BUSINESS CONTEXT: FASHION AND APPAREL

Il Customer lifecycle è un KPI fondamentale nel B2C – contesto in cui il cliente, i suoi interessi, le sue abitudini e la sua fidelizzazione sono elementi imprescindibili in un mercato ormai caratterizzato da una costante «fluidità».

Su questo assunto si basa la rinnovata centralità della Data Science nella comprensione delle nuove dinamiche del mercato, sorrette da globalizzazione e digitalizzazione.

L’introduzione dell A.I. nell’industria del F&A è stata classificata dal OECDF (Organizzazione per la cooperazione e lo sviluppo economico) come «Critical» in ambito Digital Transformation.

Il settore a maggior traino per l’utilizzo dell’A.I. è il demand forecasting o previsione della domanda di mercato (l’85% secondo la ricerca IBM 2019).

Ne consegue che l’attenta e puntuale analisi dei dati da parte delle aziende che vogliono competere e scalare questo business, si classifica già a tutti gli effetti come la chiave di volta per dominare il mercato di riferimento.

SKIENDA RETAIL A.I. FRAMEWORK

Attraverso il proprio A.I. Framework Skienda offre competenze e Use Cases specifici per sfruttare a pieno le potenzialità dell’Artificial Intelligence (AI) nelle realtà industriali del F&A (Fashion & Apparel).

SKIENDA RETAIL AI FRAMEWORK

Customer Lifetime Value (CLV)

E’ uno tra gli indicatori chiave per le aziende in questa industry il cui calcolo consente valutazioni strategiche in diverse aree del business.
Esso rappresenta il valore totale che l’azienda si aspetta di ottenere da un determinato cliente per tutta la durata della loro relazione. Lo Use Case si prefigge di identificare gli indicatori a supporto delle strategie di marketing. Ha anche lo scopo di individuare i driver per «dilatare» la curva di profittabilità del cliente e, in congiunzione con altri KPI, di acquisire nuove fette di mercato.

Customer-Propensity

Modello predittivo con lo scopo di identificare la propensione di acquisto o di riacquisto dei clienti. L’obiettivo è di individuare ed incentivare i clienti che mostrano avere, in funzione dei modelli creati, una bassa propensione al riacquisto.

L’uso dell’A.I. in questo specifico contesto conferisce ai modelli caratteristiche di dinamicità e scalabilità necessari in mercati altamente «fluidi» come quelli del F&A.

Customer Churn

Il Customer Churn è uno degli eventi più critici per tutti i settori B2C dove il cliente consumer e le sue abitudini/propensioni di acquisto hanno un ruolo determinante nell’individuazione delle strategie delle imprese.

L’implementazione di questo Use Case ha l’obiettivo di determinare, per ogni cliente, una probabilità di abbandono/chiusura del rapporto, e di conseguenza indirizzare le opportune azioni di retention.

Segmentazione Comportamentale

Lo scopo è quello di profilare i clienti in modo di indirizzare attività di marketing «targettizzate».
Tale analisi viene effettuata mediante modelli A.I. che analizzano l’andamento comportamentale di acquisto dei clienti, anche in un contesto multi- channel in cui i touch point sono molteplici ed ormai sempre più a connotazione digitale.

Registrati al form di contatto
per avere la nostra Corporate Presentation
e ricevere maggiori informazioni!

SKIENDA DSAAS (DATA SCIENCE AS A SERVICE) PROPOSAL

ASSESSMENT

Comprensione del Business: durante questa fase i nostri esperti acquisiscono la conoscenza della strategia aziendale, degli obiettivi, delle priorità, dei problemi e delle esigenze del cliente.

Comprensione dei Dati: in questa fase eseguiamo l’esplorazione dell’ecosistema esistente dei dati (fonti, accessibilità, struttura, definizioni ecc…) nonché degli strumenti e dei processi esistenti. Viene tracciata una mappa dei dati orientata al business mentre i processi IT e l’allocazione delle risorse vengono identificati e assegnati.

BUSINESS UNDERSTANDING

È durante questa importante fase di interazione che i nostri esperti acquisiscono la conoscenza della strategia aziendale del cliente, degli obiettivi, delle priorità, dei problemi e delle esigenze. L’identificazione dei casi d’uso e degli scenari di analisi dei dati iniziano a prendere forma per poi essere discussi ulteriormente con il cliente. Il viaggio nella scienza dei dati inizia proprio qui.

DATA UNDERSTANDING

Questa è una fase critica in cui eseguiamo l’esplorazione dell’ecosistema di dati esistente (Fonti, Accessibilità, Struttura, Definizioni ecc.), nonché degli strumenti e dei processi utilizzati. Qui disegniamo la mappatura dell’ecosistema Dati del Cliente, verifichiamo le fonti critiche e isoliamo le possibili aree di intervento. Viene tracciata una mappa del viaggio dei dati orientata al business mentre i processi IT e l’allocazione delle risorse vengono identificati e assegnati.

DURATION: 4-8 Settimane
TEAM: Chief Data Scientist (part- time), 1 Lead Data Scientist (on premise), 2 Data Scientist (remote)
GOAL: Identificare le fonti dei dati, la loro sintassi e semantica, identificare gli obiettivi di business, definire uno o più casi d’uso, definire i possibili data set, proporre le milestone essenziali per le fasi implementative e redigere un Data Science Assesment Report

MODELING

Preparazione dei Dati: il Data Scientist deve creare un data model corretto.
È necessario applicare le tecniche di Data Mining e Data Cleaning più efficienti per estrarre solo la massa critica.

Definizione del Modello: il Data Scientist è ora pronto per lavorare con il Data Modeling. I processi di preparazione e modellazione dei dati verranno quindi eseguiti avanti e indietro fino a quando il set di dati non si adatti perfettamente al modello di dati e i risultati risultino affidabili.

DATA PREPARATION

Fa parte del processo in cui i nostri Data Scientist trascorrono la maggior parte del loro tempo. Dovranno continuamente «manipolare» i Dati disponibili affinché diventino efficaci e perfettamente funzionali al Data Model target. Inoltre sarà necessario applicare le più moderne tecniche di Data Mining e Data Cleaning per estrarre solo la massa critica necessaria al Modello. Questa è probabilmente una delle parti più critiche del lavoro di Data Scientist.

MODEL DEFINITION

Il nostro Data Scientist è ora pronto per lavorare con il Data Modeling. Potrebbe essere necessario testare diversi modelli per trovare quello con la vestibilità migliore. Per fare ciò, spesso bisognerà ritornare alla fase di Data Preparation. I processi di preparazione e modellazione dei dati verranno quindi ri-eseguiti di continuo fino a quando il set di dati si adatterà perfettamente al modello e i risultati risulteranno «convergenti».

VALUE

Formazione/validazione del modello: Il Data Scientist testa e verifica la qualità del modello di dati prima di implementarlo o presentarlo.

MODEL TRAINING/VALIDATION

Il nostro Data Scientist testa e verifica la qualità del Data Model prima di implementarlo o presentarlo.
Questa è la fase in cui ci si assicura che il Modello risponda alle esigenze di Business definite all’inizio di questo processo. Durante questo delicato passaggio, spesso capita anche di identificare nuovi e a volte più interessanti scenari da Modellizzare.

MODEL DEPLOYEMENT

La metodologia entra in scena in questa fase.
Il modello di dati viene istanziato e i risultati verranno condivisi.
I risultati ovviamente saranno resi disponibili secondo esigenza (NBI, API, Report ecc.) e in base all’utilizzo che se ne vorrà fare.

MODELS APPLICATION

About CUSTOMER CHURN INDEX

Business Goal
Il modello basato sul Customer Churn Index stima la probabilità di abbandono dei clienti che nel tempo hanno ripetuto più di un acquisto.
Questo processo è centrale:

  • Nell’individuazione dei clienti più preziosi per il business attraverso specifici KPI di valore;
  • Nell’individuazione della strategia di contatto migliore (utilizzando definite classi di appartenenza, verrà selezionato il miglior contenuto da mostrare al segmento di target specifico).

Questo modello ha un impatto diretto sul Customer Lifetime Value.

Marketing Activities (CMS)
Previsione di un tasso di abbandono medio alto
Nel caso specifico, sulla predizione di un tasso di abbandono medio-alto, vengono utilizzate leve strategiche diverse, veicolate attraverso canali differenziati:

  • Inviti in negozio personalizzati;
  • Promozioni online e offline costruite ad hoc sul segmento taget di riferimento;
  • Individuazione della NBO (Next Best Offer);
  • Creazione di una nicchia con accesso privilegiato ai prodotti delle nuove collezioni (Online Private Sales)

Dashboard Analytics
Per i clienti con una bassa stima di abbandono è fondamentale implementare attività di customer care al fine di aumentarne il valore nel tempo:

  • Fornitura di servizi aggiuntivi;
  • Individuazione della NBO
  • Costruzione di uno storytelling strategico sui prodotti iconici del brand.

About CUSTOMER PROPENSITY INDEX

Business Goal
Il Customer propensity Model non solo stima la probabilità di ritorno dei nuovi clienti, ma individua anche il perfetto timing strategico per spingerli al riacquisto.
Il modello di intelligenza artificiale A.I. permette:

  • di ricreare un fedele identikit dei clienti;
  • di coinvolgerli con mirate attività di marketing studiate ad hoc sul determinato segmento in target;
  • di spingerli al riacquisto con azioni strategiche di engagement.

Marketing Activities (CMS)

  • Sulla classe di clienti con elevata propensione al riacquisto viene fatta leva con moderate azioni di engagement;
  • Sulla classe di clienti con media propensione al riacquisto viene fatta leva con attività promozionali strategiche;
  • Sulla classe di clienti con bassa propensione al riacquisto viene fatta leva con azioni di engagement più impattanti.

About CUSTOMER CLUSTERIZATION

Business Goal
La clusterizzazione della base clienti consente di implementare le performance del business creando strategie di Marketing perfettamente in linea con il profilo stesso del cliente.
L’obiettivo ultimo di questo processo è la pianificazione di azioni concrete volte ad incrementare l’engagement e le conversioni.

Registrati al form di contatto
per avere la nostra Corporate Presentation
e ricevere maggiori informazioni!