Il mondo delle imprese, piccole o grandi è in continua evoluzione e la recente epidemia di COVID-19 ha accelerato molti di questi processi. I cambiamenti più grandi riguardano la trasformazione digitale, la necessità inderogabile di poter raggiungere i propri clienti attraverso gli strumenti della vendita online per esempio.
Avere un e-commerce funzionante nei giorni della quarantena è stato spesso il solo modo con cui un’azienda poteva raggiungere i propri clienti. Questo passaggio verso il digitale non è che l’ultimo esempio, forse il più rilevante, della cultura dei dati che va imponendosi nel business ormai da almeno un decennio.
In questo quadro la Data Science, si pone come obiettivo quello di introdurre rigore e scientificità nei processi aziendali. Attraverso metriche, KPI e gli studi qualitativi, serve capire ogni aspetto dell’andamento aziendale, elaborare modelli di previsione e di mitigazione del rischio d’impresa.
- Ma come portare questa metodologia in azienda in maniera efficace?
- Come coinvolgere i dipendenti nel processo e sfruttare a pieno la potenza dell’approccio Data Driven?
Questo è esattamente quello che facciamo in Linkalab affiancando le aziende nei processi di sviluppo di modelli basati sui dati.
Modelli Data Driven
Trasformare un’azienda verso un modello Data Driven non è semplice, occorre introdurre una cultura aziendale attenta al dato e un clima favorevole all’innovazione di processo.
Alcuni dipartimenti aziendali potrebbero non voler partecipare, magari custodendo troppo gelosamente i propri dati dentro a database che prendono il nome suggestivo di silos: contenitori ermetici che non scambiano informazione con il mondo esterno e con le altre funzioni aziendali.
Il successo nell’adozione della business Data Science è allora da vedere come un processo aziendale, simile sotto molti punti di vista alla metodologia del growth hacking.
L’obiettivo della crescita di un prodotto e più in generale del fatturato aziendale, perseguita con tecniche di Data Science.
Guidare questo processo aziendale può essere fatto seguendo pochi capisaldi:
- Approccio didattico: un ciclo di brevi seminari illustrerà i casi d’uso, e i vantaggi di capire attraverso le metriche cosa accade in azienda e fuori da essa.
- Approccio condiviso: nelle organizzazioni medio grandi ci sono spesso dei centri di potere che si creano attorno a specifici dipartimenti aziendali. Trovare il compromesso e procedere nella stessa direzione di miglioramento è un obiettivo che il management deve essere in grado di perseguire rapidamente.
- Approccio graduale: la Data Science è un metodo che si avvantaggia anche dei piccoli dati (e non solo dei Big Data) se questi sono preziosi e ben strutturati. Non vanno dimenticati anche i dati di natura qualitativa.
- Approccio alla misura: tutti i processi aziendali possono, con ogni probabilità, essere legati a qualche misura anche qualitativa che fornisca elementi per una valutazione “Data Driven”.
- Approccio business oriented: la Data Science non deve essere vista come una “soluzione in cerca di un problema”, ma deve rispondere fin da subito a delle domande precise di business: dare supporto alle decisioni e capire gli impatti delle decisioni stesse.
Quale approccio seguire?
Il percorso della Data Science sarà quindi legato alla capacità di un team specializzato di introdurre il cambiamento, far capire innanzitutto che anche i processi più “classici” possono essere strumentati. In questa fase è molto utile un approccio didattico, brevi attività seminariali per esempio. Il management può sostenere il cambiamento creando un clima sereno e condiviso.
In Linkalab abbiamo strutturato tale percorso formativo su più livelli permettendo alle organizzazioni di definire insieme ai nostri data scientist l’approccio e il percorso più congruo alle loro esigenze. Anche se molta della Data Science si è specializzata nel trattare grandi moli di dati con tecniche speciali di Big Data, in realtà la potenza degli algoritmi e dei metodi di analisi si esplica anche e quasi sempre con i piccoli dati.
Di norma non sono necessarie milioni di osservazioni per poter fare una inferenza sui dati attuale ed una possibile predizione sul futuro.
Dei dati conta, spesso, più che la quantità, la qualità.
Avere dei dataset completi in ogni loro parte, con dati coerenti con il fenomeno che si vuole studiare è il primo obiettivo del data scientist in azienda, eppure è una parte spesso complicata da ottenere. Dati imperfetti, parziali o addirittura errati sono comunissimi.
Se la percezione è che per abilitare la Data Science servano infrastrutture Big Data, raccolte dati lunghe e complesse allora con ogni probabilità si sta perdendo di vista la parte più importante del processo di business Data Science: il business.
Per quanto anche l’analisi libera e senza vincoli dei dati possa, in molti casi, portare a risultati interessanti è solo rispondendo a precise domande di business che la Data Science acquista valore fin da subito.
Il valore di un modello Data Driven per il business
L’azienda A produce pezzi meccanici attraverso una catena di differenti lavorazioni.
Ogni macchinario per la singola lavorazione ha il proprio sistema di controllo e fornisce immediatamente informazioni sullo stato di funzionamento e sul numero di pezzi prodotti.
Il sistema è stato messo a punto dagli ingegneri e la produzione procede a pieno ritmo con un certo numero di pezzi/ora.
Tuttavia la recente crisi del Covid ha reso necessario aprire un e-commerce per estendere la base clienti oltre quelli che normalmente frequentavano lo spaccio aziendale o si servivano presso i rivenditori autorizzati ed i rappresentanti.
All’improvviso le stime di produzione futura si rivelano completamente inattendibili: i rappresentanti non possono più piazzare la merce o lo fanno in maniera poco efficiente, lo spaccio aziendale è chiuso.
Il team che si dedica al commercio online è bravo, gli ordini arrivano e il fatturato cresce rapidamente.
Si presenta tuttavia un problema non indifferente, gli ordini arrivano anche dall’estero (e questo è un bene) ma arrivano in giorni e momenti molto vari.
Ci sono ordini per Agosto durante la chiusura aziendale, ci sono ordini nel fine settimana, e soprattutto ci sono tantissimi ordini di piccole dimensioni che complessivamente fanno lievitare molto il costo della logistica.
Se fosse possibile prevedere un minimo l’andamento degli ordini a partire dai dati degli accessi all’e-commerce, la loro provenienza e distribuzione anche in base ai prodotti, magari leggendo i dati degli accessi al sito web allora si potrebbe coordinare meglio la logistica delle spedizioni e far lavorare le macchine quando serve a regime ottimale.
Queste domande di business possono trovare risposta attraverso la Data Science, che con rigore analizza gli elementi statistici dei dati ed inferisce i comportamenti più frequenti.
Se possibile costruisce un modello ed utilizza questo modello per fare previsioni di ordini ed ottimizzare la logistica.
L’investimento è stato quello di strumentare il sito di e-commerce, aggiungere degli analytics abbastanza potenti da individuare i dati di base degli utenti anche prima degli ordini, rispondendo alle domande:
- Quanti visitatori del sito web diventano poi clienti?
- Quanto spendono?
- Dove si trovano?
La potenza della business Data Science si esplica nel passaggio fondamentale: rispondere a delle domande di business, ottimizzare le performance dell’e-commerce e della logistica, risparmiare sui costi di magazzino e di spedizione mantenendo un livello di produzione ottimale.
Riproducibilità del risultato
Un altro esempio metterà in luce un aspetto fondamentale del processo di business Data Science: la riproducibilità del risultato e il cambiamento del mercato.
Nell’azienda B la creazione dei nuovi prodotti è sempre avvenuta a partire dalla creatività e dal “fiuto” del titolare.
Diversi modelli fortunati hanno creato un marchio che ha un mercato ben definito ed un buon numero di estimatori.
Per circa 20 anni il modello di fidelizzazione e la riproposizione di linee classiche nel design, accompagnate da una precisa innovazione tecnologica, ha portato ottimi risultati.
Tuttavia negli ultimi 4 anni si assiste ad un graduale cambiamento: gli ordini diminuiscono di importo, nonostante ci sia una crescita complessiva del numero di utenti.
Il dipartimento marketing e il programma di fidelizzazione del cliente funzionano benissimo, il numero degli estimatori non solo non è diminuito ma è addirittura aumentato.
Cosa è successo? Ci sono più ordini ma complessivamente per un importo inferiore.
Il team di Data Science inizia ad investigare.
Attraverso il sistema aziendale di gestione del cliente CRM si estrapolano i dati anagrafici degli utenti, si arricchiscono con i profili social (mediante servizi terzi) e si traccia l’identikit dell’utente con particolare riguardo a:
- Classi anagrafiche: (gli utenti più grandi di età hanno frequentemente una capacità di spesa maggiore di quelli più giovani);
- Capacità di spesa: vista come proporzionale al reddito (vagamente anche al titolo di studio) e soprattutto alla geografia dell’utente (gli utenti del Nord Italia hanno una capacità di spesa maggiore di quelli del Sud);
- Andamenti esterni congiunturali: la crisi, il tasso di disoccupazione, etc;
- Le discussioni sui social: il sentiment sul marchio.
Dopo alcune settimane di investigazione si scopre che il target utenti “storico”, composto a suo tempo da professionisti e uomini di una certa età, è stato sostituito da giovani che vivono lontano dalle città, in ambienti meno inquinati.
Sono più attenti al consumo intelligente, desiderano prodotti in armonia con la natura e stanno molto attenti alle spese da sostenere.
Il dipartimento marketing recepisce il cambiamento e la nuova campagna, meglio allineata ai gusti degli utenti, riesce a riportare il prodotto su livelli di vendita del passato, oltre a fornire interessanti spunti per il miglioramento del prodotto stesso.
Se questa situazione può sembrarti familiare al tuo business, possiamo darti indicazioni su quali canali analizzare, come e quando per poter ottimizzare o semplicemente modificare il tuo marketing.
Gli esempi riportati qua sono indicativi di come il processo di Data Science possa fornire risposte al business, non si tratta quindi né di accumulare dati per un futuro uso (magari spendendo soldi in una infrastruttura utile ma non immediatamente utilizzabile), né di fare esperimenti senza una domanda precisa.
La Data Science è una parte del business, funzionale ad esso e sempre rivolta alla crescita.