Come sfruttare i dati per migliorare le strategie: dal data driven al data science

Non basta più un report con Google Analytics

Se ti occupi di attività di digital marketing, sicuramente una prerogativa tua, della tua azienda o del tuo cliente, sarà quella di misurare l’effetto delle tue attività di promozione, campagne di lead generation, miglioramento della brand awareness, ecc...

Prova a rispondere a questa domanda: dopo che hai osservato e analizzato i dati tramite Google Analytics, che cosa fai?

Provo a darti alcune opzioni :)

1. Li condividi con colleghi e/o clienti
2. Gioisci in segreto per i tuoi successi
3. Rimani deluso perché le tue aspettative erano altre
4. Trasformi i dati in informazioni e passi all’azione

Purtroppo, anche in grandi realtà aziendali, ci si ferma alla sola reportistica o ad una superficiale analisi dei dati senza proseguire in ottica data driven.

I dati ci possono dare molte informazioni, ma sono inutili se non li si sfrutta o, addirittura, se li si osserva in maniera passiva. 

Quando si parla di data driven si intende appunto sfruttare i dati per migliorare il proprio business. Il ciclo ideale basato sul data driven segue questi passaggi:

1. misurazione

2. report

3. analisi dei dati

4. azioni/test

5. verifica miglioramenti

Il mancato passaggio all’azione si verifica per tanti motivi: si ha paura di affidarsi ai dati piuttosto che all’esperienza, perché c’è un capo che decide tutto indipendentemente dai dati, perché si pensa che l’azione sia troppo impegnativa oppure non è chiaro cosa ci stanno dicendo realmente i dati.

Il modello del data driven è ormai assodato e applicabile in qualunque contesto e progetto, sia esso piccolo o per una multinazionale.

L'approccio data driven di Booking.com

Booking.com ha fatto del data driven un vero e proprio processo decisionale per migliorare il proprio business, ovvero far in modo che più persone prenotino gli hotel tramite il suo sistema.

Altra cosa che ci ha insegnato Booking.com è che il miglioramento è un processo continuo e può avvenire anche tramite piccoli interventi e test senza paura di sbagliare, sfruttando i fallimenti come fonte di conoscenza per migliorare.

La data science

fonte:  http://sudeep.co/data-science/Understanding-the-Data-Science-Lifecycle/

Per mettere in pratica il data driven e rendere più chiaro e concreto il processo, ci viene in aiuto la data science di cui vediamo subito una definizione:

La data science è l'insieme di principi metodologici e tecniche multidisciplinari volto ad interpretare ed estrarre conoscenza dai dati attraverso la relativa fase di analisi da parte di un esperto.

fonte:  https://www.datanami.com/2018/09/17/improving-your-odds-with-data-science-hiring/

La data Science eredita elementi di statistica, data mining, machine learning, ricerca operativa, teoria dell’informazione, programmazione e big data.

Il data scientist

Vediamo quale potrebbe essere un profilo ideale di un data scientist o, meglio, quali sono le componenti chiamate in causa per poter effettuare questo tipo di attività, siano esse svolte in autonomia o tramite il supporto di più persone che completano le competenze richieste.

Siamo in un’era digitale in cui tutto è una sorgente di dati digitali: la professionalità di chi è in grado di acquisirli, gestirli, analizzarli e, infine, creare valore da essi, è definita come “data scientist”.

Le sfere in cui deve essere competente il data scientist sono 4:

1. Matematica e statistica

2. Programmazione e database

3. Conoscenze dell’ecosistema e soft skill

4. Comunicazione e tecniche di visualizzazione

Matematica e statistica

Ci deve essere una base di matematica, una dimestichezza con modelli statistici e operatori logici, solitamente acquisita attraverso un percorso formativo scolastico.

Programmazione e database

Devono essere sedimentate le basi dell’informatica e le logiche dei linguaggi di programmazione per potersi approcciare anche a tool come R ( R Studio).

È importante avere le nozioni sul mondo database e le relazioni che ne derivano.

Conoscenze dell’ecosistema e soft skill

Per fare questo tipo di lavoro serve non solo una passione per i dati e il business, ma una curiosità e una propensione all’estrapolazione delle informazioni dai dati e alla risoluzione di problemi con un atteggiamento proattivo, strategico, innovativo, creativo e collaborativo.

Comunicazione e tecniche di visualizzazione

Il punto principale è essere efficaci con il reparto management, con chi prende le decisioni. Occorre possedere capacità di storytelling per poter raccontare o, meglio, tradurre i dati in informazioni e insight, ovvero le intuizioni, per poter aiutare a prendere decisioni e passare all’azione.

È infine importante curare l’aspetto visivo dei dati e della loro interpretazione attraverso un impatto grafico, ad esempio con delle belle dashboard.

Il processo di data science

Per poter applicare la data science occorre seguire un processo rigoroso e concentrarsi sulle varie fasi, al fine di estrarre le informazioni e intuizioni dai dati che siano essi strutturati o meno, di tipo quantitativo o qualitativo.

1. Definizione del problema o esigenza

Spesso non è chiaro quale sia la necessità del business o si punta il dito su qualcosa che non è il problema reale e si cercano (o si tentano) soluzioni con effort altissimi sia in termini di costi che di tempi.

Quindi in questa fase il data scientist deve confrontarsi con chi sta riscontrando la problematica nel contesto del business e definirla in maniera chiara ed inequivocabile.

Esempio

Un caso in cui è corretto applicare la data science è proprio quando si vuole fornire già la soluzione ad un problema senza avere fatto alcuna analisi; ad esempio, mi è capitato recentemente che mi venisse chiesto di implementare la marketing automation su un sito web, pensando che fosse la soluzione a tutti i mali: tuttavia, dopo una prima analisi, è stato lampante che mancavano elementi base per applicare la marketing automation, e in particolare mancavano le condizioni necessarie di traffico ed elementi di interazione e conversione. Quello era il vero problema.

2. Raccolta dei dati

I dati necessari a risolvere il problema possono provenire da diverse fonti come tutti i canali web, il proprio sito e i social, ma anche archivi aziendali, il CRM, campagne di marketing in atto, presenza sui marketplace o luoghi offline, risultati nelle fiere ed eventi, fino ad arrivare ad analisi di mercato e competitors.

Esempio

Sempre relativo all’esempio precedente, trattandosi un dealer nel settore automotive, la raccolta informazioni è risultata molto ampia, quindi ho richiesto:

• report interni

• dati campagne (paid, offline, dem, sms…)

• marketplace (autoscout)

• CRM (flusso di vendita, utilizzo, integrazioni, attività sui lead, attività di nurturing, profilazione)

E infine le performance, perché ricordiamoci sempre che “non possiamo migliorare quello che non misuriamo”:

• prestazioni per canali di marketing

• micro e macro conversioni

• tasso di conversione

• investimenti/costi

3. Elaborazione dei dati

In questa fase vengono corretti errori nei dati, oppure vengono semplicemente segmentati o filtrati per ottenere una base significativa su cui poter effettuare trasformazioni per ottenere le informazioni utili.

Esempio

Banalmente potrebbe accadere che non ci serva analizzare tutto il traffico di un progetto web di una grossa azienda, quindi potrebbe avere senso scorporare il comportamento degli utenti che navigano dalla sede dell’azienda dal resto del traffico perché si vogliono avere solo i dati relativi ai clienti o potenziali clienti.

Oppure, come mi è capitato, potrebbe essere presente un servizio web di condivisione e download documenti che può “sporcare” l’analisi del traffico e dell’engagement.

4. Creazione del modello

Prima di pensare agli automatismi e applicare il machine learning, ovvero un sistema di apprendimento automatico, serve fare un passaggio umano e manuale.

Prima di tutto, per avere una maggiore conoscenza dei dati e spesso anche per eseguire un passaggio dai big data agli small data, serve fare un’attività di data mining. Attività che inizia con l’individuare le relazioni tra i dati, per poter poi procedere con la vera e propria estrazione delle informazioni utili anche da singole azioni effettuate dalle persone. Cito testuali parole di Martin Lindstrom di cui consiglio il libro:

“Mentre i big data forniscono una quantità infinita di informazioni impersonali utilizzate per predire gli orientamenti futuri, soltanto dati individuali possono rivelare la verità e portare ad una vera comprensione della realtà.”

— Martin Lindstrom

Esempio

Anche qui una semplice applicazione pratica di data mining potrebbe essere quella di mettere in relazione più dati come il volume di traffico, le sorgenti, la conversione e l’effort (investimento), non solo per capire cosa sta succedendo, ma per cercare un modello facilmente identificabile con le relazioni tra i dati, in modo da identificare anche le performance e prendere decisioni su come gestire ad esempio il budget.

Ora immaginiamo che tutto questo sia automatizzato e replicabile su altre situazioni analoghe e che possa avvisarci con alert in caso di situazioni potenzialmente critiche in termini di non raggiungimento degli obiettivi prefissati: il machine learning ci aiuta proprio a fare questo, ovvero ad implementare il nostro modello, ma anche ad aumentare il livello di precisione su, ad esempio, coefficienti di conversione calcolati su campioni di dati.

5. Presentazione dei risultati

Questa è una parte che adoro, perché oltre a mostrare i risultati del proprio lavoro, ci si può sbizzarrire con la creatività.

Si tratta di una fase in cui ci si prendono delle grosse responsabilità, si traggono conclusioni sul problema iniziale e si suggeriscono soluzioni o si mostrano opportunità.

Questa presentazione di solito la svolgo in modo ibrido, ovvero fornisco una serie di dashboard per tenere sotto controllo il progetto, cui affianco sempre una parte di considerazioni e schemi che rendano chiara la traduzione dei dati in informazioni con le relative azioni suggerite.

Spesso al termine della presentazione fornisco un documento o anche una bozza su una lavagna, dove indico delle opportunità e/o soluzioni in ordine di priorità e relativo impegno per realizzarle: di solito si parte dall’azione meno costosa che fornisce il massimo risultato in tempi brevi, poi, una volta appurato che l’approccio funziona, è normale affidarsi sempre di più ai dati e al processo di data driven per poi proseguire con un continuo miglioramento.

Esempio

Il mio consiglio è fare le cose in modo graduale e, prima di ambire a complessi sistemi di machine learning, eseguire attività che aiutino a ragionare e a capire come sfruttare i dati.

Ecco una slide presa di esempio da una presentazione della parte conclusiva di un progetto in cui avevo previsto dei risultati che, in alcuni casi, sono stati attesi o addirittura superati.

Sei pronto a iniziare a lavorare sui tuoi progetti con l'approccio della data science? 

Fammi sapere cosa pensi di questo processo strategico basato sui dati e se hai intenzione di metterlo in pratica. Aspetto le tue conclusioni qui sotto nei commenti!