Data-Driven Ideas

di Valerio Franco

Valerio Franco aka Mr. White, è l'evoluzione moderna e contemporanea della quasi estinta specie degli Strategic Planner. Fondatore e Chief Innovation Officer di Hallelujah, la prima agenzia italiana di data-driven-ideas. Già Partner & Strategy Director di Enfants Terribles + ebolaindustries, Valerio è da oltre 10 anni in prima linea nello sviluppo di strategie e progetti di comunicazione tra i più innovativi e sperimentali del nostro Paese. Insegna Marketing Non Convenzionale e Virale all’Accademia di Comunicazione di Milano e in alcune Università in Italia.

“Analytics 3.0: what the f**k?”

Qual è il fattore critico di successo con cui Amazon ha sconfitto retailer fisici della stazza di Walmart? La mia risposta sta in quella semplice azione con cui il brand ci suggerisce un prodotto sulla base delle nostre scelte e comportamenti passati, quindi induttivamente dei nostri interessi e bisogni.

Offrire un’ esperienza che, “una volta provata, non torni più indietro”: è questa capacità “consulenziale” degli algoritmi di Amazon uno dei fattori strategici che sono convinto ne abbiano sancito l’unicità e la forza.

Ma cosa c’è dietro a un risultato solo apparentemente così semplice, come un consiglio personalizzato per ciascuno di noi?

L’utilizzo di tecniche di analisi predittive e prescrittive sui dati è la punta dell’iceberg, quella più evidente e accattivante, di un settore “antico” ma oggi di grandissima attualità per effetto dei big data: il business analytics, insieme di discipline che aiutano i decision maker a prendere decisioni.

Questa settimana, con il contributo di Pietromaria Costamagna, head of digital strategy di Hallelujah e di alcune analisi tratte dalla Harvard Business Review, proveremo a capire come gli analytics si siano evoluti nel tempo, trasformandosi da strumenti di reportistica sul passato, a supporto evoluto e dinamico di decisioni in quasi-real-time per arrivare a capire che prospettive offrono oggigiorno ai brand.

In ambito di analytics, le tecniche di analisi principali sono di tre tipi: descrittiva, che si occupa di descrivere ciò che è accaduto in passato, prescrittiva, volta a fornire raccomandazioni in maniera automatica sulle azioni da intraprendere e predittiva, che cerca di predire i comportamenti e le performance future.

L’era dei dati transazionali: gli Analytics 1.0.

Questa fase ebbe inizio a partire dalla metà degli ‘50 e finì con la fine degli anni ‘90. Tratto saliente degli Analytics 1.0 fu la tipologia di dati. Oggi diamo per scontato che un’azienda come Facebook conosca praticamente tutto di noi e raccolga dati sui nostri interessi, le nostre amicizie, i nostri acquisti e le azioni che compiamo sulla sua piattaforma. Ma fino a poco tempo fa i dati raccolti e analizzati dalle aziende riguardavano fondamentalmente il proprio business: dati di produzione, vendite e interazioni dirette con i clienti. Poco o nulla poteva essere catturato dall’esterno.

Inoltre, le infrastrutture tecnologiche e la preparazione dei dati alla lettura nei data warehouse, erano processi costosi e molto laboriosi che richiedevano tempo ed energie a discapito dell’analisi vera e propria, frenandone le potenzialità. I brand usavano gli analytics per studiare il loro passato e così orientarsi verso il futuro.

La rivoluzione della Valley: gli Analytics 2.0.

Quando dalla Silicon Valley aziende come Google ed Ebay iniziarono a raccogliere e analizzare tipologie e quantità di dati diversi da quelli solamente interni all’azienda, molto più consumer-driven, le cose assunsero una prospettiva diversa. I dati raccolti cominciarono a comprendere anche fonti esterne quali internet, sensori di vario genere e fonti pubbliche allargando non solo la quantità ma anche la varietà delle informazioni disponibili.

L’appellativo “big data” iniziò a diffondersi così come le opportunità di business nate dal suo utilizzo quasi seriale. Basti pensare ai casi di aziende come Facebook e Linkedin, in grado di proporre azioni come “People You May Know” o “Jobs You May Be Interested In” capaci di migliorare la nostra vita sociale e professionale sulla base dell’analisi dei dati utenti contestualizzati.

Nuove tecnologie infine, in grado di processare i dati molto più velocemente (es. NoSQL, Hadoop, machine-learning, ecc…), consentirono il diffondersi di forme di analisi e reportistica più sofisticate ma al contempo accessibili in modo immediato a diversi livelli decisionali.

Oltre la Silicon Valley: gli Analytics 3.0

Oggi, queste dinamiche data-driven,  prima appannaggio solo delle dot com, sono diventate accessibili a pressochè tutti i player, sancendo l’inizio di un’epoca di Analytics 3.0: qualsiasi tipo di azienda/brand produce e può raccogliere una grande quantità di dati, a loro volta incrociabili con ulteriori grandi quantità di dati accessibili dall’esterno, che permettono non solo di aumentare il valore dei prodotti e dei servizi offerti in ottica predittiva, ma anche il miglioramento dei processi e delle decisioni aziendali in un’ottica prescrittiva, cioè di raccomandazione automatizzata.

Il caso UPS è emblematico: attraverso gli analytics 3.0 monitora 46.000 vettori aziendali dotati di sensori telematici, che trasmettono informazioni come velocità e direzione in tempo reale, per ottimizzare i percorsi di consegna, con un potenziale risparmio in carburante di circa 300 milioni di dollari all’anno (US only ndr).

I vantaggi sono quindi evidenti, tangibili ed in continua evoluzione. Ma quali sono i fattori critici su cui focalizzarsi oggi?  Ne abbiamo identificati 5:

1. Molteplici tipi di dati, combinati tra loro. Opportunità di integrare volumi di dati interni ed esterni in formati strutturati e non, al fine di nutrire i modelli predittivi e prescrittivi con nuovi insight.

2. Più velocità. Velocizzare i processi di analisi rendendoli ancora più agili grazie a metodologie analitiche e sistemi di machine learning.

3. Integrazione degli analytics. Integrare gli analytics nei processi e nei sistemi decisionali per aumentare la velocità di analisi ma anche il loro impatto nelle decisioni.

4. Nuove figure professionali. Figure specializzate come il Chief Analytcs Officer e i data scientist saranno sempre più richiesti per la gestione e l’interpretazione degli analytics.

5. Nuovi metodi gestionali e decisionali. Davanti ad una decisione importante da prendere, i manager dovranno imparare a sviluppare sperimentazioni preventive di tipo data driven su bassa scala a supporto dei processi decisionali.

Oggi che  i data sono diventati big data, disporre di strumenti di analytics in grado di trasformare le informazioni in azioni, oppure addirittura in idee è sempre più fonte di vantaggi competitivi. Noi in Hallelujah cerchiamo questa connessione continuamente e la chiamiamo “data-driven ideas”. Vi dice niente?

Alla prossima.

Nel frattempo, se volete saperne di più sul mondo data-driven, scriveteci su info@hallelujah.it.