ECRM Italia - CRM Blog

Affrontiamo il complesso tema del Data Mining che rientra nel più generale concetto di Knowledge Discovery in Databases, ossia una serie di processi per la ricerca e l'estrazione di conoscenza da grandi basi di dati.
Attraverso questi processi si possono individuare modelli, schemi interpretativi e trend, che spieghino le relazioni esistenti tra i dati e consentano di trarre informazioni di supporto alle decisioni aziendali.

Definizione
Esistono molteplici definizioni di Data Mining, quasi tutte legate alle tecniche avanzate di analisi dei dati, quali reti neurali, algoritmi genetici, ecc.
In generale, con il termine Data Mining si identifica l'applicazione di algoritmi matematici per individuare i modelli interpretativi.
E' importante osservare che non esiste una tecnica 'superiore' alle altre, ma ogni tecnica è riferita a determinati obiettivi e tipologie di dati da analizzare e spesso i migliori risultati per trasformare i dati in informazioni si ottengono attraverso la combinazione di diverse tecniche di analisi.

Rispetto alle tradizionali tecniche di analisi dei dati, il Data Mining si basa sostanzialmente su un differente scenario, caratterizzato da:

• migliore accesso e molteplicità dei dati a disposizione (anche grazie alla diffusione di internet e delle web technologies);


• notevole incremento della capacità di elaborazione dei computer moderni (soprattutto dei semplici PC);


• maggiori competenze informatiche dei 'knowledge workers';


• maggiore semplicità e intuitività delle interfacce software;


• crescente esigenza di migliorare le performance delle azioni di marketing, mirando l'investimento su un target sempre più preciso.

Obiettivi
Gli obiettivi del Data Mining sono sostanzialmente la costruzione di modelli per descrivere e prevedere (per esempio il comportamento di consumo dei propri clienti in funzione del lancio di un nuovo prodotto, o servizio); tipicamente un'indagine di Data Mining aiuta a rispondere a quesiti del tipo: "Quale dei miei clienti sarà maggiormente interessato al mio nuovo prodotto?", oppure "Qual'è il profilo del cliente che più probabilmente abbandonerà il mio servizio?".

Si tratta comunque di algoritmi matematici che non prendono decisioni ma accorciano il tempo tecnico per lo svolgimento dell'analisi consentendo al management di concentrarsi sull'interpretazione dei risultati e sulle decisioni da prendere di conseguenza.

L'integrazione dei dati anagrafici con quelli provenienti dalle applicazioni online, che permettono di immagazzinare un numero molto elevato di informazioni, consente un livello di approfondimento dell'analisi fino a ieri impensabile.
Dati di log, quindi, numero di accessi al sito, pagine visitate, percorso di navigazione dell'utente, ecc.; per non parlare di e-commerce, con tutto lo storico dei dati relativi alle transazioni effettuate (data, importo, frequenza di acquisto), ecc. Queste sono tutte informazioni che contribuiscono alla costruzione di modelli previsionali del comportamento di acquisto futuro del cliente.

Tale integrazione consente, infatti, di realizzare profilazioni di livello superiore e di sperimentare un'interazione con il cliente (una proposta commerciale mirata, una comunicazione ad hoc, ecc.), la cui risposta diventa ulteriore fonte di informazione e arrichisce a sua volta il database di partenza, perfezionando la fase di profilazione di clienti e permettendo un migliore approccio alla gestione delle relazioni con essi (CRM o eCRM).

Dunque un'opportunità eccezionale per intraprendere un percorso strategico 'customer centric', in cui le attività sono interamente focalizzate sull'analisi e la segmentazione della clientela, fino al livello estremo del one to one.


Processo
Il processo di realizzazione di un'analisi di Data Mining si può riassumere nelle seguenti fasi:
1. Definizione degli obiettivi dell'analisi
2. Selezione dei dati da analizzare e pretrattamento (pulizia, codifica dei dati mancanti, definizione degli outlier, ecc.)
3. Eventuale ricodifica delle variabili di interesse
4. Selezione delle variabili target
5. Interpretazione dei modelli ottenuti

Ciascuna delle fasi appena indicate è in realtà altrettanto importante quanto l'applicazione finale dell'algoritmo di Data Mining. Ognuna di esse richiede, perciò, un'adeguata preparazione ed un'attenta cosiderazione delle variabili in gioco.
Soprattutto le fasi di 'pretrattamento dei dati' risultano determinanti ai fini del risultato finale che può risultare non facilmente interpretabile o addirittura fuorviante.

Buongiorno,
mi chiamo Andrea Verri e sono il CEO di ECRM Italia, azienda di Milano specializzata in servizi e soluzioni in ambito CRM, WEB, LOYALTY & RELATIONSHIP Marketing.

Gestirò questo BLOG insieme ai miei Soci, Fabio Regazzoni e Renato Buontempo, che insieme a me hanno iniziato questa avventura.

Siamo un Team giovane, facciamo un lavoro che ci piace al punto di non considerarlo tale e ci consideriamo pionieri e innovatori in un mondo, quello dei servizi di marketing alle Aziende, un po' bloccato dalle regole delle multinazionali e dalla poca voglia di sperimentare (e di rischiare) del management.

Abbiamo aperto questo BLOG per raccontare quel che facciamo, parlare del CRM, presentare casi concreti, esperienze e soprattutto condividerle con i nostri lettori ricevendone, lo auspichiamo, dei feedback e spunti di riflessione.

Scriveteci, commentate e se desiderate, suggeriteci argomenti da approfondire, di cui scrivere. Lo faremo con piacere.

Un saluto
Andrea Verri