Raccomandazioni per clienti captive o clienti fedeli

Reccomendation

Raccomandazioni per clienti captive o clienti fedeli

Profilo Azienda

Situazione

L’azienda vuole: 

  • migliorare la performance delle campagne promozionali multicanale sui clienti B2B per cluster di fidelizzazione, 
  • aumentare il numero delle campagne su target mirati che possono avere un alto livello interesse di acquisto in prossimità temporale della proposta con timeframe campagna più ristretti.

Azioni

  • Analisi, modellazione dati e creazione indicatori per il calcolo di FRAT Analysis e Scoring (pesate o meno), con  applicazione di algoritmi waterfall di Classification, Association e Clustering per evitare cannibalizzazione di Category e definizione del comportamanto di acquisto nel timeframe della campagna.
  • Creazione API per Deploy multicanale.

IMPATTI E KPI

  • Identificazione di Cluster Cliente con la più alta propensione all’acquisto all’interno del periodo di validità della campagna.
  • Identificazione di segmenti ristretti di prodotti con vincoli Push e Pull con i più alti indici predittivi che ha reso pìù facile ed evidente su quali prodotti fare leva attraverso nuovi modelli BI di analisi descrittive.
  • Identificazione dei livelli soglia predittivi che evitano la cannibalizzazione dei prodotti a parità di category (creazione del PACMAN Index).
  • Target Dinamici che raccomandano Target prodotto a target Cliente con redemption di acquisto medio del 21,8%.

Settore Industriale

Consumer Goods, GDO, GDS, Machinery & Components

Servizi e Tech

BO, Data Service, Lumira, PAL APL, R, SAP HANA

Processo

Marketing, Sales

Analizzare il comportamento d’acquisto e il tasso di abbandono dei clienti con RFM Cell Migration

Churn1

Analizzare il comportamento d’acquisto e il tasso di abbandono dei clienti con RFM Cell Migration

Profilo Azienda

Situazione

L’azienda ha la necessità di analizzare l’evoluzione del comportamento d’acquisto dei propri clienti lungo 3 dimensioni RFM: recentezza, frequenza e valore medio delle transazioni.

Ha inoltre bisogno di avere una visione immediata dell’evoluzione negli anni dei cluster clienti e filtrarli per path di migrazione.

Azioni

Dopo aver introdotto un’analisi RFM basata sul comportamento d’acquisto dei clienti in una serie storica di 3 anni, con clusterizzaizozne da 3 a 5 livelli di celle RFM, sia bilanciato che sbilanciato. La dimensione temporale è stata esplosa per anno e trimestre eseguendo un forecasting a 3 mesi.

E’ stato realizzato con librerie di data visualization sankey uno strumento di monitoraggio grafico dell’evoluzione dei cluster clienti che ha dato immediata evidenza al marketing dei fenomeni di migrazione avvenuti nel tempo.

IMPATTI E KPI

Gli impatti sono legati alla possibilità di analizzare in modo intuitivo ed immediato i cluster clienti identificati in base a comportamenti simili e la loro evoluzione nel tempo.
Ciò permette al Marketing e alle Vendite di identificare target su cui andare a mirare azioni tattiche o campagne promozionali e di fidelizzazione con elevanti livelli di confidenza.

Sui grafici sono evidenti le migrazioni verso i cluster più alti e la diminuzioni degli abbandoni.
Nel flusso a 3 mesi, l’accuratezza forecasting varia dal 78% al 89% in funzione delle celle a maggiore fidelizzazione.

Settore Industriale

Consumer Goods, GDO, GDS, Machinery & Components

Servizi e Tech

Advanced Analytics, Advanced Visualization, BO, Data Service, Lumira, PAL APL, R, SAP HANA

Processo

Marketing, Sales