Copertina
Autore Carlo Vercellis
Titolo business intelligence
Sottotitolomodelli matematici e sistemi per le decisioni
EdizioneMcGraw-Hill, Milano, 2006 , pag. 398, ill., cop.fle., dim. 170x240x23 mm , Isbn 978-88-386-6346-8
LettoreGiorgia Pezzali, 2006
Classe economia aziendale , marketing , matematica
PrimaPagina


al sito dell'editore


per l'acquisto su IBS.IT

per l'acquisto su BOL.IT

per l'acquisto su AMAZON.IT

 

| << |  <  |  >  | >> |

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 1

Introduzione


Le 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 305

13

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.

| << |  <  |