Data Governance

First Party Data, cosa sono e perché oggi sono fondamentali per disegnare una strategia di business

Con First Party Data (o dati di prima parte) si indicano tutti quei dati di proprietà dell’azienda. Molto spesso con il termine si intendono i dati comportamentali che gli utenti/clienti hanno sulle proprietà digitali e non tutti i dati di proprietà dell’azienda. In realtà le informazioni che una società può raccogliere in modo del tutto lecito sono molteplici e comprendono:

  • Dati di comportamento online ( Web o App per smartphone);
  • Dati transazionali (prodotti acquistati online ed offline, prodotti riconsegnati, etc);
  • Dati relativi agli utenti come quelli anagrafici, il cambio di stato, i dati di loyalty, il cambio di stato in un processo di acquisizione, le chiamate fatte al call center, le mail ricevute, le chat, etc. Si tratta dei dati che in gergo sono indicati come dati del CRM (Customer Relationship Management);
  • Dati relativi ai prodotti come la loro gerarchia, il costo di acquisto, la disponibilità in magazzino, etc;
  • Dati relativi alla produzione come i tempi di produzione dei prodotti, i processi, i materiali utilizzati e il loro costo;
  • Dati relativi alla logistica: posizione dei colli, tempi di consegna, etc.

Si tratta di dati molto importanti, utili a capire non solo come strutturare una strategia di business, ma come migliorare le performance dell’azienda.

Perché oggi i First Party Data devono essere al centro di una strategia di business?

Storicamente il digital marketing ha poco utilizzato i dati di prima parte in quanto poteva affidare la raccolta dei dati a terze parti che gli fornivano tutto il necessario per analizzare le prestazioni delle campagne di advertising.

Le nuove disposizioni in materia di Privacy da un lato, il blocco dei 3rdParty Cookie dall’altro, e infine le limitazioni di Mobile Advertising ID (MAID), hanno reso i dati di terza parte meno fruibili e affidabili, facendo così convergere l’interesse di tutto il mondo del AdTech sui first party data.

Naturalmente il mondo del AdTEch è molto concentrato sui dati di comportamento utente, ma basare una Data Strategy esclusivamente su questi sarebbe riduttivo. Vista la crescente attenzione per i first party data, è importante cogliere l’occasione per chiarire la loro importanza in questo ambito e coinvolgere tutta l’azienda nella loro raccolta ed analisi.

Perché è importante che ogni dato raccolto e classificato abbia un preciso obiettivo aziendale, per far sì che sia possibile testare e misurare il successo di diversi approcci.

Come migliorare le performance: un esempio pratico

Migliorare le performance del business aziendale ingaggiando i clienti a più alto valore è possibile, vediamo come.

Possiamo generalizzare i passaggi essenziali in questo:

  • Individuare i clienti a più alto valore;
  • Individuare come comunicare con il cliente selezionato;
  • Individuare quali prodotti/promozioni utilizzare per ingaggiare il cliente;
  • Chiedersi se esista la possibilità di individuare, nell’ambito di tutti gli altri utenti, quelli che hanno la possibilità di diventare clienti ad alto valore;
  • Chiedersi se esista la possibilità di individuare tra gli utenti, i potenziali clienti;

Analizziamo ora gli step uno ad uno.

Individuare i clienti a più alto valore

In genere, il metodo impiegato per individuare i clienti a più alto valore è il Customer LifeTIme Value (CLV) che utilizza i dati transazionali di un cliente per calcolare quale sia il valore per l’azienda.

Esistono diversi modelli per calcolare il CLV, ma il più utilizzato è sicuramente Recency Frequency Monetary (RFM) modello che individua e segmenta gli utenti in base a parametri come:

  • quante revenue hanno generato per l’azienda (Monetary);
  • quanto spesso hanno acquistato (Frequency);
  • quanto tempo è passato dal loro ultimo acquisto (Recency).

Il modello segmenta le 3 metriche in altri diversi segmenti, e più segmenti si selezionano, più il modello dividerà i nostri utenti in sottogruppi più piccoli e più dettagliati.

Per esempio, se scegliamo 4 segmenti significa che i nostri utenti verranno divisi in 4 gruppi per Recency, 4 gruppi per Frequency, 4 gruppi per Monetary generando un totale di 24 segmenti, dove ai due opposti troveremo il segmento degli utenti che hanno generato poche revenue, hanno fatto poche transazioni con noi e che tali transazioni sono state fatte molto nel passato, mentre al lato opposto avremo gli utenti che hanno acquistato spesso da noi, generando un alto valore e che hanno acquistato recentemente.

Si tratta in quest’ultimo caso dei nostri migliori clienti, quelli che probabilmente rendono l’azienda profittevole e che dobbiamo coccolare per evitare che si rivolgano alla concorrenza.
Per tutti gli altri 23 gruppi dobbiamo individuare strategie che li spostino nel segmento successivo più profittevole. In questo momento abbiamo utilizzato esclusivamente i dati di transazione senza prendere in considerazione il comportamento dell’utente rispetto alle nostre proprietà digitali.

Che succede se si uniscono i dati comportamentali a quelli transazionali?

Aggiungere le informazioni transazionali a quelle comportamentali potrebbe aiutarci a ideare nuove strategie.

Prendiamo il segmento utenti a maggior valore, se si unissero i dati di navigazione a quelli transazionali si potrebbero ottenere altre informazioni.

  • Quali prodotti l’utente ha cercato?
  • Quanti giorni sono trascorsi dall’ultima visita rispetto all’ultimo acquisto?
  • Ci sono prodotti che l’utente ha messo nel carrello ma non ha mai acquistato da noi?
  • L’utente ha carrelli aperti?
  • Quali sono le offerte con cui ha interagito, ma non ha mai usato per acquistare?

Individuare come Comunicare al cliente

I dati di comportamento possono essere usati per individuare una strategia efficace di comunicazione con il cliente. La più facile è sicuramente la comunicazione one to one: sono clienti, quindi abbiamo la loro email e li stiamo già contattando attraverso una newsletter.

Abbiamo probabilmente il loro numero di telefono per inviare sms o contattarli al telefono, il loro indirizzo fisico per inviare un catalogo cartaceo, se abbiamo un nostra app probabilmente possiamo mandare anche una push notification, i dati comportamentali ci possono dare chiare indicazioni su come struttura la comunicazione stessa:
L’utente che non ha utilizzato una precisa offerta può essere contattato per ricordare che è ancora disponibile. L’utente potrebbe avere più di un’offerta disponibile, ma solo con una di esse ha veramente interagito sul nostro sito internet visitando la pagina relativa, quella potrebbe essere l’offerta più adatta da ricordare. Ricordiamoci sempre di impostare un limite di volte massimo di ricontatto e di non ricordare all’utente offerte ormai scadute o non più disponibili.

Individuare quali prodotti/promozioni utilizzare per ingaggiare il cliente

La storia dell’utente deve essere utilizzata per creare le promozioni e selezionare quale comunicare. Ad esempio se un utente ha acquistato da noi per la prima volta un prodotto come una stampante che necessità di prodotti consumabili come toner e cartucce è una buona opportunità utilizzare i dati di utenti che hanno acquistato prodotti uguali o simili per identificare dopo quanto tempo hanno riacquistato. Questi dati ci permettono di determinare quando mandare una mail con le offerte consumabili: inutile spedire un’offerta di tutti i consumabili, mandiamo quella specifica per il prodotto da lui acquistato in modo che l’acquisto sia immediato nel caso senza la necessità di cercare il prodotto.

Analizzando la lista dei desideri dell’utente e le sue ricerche possiamo individuare prodotti per lui interessanti ed incrociando i dati con gli acquisti troviamo prodotti che non ha acquistato da noi che potremmo ricordargli che sono disponibili oppure che sono entrati in catalogo da poco

Individuare i futuri clienti di valore

Certo gli utenti già di valore sono importanti, ma se come azienda non ci impegniamo a far crescere il loro numero si rischia di non essere profittevoli.
Gli esempi precedenti non hanno mai coinvolto modelli di machine learning, ma questo business case è perfetto per l’intelligenza artificiale.
Esiste una letteratura infinita e sono disponibili moltissimi modelli già pronti (ad esempio in google AutoML) per analizzare il comportamento di clienti ad alto valore e calcolare la probabilità che un utente che ancora non appartiene a tale gruppo lo possa diventare.

Grazie ai dati di comportamento possiamo individuare diverse strategie per raggiungere tale obiettivo e con gli stessi nati capire se hanno avuto successo oppure no.

Individuati gli utenti ad alto valore possiamo chiedere alle piattaforme di advertising di trovare utenti simili ad essi. Le piattaforme utilizzano modelli di classificazione che analizzano il comportamento degli utenti su tutto il loro network per individuare persone simili a quelle da voi selezionati. Tale funzione è denominata LookALike ed è disponibile sia in Google Ads e Facebook Ads e permette di pianificare strategie di acquisizione nuovi utenti molto specifiche.

Quali sono gli utenti che hanno la più alta probabilità di acquistare?

Il numero di clienti rispetto al numero di utenti che navigano un sito internet è sempre enormemente sbilanciato verso i secondi. Questo permette di raccogliere un’opportunità importante: quali sono gli utenti che hanno un comportamento simili ai nostri clienti?

Sviluppare un modello che prevede quali utenti convertiranno si basa esattamente su questa domanda ed il machine learning ci viene in aiuto per analizzare i dati ed individuare gli utenti simili. Ottenuti questi gruppi di utenti a più alta e più bassa probabilità di convertire possiamo creare delle audience da sincronizzare con gli strumenti di advertising.

Come possiamo fare? Google Analytics 4 offre questi modelli out of the box per siti Ecommerce in particolare i segmenti disponibili sono:

  • Utenti propensi a effettuare acquisti negli ultimi sette giorni
  • Utenti propensi a effettuare il primo acquisto negli ultimi sette giorni
  • Utenti che si prevede che spenderanno di più nei prossimi 28 giorni

Ma la stessa metodologia può essere utilizzata anche per prevedere quali utenti stanno per abbandonare la nostra azienda e naturalmente Google ha reso disponibile segmenti utili anche per questo come:

  • Acquirenti propensi ad abbandonare negli ultimi sette giorni
  • Utenti propensi ad abbandonare negli ultimi sette giorni

I segmenti di Analytics 4 sono ottimi per iniziare ed hanno alcune configurazioni interessanti ma sono la base iniziale su cui far crescere la Data Strategy e la consapevolezza del valore dei First Party Data in azienda non il punto di arrivo.

Condividi questa pagina


First Party Data, cosa sono e perché oggi sono fondamentali per disegnare una strategia di business

filippo trocca | 16 March 2022

News

Potrebbe interessarti anche

Innova insieme a noi

Condividi con noi i tuoi obiettivi e scopri come possiamo crescere insieme

© 2022 ByTek SRL - P. IVA: 13056731006 - REA: MI - 2562796 - Privacy Policy - Cookie Policy