L’Importanza di Partire dalle Fondamenta: Come Impostare un Progetto di Governance del Dato in Chiave Strategica

Il mondo sta cambiando, la roadmap per la dismissione dei 3rd Party cookie è ora fissata a fine 2023, ma questo non posticipa la necessità di prendere in mano la governance del dato partendo da una prospettiva diversa: come può il dato aiutare il mio business a 360 gradi?

Molto spesso, nella mia esperienza, il dato viene trattato a compartimenti stagni separati quali:

• Comportamentale
• Advertising
• CRM/Transazione
• Logistica.

Questa struttura può generare una visione non completa dell’utente e del business, creando silos in cui ogni dipartimento aziendale si preoccupa di analizzare esclusivamente il dato più vicino alle sue necessità senza prendere in considerazione l’insieme.

Un Progetto di governance del Dato moderno, deve rendere possibile collegare i dati per trarne il massimo vantaggio. Ma quali sono i dati di prima parte gestibili all’interno di un’azienda? Ecco, in estrema sintesi, una loro identificazione che non vuole essere una lista esaustiva ma una generalizzazione.

Partendo da questa schematizzazione del dato è necessario intraprendere un percorso per definire la nostra Data Strategy.

Come strutturare una Data Strategy

Una Data strategy non può essere intrapresa se prima di tutto non si definiscono i Business Objectives. Dopo aver definito tali obiettivi è necessario stabilire i Marketing Goals in modo da strutturare poi le strategie marketing che si vogliono intraprendere: questa prima fase permette di sancire come il dato aiuterà il raggiungimento degli stessi.

Business Objectives e Marketing Goals sono i primi due step che caratterizzano la Business Strategy di un’azienda che deve essere presentata, descritta e schematizzata prima di poter intraprendere qualunque percorso di Data Strategy.

La Data Strategy si divide in tre frasi:

• Collection: capire quali dati sono disponibili e come vengono raccolti e quali dati non sono disponibili e di conseguenza come raccoglierli. In questa fase devono essere anche definite quali sono le chiavi che permettono di collegare i diversi set di dati;
• Analyze: i dati raccolti devono essere raccolti in dashboard per poter capire se gli obiettivi di Business sono stati raggiungi giorno per giorno;
• Activate: attivare gli insights individuati al fine di migliorare le performance del business.

La parte di collection è naturalmente la fase più importante essendo il punto di partenza: se non abbiamo fiducia nei dati raccolti la data strategy non avrà successo.

Pensare di iniziare una Data strategy cercando di coprire tutti i possibili Business Case è un’impresa titanica e non raggiungibile, è necessario partire da pochi business case ed eseguire la parte di raccolta dati in modo perfetto.

Il primo business case di facile esecuzione potrebbe essere calcolare il Customer Life Time Value degli utenti e provare a predire il loro futuro valore.

Per poter fare questo è necessario collegare i seguenti dataset:

• Navigazione dell’utente
• CRM
• Transazione
• Prodotto.

Per collegare i dati occorre individuare una chiave che permetta l’unione di diversi data set. Il data set che raccoglie la maggior quantità di dati è la navigazione dell’utente quindi consiglio di utilizzare tali dati come punto di partenza che permetta di unire i diversi dati

Per unire i dati di navigazione con il CRM è necessario capire come individuare l’utente: la soluzione migliore per fare questo è inserire nei dati di Google Analytics (o ad altro strumento di Digital Analytics) l’email anonimizzata dell’utente come custom dimension ogni volta che il nostro CMS riconosce l’utente stesso. In gergo tale dato viene denominato UserID.

Solitamente un CMS riconosce l’utente quando esso è loggatto.

Per unire i dati di navigazione con i dati di transazione è necessario avere un transaction id che ci permetta di risalire alla singola transazione.

Infine per ottenere le informazioni relative ai prodotti è necessario un identificativo relativo ai prodotti che solitamente viene denominato skuid. Tale dato deve essere lo stesso sia nella raccolta dati di navigazione che nei dati offline, pena l’impossibilità di collegarli. Fate attenzione che spesso lo skuid presente nei CMS è diverso da quello presente nei sistemi di backend, per questo motivo è consigliabile usare l’EAN code quando disponibile.

Aver identificato tali chiavi permette di iniziare a superare la logica dei silos, di rompere gli schemi e le divisioni tra i diversi dipartimenti andando così ad arricchire i dati e migliorare le analisi.

Come utilizzare i dati

A questo punto, come possiamo utilizzare i dati del nostro Business Case? Individuando gli utenti a più alta probabilità di conversione. Grazie alla connessione delle transazioni online con le transazioni tracciate dal nostro sistema di logistica possiamo individuare quegli utenti che hanno effettivamente portato a termine una conversione online (anche quando la conversione è stata annullata per vari motivi), andando a escludere tutti gli altri.

Questa analisi è molto importante anche per valutare la reale performance dei diversi canali di acquisizione. Potremmo scoprire, per esempio, che una fonte di traffico sta portando utenti che acquistano, ma che i loro ordini non riescono ad andare a buon fine: riusciremmo così a ottimizzare la stessa e abbassare l’incidenza di tali episodi. Inoltre grazie allo UserId possiamo individuare anche gli utenti che hanno portato a termine un acquisto offline dopo aver visitato il nostro sito internet e includerli nei dati per addestrare il modello.

Individuati i dati per addestrare il nostro modello possiamo procedere.

Google fornisce un valido modello opensource chiamato Future-Value-Customers-Segment o FoCVS che permette di individuare quali sono gli utenti.

Una volta addestrato il modello otterremo queste informazioni:

• Probability Alive (p_alive): Likelihood that a customer has not churned (probabilità che un cliente abbandoni il carrello)
• Predicted Purchases (predicted_purchases): Predicted number of purchases (numero previsto di acquisti)
• Predicted Average Order Value (future_aov): Predicted average monetary value per order (Valore monetario medio per ordine)
• Total Customer Value (expected_value): Predicted future spend (Spesa futura prevista). Questo è analogo a predicted_purchases * future_aov

Potremmo usare tali dati nei seguenti modi:

• se abbiamo un numero importante di utenti (superiore ai 5000) ad alto CLV possiamo sincronizzarli con Google Analytics attraverso il Data Import, utilizzarli come segmenti per il remarketing in Google Ads e ingaggiarli per nuovi acquisti.
• Se il numero di utenti è superiore a 1000 possiamo usarli dopo averli sincronizzati per chiedere a Google Ads di trovare utenti simili agli utenti per noi di più alto valore in modo da fare un’attività di prospecting mirata oppure sincronizzare tali dati con il nostro CMS per personalizzare la loro esperienza online. Un modo creativo è avere la possibilità di passare le informazioni ottenute a dataLayer, in questo modo potete usare anche la versione free di Google Optimize per personalizzare l’esperienza utente, purtroppo la sincronizzazione con i segmenti di Google Analytics è disponibile ad oggi solo con Google Optimize 360.

Per l’advertising abbiamo bisogno di grandi numeri, male attività di direct marketing possono essere fatte anche con un numero più piccolo di utenti. Il modello rende disponibili dati per ideare strategie relative a:

• Contattare gli utenti con un potenziale CVL alto per spingerli all’acquisto;
• Contattare gli utenti con un’alta probabilità di Churn per riattivarli.

Conclusioni

I dati di prima parte hanno un potenziale incredibile, occorre però individuare le strategie e le tattiche per sfruttarli al meglio. La Data Strategy è solo l’inizio.