I fornitori di soluzioni Big Data fanno grandi promesse. Basta collegare i tuoi dati alla nostra soluzione, dicono. Forniremo un flusso di approfondimenti che consentiranno notevoli miglioramenti nella produttività del marketing, nella qualità dell'esperienza del cliente e nell'efficienza delle operazioni di servizio. Sarà un gioco da ragazzi per te e il tuo team; la nostra tecnologia e i tuoi data scientist faranno tutto il lavoro pesante.

Ti senti come se avessi già visto questo film? Se eri coinvolto nell'euforia iniziale della rivoluzione della gestione delle relazioni con i clienti (CRM), allora l'hai fatto. A partire dai primi anni ’90, molte aziende hanno accettato l’entusiasmo e la tecnologia, solo per ritrovarsi con database inutilizzabili, team di vendita ribelli e budget di capitale esauriti.

Da allora il settore CRM è maturato e non vi è dubbio che le soluzioni CRM possano ora offrire un valore reale a molte organizzazioni. A riprova, il CRM è stato il sesto strumento aziendale più popolare nel sondaggio Management Tools & Trends 2015 di FORFIRM. Secondo una ricerca di Gartner, la spesa globale per il CRM nel 2014 è stata pari a 20,4 miliardi di dollari, in aumento rispetto ai 18 miliardi di dollari dell’anno precedente.

Tuttavia, i tassi di fallimento del CRM rimangono elevati. Un rapporto del 2014 di C5 Insight ha rilevato che oltre il 30% di tutte le implementazioni CRM falliscono e che le seconde e terze implementazioni CRM nelle stesse aziende avevano tassi di fallimento solo leggermente inferiori. E questo è 20 anni di “rivoluzione”!

Vediamo che i Big Data seguono un percorso simile, facendo grandi promesse sull’impatto sui clienti e sulla creazione di valore basate su grandi investimenti in tecnologia e competenza. In un recente rapporto, Gartner ha previsto che “entro il 2017, il 60% dei progetti Big Data non riuscirà ad andare oltre la fase pilota e la sperimentazione e sarà abbandonato”. Perché la storia si ripete? Non è per mancanza di interesse, impegno o investimento. Riflette invece la difficoltà di generare valore dai dati esistenti sui clienti, sulle operazioni e sui servizi, per non parlare delle risme di dati non strutturati, interni ed esterni generati da social media, dispositivi mobili e attività online.

Le aziende sono sotto una pressione crescente per sfruttare i Big Data e l’analisi avanzata. I clienti chiedono di più alle organizzazioni con cui intrattengono rapporti commerciali. La concorrenza si sta intensificando, soprattutto nei settori maturi come i servizi finanziari, la vendita al dettaglio, le telecomunicazioni e i media. Le aziende basate sui dati continuano a sconvolgere lo status quo. I rivoluzionari vecchi e nuovi, tra cui Progressive, Capital One, Amazon, Google, Uber e Zappos, solo per citarne alcuni, hanno creato modelli di business basati sui dati che applicano insight approfonditi per fornire prodotti e servizi su misura che vincono sul mercato.

I principali utilizzatori di Big Data fissano standard elevati per il successo. Hanno assemblato vaste riserve di talento analitico e creato processi che consentono alle loro organizzazioni di raccogliere informazioni utili dall'analisi avanzata.

La compagnia di assicurazioni automobilistiche statunitense Progressive, ad esempio, utilizza dispositivi plug-in per monitorare il comportamento dei conducenti. Progressive estrae i dati per micro-targetizzare la propria base di clienti e determinare i prezzi premium. Capital One, una società americana di servizi finanziari, fa molto affidamento sull'analisi avanzata dei dati per modellare i suoi programmi di punteggio e fidelizzazione del rischio cliente. A tal fine, Capital One sfrutta molteplici tipi di dati dei clienti, comprese analisi avanzate di testo e voce. Nel frattempo, il colosso statunitense della vendita al dettaglio Amazon estrae intensamente i dati dei clienti per creare esperienze di acquisto online personalizzate. Amazon utilizza la cronologia degli acquisti e i flussi di clic per creare un sofisticato motore di consigli che presenta su pagine Web personalizzate. Sul fronte logistico, Amazon è stata anche leader nell’applicazione dell’analisi dei dati per ottimizzare la distribuzione dell’inventario e ridurre i tempi di spedizione.

I principali utilizzatori di Big Data fissano standard elevati per il successo. Hanno assemblato vaste riserve di talento analitico e creato processi che consentono alle loro organizzazioni di raccogliere informazioni utili dall'analisi avanzata. Hanno costruito piattaforme tecnologiche che forniscono dati e approfondimenti tempestivi quando e dove sono necessari all'interno dell'organizzazione. Molti hanno anche creato culture di innovazione continua basate su rigorose metodologie “test and learn”.

Tre promesse e pericoli dei Big Data

Quindi, come può la vostra azienda trarre profitto dai Big Data? Il primo passo è imparare a distinguere il potenziale reale dalle affermazioni stravaganti. Gran parte dell’attuale campagna pubblicitaria si basa su tre promesse errate: la prima è che la tecnologia Big Data identificherà da sola le opportunità di business. Il secondo è che la raccolta di più dati genererà automaticamente più valore. Il terzo è che i data scientist esperti possono aiutare qualsiasi azienda a trarre profitto dai Big Data, indipendentemente da come è organizzata l’azienda.

Di seguito identifichiamo i pericoli associati a ciascuna di queste tre promesse e presentiamo esempi di aziende che le hanno superate nel percorso verso la creazione di valore reale dall'analisi avanzata dei clienti.

Promessa: la tecnologia identificherà da sola le opportunità di business.

Pericolo: ritorno sull’investimento limitato nonostante le grandi spese di denaro e tempo.

Le implementazioni tecnologiche fallite spesso iniziano con il presupposto che il nuovo brillante strumento genererà valore da solo. Le aziende che sfruttano con successo la potenza delle soluzioni Big Data tendono a iniziare applicando analisi avanzate per risolvere un numero limitato di problemi aziendali di alto valore con dati interni prima di investire in tecnologia. Nel processo imparano come implementare soluzioni a livello organizzativo. Inoltre, acquisiscono informazioni sulle sfide operative e comprendono i limiti dei loro dati e della loro tecnologia. Possono quindi definire i requisiti per la loro soluzione tecnologica Big Data in base alla comprensione delle loro reali esigenze.

Ad esempio, una grande compagnia assicurativa ha recentemente concentrato il suo programma di analisi dei dati sulle frodi. L'azienda stava registrando un picco di richieste fraudolente e stava sostenendo costi significativi per indagare su tali richieste. Il programma mirava a ridurre i comportamenti fraudolenti a costi inferiori. A tal fine, l’azienda ha creato un algoritmo di text mining che ha generato punteggi di propensione alle frodi. Questo algoritmo ha aiutato l'azienda a ottenere un aumento del 20% nel numero di punteggi fraudolenti rilevati. Il risultato è stato un minor numero di casi sotto indagine e un risparmio di circa 30 milioni di dollari. Dopo aver dimostrato il valore dell'analisi avanzata, l'azienda sta ora aumentando i propri investimenti in tecnologia e capacità.

Phase 0 Phase 1 Phase 2

1-circleFrame opportunity

•Assess data availability and feasibility of applying advanced analytics to your customer base

2-circleHypotheses

• Identify risk factors

• Consult multiple stakeholders

• Codify the logic of the best decisions

• Break down silos

• Challenge conventional wisdom

• Avoid the “black box” syndrome 

3-circleData

• Collect and process data

• Translate hypotheses into sources of data

• Creativity is key; take full advantage of all sources as value is shifting from internal to external sources

4-circleModeling

• Iterative modeling process

• Exploratory data analysis

• Univariate and multivariate regression

• Unmixing models

• Machine learning

5-circleDeployment

• Design analytics delivery and output

• Integrate analytics into IT workflow

• Build necessary organizational capabilities to maintain and refresh models

6-circleIteration

• Train, deploy and scale up as credibility and momentum builds

• Optimize end-user interface design (behavioral economics)

• Create dashboard to monitor key metrics

Promessa: la raccolta di più dati genererà automaticamente più valore.
Pericolo: investimenti eccessivi in ​​fonti di dati non comprovate e disattenzione verso fonti di dati preziose più vicine a casa.

La tentazione di acquisire ed estrarre nuovi set di dati si è intensificata con l’esplosione dei social media e dei dispositivi mobili. Eppure molte grandi organizzazioni stanno già annegando nei dati, molti dei quali conservati in silos dove non è possibile accedervi, organizzarli, collegarli o interrogarli facilmente. Abbiamo scoperto che i percorsi Big Data di successo tendono a iniziare sfruttando appieno i dati esistenti dell'organizzazione.

Da un punto di vista analitico, è generalmente più facile lavorare con dati che hanno una certa storia piuttosto che attaccare set di dati nuovi di zecca. Una grande società di telecomunicazioni statunitense ha adottato proprio questo approccio. L'azienda si trovava ad affrontare una concorrenza crescente e desiderava creare un programma per aumentare sistematicamente il valore della propria base clienti esistente. Per raggiungere questo obiettivo, ha combinato più di 200 elementi di dati provenienti da 15 database di marketing, servizi e operazioni per creare ritratti “ad alta definizione” di tutti i suoi clienti. L'azienda ha utilizzato questi ritratti per sviluppare programmi mirati di onboarding, cross-selling e coinvolgimento dei clienti.

Uno dei suoi nuovi programmi di onboarding si è concentrato sui clienti che hanno mostrato segni di scarso coinvolgimento con i prodotti dell'azienda. I dati hanno mostrato che un basso coinvolgimento era collegato a un maggiore abbandono dei clienti. Invece di inviare messaggi di marketing incentrati sulle vendite a questi clienti, l'azienda ha iniziato a inviare loro messaggi di consapevolezza e coinvolgimento del prodotto progettati per stimolare l'utilizzo del prodotto. Il risultato: l'utilizzo del prodotto è aumentato, l'abbandono nella fase iniziale è diminuito e un numero maggiore di questi clienti ha aggiornato i propri servizi. Parallelamente, l'azienda ha aumentato il marketing di cross-selling rivolgendosi ai clienti più coinvolti perché i dati mostravano che questi clienti erano più propensi ad aggiornare. Ciò ha comportato un aumento di 2,5 volte delle vendite incrociate e un ritorno sugli investimenti di marketing molto più elevato. In totale questi programmi hanno generato molti milioni di entrate annuali incrementali.

Da un punto di vista analitico, è generalmente più facile lavorare con dati che hanno una certa storia piuttosto che attaccare set di dati nuovi di zecca.

Questa azienda sta ora incorporando nuovi set di dati che miglioreranno ulteriormente i suoi ricchi ritratti di clienti. Per integrare le informazioni generate dai dati storici, sta progettando campagne di marketing sperimentali che inseriscono nel loro sistema variazioni lungimiranti (ad esempio, nuovi prezzi, promozioni e offerte).

Promessa: i bravi data scientist troveranno valore per te.

Pericolo: la tua organizzazione esistente non è pronta a realizzare il valore dei dati.

Per trarre profitto in modo consistente dai Big Data, è necessario creare un modello operativo che sfrutti la potenza dei dati e dell'analisi avanzata in modo ripetibile. Le aziende di successo basate sui dati allineano la propria organizzazione, i processi, i sistemi e le capacità per prendere decisioni aziendali migliori sulla base delle informazioni fornite dai team di dati e analisi.

Un fornitore di servizi di telecomunicazioni ha creato un modello di partnership che comprendeva i suoi team di dati e analisi, la sua divisione tecnologica e le sue funzioni di prima linea (tra cui vendite, marketing, operazioni con i clienti e sviluppo del prodotto). In questo modello, il team di business intelligence, che comprende data scientist, statistici e data miner, collabora strettamente con le unità aziendali per risolvere problemi specifici applicando analisi avanzate ai loro grandi set di dati interni.

Le business unit introducono esperienza aziendale e conoscenza in prima linea nelle intuizioni dei data scientist, aumentando le probabilità che le loro soluzioni siano pragmatiche e scalabili. La divisione IT, proprietaria dell’architettura dei dati, capisce come incorporare nuove tecnologie come i data lake, gestisce i set di dati in continua crescita e definisce le politiche e le regole che li governano.

Le iniziative Big Data funzionano meglio quando i data scientist collaborano strettamente con le business unit e l'IT

01 02 03

Information technology

• Owns enterprise-wide data management

• Manages technical side of data access layer

• Manages data model to support report creation

• Produces regular reports 

Business units

• Answer day-to-day questions relating to the business    

• Support cross-functional initiatives to address business-wide questions

Business insights

• Center of excellence comprises data scientists, statisticians and data miners

• Partners with business units to address complex questions specific to each

• Leads and supports cross- functional initiatives to address business-wide questions

• Defines and manages the rules that govern access to company data

• Designs and develops new metrics and dashboards 

Una delle prime sfide che l’azienda di telecomunicazioni ha affrontato con questo nuovo modello di partnership si è concentrata sul miglioramento degli aspetti economici dei clienti che distruggono valore. In questo caso, il team di vendite e marketing ha definito il problema specifico per il team di business intelligence, che ha poi collaborato con il team IT per consolidare e unire i dati dei clienti di due anni provenienti dai database operativi e di marketing per identificare le cause profonde del valore -comportamenti distruttivi. Lavorando insieme, i tre team hanno definito una serie di strategie mirate per i clienti che potrebbero trasformare questi clienti che distruggono valore in clienti redditizi. Il risultato: milioni di dollari di entrate incrementali.

Conclusione

La rivoluzione dei Big Data ha già sconvolto molti settori. Alcune aziende basate sui dati hanno acquisito un valore significativo da questa rivoluzione, ma molte aziende tradizionali stanno cercando di recuperare terreno. La tecnologia da sola non può colmare questo divario. Le aziende che realizzano la promessa dell’analisi dei dati dei clienti tendono a seguire tre regole:

1. Dimostra che la tua organizzazione può applicare l'analisi avanzata per risolvere alcuni problemi aziendali di alto valore
prima di investire in soluzioni tecnologiche Big Data.


2. Crea valore dai tuoi dati interni prima di espanderli a nuove origini dati. Quindi utilizza approcci di prova e apprendimento per inserire set di dati lungimiranti nei tuoi dati storici.


3. Allinea il tuo modello operativo per consentire alla tua organizzazione, in particolare a quella in prima linea, di agire rapidamente e con fiducia sugli insight dei tuoi team di analisi avanzata.

Le aziende che seguono queste regole saranno posizionate meglio per avere successo nell’era dei Big Data.

Pianificare una riunione