Entro il 2020, i Big Data comprenderanno 40 zettabyte di informazioni (1021 byte), pari a 33 volte le loro dimensioni nel 2010, mentre le ricerche sull’argomento sono aumentate di venti volte dal 2009.

D’altra parte, i dati vengono raccolti da molti anni, in un’epoca in cui non si parlava ancora di Big Data. Ma raccogliere dati senza uno scopo o una strategia chiari, come è stato fatto per lungo tempo, evidentemente non è redditizio. Per fortuna, le aziende che raccolgono dati senza sapere come metterli a frutto sono un’esigua minoranza. I Big Data stanno diventando una componente sempre più importante del marketing predittivo.

La previsione, ovvero l’arte di anticipare le tendenze

L’analisi predittiva consiste nella definizione di modelli per mezzo di algoritmi che utilizzano i dati raccolti. Tali modelli hanno lo scopo di prevedere le tendenze del comportamento dei consumatori. Ciò consente di individuare i clienti che hanno una maggiore probabilità di usare i dati raccolti e quelli che devono evolversi.

La previsione fornisce la chiave del successo del marketing: inviare il messaggio giusto alla giusta audience nel momento giusto. Una vecchia regola di marketing che non è facile applicare senza avere a disposizione le informazioni giuste o senza analizzarle adeguatamente.

La capacità di offrire un suggerimento su misura nel momento esatto in cui nasce un bisogno ha un impatto notevole sulla soddisfazione del cliente e di conseguenza sul suo brand engagement e sui risultati economici dell’azienda.

La previsione, però, è possibile solo se i dati raccolti sono sufficientemente di buona qualità e variati. Per ottenere un buon modello predittivo, è necessario compiere i passi seguenti:

• Definire il problema (o i problemi) che il modello predittivo deve risolvere.
• Identificare le informazioni necessarie per impostare il modello.
• Raccogliere ed elaborare i dati.
• Costruire un modello efficace.
• Valutare la precisione e l’efficacia del modello.
• Usare il modello per risolvere i problemi identificati e fornire suggerimenti.
• Migliorare continuamente il modello.

In definitiva, l’analisi predittiva consente un processo decisionale migliore, il contenimento dei rischi (per esempio l’abbandono) e la differenziazione grazie a un’esperienza ottimizzata per il cliente.

Attenzione alle esternalità e alle limitazioni dei modelli predittivi

Cathy O’Neil non si definisce una scienziata dei dati, ma piuttosto una “scettica dei dati”. Con un dottorato in matematica all’Università di Harvard, è autrice del libro “Weapons of Math Destruction”, in cui mette in guardia contro i rischi potenziali insiti nei modelli predittivi. A suo giudizio, essi comprendono molte sorgenti di errori, tra cui le seguenti:

• Mancanza di precisione dei dati raccolti.
• Irrilevanza dei dati usati.
• Misura inadeguata delle esternalità.

Come può essere utilizzata l’analisi predittiva?

I casi di utilizzo sono numerosi e dissimili tra loro, a seconda del settore di applicazione. Il primo limite è costituito dalla creatività, ma le possibilità offerte dall’analisi predittiva dipendono da volume, qualità e rilevanza delle informazioni raccolte.

I dati di seconda parte possono svolgere un ruolo essenziale nell’analisi predittiva. Per un produttore automobilistico può non essere facile sapere che la famiglia di un consumatore sta crescendo, a meno che un partner specializzato in prodotti per neonati non gli fornisca questo genere di informazione. Sarà allora nell’interesse del fabbricante di auto proporre al cliente potenziale un’offerta personalizzata, adatta per la sua nuova situazione, mostrandogli pubblicità mirate o modificando la homepage del sito in base al profilo del cliente e mettere in evidenza un veicolo che potrebbe prendere in considerazione di acquistare.

L’analisi predittiva inoltre permette agli operatori di telefonia cellulare di individuare gli utenti che sistematicamente effettuano più chiamate di quelle consentite nell’ambito del loro piano telefonico, allo scopo di poterli contattare proponendo nuovi piani più adatti alle loro esigenze.

La previsione consente di proporre contenuti adattati alla particolare situazione di ciascun cliente, non solo di sforzarsi di vendere un prodotto o un servizio a una platea di utenti per la quale è emerso un bisogno evidente. In questo contesto, un’analisi predittiva ben eseguita rappresenta un notevole vantaggio competitivo per le aziende che la utilizzano. Essa sta diventando un elemento chiave all’interno dei processi decisionali.

Il marketing predittivo è solo per gli esperti?

In base a una ricerca Forrester, negli ultimi anni i modelli predittivi sono divenuti più precisi ed efficaci – anche in aziende carenti di competenze nel campo – grazie a nuovi strumenti più semplici da usare.

Diverse aziende potrebbero ritenere che l’analisi dei dati richieda l’assunzione di un Data Scientist, ma tale convinzione è fuorviante e spesso impedisce loro di concentrarsi sulla formazione delle risorse umane già presenti. Secondo Forrester, più impiegati lavorano con l’analisi predittiva, meglio è. Compresi quelli privi di conoscenze statistiche specifiche.