I big data nel mondo digital
Chiunque lavori nel mondo digital avrà sentito parlare almeno una volta del concetto di Big Data e di come essi siano considerati the new oil of the Digital Economy. Vero o falso?
Indipendentemente da quale sia stata la tua risposta, è indiscutibile il fatto che i dati stiano rimodellando ogni anno di più il mondo che ci circonda. Alcune di queste applicazioni ci sono particolarmente familiari perchè impattano sulla nostra vita di tutti i giorni. Nessuno si stupisce più della precisione delle raccomandazioni di Amazon o Netflix, nè dei navigatori satellitari in grado di suggerirci una strada diversa a seconda dell’orario, del giorno della settimana o delle condizioni metereologiche.
In molti altri ambiti, tuttavia, si ha solo una vaga idea di come i Big Data possano essere utilizzati e di come un progetto di questo tipo debba essere sviluppato. Il Digital Marketing ne è un buon esempio: i dati che si possono raccogliere sono numerosi e di varia natura, eppure capita spesso che nemmeno gli addetti ai lavori abbiano un idea precisa su come azionarli.
Un ponte fra data science e digital marketing
Per cercare di colmare questo gap, in HDM amiamo collaborare con Università e Istituti di Formazione che propongono corsi volti a formare professionisti data driven in ambito marketing. Questo è quello che è successo nella mattina di Venerdì 17 luglio dove io e il mio collega Amedeo abbiamo avuto l’opportunità di illustrare agli studenti del master executive Data Analysis for Marketing , organizzato dall’università IULM , cosa significhi essere data scientist di una società che si occupa tutti i giorni di fare digital marketing basandosi sullo studio del dato.
La prima parte della mattinata è stata dedicata ad un ripasso su quali siano i principali canali di acquisizione presenti in ambito digital (non esiste solo internet!) e sulle tipologie di dato che questi possono generare. Una domanda potrebbe nascere spontanea a questo punto. Perchè abbiamo deciso di partire da questo tema invece che tuffarci immediatamente tra algoritmi e progetti?
La risposta è semplice: assieme alla statistica e all’informatica, la conoscenza del dominio è il terzo pilastro che sta alla base di un buon progetto big data. Non conoscere il dato e la sua provenienza porta, nella migliore delle ipotesi, a perdere di vista possibili soluzioni al problema mentre nella peggiore a non accorgersi di errori che rischiano di condurre a insight errati.
L’importanza di un team eterogeneo
La seconda parte della lezione è stata invece utilizzatta per spiegare il framework di lavoro OSEMN, ossia gli step che il nostro team segue quando si trova ad affrontare un nuovo progetto.
OSEMN è un acronimo composto dalle parole:
- Obtain: Il primo passo è capire che dati ci servano per risolvere il nostro problema, dove siano e come possiamo renderli disponibili per l’analisi
- Scrub: Una volta ottenuti i dati è necessario pulirli e filtrarli, in modo da tenere soltanto ciò che pensiamo possa essere rilevante per l’analisi. Avere dei dati il più possibile accurati è un aspetto fondamentale. Perche? Il modo migliore per spiegarlo è con una citazione di Thomas C. Redman:
where there’s data smoke, there’s business fire
- Explore: Con i dati puliti è possibile ottenere i primi insight. In questa fase è importante farsi guidare esclusivamente dalla statistica, in modo da non farsi attrarre da facili conclusioni che non siano però supportate da evidenze matematiche!
- Model: Questa fase sarà diversa a seconda del tipo di progetto che si sta affrontando. L’ultima parte della lezione è stata dedicata proprio a presentare i casi reali che abbiamo sviluppato negli ultimi anni di lavoro
- iNterpret: Per poter essere efficace, un buon progetto di data science deve portare valore al business. Il modo migliore per farlo è con una buona visualizzazione dei risultati, che possa generare insight azionabili
L’aspetto più importante da osservare è quante skill diverse siano necessarie per completare un progetto di questo tipo: conoscenza delle piattaforme di marketing, estrazione dei dati, architetture big data, matematica e statistica, programmazione, conoscenza del business, design…
Come fare per trovare la persona giusta a cui affidare tutte queste attività? La risposta è che è meglio affidarsi ad una squadra eterogenea, che possa assegnare le diverse fasi del progetto alle persone più competenti per ognuna di queste attività. Per questo motivo il nostro team data in HDM è guidato da 1 Head of Data e formato da 1 Platform Specialist, 2 Data Architect, 1 Data Engineer, 5 Data Scientist e 1 Data Designer
Ma quindi? Cosa fate nel concreto?
Come già anticipato in precedenza, l’ultima parte della mattinata è stata dedicata alla presentazione dei progetti più interessanti sviluppati dal nostro team nel corso degli ultimi 3 anni. Questo ci ha permesso di dare agli studenti un’idea di quelle che sono le potenzialità dei big data in ambito Digital Marketing.
Alcuni dei progetti che abbiamo presentato hanno riguardato:
Pianificazione Media
Per gestire al meglio il budget dei nostri clienti, ci ritroviamo spesso a collaborare con il team performance, che si occupa della pianificazione del media. L’analisi dei cookie di traffico e delle interazioni con il sito ci permette di fornire insight preziosi per ottimizzare l’erogazione delle campagne. Per esempio, è utile capire quanto tempo impieghi in media un utente a convertire, quanti touchpoint siano necessari, se esistano orari o giorni più favorevoli, come le diverse campagne interagiscano tra di loro o quali canali abbiano le performance migliori.
EShop Insight
Gli e-commerce sono una preziosissima fonte di dati ed essere in grado di interpretarli può portare ad un concreto miglioramento del ROI. Un’analisi di cohort degli ordini ecommerce ci permette di approfondire le abitudini degli utenti in termini di frequency e retention mentre definire il comportamento di acquisto dei già clienti può portare ad una personalizzazione dei messaggi erogati ai prospect.
Customer Clustering
L’applicazione di tecniche di clustering a dati da CRM arricchiti da fonti diverse, abilita azioni differenti e customizzate a seconda delle tipologie di caratteristiche riscontrate. Un esempio può essere l’ottimizzazione dei canali di contatto o la personalizzazione dell’offering.
KPI Proprietari
Utilizzare unicamente il numero di conversioni come kpi di riferimento rischia di restituire un’immagine parziale del contesto. Questo perché le lead non sono tutte uguali: non solo possono variare i costi di acquisizione, ma anche il loro valore nel tempo.
Per questo motivo, in HDM, abbiamo sviluppato una serie di indicatori che ci permettono di valutare la qualità del nostro lavoro a seconda dell’obiettivo stabilito. Un esempio è il nostro kpi “Human Empathy Indicator”. HEI è stato realizzato per calcolare l’empatia di un brand e misurare il coinvolgimento reale degli utenti per ogni post, valutando le interazioni in termini di intensità — esplicitandone quantità e tipologia — e polarità, positiva o negativa.
Dashboard
Tra i progetti che sviluppiamo con maggiore entusiasmo rientrano le dashboard, strumenti fondamentali per dare valore alle immense quantità di dati che le aziende raccolgono quotidianamente ma che spesso rimangono inutilizzati. L’obiettivo finale di una buona dashboard è quello di eliminare completamente le vanity metrics ossia quelle metriche che non portano alcun valore aggiunto al business, ma solo confusione e distrazione.
Un esempio di dashboard che abbiamo sviluppato è Livebrand. Questo strumento si basa sull’utilizzo di cluster semantici per fare chiarezza nelle query che gli utenti effettuano su Google per atterrare sui siti dei nostri clienti.
In conclusione
Come abbiamo visto Digital Marketing e Data Science possono essere un connubio vincente, ma solo a patto di affrontare le domande ed i problemi con il giusto approccio matematico ed un pizzico di creatività.
Hai trovato interessante questo articolo?
Possiamo fare tanto per il tuo business e siamo sempre in cerca di nuove sfide. Mettici alla prova, raccontaci di te e della tua realtà!
