Le imprese che adottano le analisi dei dati ottimizzano l’esperienza del cliente. 

Cos’è la customer data analytics

La customer data analytics è il processo di raccolta e analisi dei dati dei clienti, al fine di ottenere insights sui comportamenti della clientela.

L’analisi dei clienti è un processo mediante il quale i dati del comportamento dei clienti vengono utilizzati per aiutare a prendere decisioni aziendali chiave attraverso la segmentazione del mercato e l’analisi predittiva.

Lo scopo della customer analytics consiste nel realizzare un’unica visione accurata della customer base di un’azienda, con cui prendere decisioni, informare su come acquisire con efficacia e trattenere i clienti futuri. Consente anche di identificare i clienti ad alto valore e suggerisce modalità proattive per interagire con loro.

Definizione di customer data

Si definiscono customer data le informazioni che gli utenti consumer forniscono mentre interagiscono con un business attraverso vari metodi: il sito web aziendale, le applicazioni mobili, i sondaggi, i social media, le campagne marketing eccetera.

Gli utenti business possono utilizzare queste informazioni per creare i nuovi prodotti e le strategie di marketing. L’obiettivo è ottenere i dati con cui far migliorare il processo di decision-making e la customer satisfaction.

Sono dati di natura demografica, informazioni personali o di comportamento, in grado di aiutare le aziende a connettersi più efficacemente con i clienti e aumentare e migliorare l’engagement con loro.

Quali sono i 4 tipi di customer data

I customer data posso fornire insights di valore a livello demografico che interagiscono con un brand. Gli utenti di fascia business possono usare questi dati per migliorare il processo decisionale ed eventualmente cambiare le strategie di marketing.

Comprendere i quattro tipi di dati chiave e come raccoglierli può dunque semplificare il processo che conduce a una migliore conoscenza della clientela.

Le 4 tipologie di customer data sono:

• basic data;
• interaction data;
• behavioral data;
• attitudinal data.

Basic data

I basic data si riferiscono ai dati da usare per creare un database dei profili dei clienti. Possono includere informazioni demografiche di base, come il nome del cliente, il genere, location e informazioni di contatto. Un altro aspetto dei basic data comprende informazioni finanziarie: occupazione, qual è il settore industriale in cui lavorano, le loro entrate e perfino il reddito annuale.

A seconda di come si pianifica di utilizzare i dati, i dati di base possono scendere nei dettagli, concentrandosi su aspetti specifici della vita del cliente: sapere se hanno figli, animali, quali spese annuali devono sostenere.

L’utilizzo dei programmi customer relationship permette la raccolta e l’organizzazione di queste informazioni.

Altri esempi di basic data sui clienti possono includere: indirizzo email, numero della patente e del passaporto, data di nascita, numero telefonico, indirizzo, appartenenza etnica eccetera.

Interaction data

I dati interattivi sfruttano un’ampia gamma di metodi che i clienti usano in fase di engagement con un business. Comprendono informazioni sui loro prodotti, quali, per esempio, utilizzo, abitudini di acquisto e diffusione/popolarità. Si possono ottenere gli interaction data dalle campagne marketing, tracciando come l’engagement degli utenti con i messaggi d’advertising, gli account di social media e i siti web.

Il support engagement può inoltre offrire interaction data, mostrando i più comuni temi per cui la propria clientela impiega le piattaforme di supporto. Grazie a varie piattaforme di customer engagement data, è facile quantificare e ordinare questi dati.

Altre forme di interaction data dei clienti sono: le visite ai siti web, flusso degli utenti, visualizzazioni dei video nativi, tasso di apertura della posta elettronica, forward rate e frequenza di rimbalzo, Like ai post, condivisioni o risposte, percentuale di click, cost per click e conversioni.

Behavioral data

I dati comportamentali sono affini agli interaction data, ma riguardano l’engagement diretto con un brand. Possono includere informazioni su come gli utenti usano i propri servizi, a partire da registrazioni di prova gratuite, login di user account e disattivazioni di account. Inoltre, è possibile ottenere behavioral data attraverso le interazioni con le newsletter, dalle sottoscrizioni e disiscrizioni.

Un’altra forma di behavior data proviene da come gli utenti interagiscono con ogni funzionalità di shopping proposta da un sito. Questi aspetti riguardano i prodotti più popolari, carrelli abbandonati in fase di shopping online, le modalità con cui molti clienti creano un account per finire i processi di shopping.

Gli strumenti di analytics consentono di quantificare i behavioral data, in modo da usarli per migliorare la customer experience.

I behavioral data sui clienti inoltre comprendono: dettagli di sottoscrizione, valore medio dell’ordine, acquisti precedenti, dispositivi, uso e durata delle funzionalità, attenzione degli utenti, Heat maps per i dati derivanti dal movimento del mouse.

Attitudinal data

I dati attitudinali offrono informazione sull’opinione diretta dei clienti di un’azienda. Agevolano l’ottenimento di insights sulle performance di un prodotto o di un servizio, inclusa la pubblica opinione di un brand. Raccogliere questi dati richiede il ricorso a metodi diretti come le interviste dei clienti, focus group sondaggi online. Un altro metodo consiste nell’offrire l’opzione di recensioni online sul sito web.

Questi metodi possono servire a organizzare e quantificare le opinioni dei clienti per semplificare il metodo della raccolta dei dati, inclusi i Net Promoter Score (NPS). Essi permettono alle metriche business di agevolare la misurazione della customer experience e del brand loyalty ovvero la fedeltà a un marchio.

Gli NPS misurano come un cliente raccomanda agli altri un brand o prodotti, dunque elementi utili per prevedere la crescita. Alcuni esempi di attitudinal data sui clienti includono: customer satisfaction o sentiment; preferenze; criteri di acquisto; desiderabilità del prodotto; motivazioni e sfide.

Come analizzare i customer data

Secondo una ricerca del 2016 di McKinsey, le aziende che usavano già allora in maniera estensiva i customer analytics registravano un aumento del 115% del ROI e del 93% dei profitti.

Analizzare i customer data (marketing, produzione, magazzino, prezzi, consegna) è dunque una priorità. L’analisi dei dati prevede l’esplorazione, la manipolazione e la trasformazione dei big data, per valorizzare il patrimonio informativo, grazie all’estrazione di informazioni di valore azionabili.

La raccolta dei dati avviene dai vari touchpoint, da organizzare in base alle necessità dei clienti. L’analisi genera insight di valore. Google Analytics permette di raccogliere dati utili di comportamento.

Gli strumenti customer analytics

Gli strumenti di customer analytics, come i customer data platform (CDP), aiutano aziende e organizzazioni a trarre senso dai dati raccolti e a delineare tendenze nella forma di chart e grafiche. Combinando dati demografici, history degli acquisti e dati dei social media, si formano i data point, con cui i tool di analisi possono produrre un grafico che rivela i segmenti di maggior valore(a cui inviare offerte personalizzate su misura e su cui investire maggiori budget in ambito marketing). Vediamoli nel dettaglio.

Cdp, CEP, Attribution tool e gli altri

I Cdp raccolgono i dati sulle interazioni della clientela attraverso molteplici canali. I customer data platform unificano i dati in un’unica customer view e aggiornano i profili dei clienti in real time, sulla base dei touchpoint. Permettono anche di identificare i segmenti dei clienti e di implementare flussi di lavoro, tagliati su misura in base ai customer journey di ogni segmento.

Customer Engagement Platforms (CEP) come Twilio, per esempio, fanno le stesse cose di CDP, oltre a orchestrare workflow di customer engagement.

Gli Attribution tool come Adjust, Criteo e Singular, inoltre, analizzano quanto contribuisce ciascun touchpoint alla conversione. Conviene scegliere un Attribution tool in grado di supportare attribuzioni multi-touch. Integrando i propri attribution tool con un CDP, è possibile misurare l’impatto delle differenti campagne marketing nell’arco dell’intero customer journey.

Behavioral analytics tool come Indicative e Mixpanel identificano pattern e modifiche nel comportamento dei clienti. Individuano behavior “cohorts” ovvero i segmenti di clienti formati sulla base di azioni condivise. Con questi dati, è possibile prevedere i comportamenti dei clienti e il lifetime value, creando flussi di lavoro, innescati in automatico quando il cliente svolge una determinata azione.

Infine le piattaforme di Business intelligence (BI) come Holistics, SAS e Tableau raccolgono processi di dati non strutturati da varie fonti per aiutare nei report descrittivi e nelle visualizzazioni. Sono più potenti quando integrati con altri analytics e customer-facing tool.

Cosa è la customer data strategy

I clienti, nell’era digitale, hanno tutte le informazioni per trovare beni e servizi, sapere cosa acquistare e prevedere quanto pagare. Sono in grado di trovare il prodotto su misura delle proprie esigenze. Dunque, aziende ed organizzazioni devono adottare la customer data strategy per proporre ai clienti i prodotti giusti, grazie a campagne marketing adatte alla propria audience.

Oggi non è più sufficiente sapere a quale categoria di consumatore una persona sia correlata, ma è necessario analizzarne i bisogni per sostenere la clientela nel percorso di customer journey.

I dati hanno il potere di produrre la trasformazione digitale delle aziende, migliorandone il processo decisionale e indirizzando la crescita. La customer data strategy permette di aiutare le imprese a prendere le decisioni più efficaci su vari aspetti: quali dati raccogliere, come archiviarli e come trasformarli in informazioni che favoriscano il business.

La customer data strategy permette di definire le metriche con cui analizzare il customer journey: Customer Satisfaction Score (Csat), il Customer Lifetime Value (CLV), Customer Effort Score (CES), il tempo di sessione / attività, bounce rate, open rate, tasso di conversione.