Guida per i professionisti del marketing alla creazione di segmenti di pubblico CRM: i vantaggi delle soluzioni plug-and-play di deep learning

Avete mai messo in discussione il processo di creazione dei segmenti di pubblico CRM del vostro team? Vi siete mai chiesti se i vostri criteri di selezione fossero abbastanza precisi? O perché la creazione dei segmenti richiedesse così tanto tempo e fosse così laboriosa? O forse vi siete semplicemente chiesti: nel 2021, non esiste davvero un modo migliore per farlo?

Oppure inviate solo newsletter di massa, ma state pensando di adottare presto un approccio più mirato? Con la decina di questioni che accompagnano questo progetto: il trattamento dei vostri dati, la creazione di segmenti di pubblico, le risorse interne…

O forse volete semplicemente scoprire come funziona l'intelligenza artificiale nel settore del marketing CRM B2C?

Qualunque siano i motivi, vi aiuterò. In questa guida illustrata vi spiegherò, passo dopo passo, i limiti dei metodi tradizionali di creazione di un pubblico e vi mostrerò perché il Deep Learning è l'unico modo per costruire efficacemente un pubblico CRM (oltre ad alcune altre applicazioni pratiche nel campo del marketing CRM!).

Ma prima di tutto, una piccola precisazione: questo articolo è un po’ lungo.

Breve panoramica sui tipi di comunicazioni CRM

Per cominciare, è opportuno chiarire alcune definizioni, poiché le aziende tendono a utilizzare termini diversi per i vari tipi di comunicazione CRM.

Le comunicazioni CRM rientrano generalmente in una delle seguenti categorie:

• I messaggi automatici, o trigger: messaggi che vengono attivati automaticamente dalle azioni di un cliente. Esempio tipico: in caso di abbandono del carrello
• Le sequenze, o "journeys ": sequenze automatizzate di messaggi legate al ciclo di vita del cliente. Esempio tipico: una serie di messaggi di benvenuto per i nuovi clienti
• Le campagne : Messaggi occasionali che non vengono inviati automaticamente e che possono essere:
  • inviati a tutti i destinatari della vostra lista clienti («batch & blast»)
  • inviati a una parte della vostra lista di clienti («campagne mirate»).

Oggi ci occuperemo di queste campagne mirate. Rappresentano circa il 90% dei messaggi CRM inviati da un marchio. Vengono utilizzate per comunicare le nuove collezioni o i nuovi prodotti, le promozioni, categorie specifiche di prodotti…

In genere, i team CRM iniziano inviando campagne di tipo "batch & blast" all'intera base clienti. Tuttavia, di solito si rendono conto ben presto dei limiti di questo tipo di campagne:

• Le campagne "batch & blast" non sono molto pertinenti per molti, se non per la maggior parte, dei vostri clienti, dato che inviate lo stesso contenuto a tutti; di conseguenza…
• È possibile inviare solo un numero limitato di queste campagne a settimana, se non si vuole sommergere i clienti di messaggi irrilevanti e offrire loro un'esperienza negativa.

Passerete quindi, com'è naturale, a campagne mirate, incentrate su argomenti o offerte specifiche da comunicare a una ristretta parte della vostra clientela, particolarmente interessata a ciò che avete da proporre.

Per avere successo, le campagne mirate devono proporre contenuti estremamente pertinenti

Perché i team CRM lanciano campagne mirate? I motivi sono molti:

• Le campagne mirate saranno, in teoria, più pertinenti e offriranno quindi un'esperienza cliente migliore in ogni messaggio…
• … il che avrà un impatto positivo sul coinvolgimento, sui tassi di conversione e sui ricavi…
• … e ridurrà il tasso di abbandono.
• Le campagne mirate consentono inoltre ai team di comunicare su un numero maggiore di offerte e prodotti, garantendo così una copertura CRM più ampia dell’intero catalogo di prodotti o offerte, per soddisfare al contempo un numero maggiore di stakeholder: pensate ad esempio ai vostri category manager, che desiderano promuovere i propri prodotti nelle vostre newsletter, o ai marchi partner che vi chiedono di pubblicizzare la vostra collaborazione presso tutti i vostri clienti… Le campagne mirate vi consentiranno quindi di inviare una maggiore varietà di messaggi a un numero più ristretto di clienti. E se la pertinenza complessiva dei messaggi che inviate è più elevata, potrete inviare più messaggi a ciascuno dei vostri clienti.

Per raggiungere i vostri obiettivi, le vostre campagne mirate devono soddisfare un requisito fondamentale: essere il più pertinenti possibile.

E il loro successo si basa sul presupposto che il vostro team CRM sia in grado di identificare, per ogni campagna mirata, il segmento di clienti più interessato alla vostra campagna.

Ma il pubblico raggiunto con i metodi tradizionali è raramente pertinente

Come si fa allora a rendere una campagna efficace? Un team CRM deve identificare, per ogni campagna mirata, il segmento di clienti che sarà interessato all'argomento o agli argomenti della campagna, che interagirà con essa e che alla fine effettuerà una conversione.

Vi sembra facile? Vi sbagliate.

Come professionisti del marketing, abbiamo tutti imparato a segmentare il nostro mercato e a classificare i nostri clienti in categorie ben definite. È diventata un'abitudine talmente radicata che a volte ci dimentichiamo che i nostri clienti sono persone in carne e ossa, in tutta la loro complessità, con i loro desideri, i loro capricci, le loro idee, la loro spontaneità – insomma, tutto ciò che li rende umani.

I migliori tra voi forse non lo dimenticheranno… ma quali alternative vi restano?

Gli strumenti di segmentazione tradizionali si basano su presupposti che influenzano il pubblico creato.

In pratica, ecco come si presenta:

Certo, è un po' esagerato. Spero comunque che la campagna di questo piccolo fumetto riesca a incrementare le vendite. Ma sicuramente capite cosa intendo. L'approccio tradizionale al targeting delle campagne, basato su una serie di presupposti, presenta numerosi difetti.

Il metodo si basa su alcuni presupposti – per ben due volte!

I dati di prima mano presenti nel vostro database CRM sono sicuramente molto ricchi. Disponete di una grande quantità di dati sui vostri clienti, sul loro comportamento e sui vostri prodotti.

Eppure, quando si costruiscono i segmenti di pubblico con il metodo descritto poco sopra, si verifica una doppia semplificazione, generalmente influenzata dai propri presupposti:

1. Dovete decidere quali dimensioni siano indicatori validi del comportamento d'acquisto. Nell'esempio sopra riportato, Steve ha deciso che il sesso, la cronologia degli acquisti recenti e la posizione geografica sono le dimensioni più importanti. Ma perché? Come potete essere sicuri che non sarebbe meglio considerare l'età, il nome o la cronologia di navigazione?
2. Per ciascuna di queste dimensioni, dovete decidere quali valori selezionare. Nell'esempio sopra riportato: donna, acquisto recente di un abito, ubicazione geografica. Ancora una volta, perché? La caratteristica più interessante di questi abiti è forse il fatto che siano senza spalline. Selezionare chi ha comprato di recente top senza spalline non sarebbe una scelta migliore? Forse sì, forse no. Chi lo sa?

Per quanto riguarda queste due dimensioni e questi due valori, le vostre scelte saranno guidate dall'intuizione (nel migliore dei casi) o dai vostri preconcetti (nel peggiore dei casi) e saranno quindi sempre influenzate dai vostri pregiudizi personali.

Di conseguenza, potete immaginare quale sarà il mio prossimo punto…

Le prestazioni non saranno eccezionali

Poiché questo metodo non è altro che un tentativo molto approssimativo di « prevedere » l'efficacia delle vostre campagne:

• Alcune persone verranno incluse nel pubblico di destinazione anche se la campagna non le riguarda affatto.
• Alcune persone verranno escluse dal pubblico di destinazione, anche se la campagna sarebbe stata perfettamente in linea con i loro interessi.
• Questo approccio raramente è abbastanza sofisticato da tenere conto della stagionalità o del ciclo di vita del prodotto. Chi prenota in anticipo un nuovo videogioco ha un profilo molto diverso da chi lo acquista diversi mesi dopo l'uscita per regalarlo a Natale. Come potrebbe un metodo tradizionale di definizione del pubblico tenerne conto?

Segmentate i vostri clienti invece di promuovere le vendite incrociate

Tenere conto della cronologia degli acquisti per prevedere quelli futuri finirà purtroppo per confinare i vostri clienti nelle loro categorie iniziali e vi farà perdere l'occasione di proporre loro ulteriori offerte, anche se queste potrebbero essere rilevanti per loro.

La portata delle vostre campagne può diventare presto irrisoria

Uno dei rischi legati all'uso eccessivo di criteri per restringere il proprio pubblico è quello di ridurne eccessivamente le dimensioni. Capita spesso che i professionisti del marketing si rendano conto che il loro pubblico finale è troppo ristretto. A quel punto dovranno scendere a compromessi, aggiungere nuovi segmenti, eliminare alcuni criteri... per ritrovarsi al punto di partenza: un pubblico ampio e mal definito.

Non si può prevedere la propensione all'acquisto IN QUESTO MOMENTO

Quando si crea un pubblico, non basta prevedere la sua propensione ad acquistare un determinato prodotto. È necessario, infatti, prevedere la sua propensione ad acquistare nel momento in cui viene lanciata la campagna.

Non basta dire «Steve ha comprato un vestito negli ultimi sei mesi, quindi probabilmente ne comprerà un altro un giorno» per includere Steve nella tua campagna sui vestiti. Su un arco di tempo molto lungo, questa affermazione ha buone probabilità di avverarsi, ma non è di grande aiuto per la campagna che devi lanciare domani.

Sarebbe molto più efficace poter dire: «Steve ha una forte propensione ad acquistare un vestito questa settimana, quindi includiamolo nella campagna di domani ».

Spero che ora siamo tutti d'accordo sui limiti dei metodi tradizionali di acquisizione del pubblico.

Fortunatamente, esiste una soluzione, ed è, ovviamente,l'intelligenza artificiale.

Più precisamente, il deep learning.

Il deep learning è LA soluzione per ottenere una reale efficacia nel CRM, poiché è in grado di prevedere con precisione la propensione all'acquisto immediato

A pensarci bene, è piuttosto logico:

• I professionisti del marketing CRM dispongono di una grande quantità di dati di prima mano e l'intelligenza artificiale eccelle nel dare un senso a grandi volumi di dati.
• Il nostro argomento relativo al targeting delle campagne presenta numerose analogie con un caso d'uso molto diffuso del deep learning: il riconoscimento delle immagini.

Ci si potrebbe chiedere quali siano i punti in comune tra la creazione di un pubblico e il riconoscimento delle immagini. Eccoli:

1. In entrambi i casi, cerchiamo di rispondere a una semplice domanda… Questa immagine raffigura un gatto? Steve prenoterà un viaggio in Thailandia questa settimana?
2. In entrambi i casi, disponiamo di dati ricchi e complessi che ci aiutano a rispondere alla domanda:
   1. Le immagini sono composte da centinaia di migliaia di pixel, ognuno dei quali può assumere uno dei 16.777.216 valori di colore possibili (in RGB).
   2. I dati CRM: tra le caratteristiche dei clienti, quelle dei prodotti e la cronologia delle transazioni, si superano facilmente i cento dati. Immaginate ora tutte le combinazioni possibili… aggiungete a ciò la cronologia di navigazione, i dati di apertura delle vostre campagne, la tempistica… i vostri dati CRM hanno una profondità incredibile!
3. Potremmo pensare di concentrarci su un numero limitato di dati per rispondere alle nostre domande…
4. Ma ci renderemo presto conto che, anche se dedichiamo molto tempo a stilare un elenco di criteri, il tasso di successo rimarrà molto basso.

5. Tuttavia, in entrambi i casi è possibile raccogliere un gran numero di esempi in cui è già stata data una risposta alla domanda.

1. Per quanto riguarda il riconoscimento delle immagini: esistono set di dati di immagini che contengono gatti e sono contrassegnati come tali, oppure che non contengono gatti e quindi non sono contrassegnati.
2. Per la previsione del comportamento d'acquisto nel CRM: la combinazione dei dati dei clienti, della cronologia delle transazioni e delle caratteristiche dei prodotti offre numerosi esempi in cui la tua domanda ha già trovato una risposta! «Pierre ha comprato un vestito il 3 dicembre? «No» Il 4 dicembre? «No» Marie ha comprato un vestito il 3 dicembre? «Sì» Il 4 dicembre? «No» Jennifer ha…»

Sappiamo che il deep learning funziona sorprendentemente bene nel riconoscimento delle immagini. Con un set di dati sufficientemente ampio per addestrare i modelli, il tasso di successo si avvicina al 100%. Per alcune applicazioni specifiche (ad esempio l'imaging medico), i modelli di deep learning sono già più efficaci degli esseri umani!

Il deep learning applicato al riconoscimento delle immagini (e in generale) funziona un po' come il cervello umano: proprio come un bambino impara a riconoscere un gatto, non perché impara un elenco di criteri forniti dai genitori, ma perché questi ultimi gli mostrano pazientemente animali domestici e gli dicono «questo è un gatto », «questo è un cane ».

Il deep learning applicato al CRM funziona più o meno allo stesso modo. L'algoritmo baserà il proprio apprendimento sull'intero database, un vero e proprio tesoro di dati first-party di cui abbiamo già parlato, senza escludere alcun dato né lasciarsi ostacolare da regole arbitrarie. Integrerà tutti i casi limite, che i vostri criteri intuitivi non avrebbero mai potuto identificare, e ne terrà conto per adeguare le proprie previsioni.

L'algoritmo di deep learning sarà in grado di rilevare dati molto sottili, quali il ciclo di vita dei prodotti, la stagionalità, lo « stile » delle persone, la loro «imprevedibilità »... senza che nessuna di queste dimensioni sia registrata come tale nel vostro database.

Il deep learning è in grado di prevedere con precisione che Marie acquisterà un abito vintage a fiori, anche se non ha mai comprato un abito da voi in precedenza, né prodotti“vintage”o“a fiori”, a dire il vero.

Cari lettori, attenzione: non tutte le intelligenze artificiali sono uguali

Ovviamente, tutto ciò di cui vi ho appena parlato vale solo per un algoritmo di deep learning ben progettato. Non basterà caricare tabelle di dati CRM in un algoritmo di riconoscimento delle immagini per ottenere previsioni sulle intenzioni di acquisto.

Allo stesso modo, sappiamo tutti che l’intelligenza artificiale e il deep learning sono termini molto in voga. Ecco quindi alcuni aspetti da tenere a mente quando si pensa di integrare l’intelligenza artificiale o il deep learning nella propria strategia CRM (!):

• L'intelligenza artificiale è un termine generico che può indicare qualsiasi tipo di processo decisionale automatizzato, come gli alberi decisionali basati su regole, un po' come quelli di cui vi parlavo poco fa e che, come abbiamo visto, presentavano così tante lacune! È interessante notare che l’intelligenza artificiale basata su regole (si parla di «sistemi esperti») era la forma dominante di IA negli anni ’80… periodo che si è poi concluso con un «inverno dell’IA» (l’età buia dell’IA, quando l’entusiasmo per l’IA è diminuito e gli investimenti sono quasi cessati).
• Il machine learning (apprendimento automatico) è un settore molto più avanzato dell'IA. È stata proprio la ricerca nel campo del machine learning a ridare slancio al settore dell'IA dopo il secondo «inverno dell'IA» della fine degli anni 2000, di cui vi parlavo poco fa. Sono finite le decisioni codificate in modo rigido e basate su regole. In sintesi, il machine learning sviluppa le proprie regole predittive sulla base di modelli che osserva nei dati che analizza. Come vi dicevo poco fa, questo approccio è essenziale quando si tratta di elaborare dati CRM e prevedere la propensione all’acquisto di un cliente! Tuttavia, il machine learning presenta ancora un importante svantaggio: richiede un intervento umano per garantire che i dati siano ben strutturati e categorizzati… E, naturalmente, è difficile assicurarsene in un contesto CRM.
• Il deep learning (apprendimento profondo) è una tecnica ancora più potente derivata dal machine learning. Il deep learning imita essenzialmente il funzionamento del nostro cervello. Le "reti neurali artificiali" del deep learning possono apprendere da qualsiasi tipo di dati, con un intervento umano minimo, per ottenere risultati eccezionali. Queste reti sono costruite in modo da poter dare un senso autonomamente a insiemi di dati e imparare da sole su questa base!

Bingo! Sembra quindi che il deep learning sia la forma di intelligenza artificiale più adatta per prevedere la propensione all'acquisto.

Restano alcune questioni fondamentali riguardo al deep learning:

• Quali set di dati vengono utilizzati?
• In che modo gli algoritmi gestiscono i dati errati o incompleti?
• In un set di dati, su quali dati si basano gli algoritmi per l'apprendimento? I dati di cinque anni fa hanno lo stesso peso di quelli più recenti? Come funziona nella pratica?
• Verso quale obiettivo tendono a ottimizzarsi gli algoritmi?
• Questa tecnologia è efficiente dal punto di vista delle risorse? Consentirà di valutare la vostra clientela in un giorno o in un minuto?

Come spesso accade, il vero valore di un algoritmo risiede nel suo utilizzo e nella sua esecuzione. Ecco perché molti modelli di«deep learning»sono disponibili gratuitamente o in commercio. Anche se costituiscono un'ottima base per i vostri algoritmi, non vi porteranno molto lontano nell'uso quotidiano.

Questo è anche il motivo per cui, in linea di massima, dovreste diffidare delle applicazioni di IA, machine learning o deep learning che non sono state sviluppate per un uso ben definito, ma per una grande varietà di casi d’uso. Einstein, Watson… vi dicono qualcosa?

Non tutti i modelli di IA o di deep learning sono uguali.

Come si fa allora a ottenere risultati davvero eccezionali?

Affinché il deep learning possa essere applicato con successo alla creazione di segmenti di pubblico CRM, deve seguire alcuni principi fondamentali:

1. Efficacia: i risultati devono essere il più precisi possibile
2. Praticità: la configurazione deve essere il più semplice possibile

Senza queste due caratteristiche, un'applicazione non verrebbe mai utilizzata.

Ecco alcuni punti chiari su una corretta applicazione del deep learning al CRM:

• L'applicazione deve risolvere problemi concreti.
• L'applicazione deve essere adeguata alle modalità operative di un team CRM.
• L'applicazione deve essere facile da usare per un addetto al marketing CRM, senza richiedere competenze in materia di data science.

Tutte queste affermazioni sembrano piuttosto ovvie, ed è proprio per questo che queste applicazioni vengono definite « soluzioni » e non «problemi»! Ma potreste rimanere sorpresi dal numero di «soluzioni » che non soddisfano questi tre requisiti.

***

Detto questo, passiamo alle cose serie.

L'algoritmo deve essere in grado di utilizzare tutti i dati di prima parte disponibili, indipendentemente dal loro stato in un dato momento, anche se non sono ordinati né centralizzati.

• Praticità: i dati perfetti non esistono. La maggior parte delle aziende ha già iniziato a cercare la propria CDP, ma spesso ci vuole tempo… Hanno davvero tempo di aspettare? E cosa rischiano di scoprire quando la loro CDP sarà finalmente pronta?

Che i loro dati non sono ancora«puliti»: armonizzati, ordinati, utilizzabili.

No, i dati«puliti»non esistono.

Dobbiamo conviverci e ottenere comunque i risultati che ci si aspetta da noi. La buona notizia è che ciò è perfettamente fattibile se il modello è stato sviluppato tenendo conto di questo vincolo.

• Efficacia: i dati sono importanti. I dati sono un segnale. Anche quelli disordinati. Lasciate che il deep learning impari da solo e scopra cosa conta e cosa è solo rumore. Dopotutto, è il suo lavoro.

L'algoritmo non deve aver bisogno di regole o criteri per funzionare.

• Efficacia: tali regole andrebbero contro il principio stesso dell'utilizzo di un'applicazione di deep learning. Ciò equivarrebbe a reintrodurre un pregiudizio nelle previsioni. Ricordate il famoso «inverno dell'IA» di cui vi parlavo prima…
• Praticità: elaborare delle regole richiede tempo!

L'algoritmo non dovrebbe avviarsi a freddo.

È piuttosto ovvio, sia dal punto di vista dell'efficacia che della praticità. I professionisti del marketing vogliono ottenere risultati fin dal primo giorno di utilizzo: questo è un requisito imprescindibile. I modelli di deep learning devono quindi essere in grado di apprendere dai dati storici e avere un'elevata capacità predittiva, fin dall'inizio. (Per saperne di più, leggete l'articolo di uno dei nostri data scientist – è un po' più tecnico di quello che state leggendo, siete avvisati!).

La stagionalità, le tendenze e i cambiamenti nel comportamento dei consumatori devono riflettersi nelle previsioni dell'algoritmo.

È soprattutto una questione di efficacia: se queste tendenze e questi comportamenti non vengono presi in considerazione nelle previsioni, i risultati saranno, nel migliore dei casi, mediocri. Le abitudini di acquisto sono molto diverse durante le festività natalizie e all'inizio della primavera, per esempio!

Per tenere meglio conto della stagionalità, il modello deve essere impostato in modo da prestare particolare attenzione agli acquisti più recenti relativi all'offerta per la quale prevede la propensione all'acquisto!

L'algoritmo deve essere ottimizzato in base al tuo indicatore di successo preferito

I ricavi, nella maggior parte dei casi, piuttosto che i tassi di apertura, i tassi di clic, ecc.

L'algoritmo deve essere in grado di fornire previsioni accurate anche per i clienti per i quali non sono disponibili dati recenti.

In una settimana qualsiasi, forse il 2% dei vostri clienti visiterà il vostro sito web o effettuerà una transazione, generando nuovi dati.

E in 3 o 6 mesi, forse riuscirete a raggiungere il 20 o il 30% di loro?

Ma che dire di tutti gli altri, la stragrande maggioranza dei vostri clienti, per i quali non disponete di dati recenti? Vi piacerebbe comunque poter inviare loro comunicazioni pertinenti. Potrebbe anche darsi che siano inattivi, rendendo la loro riattivazione ancora più necessaria. Questo è il limite di molte soluzioni di personalizzazione o di raccomandazione dei prodotti: funzionano bene per i clienti i cui dati di intenzione sono molto recenti, ma sono assolutamente inefficaci per tutti gli altri.

E, alla luce di quanto sopra, l'algoritmo deve essere in grado di effettuare previsioni su più categorie e andare oltre una semplice estrapolazione dei dati storici sugli acquisti.

In effetti, sono pochissimi quelli che acquistano solo abiti, solo tappeti o solo voli per Miami. Se Jean ha già comprato dei calzini da voi, gli invierete solo campagne promozionali sui calzini? Se Marie ha soggiornato in passato nel vostro hotel a Bordeaux, sarà costretta a ricevere per sempre le vostre offerte «Week-end a Bordeaux»? E se a Marie non piacesse visitare due volte lo stesso posto?

***

Come abbiamo visto insieme, lo sviluppo di un modello di deep learning dedicato alla previsione della propensione all'acquisto sulla base di un set di dati CRM comporta una serie di interrogativi. A dire il vero, sono talmente tanti che per un'azienda non vale mai la pena costruire il proprio modello internamente: il livello di competenza richiesto e il tempo necessario per lo sviluppo dovrebbero scoraggiare più di uno...

Tuttavia, per un team di esperti in data science, il cui unico obiettivo da anni è quello di creare e perfezionare un modello di questo tipo, è possibile! E queste ricerche trovano numerose applicazioni concrete nel campo del marketing CRM.

Se il deep learning è in grado di prevedere la propensione all'acquisto, quali sono le sue applicazioni nel mondo reale?

Le applicazioni pratiche della capacità di prevedere con precisione la propensione all'acquisto di ogni cliente del vostro database per un prodotto o un'offerta del vostro catalogo sono infinite. Eccone alcune:

Creazione di un pubblico

La prima applicazione pratica è ovviamente quella di attirare un pubblico (esatto, è proprio questo l'argomento di questo articolo).

Supponiamo che il vostro algoritmo di deep learning sia in grado di classificare tutti i vostri clienti in base alla probabilità di acquistare un determinato prodotto, dal più propenso al meno propenso. In questo caso, la creazione del pubblico potrebbe semplicemente ridursi a:

1. Seleziona il/i prodotto/i o le offerte presenti nella tua campagna CRM
2. Selezionare il numero desiderato di destinatari OPPURE seguire il consiglio dell'algoritmo (ad esempio, inviare il messaggio a tutti coloro che presentano una propensione all'acquisto superiore alla media).

Gestione della stanchezza da marketing

I team CRM inviano numerose campagne ogni settimana, a volte anche più di una al giorno. Tuttavia, potrebbero aver stabilito una regola secondo cui nessun cliente deve ricevere più di 3 messaggi a settimana o più di un messaggio al giorno.

Ma cosa succede se un cliente ha una propensione molto elevata ad acquistare tutti i prodotti presentati nelle campagne previste per lo stesso giorno?

Le informazioni relative alla propensione all'acquisto potrebbero essere utilizzate dall'algoritmo per indirizzare quel cliente verso la campagna in cui la sua propensione all'acquisto sarà maggiore, garantendo così la massima pertinenza dei vostri messaggi e riducendo al minimo il rischio di saturazione.

Un CRM multicanale

Se è possibile calcolare la propensione all'acquisto di un cliente rispetto a un prodotto, non c'è motivo per cui non si possa calcolare la propensione all'acquisto di un cliente rispetto a un prodotto e a un canale.

Questo aggiunge una nuova dimensione a tutto ciò che ci siamo detti finora!

Individuare le fonti di propensione all'acquisto non ancora sfruttate

Forse c'è un piccolo gruppo di clienti che in questo momento è particolarmente interessato a un determinato prodotto. Non risulterà dai vostri indicatori chiave di prestazione perché non figura ancora tra i «prodotti più venduti »... ma esiste una forte domanda concentrata su questo ristretto numero di persone. È il pubblico ideale per una campagna CRM mirata!

Queste informazioni potrebbero, ad esempio, essere utilizzate per creare una mappa termica del vostro catalogo prodotti, consentendovi di visualizzare facilmente tutte queste opportunità.

Pianificazione del calendario CRM

È meglio mettere in evidenza due prodotti nella stessa campagna o in due campagne distinte?

La risposta dipende dal fatto che le persone interessate a un prodotto lo siano anche all'altro.

Indovinate un po' come si fa a ottenere questa informazione…

Volete saperne di più sull'argomento?

Se siete arrivati fin qui in questo articolo, vi ringrazio! Spero che abbiate imparato tante cose.

Se volete saperne di più, non esitate a dare un'occhiata a tutti i nostri articoli.