Il ruolo dei data scientist nell’omnichannel retail | Economyup

COMPETENZE DIGITALI

Il ruolo dei data scientist nell’omnichannel retail



Figura centrale nelle strategie omnichannel del settore retail, il data scientist aiuta a comprendere il cliente, personalizzandone un customer journey coerente e continuo attraverso tutti i canali attivi

28 Apr 2020


Photo by Xianjuan HU on Unsplash

Il data scientist è una figura ormai centrale in ambito retail, dove la logica omnichannel è ampiamente diffusa e pervasiva. La possibilità di offrire ai clienti più punti di contatto, analizzando in mondo integrato i dati generati nei diversi momenti di interazione, consente infatti ai retailer di azzerare la distanza tra store fisico e digitale, promuovendo un customer journey più gratificante per i consumatori ed economicamente più redditizio per il proprio business. Più gratificante per il cliente perché può spostarsi da un touchpoint all’altro sperimentando la stessa brand experience con lo stesso livello di personalizzazione, più redditizio per il retailer perché la piena soddisfazione del consumatore si traduce spesso in una maggiore propensione all’acquisto. Un duplice obiettivo raggiungibile solo attraverso lo sviluppo di un’efficace customer intimacy, ossia quella conoscenza che nasce dalla capacità di estrarre valore dalla correlazione di tutti i dati generati dai clienti nei vari punti di contatto. Esattamente l’ambito di competenza del data scientist.

La centralità del data scientist in un retail sempre più data-driven

I dati sono il motore della logica omnichannel. Questo significa che un retailer intenzionato ad abbracciare la prospettiva omnicanale deve necessariamente adottare un modello di business data-driven, capace di sfruttare al massimo i dati disponibili, superando alcune inevitabili difficoltà. Il primo scoglio è sicuramente legato alla molteplicità delle fonti disponibili. Una pluralità che inevitabilmente introduce un certo grado di complessità in termini di integrazione e gestione dei dati, soprattutto a causa della loro presenza frammentata all’interno di più silos informativi.

Qui la soluzione passa attraverso layer tecnologici capaci di dialogare con qualsiasi sistema, contribuendo così a realizzare la più ampia base dati possibile su cui lavorare. Un patrimonio che per essere valorizzato necessita di competenze specifiche come quelle dei Data scientist: figure non solo in grado di correlare tutte le informazioni raccolte attraverso i diversi punti di contatto, ma anche di analizzare i comportamenti del consumatore e utilizzare strumenti di analisi avanzata per ingaggiarlo correttamente, predire la sua propensione all’acquisto e monitorare il suo livello di soddisfazione nelle varie fasi del processo.

L’importanza del data scientist per comprendere il cliente

La prospettiva delle strategie omnichannel è customer-centric. Questo significa che il retailer deve conoscere il suo potenziale cliente in modo approfondito. Da sempre, una delle tecniche più diffuse per raggiungere questo obiettivo è la segmentazione. Da questo punto di vista, il Data scientist può aiutare ad affinare il processo, sfruttando algoritmi di clustering avanzato capaci di garantire nuovi livelli di microsegmentazione.

In questo modo il retailer può identificare segmenti a maggior valore, cogliendone le caratteristiche comuni per predire comportamenti, intervenire sulle offerte ed evitare la generazione di contatti inutili che oltre a infastidire i clienti, sprecano anche preziose risorse aziendali. Sempre nell’ottica della microsegmentazione, il Data scientist può poi utilizzare i propri skill analitici, applicandoli in ambito social: un bacino di informazioni importantissimo, non solo per aggiungere dettagli utili alla segmentazione, ma anche per correlare nuovi dati di cui il retailer potrebbe non venire mai in possesso. Per esempio, il commento pubblicato da un cliente sui social in merito a un prodotto acquistato è un feedback che va perso se questa fonte di informazioni non è correttamente integrata ed utilizzata.

Il ruolo del data scientist nella gestione del customer journey

Il successo di una strategia omnichannel ruota tutto attorno alla capacità di mettere a punto customer journey efficaci. Un risultato che la Data Science aiuta a raggiungere, elaborando percorsi di maggiore soddisfazione per i clienti. L’analisi del loro comportamento in base ai punti di contatto può, infatti, offrire utili suggerimenti su cosa vada modificato per migliorarne l’esperienza.

Tracciare la navigazione all’interno del proprio sito aiuta, per esempio, a comprendere i percorsi d’acquisto, introducendo importanti occasioni di upselling o intervenendo sui punti più critici. Analisi avanzate possono, infatti, mettere in evidenza gli sforzi dei clienti in alcuni specifici passaggi, prevedendo magari l’attivazione automatica di supporti quando vengono superati alcuni limiti che possono compromettere pesantemente l’efficacia del customer journey. Non solo.

Gli algoritmi di analisi possono essere anche utilizzati per monitorare le performance dei diversi canali, indagando la loro capacità nell’esecuzione di specifici task. Tutti strumenti che possono essere utilizzati anche all’interno dei negozi tradizionali, dove questi tool aiutano a studiare i movimenti dei clienti all’interno degli store per migliorare l’assortimento e, quindi, la loro esperienza fisica.

Il Data scientist a servizio di un omnichannel personalizzato

La personalizzazione della customer experience omnichannel è un punto fondamentale per garantire un efficace engagement dei clienti. Da questo punto di vista, gli strumenti di analisi offrono un supporto formidabile, aiutando a identificare le caratteristiche più significative dei consumatori, presentando scelte, suggerimenti e offerte su misura. In questo caso le caratteristiche vengono raccolte da più fonti, tracciando varie attività come le url visitate, per quanto tempo, il tipo di ricerche lanciate, gli articoli acquistati e le tracce lasciate sui social network. Tutte informazioni su cui vengono elaborate raccomandazioni personalizzate, capaci di garantire una customer experience molto più gratificante ai clienti, che in questo modo sviluppano sempre più fedeltà nei confronti del brand.

Ottimizzare l’inventario con la Data science

L’attenta gestione dell’inventario costituisce un’attività strategica per qualsiasi business. Una rilevanza che aumenta in contesti omnichannel, dove è particolarmente critico garantire l’immediata soddisfazione del cliente, bilanciando correttamente la disponibilità dei prodotti su tutti i punti di contatto a sua disposizione. In sostanza, si tratta di disporre sempre del prodotto giusto sul canale giusto al momento giusto.

Una capacità di ottimizzazione che la Data science può assicurare ai retailer grazie a strumenti di analisi predittiva che, sulla base di informazioni raccolte sui clienti, sui prodotti e sull’andamento storico, riescono a elaborare costantemente previsioni sui livelli di stock da rispettare. Il tutto declinato nei diversi canali attivi, dallo store online al negozio tradizionale.

IBM Watson a supporto dell’omnichannel retail

I dati sono il cuore pulsante delle strategie omnichannel. Una centralità che rende la qualità del dataset di partenza un aspetto fondamentale per garantire valore alle analisi eseguite attraverso gli strumenti più avanzati di Data Science. Per assicurare una loro corretta modellazione, la piattaforma IBM Watson Studio mette a disposizione Auto AI, uno strumento in grado non solo di pre processare i dati validandoli, ma anche di fornire in modo semplice e veloce insight sulla migliore tecnica di Machine Learning da utilizzare per questo specifico use case.

Vengono, così, a ridursi in modo significativo le ora di lavoro dedicate dai Data Scientist a questo delicato processo. Quattro le fasi di validazione previste da Auto AI: Data pre-processing (per l’analisi, la pulizia e la validazione dei dati grezzi), Selezione automatica del modello (che prevede la valutazione di ogni modello candidato e la selezione del migliore), Feature Engineering (per la trasformazione delle variabili in modo da ottenere migliori performance dal modello) e, infine, selezione degli iper-parametri (per il fine-tuning del modello scelto).