente o generiche, con attributi del cliente e del prodotto. Dati di output 10 top Cluster dinamici Sensitività clienti ad attività promozionali Costruzione profili di riferimento per campagne e attività CRM Modelli utilizzati Utilizzo 20 variabili categoriche e continue Segmentazione tramite Smart Segmenter Algorithm 14

15 I risultati ottenuti Identificazione di cluster basati su modelli di loyalty previsionale (frequency e spending attesi) Identificazione di profili di attributi ricorrenti all interno dei cluster Identificazione di prodotti da proporre ai clienti del segmento con più propensione all acquisto Identificazione di Punti Vendita «corretti» su cui poter implementare le scelte di marketing one to one 15