|
|
|
|
|
|
|
| << | < | > | >> |Indice
Introduzione 1
I Componenti del processo decisionale 7
1 Business intelligence 9
1.1 Decisioni efficaci e tempestive 9
1.2 Dati, informazioni e conoscenza 12
1.3 Ruolo dei modelli matematici 13
1.4 Architetture di business intelligence 14
1.4.1 Ciclo delle analisi di business intelligence 17
1.4.2 Fattori abilitanti per progetti di business
intelligence 18
1.4.3 Realizzazione di un ambiente di business
intelligence 19
1.5 Etica e business intelligence 22
1.6 Note bibliografiche 23
2 Sistemi di supporto alle decisioni 25
2.1 Definizione di sistema 25
2.2 Rappresentazione dei processi decisionali 27
2.2.1 Razionalità e problem solving 27
2.2.2 Il processo decisionale 30
2.2.3 Tipi di decisioni 32
2.2.4 Orientamenti nel processo decisionale 36
2.3 Evoluzione dei sistemi informativi 37
2.4 Definizione di sistema di supporto alle decisioni 39
2.5 Sviluppo di sistemi di supporto alle decisioni 42
2.6 Note bibliografiche 46
3 Data warehousing 47
3.1 Definizione di data warehouse 47
3.1.1 Data mart 50
3.1.2 Qualità dei dati 51
3.2 Architetture di data warehouse 52
3.2.1 Strumenti ETL 54
3.2.2 Metadati 55
3.3 Cubi e analisi multidimensionali 55
3.3.1 Gerarchie di concetti e operazioni OLAP 60
3.3.2 Calcolo dei cubi di dati 62
3.4 Note bibliografiche 63
II Modelli e metodi matematici 65
4 Modelli matematici per le decisioni 67
4.1 Struttura dei modelli matematici 67
4.2 Fasi di sviluppo di un modello 69
4.3 Classi principali di modelli 72
4.4 Note bibliografiche 76
5 Data mining 77
5.1 Definizione di data mining 77
5.1.1 Modelli e metodi di data mining 79
5.1.2 Data mining, statistica classica e OLAP 80
5.1.3 Applicazioni di data mining 81
5.2 Rappresentazione dei dati in ingresso 82
5.3 Processo di data mining 83
5.4 Metodologie di analisi 88
5.5 Note bibliografiche 92
6 Preparazione dei dati 93
6.1 Validazione 93
6.1.1 Dati incompleti 94
6.1.2 Dati soggetti a rumore 95
6.2 Trasformazione 96
6.2.1 Standardizzazione 97
6.2.2 Estrazione di attributi 97
6.3 Riduzione 98
6.3.1 Campionamento 99
6.3.2 Selezione degli attributi 99
6.3.3 Analisi delle componenti principali 101
6.3.4 Discretizzazione 105
7 Esplorazione dei dati 109
7.1 Analisi univariata 109
7.1.1 Analisi grafica di attributi categorici 110
7.1.2 Analisi grafica di attributi numerici 112
7.1.3 Indici di posizionamento centrale per
attributi numerici 114
7.1.4 Indici di dispersione per attributi numerici 116
7.1.5 Indici di posizionamento relativo per
attributi numerici 121
7.1.6 Identificazione degli outlier per
attributi numerici 123
7.1.7 Indici di eterogeneità per
attributi categorici 125
7.1.8 Analisi della densità empirica 126
7.1.9 Informazioni di sintesi 129
7.2 Analisi bivariata 131
7.2.1 Analisi grafica 132
7.2.2 Indici di correlazione per attributi numerici
7.2.3 Tabelle di contingenza per attributi
categorici 140
7.3 Analisi multivariata 143
7.3.1 Analisi grafica 143
7.3.2 Indici di correlazione per attributi numerici 145
7.4 Note bibliografiche 147
8 Regressione 149
8.1 Struttura dei modelli di stima 149
8.2 Regressione lineare semplice 152
8.2.1 Calcolo della retta di regressione 153
8.3 Regressione lineare multipla 156
8.3.1 Calcolo dei coefficienti di regressione 157
8.3.2 Assunzioni relative ai residui 159
8.3.3 Trattamento di attributi predittivi
categorici 161
8.3.4 Regressione ridge 162
8.3.5 Regressione lineare generalizzata 163
8.4 Valutazione dei modelli di regressione 163
8.4.1 Normalità e indipendenza dei residui 164
8.4.2 Significatività dei coefficienti 165
8.4.3 Analisi della varianza 169
8.4.4 Coefficiente di determinazione 170
8.4.5 Coefficiente di correlazione lineare 171
8.4.6 Multi-collinearità delle variabili
indipendenti 172
8.4.7 Limiti di confidenza e di predizione 172
8.5 Selezione delle variabili predittive 173
8.5.1 Esempio di sviluppo di un modello
di regressione 176
8.6 Note bibliografiche 180
9 Serie storiche 181
9.1 Definizione di serie storica 181
9.1.1 Numeri indice 184
9.2 Valutazione dei modelli di serie storiche 185
9.2.1 Misure di distorsione 186
9.2.2 Misure di dispersione 186
9.2.3 Segnale di tracking 188
9.3 Analisi delle componenti 189
9.3.1 Media mobile 190
9.3.2 Scomposizione di una serie storica 191
9.4 Modelli di smoothing esponenziale 196
9.4.1 Smoothing esponenziale semplice 196
9.4.2 Smoothing esponenziale con correzione
di tendenza 198
9.4.3 Smoothing con tendenza e stagionalità 200
9.4.4 Smoothing adattativo semplice 201
9.4.5 Smoothing a tendenza ridotta 202
9.4.6 Valori iniziali per i modelli di smoothing
esponenziale 202
9.4.7 Eliminazione di tendenza e stagionalità 203
9.5 Modelli autoregressivi 204
9.5.1 Modelli a media mobile 205
9.5.2 Modelli autoregressivi a media mobile 205
9.5.3 Modelli autoregressivi integrati a media
mobile 205
9.5.4 Identificazione di modelli autoregressivi 206
9.6 Combinazione di modelli predittivi 208
9.7 Scelta di un modello di previsione 209
9.7.1 Caratteristiche del processo previsionale 210
9.7.2 Selezione di una metodologia di previsione 211
9.8 Note bibliografiche 212
10 Classificazione 213
10.1 Problemi di classificazione 213
10.1.1 Tassonomia dei modelli di classificazione 216
10.2 Valutazione di modelli di classificazione 218
10.2.1 Metodo holdout 219
10.2.2 Campionamenti casuali ripetuti 220
10.2.3 Cross-validation 220
10.2.4 Matrici di confusione 221
10.2.5 Grafici ROC 224
10.2.6 Grafici di guadagno cumulato e di lift 225
10.3 Alberi di classificazione 228
10.3.1 Regole di separazione 231
10.3.2 Criteri di separazione univariati 234
10.3.3 Esempio di sviluppo di alberi di
classificazione 238
10.3.4 Criteri di arresto e regole di pruning 242
10.4 Metodi bayesiani 243
10.4.1 Classificatore bayesiano naive 244
10.4.2 Esempio di utilizzo di un classificatore
bayesiano naive 245
10.4.3 Reti bayesiane 247
10.5 Regressione logistica 248
10.6 Reti neurali 249
10.6.1 Perceptrone di Rosenblatt 250
10.6.2 Reti feed-forward a più livelli 251
10.7 Support vector machines 253
10.7.1 Minimizzazione del rischio strutturale 253
10.7.2 Iperpiani di margine massimo per la
separazione lineare 257
10.7.3 Separazione nonlineare 261
10.8 Note bibliografiche 264
11 Regole associative 265
11.1 Struttura e valutazione delle regole associative 265
11.2 Regole associative a dimensione singola 269
11.3 Algoritmo Apriori 272
11.3.1 Generazione degli itemset frequenti 272
11.3.2 Generazione delle regole 273
11.4 Altre regole di associazione 275
11.5 Note bibliografiche 278
12 Clustering 279
12.1 Caratteristiche dei modelli di clustering 279
12.1.1 Tipologie di modelli di clustering 280
12.1.2 Misure di affinità 282
12.2 Metodi di partizione 288
12.2.1 Algoritmo delle K-medie 288
12.2.2 Algoritmo dei K-medoidi 291
12.3 Metodi gerarchici 292
12.3.1 Metodi gerarchici di agglomerazione 294
12.3.2 Metodi gerarchici di suddivisione 297
12.4 Valutazione dei modelli di clustering 298
12.5 Note bibliografiche 301
III Applicazioni di business intelligence 303
13 Modelli di marketing 305
13.1 Marketing relazionale 305
13.1.1 Motivazioni e obiettivi 307
13.1.2 Un ambiente di analisi di marketing
relazionale 312
13.1.3 Lifetime value 315
13.1.4 Latenza dei modelli predittivi 317
13.1.5 Acquisizione 318
13.1.6 Retention 319
13.1.7 Cross-selling 320
13.1.8 Market basket analysis 321
13.1.9 Web mining 322
13.2 Gestione della forza di vendita 324
13.2.1 Processi decisionali nella gestione della
forza di vendita 325
13.2.2 Modelli per la gestione della forza di
vendita 327
13.2.3 Funzioni di risposta 328
13.2.4 Allocazione delle aree di vendita
agli agenti 331
13.2.5 Pianificazione di visite e presentazioni 332
13.3 Esempi applicativi 336
13.3.1 Retention nelle telecomunicazioni 336
13.3.2 Acquisizione nei veicoli industriali 339
13.3.3 Cross-selling nel largo consumo 341
13.4 Note bibliografiche 344
14 Modelli logistici e produttivi 345
14.1 Ottimizzazione della supply chain 345
14.2 Modelli di ottimizzazione per la logistica 347
14.2.1 Pianificazione a medio termine 348
14.2.2 Capacità aggiuntiva 349
14.2.3 Risorse multiple 349
14.2.4 Modelli di backlog 350
14.2.5 Lotti minimi e costi fissi 352
14.2.6 Distinta base 353
14.2.7 Impianti multipli 354
14.3 Modelli di revenue management 355
14.3.1 Processi decisionali di revenue management 356
14.4 Esempi applicativi 358
14.4.1 Pianificazione nel settore alimentare 358
14.4.2 Pianificazione nel settore del packaging 365
14.5 Note bibliografiche 366
15 Data envelopment analysis 367
15.1 Misura di efficienza 367
15.2 Frontiera di efficienza 368
15.3 Il modello CCR 371
15.3.1 Definizione di obiettivi target 374
15.3.2 Riferimenti eccellenti 375
15.4 Individuazione di modi operativi efficienti 376
15.4.1 Analisi di cross-efficienza 376
15.4.2 Input e output virtuali 377
15.4.3 Restrizioni sui pesi 377
15.5 Altri modelli 377
15.6 Note bibliografiche 379
A Strumenti software utilizzati 381
B Dataset utilizzati 383
Bibliografia 385
Indice analitico 394
|
| << | < | > | >> |Pagina 1IntroduzioneLe profonde trasformazioni intervenute nei modi di produzione e nelle relazioni economiche hanno attribuito una crescente rilevanza agli scambi di beni immateriali, riconducibili in larga misura a trasferimenti di informazioni. A partire dall'ultimo decennio del secolo scorso il contesto socio-economico entro il quale si svolgono le nostre attività viene infatti indicato come società dell'informazione e della conoscenza. Due fattori hanno contribuito più di altri ad accrescere la rapidità dei processi di transizione in atto, se confrontati a fasi di evoluzione economica del passato. Da un lato la globalizzazione, intesa come crescente interdipendenza fra le economie dei diversi paesi, che ha condotto allo sviluppo di un'unica economia globale segnata da un alto livello di integrazione. Dall'altro le nuove tecnologie dell'informazione, caratterizzate dalla massiccia diffusione di internet e di dispositivi wireless, che hanno consentito di trasferire grandi quantità di dati ad elevata velocità e di sviluppare forme evolute di comunicazione. Si tratta di uno scenario in rapida evoluzione che presenta opportunità di sviluppo senza precedenti. L'accesso alle informazioni e alla conoscenza presenta vantaggi per i diversi attori dell'ambiente socio-economico: da un lato gli individui, che possono acquisire più liberamente notizie, accedere a servizi con maggiore facilità, effettuare operazioni commerciali e bancarie on-line; dall'altro le imprese, che possono sviluppare prodotti innovativi e servizi più vicini alle esigenze degli utenti, e trarre vantaggi competitivi da un impiego efficace delle conoscenze maturate; infine la pubblica amministrazione, che può migliorare i servizi ai cittadini mediante attività di e-government, come pagamenti di tributi fiscali on-line, e di e-health, tenendo conto della storia terapeutica di ciascun paziente per migliorare l'assistenza sanitaria. In questo quadro di radicale trasformazione anche i processi di governo delle strutture a organizzazione complessa riflettono i mutamenti del contesto circostante e appaiono sempre più condizionati dall'accesso tempestivo alle informazioni per lo sviluppo di piani d'azione efficaci. Con il termine strutture a organizzazione complessa vogliamo riferirci a un insieme articolato di attori operanti nell'ambiente socio-economico, comprendente le imprese, gli enti della pubblica amministrazione, gli istituti del sistema bancario e finanziario, le associazioni non lucrative. L'adozione di tecnologie di memorizzazione di massa a basso costo e l'ampia diffusione della connettività hanno reso disponibili grandi moli di dati che si sono accumulate presso le diverse organizzazioni. Le imprese capaci di trasformare i dati in informazioni e in conoscenza sono in grado di elaborare decisioni più tempestive ed efficaci, e di conseguire un differenziale competitivo. Analogamente, sul versante della pubblica amministrazione, l'analisi delle informazioni facilita lo sviluppo di servizi migliori e innovativi per i cittadini. Si tratta di compiti ambiziosi che la tecnologia, per quanto evoluta, non può svolgere da sola, senza il contributo di menti preparate e di adeguate metodologie di analisi. È possibile estrarre conoscenze utili per il decision making dalle ingenti moli di dati disponibili presso le imprese e la pubblica amministrazione? Con il termine business intelligence intendiamo riferirci a un insieme di modelli matematici e metodologie di analisi che esplorano i dati per ricavare informazioni e conoscenze utilizzabili nel corso dei processi decisionali. A dispetto del carattere in certo modo restrittivo del termine business, che sembra confinare la tematica al solo ambito aziendale, le analisi di business intelligence si applicano sia alle imprese sia agli altri tipi di organizzazioni complesse cui abbiamo fatto riferimento in precedenza. Le metodologie di business intelligence hanno un'ampia portata e una natura interdisciplinare. Esse riguardano infatti la rappresentazione e l'articolazione dei processi decisionali nelle organizzazioni, e quindi la teoria delle decisioni; la raccolta e la conservazione dei dati destinati a facilitare i processi decisionali, e quindi le tecniche di data warehousing; i modelli matematici per l'analisi dei dati, e quindi le metodologie della ricerca operativa e della statistica; e infine gli ambiti prevalenti di applicazione, quali il marketing, la logistica, il controllo di gestione, i sistemi finanziari, i servizi, la pubblica amministrazione. Possiamo affermare in termini generali che le analisi di business intelligence tendono a promuovere un orientamento scientifico e razionale nella gestione delle imprese e delle organizzazioni a struttura complessa. Persino l'utilizzo di un foglio elettronico per valutare gli effetti provocati sul budget dalle variazioni nei tassi di sconto, a dispetto della sua semplicità, richiede da parte dei decision maker una rappresentazione mentale del processo dei flussi finanziari. Un ambiente di business intelligence offre ai decision maker le informazioni e le conoscenze ricavate a partire dai dati, mediante l'applicazione di modelli matematici e di algoritmi. In alcuni casi questi ultimi possono ridursi al calcolo di totali e percentuali, visualizzati mediante semplici istogrammi, mentre le analisi più evolute utilizzano sofisticati modelli di ottimizzazione, di apprendimento induttivo e di previsione. In generale, un modello rappresenta un'astrazione selettiva di un sistema reale, progettato per analizzare e comprendere da un punto di vista astratto il funzionamento di un sistema concreto, del quale contiene solo gli elementi ritenuti rilevanti ai fini dell'indagine svolta. Possiamo ricordare ciò che Einstein osservava a proposito dell'elaborazione di modelli: "bisognerebbe rendere tutto il più semplice possibile, ma non troppo semplice". Le discipline scientifiche tradizionali, come la fisica, hanno sempre fatto ricorso a modelli matematici per la rappresentazione astratta di sistemi reali, mentre altre discipline, come la ricerca operativa, si sono occupate dell'applicazione di metodi scientifici e modelli matematici allo studio di sistemi artificiali, quali le imprese e le organizzazioni a struttura complessa. "Il grande libro della natura - scriveva Galileo - può essere letto soltanto da coloro che conoscono il linguaggio in cui fu scritto. E questo linguaggio è la matematica". Possiamo adattare anche all'analisi dei sistemi artificiali questa profonda intuizione di uno degli uomini che aprirono la strada alla scienza moderna? Noi crediamo di sì. La complessità di governo delle attuali organizzazioni sovrasta ormai le doti di sola intuizione dei decision maker impegnati nelle imprese e nella pubblica amministrazione. Ricorrendo a un esempio, la progettazione di una campagna di marketing in mercati complessi e imprevedibili, dove sono tuttavia disponibili molte informazioni sui comportamenti d'acquisto dei consumatori, non può prescindere dall'utilizzo di adeguati modelli di apprendimento inferenziale per la selezione dei destinatari, in modo da ottimizzare le risorse impiegate. L'interpretazione del concetto di business intelligence che abbiamo illustrato e che intendiamo sviluppare nel corso del testo appare molto più estesa e approfondita rispetto a un'accezione riduttiva diffusa in questi anni da parte di produttori di software commerciale e periodici di area informatica. Questa visione tende a ridurre le metodologie di business intelligence a strumenti informatici di interrogazione, visualizzazione e reporting, orientati in prevalenza al controllo di gestione. Non si può negare che l'accesso tempestivo e flessibile alle informazioni offra ai decision maker un prezioso ausilio. Si tratta tuttavia di analisi di business intelligence di tipo passivo, nel corso delle quali chi interroga i dati ha già formulato nella sua mente un criterio di estrazione. Se si vuole che le metodologie di business intelligence siano in grado di esprimere le loro enormi potenzialità è necessario volgere lo sguardo a forme attive di supporto alle decisioni, basate sull'impiego di modelli matematici capaci di trasformare i dati non soltanto in informazione ma anche in conoscenza, e la conoscenza in concreto vantaggio competitivo. Riprenderemo con maggiore ampiezza la distinzione tra analisi passive e attive nel corso del capitolo 1.
Qualcuno potrebbe obiettare che soltanto strumenti semplici basati su
concetti immediati e intuitivi sono in grado di rivelarsi utili in pratica.
Rispondiamo citando una frase di Vladimir Vapnik, colui che più di altri ha
contribuito allo sviluppo dei modelli di apprendimento induttivo: "nothing is
more practical than a good theory".
Il testo si articola in tre parti, corredate da un'appendice. Abbiamo cercato di utilizzare con frequenza riferimenti a problemi reali ed esemplificazioni che rendessero più agevole la comprensione delle tematiche affrontate, mantenendo tuttavia il necessario rigore metodologico nella descrizione dei modelli matematici. La prima parte è dedicata allo studio dei componenti di base che costituiscono un ambiente di business intelligence, all'articolazione dei processi decisionali e alle infrastrutture informative. Il capitolo 1 traccia un quadro generale delle problematiche di business intelligence, ponendo in luce i nessi con altri ambiti disciplinari. Il capitolo 2 descrive la struttura dei processi decisionali e introduce i sistemi di supporto alle decisioni, illustrandone i principali vantaggi, i fattori critici e le problematiche realizzative. Il capitolo 3 introduce i data warehouse e i data mart, analizzando le motivazioni che hanno condotto alla loro definizione, per descrivere in seguito le analisi OLAP svolte mediante cubi multidimensionali. La seconda parte ha carattere metodologico e presenta un'ampia rassegna dei modelli matematici di apprendimento inferenziale e dei metodi di data mining. Il capitolo 4 descrive le caratteristiche principali dei modelli matematici per le analisi di business intelligence, offrendo una breve tassonomia dei modelli più comunemente utilizzati. Il capitolo 5 introduce le tematiche di data mining, mostrandone gli obiettivi e l'articolazione in fasi. Il capitolo 6 descrive le attività che permettono di predispone i dati per le analisi di business intelligence e data mining: la validazione, l'identificazione di anomalie, la trasformazione e la riduzione. Il capitolo 7 illustra in dettaglio l'analisi esplorativa dei dati, svolta mediante metodi grafici e indicatori statistici, per comprendere le caratteristiche degli attributi presenti in un dataset e per individuare l'intensità delle relazioni che li legano. Il capitolo 8 descrive i modelli di regressione semplice e multipla, discutendo la valutazione dei modelli di regressione, e presentando i principali criteri per la verifica di significatività e di accuratezza. Il capitolo 9 illustra i modelli per l'analisi di serie storiche, analizzando i metodi di scomposizione, i modelli di smoothing esponenziale e i modelli autoregressivi. Il capitolo 10 è dedicato ai modelli di classificazione che occupano una posizione preminente nella teoria dell'apprendimento. Dopo avere descritto i criteri di valutazione, vengono illustrati i principali metodi di classificazione: gli alberi di classificazione, i metodi bayesiani, le reti neurali, la regressione logistica e le support vector machines. Il capitolo 11 descrive le regole associative e l'algoritmo Apriori. Nel capitolo 12 vengono presentati i più noti modelli di clustering: i metodi di partizione delle K-medie e dei K-medoidi e i metodi gerarchici di agglomerazione e di divisione. La terza parte illustra le applicazioni di data mining al marketing relazionale (capitolo 13), i modelli per la pianificazione delle reti di vendita (capitolo 13), i modelli di ottimizzazione della supply chain (capitolo 14) e i metodi analitici per la valutazione delle prestazioni (capitolo 15). L'appendice fornisce informazioni e links relativi agli strumenti software utilizzati per svolgere le analisi di business intelligence descritte nel testo. Si è preferito utilizzare esclusivamente software open source, che i lettori possono liberamente scaricare dal web per svolgere gli esempi proposti. In linea con questa scelta, anche i dataset utilizzati per esemplificare gli argomenti trattati provengono in prevalenza da siti di pubblico dominio. L'appendice descrive brevemente i dataset impiegati e fornisce links a siti che contengono questi e altri dataset utili per sperimentare e confrontare i metodi di analisi. | << | < | > | >> |Pagina 30513
Modelli di marketing
I processi decisionali di marketing sono caratterizzati da una notevole complessità per la simultanea presenza di molteplici obiettivi e di innumerevoli azioni alternative che derivano dalla combinazione delle principali leve di scelta a disposizione dei decision maker. Non deve quindi sorprendere l'elevato numero di modelli matematici per le decisioni di marketing sviluppati e applicati con successo nel corso dei decenni passati. A rafforzare ulteriormente l'importanza dei modelli matematici per le analisi di marketing ha contribuito la disponibilità di cospicue basi di dati che raccolgono le transazioni di vendita e che forniscono informazioni puntuali sull'utilizzo di servizi e prodotti da parte dei clienti. In questo capitolo limiteremo la nostra attenzione a due argomenti di rilievo entro l'ampio panorama delle analisi di marketing intelligence. Il primo è particolarmente esteso e riguarda l'applicazione di modelli predittivi a sostegno delle strategie di marketing relazionale, rivolte a personalizzare e rafforzare il legame tra un'impresa e i propri clienti. Dopo una breve introduzione ai temi di marketing relazionale, descriveremo le principali analisi che si collocano in questo ambito, indicando per ciascuna le classi di modelli predittivi più idonei ad affrontare i problemi formulati. Le tematiche discusse possono essere parzialmente estese alla relazione tra gli enti della pubblica amministrazione e i cittadini.
Il secondo argomento riguarda invece la gestione della forza di vendita.
Dopo una panoramica dei processi decisionali relativi all'organizzazione del
personale di vendita, nel corso della quale verrà posto in luce il ruolo delle
funzioni di risposta, illustreremo alcuni modelli di ottimizzazione rivolti
all'allocazione geografica dei territori e alla pianificazione delle attività
degli agenti. A conclusione del capitolo accenneremo ad alcuni esempi
applicativi relativi ai modelli di marketing.
13.1 Marketing relazionale Per comprendere le ragioni che spingono le imprese a sviluppare iniziative di marketing relazionale consideriamo tre esempi: una società di assicurazioni vuole selezionare il segmento di mercato più promettente cui offrire un nuovo tipo di polizza; un operatore di telefonia mobile desidera individuare i clienti che hanno maggiore probabilità di abbandono del servizio a favore di un concorrente; un istituto bancario che rilascia carte di credito intende caratterizzare i clienti ai quali proporre un nuovo servizio di gestione del risparmio. Le situazioni descritte presentano alcuni tratti comuni: un'impresa che dispone di dati relativi ai comportamenti d'acquisto e di utilizzo dei servizi da parte dei propri clienti, desidera estrarre da questi dati conoscenze utili e accurate che permettano di sviluppare campagne di marketing mirate ed efficaci. Una strategia di marketing relazionale si propone di avviare, rafforzare, intensificare e preservare nel tempo le relazioni tra un'impresa e i suoi stakeholders, costituiti in primo luogo dai clienti, e riguarda l'analisi, la pianificazione, la realizzazione e la valutazione delle attività svolte per raggiungere questi obiettivi.
Le tematiche di
marketing relazionale
si sono diffuse nel corso degli anni '90 e hanno progressivamente determinato
nelle aziende un orientamento rivolto a soddisfare meglio i bisogni dei clienti
per ricavarne un vantaggio competitivo.
La maggior parte delle imprese ha intrapreso almeno i primi passi di un
cambiamento culturale che induce a riservare una maggiore attenzione ai propri
clienti, considerandoli un patrimonio e insieme una delle principali fonti di
vantaggio competitivo. Questo percorso è stato seguito in una prima fase dalle
imprese di servizi di grandi dimensioni, nei settori finanziari e delle
telecomunicazioni, e successivamente ha influenzato anche i settori dei beni di
consumo, coinvolgendo infine ambiti propriamente industriali, dai veicoli da
trazione pesante alle attrezzature agricole, tradizionalmente più inclini a una
visione guidata dalla centralità dei prodotti rispetto ai mercati.
13.1.1 Motivazioni e obiettivi Le ragioni che hanno favorito la diffusione delle strategie di marketing relazionale sono complesse e articolate. Ne indichiamo brevemente alcune, rinviando alle note bibliografiche per gli approfondimenti su questo aspetto: • la tendenziale concentrazione in grandi imprese e il conseguente aumento del numero di clienti hanno generato una maggiore complessità nella gestione dei mercati; • il ciclo di innovazione-produzione-obsolescenza si è progressivamente abbreviato a partire dagli anni '80, e ha determinato un arricchimento di opzioni di personalizzazione per i clienti e un'accelerazione nelle attività di marketing per le imprese; • l'accresciuta circolazione delle informazioni e l'avvio del commercio elettronico hanno reso più semplici i confronti globali: i clienti che navigano in Internet, più sofisticati e sicuri di sé, hanno facilità nel raccogliere e confrontare le caratteristiche, i prezzi e le opinioni relative ai servizi e ai prodotti offerti dai diversi competitori; • la loyalty dei clienti si è fatta più precaria, particolarmente nel settore dei servizi, dove spesso è sufficiente la compilazione di moduli on-line per cambiare operatore; • in molti casi la qualità dei prodotti e dei servizi risulta indistinguibile nella percezione dei consumatori, e la differenziazione deriva in prevalenza dal livello di servizio; • la sistematica raccolta delle transazioni di vendita, in larga misura di natura elettronica, ha reso disponibili grandi moli di dati che possono essere trasformate in conoscenza e in azioni di marketing efficaci e mirate; • si è accresciuto il numero di competitori dotati di sofisticate tecniche di analisi dei dati di marketing.
Le strategie di marketing relazionale ruotano intorno alle scelte
rappresentate nella figura 13.1, efficacemente sintetizzate nell'affermazione:
formulare per ciascun segmento, idealmente per ciascun cliente, l'offerta
appropriata attraverso il canale più adatto, al momento giusto e al prezzo più
idoneo.
|
