Post di Filippo Trocca, Chief Innovation Data Officer di Datrix –

Con First Party Data (o dati di prima parte) si indicano tutti quei dati di proprietà di un’azienda. Spaziano dal dato di comportamento dell’utente online alla localizzazione degli store dell’azienda, ai tempi di produzione. Il loro valore è dettato dalla capacità di analizzare ed ottimizzare il business di un’azienda. In particolare, i dati dell’utente e delle campagne di marketing permettono di analizzare ed ottimizzare al meglio le strategie di marketing.

I dati di prima parte sono molti e solo una Data Strategy strutturata permette estrarre il reale valore. Un errore molto comune è partire dalla raccolta del dato pensando che la quantità sia l’obiettivo finale, ma una data strategy non è solamente la raccolta dati, ma è prima di tutto pensare a quali business case attivare attraverso i dati.

Storicamente, il digital marketing ha utilizzato poco i dati di prima parte, perché poteva affidare a terzi (le piattaforme di adtech come Google, Facebook, Criteo, ecc) l’onere di misurare le performance delle diverse campagne, di descrivere ed analizzare i propri utenti.  Normative della privacy sempre più restrittive e il progressivo abbandono dei third party cookie e dei mobile advertising id hanno reso più difficile per tali player raccogliere e condivere i dati in modo preciso.

In questa nuova era del advertising digitale è importante che l’azienda si organizzi per due principali attività:

1. misurazione performance delle campagne di advertising;

2. segmentazione ed analisi dei propri utenti al fine di personalizzare le strategie di marketing (on e offline).

Partendo da questi semplici obiettivi possiamo già delineare una prima Data Strategy identificando quali sono i dati di prima parte che dobbiamo raccogliere ed organizzare: dati di impression, click e investimento delle diverse attività di marketing digitale, dati di reach (GRP) e investimento delle campagne di marketing offline e dati di fatturato generali dell’azienda (online ed offline).

Questi semplici dati, nel rispetto della privacy dell’utente permettono di attivare nuovi modelli di valutazione delle performance di advertising denominati Marketing Mix Model (MMM) che basano la loro forza su modelli econometrici, consolidati negli anni e utilizzati tutt’oggi nel marketing tradizionale, uniti a modelli predettivi basati sul machine learning come Prophet di Meta, per poter fornire a direttori e marketing manager una valutazione del contributo di ogni singola attività di marketing a determinare il fatturato aziendale, ma anche consigliare come distribuire il budget in modo ottimale ed una previsione dei risultati oltre ad indicazioni di quale sarebbe il budget ottimale. Il framework open source più avanzato di MMM è Facebook Robyn, oggi preferito dal mondo dell’advertising rispetto ai metodi di attribution MultiTouch che necessitano di seguire l’utente nel suo percorso.

La segmentazione utenti, invece, è il grande tema dell’advertising digitale, il quale fino ad oggi ha fatto affidamento su 3rdparty cookie e mobile advertising id che stanno però piano piano scomparendo a causa delle disposizioni in materia di Privacy e le scelte dei colossi del web in ottica “Cookie-less”. L’advertising basato sui dati degli utenti (programmatic advertising) ha visto una crescita del 6% rispetto all’anno precedente arrivando ad un volume di 588 milioni di Euro, ma è anche il canale più colpito da privacy e approccio “cookie-less”. Le aziende dovranno analizzare in casa il comportamento degli utenti e sfruttare l’incredibile potere di unire i dati di CRM, Survey, dati transazionali, dati di navigazione che solitamente risiedono in silos separati.

Una delle metodologie più utilizzate per migliorare le performance di business è ingaggiare i clienti a più alto valore per l’azienda: ma come individuarli? Attraverso modelli di Customer Life Time value possiamo segmentare la notra clientela in base al comportamento dell’utente: il modello più utilizzato è Recency-Frequency-Monetary Value, che individua e segmenta gli utenti in base a parametri come quanti ricavi hanno generato per l’azienda (Monetary), quanto spesso hanno acquistato (Frequency), quanto tempo è passato dal loro ultimo acquisto (Recency). E’ possibile decidere quanti segmenti utenti vogliamo per ogni metrica ed il modello determinerà in modo automatico la segmentazione in base a tale indicazione. Per esempio, se vogliamo ottenere 3 segmenti per ogni parametro, il sistema dividerà i nostri utenti in 27 (3x3x3) diversi cluster che possono essere raggruppati ed utilizzati per strategie di direct marketing attraverso email e sms, personalizzazione della navigazione utente, personalizzazione di advertising, strategie di remarketing e la possibilità di utilizzare i modelli di look a like delle piattaforme di advertising per trovare utenti simili ai nostri clienti migliori.

Naturalmente le strategie sopra riportate possono essere personalizzate per ogni segmento: per gli utenti più fidelizzati che comprano spesso con carrelli medi alti potremmo volerli premiare con sconti od eventi dedicati per far sentire quanto l’azienda tiene a loro. Per utenti con carrelli medi alti ma che acquistano meno spesso potemmo volerli ingaggiare individuando prodotti che non acquistano da noi ma che sono per loro utili, oppure consigliando il riacquisto. Per utenti invece che non acquistano da noi da molto tempo possiamo pensare a strategie per riattivarli basati sui loro acquisti precedenti. Potremmo anche scoprire un gruppo di utenti che non acquista da molto tempo, ma che torna spesso sul nostro sito effettuando delle ricerche senza acquistare: per questi utenti potremmo analizzare le loro ricerche e individuare se abbiamo a magazzino i prodotti da loro ricercati ed in caso affermativo verificare se il motore di ricerca stia funzionando nel modo corretto o se i nostri concorrenti hanno prezzi più aggressivi: questa semplice analisi potrebbe dare le basi per influenzare la strategia dell’azienda sia di sviluppo del sito sia di pricing.

In sintesi, non basta raccogliere i First-Party Data, ma occorre interpretarli e attivarli per delle finalità molto precise. Quanto più è accurata e definita per rilevanza la raccolta dei dati di prima parte, tanto più un’azienda sarà in grado di personalizzare le azioni di marketing, di prevedere il comportamento del pubblico, oppure di sapere in anticipo quali saranno i clienti che procederanno all’acquisto e quali saranno probabilmente persi. Questo consente alle aziende di attuare una serie di azioni altamente efficaci, ottenendo un miglioramento delle performance e l’aumento del ROI.