Similarity, lead generation al cubo

famigliola-spesa.jpg

In uno dei suoi ultimi post su Gli Stati Generali il CEO di SpazioDati Michele Barbera si è soffermato sulla similarity, ossia il grado di somiglianza esistente tra due items. Il concetto di similarity è complesso, e ha tante facce.

Facciamo un rapido esempio esplicativo: in un supermercato possiamo imbatterci in clienti simili a livello di aspetto esteriore (hanno tutti i capelli biondi e gli occhi verdi), di comportamento (mettono nel carrello gli stessi prodotti), di relazione (fanno la spesa assieme, come accade nel caso di una coppia o di quattro coinquiline).

  • Abbiamo pertanto tre possibili tipi di similarity:

    1. una anagrafica (l’aspetto)
    2. una di comportamento (il carrello)
    3. una di relazioni (la coppia o le coinquiline).

Osserva Michele nel suo post:

«Nella new economy, questi tre punti di vista sono sempre più utilizzati dalle piattaforme online per fornirci delle raccomandazioni mentre le visitiamo. Se siamo sul sito di un colosso dello shopping digitale, ad esempio, ci vengono suggeriti prodotti comprati da clienti che in passato hanno fatto le nostre stesse spese; in altre parole, si guarda ai “carrelli”. Sui social media, invece, ci vengono suggeriti account seguiti da persone cui siamo connessi o che sono connesse ai nostri stessi account (“popolare nella tua rete”): sfruttano la topologia delle nostre relazioni, dunque, per capire a chi siamo simili. Per l’approccio anagrafico non serve scomodare i titani del web, basta guardare un ragazzo che distribuisce volantini per la promozione di un nuovo locale: cercherà con gli occhi chi assomiglia alla clientela-tipo del locale».

  • Riepilogando con maggior precisione terminologica, esistono dunque:

    1. la demographic-based similarity
    2. il collaborative filtering
    3. la network-based similarity.

Usando i dati di Atoka, SpazioDati sfrutta il secondo e terzo tipo di similarity per aiutare le grandi aziende (ad esempio telco, o assicurazioni) in progetti di up-selling e cross-selling (consigliando quali altri prodotti offrire ai loro clienti). Ancora, le supporta nell’espansione del business in base alla loro rete sociale. Per esempio: se la multiutility Alpina Energetica srl è riuscita a vendere il suo servizio Luce & Gas Corporate alla Dolomitica Impianti srl, alla Triveneto Laminati srl e alla Veneziana Trafilati snc, e sia la Triveneto Laminati srl che la Veneziana Trafilati snc hanno rapporti di lavoro con l’azienda Como Metalli srl, è probabile che Alpina Energetica possa vendere il suo servizio Luce & Gas Corporate anche alla Como Metalli srl.

similarity

Tuttavia è soprattutto la demographic-based similarity a essere utilizzata, per generare la targeted lead generation: in altre parole, aiutare un’azienda a trovare nuovi clienti simili per specializzazione, dimensione, semantica ecc… al gruppo di clienti già in portafoglio.

Nota Michele:

«L’idea di fondo è che l’utente possa fornire un suo campione di interesse (ad esempio una lista di aziende che sono già sue clienti) e che un algoritmo ad hoc estragga le caratteristiche-chiave di questo insieme, le “studi” e imposti di conseguenza dei filtri consoni; in questo modo i nuovi lead generati indirizzeranno ad aziende simili a quelle che hanno già acquistato i prodotti o i servizi dell’utente. Ovvio, il campione deve essere abbastanza rappresentativo: banalmente, più ampio è meglio è; con un paio di nominativi, o anche solo poche decine, si ottiene poco o niente».

Poiché un grafico (con didascalia) vale più di mille parole:

similarity

Con “rilevante”, in questo contesto, viene inteso ogni fenomeno che si presenta nel gruppo con una frequenza che devia da quella attesa (ovvero la frequenza che si avrebbe in un gruppo selezionato casualmente dall’insieme di tutte le aziende italiane). Nel grafico sopra, tratto da un’analisi su un gruppo di aziende, si nota che l’ATECO 01.5 viene segnalato come molto rilevante perché è ben più frequente nel campione considerato rispetto alla popolazione generale.

Nella targeted lead generation la macchina definisce quasi un archetipo di “cliente ideale”, e con più efficacia di quanto potrebbe fare un operatore umano, dato che essa analizza i valori, li classifica secondo criteri oggettivi e trasforma quelli statisticamente più rilevanti, cioè più distinguenti, in filtro. Un indubbio vantaggio per l’azienda che si avvale di Atoka per i suoi progetti di acquisizione clienti.

Per leggere il post di Michele nella sua interezza, si clicchi qui.

La redazioneSimilarity, lead generation al cubo
Share this post

Join the conversation

Related Posts