Miglioramento dell’esperienza di acquisto B2B con raccomandazioni d’acquisto powered by HANA

Shopping Basket

Miglioramento dell’esperienza di acquisto B2B con raccomandazioni d’acquisto powered by HANA

Profilo Azienda

Situazione

  • Miglioramento dei livelli di servizio ai propri clienti B2B attraverso lo sviluppo di capacità propositiva multicanale, per raccomandare al personale di frontend e ai clienti sia prodotti da acquistare (che negli ordini più voluminosi sono delle vere proprie BOM con decine e decine di prodotti tra loro in correlazione di compatibilità tecnica), sia le quantità di acquisto per evitare disservizi al cliente stesso verso il suo cliente finale in fase di esecuzione.
  • Supporto agli addetti vendite affinche eseguano attività di cross selling su prodotti “consumabili” di esecuzione non in BOM, per evitare discontinuità di servizio in cantiere e perdita di fatturato.

Azioni

  • Analisi, modellazione, integrazione e pulizia dei dati, individuazione dei pattern utili su un dataset di 10 milioni di items utili (su DB da 76 MIL)
  • Discretizzazione delle variabili continue, scaling su alcune caratteristiche, creazione di alcuni indicatori di correlazione  per category prodotti,  per referenze e per quantità catagory
  • Generazione di regole associative con diversi livelli e combinazioni di antecedenti (fino a 7) per raccomandare prodotti a completamento delle BOM di vendita. 
  • Analisi ed identificazione dei valori soglia di quantità dei conseguenti eventuali consumabili 
  • Attivazione API di interrogazione multicanale

IMPATTI E KPI

  • Probabilità del 85% di aumentare il valore dell’ordine per cross selling in un range 0,5-2,8%
  • Probabilità del 92% di ridurre di almeno una volta i disservizi per mancanza materiale
  • Generazione di circa 50 Milioni di regole associative in HANA, fine tuning da 500K a 1 MIL di regole
  • Riduzione dei tempi di elaborazione da 3/4 giorni su architettura Server R a 3/4 ore su architettura SAP HANA in Memory PAL/APL
  • Tempo di risposta interrogazione API di 3,2 millisecondi su 50 Milioni di regole in HANA
  • È stata osservata la possibilità di ridurre fino ad 1/3 il “time -to-market” in riferimento allo sviluppo della capacità propositiva esperienziale dei nuovi addetti.

Settore Industriale

Consumer Goods, GDO, GDS, Machinery & Components

Servizi e Tech

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

Processo

Marketing, Sales, Servizio

Raccomandazione per similarità dei clienti

Customer Similarity

Raccomandazione per similarità dei clienti

Profilo Azienda

Situazione

L’azienda vuole ottenere il massimo risultato nel raggiungimento dei bonus sia dagli accordi quadro annuali sia dagli accordi promozionali per campagna (stagionale o meno). 

La scenario di partenza è complesso perchè ci sono decine di migliaia di clienti, parecchie decine di migliaia di prodotti, multicanalità (volantini, banco, e-commerce, customer service, commerciali) e prodotti che richiedono conoscenza tecnica. 

Si cerca di avere maggiore capacità di indirizzamento delle proposte, senza spostare i clienti che hanno loyalty pattern consolidati ma che possono accettare offerte tattiche rispetto ad altri clienti che sono “brand agnostics”.

Azioni

  • Analisi, modellazione ed integrazione dati, trasformazione delle variabili discrete 
  • Data cleansing, scaling su alcuni KPIs
  • Creazione indicatori FRAT su 4 livelli di gerarchia prodotto + brand
  • Applicazione di algoritmi di Unsupervised Learning per definizione del Clustering ottimale di inclusione (Replaceable Behavior) ed esclusione (Loyal Behavior) con verifica di diverse metriche di similarity  e/o dissimilarity
  • Applicazione di segmentazione esclusiva per evitare deviazione dal path di acquisto
  • Generazione delle regole di raccomandazione Target Category to Target Cliente.

IMPATTI E KPI

  • Identificazione dei clienti che mantengono coerente il loro comportamento di acquisto sui diversi livelli di category della gerarchia dei prodotti, ma che stanno migrando di Brand, mettendo a rischio il raggiungimento degli obiettivi.
  • Aumento della capacità propositiva degli account commerciali secondo le linee marketing aiutandoli ad uscire da modelli e mix prodotti consolidati sul cliente, a causa dell’ampiezza del portfolio che induce difficoltà associativa tra prodotti.
  • Campagne di vendita con proposta prodotti a clienti che non hanno mai acquistato, ma loro simili hanno acquistato, con redemption del 11,2%.

Settore Industriale

Consumer Goods, GDO, GDS, Machinery & Components

Servizi e Tech

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

Processo

Marketing, Sales

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