Analisi dei KPI e pianificazione finanziaria con SAC

Analisi dei KPI e pianificazione finanziaria con SAC

Profilo Azienda

Situazione

L’azienda desiderava semplificare il processo finance, che era caratterizzato da un evidente circolo vizioso. Infatti gli utenti amministrativi:
  • Ricercavano le informazioni su SAP ECC ed estraevano dati contabili
  • Elaboravano i dati su fogli di calcolo indipendenti per fare pianificazione finanziaria
  • Ricaricavano i dati così elaborati e le previsioni finanziarie sul gestionale ECC.

Azioni

È stata quindi progettata e implementata la soluzione SAP Analytics Cloud che consente di:

  • Monitorare kpi economici e finanziari in tempo reale
  • Visualizzare per anno le diverse versioni di bilancio budget, planning e actual
  • Modificare conti finanziari/patrimoniali all’interno del Value Driver Tree Simulation e osservare i possibili impatti sulla struttura nel medio-lungo periodo
  • Simulare margini e profitti all’interno del Value Driver Tree
  • Accedere a forecasting di proiezioni economiche di orizzonte massimo 5 anni
  • Apportare modifiche alla pianificazione anche su SAP ECC.

IMPATTI E KPI

I benefici dell’utilizzo di questa soluzione sono:

  • Riduzione dei tempi di analisi e maggiore puntualità nella presentazione/condivisione di report
  • Incremento di efficienza nel processo di pianificazione finanziaria
  • Pianificazione finanziaria più flessibile per rispondere in modo rapido ed efficace al cambiamento
  • Aumentata consapevolezza nei processi di decision making.

Settore Industriale

Machinery & Components

Servizi e Tech

S/4 HANA, SAP Analytics Cloud, SAP HANA

Processo

Controlling, Finance

Segmentazione dinamica dei clienti

Analisi anagrafiche e segmentazione

Segmentazione dinamica dei clienti

Profilo Azienda

Situazione

L’azienda si trovava ad affrontare alcune problematiche riguardanti il reporting:

  • Laboriosità delle attività di ricerca informazioni in diverse tabelle e di estrazione tramite query di dati su clienti e prodotti
  • Abitudine degli utenti di esportare ed elaborare dati extra sistema, su fogli di calcolo indipendenti
  • Necessità di sviluppare un sistema di segmentazione dinamica e di reportistica dei clienti (quattro classi di clienti: attivi, diretti, indiretti ed interessati)
  • Desiderio di consolidare i dati provenienti dai diversi sistemi informativi (CRM e ERP) per sfruttare a pieno il potenziale informativo a supporto del business

Azioni

È stata implementata una soluzione su SAP HANA e SAP Lumira che permette di:

  • Visualizzare le anagrafiche clienti per canale B2B/B2C e per tipologia di business
  • Analizzare il database clienti in base a criteri personalizzati
  • Usufruire della Cluster Analysis per segmentare i gruppi clienti in modo avanzato
  • Fornire agli utenti dei “Bookmark” che consentono di salvare e riprendere successivamente l’analisi

IMPATTI E KPI

I benefici dell’utilizzo di questa soluzione sono:

  • Semplificazione del processo di analisi delle anagrafiche clienti
  • Miglioramento della conoscenza dei cluster clienti
  • Maggiore puntualità nel targeting nei processi marketing e commerciale

Settore Industriale

Manifatturiero

Servizi e Tech

SAP HANA, SAP Lumira

Processo

Marketing, Marketing Campaign, Sales

Gestione GDPR nel canale B2C

Gestione GDPR nel canale B2C

Profilo Azienda

Situazione

L’azienda si trovava ad affrontare alcune sfide imminenti legate alla normativa GDPR:
  • Cancellazione dell’anagrafica del consumatore che ne fa richiesta (cancellazione del dato anagrafico);
  • Anonimizzazione dell’anagrafica scaduta ed introduzione di un warning per ricordare al Customer Service la non utilizzabilità dell’anagrafica previo rinnovo del consenso;
  • Cancellazione massiva delle anagrafiche scadute da 10 anni.

Azioni

Introduzione all’interno dello scenario CRM Interaction Center (IC) delle seguenti opzioni:

  • Attivazione del pulsante di ‘Cancellazione’ che consente al Customer Service di rimuovere dall’anagrafica i campi sensibili del cliente consumer, previa verifica dell’esistenza di documenti di contatto, ordini e reclami non chiusi negli ultimi 10 anni.
  • Funzionalità di Anonimizzazione: attivazione di un messaggio di errore a corredo dell’anagrafica scaduta, per sollecitare il rinnovo del consenso da parte del cliente.
  • Funzionalità di Cancellazione massiva delle anagrafiche scadute, previa verifica che non ci siano transazioni aperte degli ultimi 10 anni. La ‘Cancellazione’ viene poi trasferita al sito ecommerce e al sistema di Business Intelligence. L’eventuale utenza web del cliente non sarà più utilizzabile.
  • Introduzione dell’obbligatorietà dei dati di gestione della privacy nel flusso di inserimento di un’anagrafica consumer

IMPATTI E KPI

  • Compliance alla normativa GDPR, quadro giuridico che stabilisce le linee guida per la raccolta e l’elaborazione delle informazioni personali delle persone all’interno dell’Unione Europea (UE).
  • Performance di processo grazie all’utilizzo del db HANA per la sua elevata capacità di trattare le informazioni trasferendo le scelte su tutti i sistemi coinvolti nel perimetro CRM, ECC, ecommerce …

Settore Industriale

Manifatturiero

Servizi e Tech

CRM, SAP ECC, SAP HANA

Processo

Marketing, Sales, Servizio

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