Come sviluppare un progetto di Intelligenza Artificiale

Massimo Fubini
Founder &CEO @ContactLab

Cos’è l’Intelligenza Artificiale se non una buzzword sulla bocca di tutti? Essa è relazionata al tema dei Big Data, un’enorme mole di dati all’apparenza senza nessi che, grazie alla capacità computazionale degli algoritmi, si fanno parlanti, ovvero predicano e guidano verso le migliori decisioni di business.

Ma c’è ancora tanta impreparazione al riguardo, un paragone efficace è con il sesso per gli adolescenti: tutti ne parlano, ma nessuno sa davvero come farlo. 

Quali sono le tipologie di dati che possono risultare utili a un’azienda? 

  • Dati personali: sono i dati sociodemografici (sesso, residenza, professione etc.)
  • Eventi di acquisto: sono i dati transazionali, ovvero le registrazioni relative agli acquisti effettuati dai clienti, da associare ai profili emersi dalla segmentazione effettuata in precedenza
  • Eventi dinamici: sono i dati dinamici che si riferiscono a tutte le interazioni che i clienti hanno avuto sui diversi canali nati con il digitale. Sono dati tipicamente strutturati, anche se sparpagliati su sistemi diversi in una configurazione a silos (Customer Care, Preference Center, Social Login, CRM, E-commerce, Retail, Analytics etc.)

 

Quali sono i problemi che si presentano?

 

  • Dati verticali da aggregare

Il valore non è dato dal mero dato ma dalla relazione tra i vari dati. Per questo è fondamentale creare una relazione d’intelligenza che aggreghi i vari dati raccolti a silos: la parte più rilevante è scoprire i rapporti causa ed effetto. Ma se moltiplichiamo i dati di ogni singolo cliente per tutti i clienti, viene fuori un quantitativo davvero enorme di materiale da analizzare. 

  • I clienti si presentano con identità differenti in funzione dei vari sistemi

In realtà non parliamo di clienti ma di identità perché quando un cliente si presenta in negozio e compra viene riconosciuto come tale. Ma se lo stesso cliente si presenta sui social media dove è iscritto con un nome diverso viene registrato con un’altra identità e non si riesce a riconoscere che è lo stesso profilo del cliente che è venuto in negozio. Un primo step dovrebbe essere riportare tutte le varie identità a un profilo unico. 

Cosa serve? L’engagement intelligence unito al tocco umano. Affinché avvenga, non deve mancare una Customer Data Platform, che è un database strutturato per gestire le persone, le identità e gli eventi a loro correlati.

In questo contesto l’AI può venirci in supporto perché:

1) arricchisce il profilo dei contatti in quanto permette una loro conoscenza più approfondita grazie un modello predittivo che trova correlazioni tra utenti

2) genera cluster dinamici grazie all’identificazione di pattern comportamentali correlati

3) personalizza accuratamente i contenuti per generare traffico in negozio e per aumentare le vendite

Ma non è una scatola nera che basta alimentare con i dati, per ottenere i risultati ci vuole anche il tocco umano.

 

L’human touch applicato alla tecnologia


Eddison era solito dire “Genius is 1% inspiration and 99% perspiration”. Può essere applicata all’AI: l’1% rappresenta la parte creativa, mentre il 99% è sudorazione pura, cioè analizzare dati. L’human touch è molto legato alla capacità di comprendere le situazioni, il mercato e le esigenze di una specifica azienda. Del resto, i dati sono utili solo se sappiamo ricavarne un vantaggio competitivo.

Vediamo il caso reale di un cliente detto Alpha. È un fashion retail con un milione di utenti registrati, uno scontrino medio di 250 euro e una frequenza media di acquisti di 1-2 all’anno. Ma i clienti che acquistano due volte comprano prodotti della stessa stagione o prodotti di stagioni diverse? Sfruttando gli insight ricavabili dai dati, la comunicazione può essere migliorata: è più facile convincere un cliente a comprare di più quando sai che è attratto dai prodotti della stessa stagione.

Lo stesso concetto può essere applicato al budget sconti: siamo in grado di predire coloro che comprerebbero i prodotti indipendentemente dagli sconti e massimizzare gli sforzi in modo da non avere perdite di margine? AI e i dati ci possono aiutare a capire l’elasticità del prezzo in un cliente. In questo modo è possibile allocare i prezzi e gli sconti in maniera ottimale e operare scontistiche personalizzate.

Quali sono gli step per un progetto di AI?

stepsDati e AI devono portare all’ottimizzazione del business. Vediamo i vari passaggi e la loro applicazione pratica.

  • Obiettivo

Per prima cosa si definisce l’obiettivo da raggiungere, che deve essere chiaro, condivisibile, perseguibile.

  • Dati

Bisogna chiedersi se con i dati a disposizione si può rispondere alle domande che ci si è posti con l’obiettivo. In caso negativo bisogna riformularlo. I dati possono essere di svariati tipi: anagrafica, eventi retail, eventi e-commerce, feedback mail.

  • Exploratory&Cleaning

L’80% del progetto è dedicato ad esplorare e pulire i dati. In questa fase possiamo accorgerci di trend anomali e outliers negli acquisti che ci restituiscono una visione distorta della realtà e che potrebbero essere causati da una mancata integrazione dei flussi informativi del cliente. Vanno puliti perché se si dà in pasto alla tecnologia dati distorti, gli output saranno anch’essi distorti.

  • Model building

Una volta che i dati sono stati puliti, si va a costruire il modello. La domanda potrebbe essere capire quali sono i clienti a rischio di abbandono e quali acquisteranno sicuramente. In questo caso potremmo applicare il modello di Customer Behaviour BTYD, che fornisce in output per ogni cliente una probabilità di abbandono e il numero di transazioni attese in un periodo futuro.

Come input prende le transazioni dei clienti e tiene conto della loro storia, dal primo all’ultimo acquisto, frequenza, regolarità etc. Allenato nel predire la finestra temporale di un anno con un’accuratezza del 74%., si è osservato che dopo 6 mesi riesce a predire correttamente l’83% dei reali acquirenti.

Per comprendere meglio i clienti che hanno acquistato, può venire poi applicato un altro algoritmo di clustering in grado di assegnare a ciascun cliente un livello di engagement su canale e-mail. Ci sono clienti molto ingaggiati che seguono le newsletter e cliccano i link, altri meno interessati e altri ancora inattivi, che non seguono più il canale.

  • Insight

Grazie all’E-mail Engagement Index si riesce a scoprire che i clienti che hanno acquistato hanno una spiccata attività sul canale e-mail. Ad abbandonare il business sono soprattutto quelli inattivi. Questo set di dati può essere incluso all’interno del modello per aumentare la sua accuratezza (fine tuning).

  • Action&Measures

Si possono creare a questo punto strategie mirate di Marketing sugli utenti a rischio di abbandono come:

- improve customer relationship

- upselling

- personalizzazione sconti/promo

In questa fase è molto importante il monitoraggio dei KPI.

Per quanto riguarda gli insights raccolti grazie all’E-mail Engagement Index, possiamo capire chi sono i futuri acquirenti e quindi ingaggiarli sul mezzo meno costoso evitando di sprecare budget media e quelli che invece abbandoneranno il business, concentrandoci sul loro recupero dove sono attivi (customer match/custom audience/DMP).

I passaggi successivi potrebbero essere la previsione del contenuto/prodotto ottimale per ogni cliente o del momento ottimale in cui contattarlo.