Prendere decisioni con gli analytics

Una celebre citazione di Peter Drucker afferma che “ciò che si può misurare, si può gestire”.
Quindi gli analytics offrono alle aziende la possibilità di analizzare e ottimizzare i processi guardando il passato per predire il futuro.
Le metriche possono aiutare a comprendere la tipologia dei nostri utenti on-line, sia dati quantitativi che qualitativi, può supportare le scelte di marketing per ingaggiare nuovi clienti, o nutrire quelli in essere, definiscono la nostra presenza on-line e quali risultati otteniamo da questa comunicazione, aiutano a definire quali sono i nostri obiettivi e qual è il percorso più rapido ed efficiente per raggiungerlo.
Le metriche ci permettono di migliorare ma anche di monitorare i nostri processi.
Esistono diverse tipologie di analytics, identificabili e catalogabili in base alla diversa natura dei dati che andiamo ad analizzare.
Possono essere:
Web Analytics
Statistical Analytics
Predictive Analytics
Marketing Analitics
Talent Analytics

Web Analytics sono la raccolta, l’analisi e il reporting di tutti i dati del web, interni ed esterni, focalizzandosi sulla misurazione del comportamento degli utenti sul nostro sito web.
L’obiettivo è di migliorare le performance del sito, ottimizzare gli investimenti di marketing, offrire una buona esperienza all’utente e predire comportamenti futuri.
A monte bisogna ver definito gli obiettivi di business, e quindi di misurazione, quali sono le metriche da osservare e i KPI da utilizzare, qual è il target di riferimento, quanti-qualitativo, ed infine quali sono le dimensioni e i segmenti di pubblico.
Le metriche sono tante e di diversa natura, abbiamo:
•Metriche comportamentali, come i visitatori, unici, nuovi e di ritorno, le impression, bounce rate, o frequenza di rimbalzo, la durata della sessione media, le sessioni uniche, il tempo di ingaggio, quanti click riceve il sito, e la durata tra loro, ecc.
•Metriche temporali, come giorno e data, orario di maggior frequenza o ingaggio.
•Metriche ambientali, come l’indirizzo IP, il browser usato, il tipo di device, la località o l’orario della zona.
•Metriche di sorgente, come il dominio di riferimento, ID della campagna o di affiliazione.
Metriche di Conversione, che risultano le misurazioni di performance, come l’acquisto, i lead, un App o il download di un contenuto. È dato dal rapporto tra gli utenti che atterrano sul sito e il numero di conversioni andate a buon fine.

Statistical Analytics sono quelle metriche che aiutano a raccogliere i dati e, con una visione più creativa, clusterizzarli, segmentarli e raggrupparli per analisi più approfondite, volte a far emergere dati nascosti o meno evidenti non precedentemente evidenziati dai report.
Si parte dai Big Data, quindi campioni di grandi dimensioni, per analizzare i cluster, quindi tramite pattern e valori di raggruppamento, basando la valutazione su variabili non valutate prima, possiamo comprendere le opportunità e criticità del nostro business.

L'analisi della triangolazione dei processi aziendali ad alto volume consente di trovare e prevedere i risultati dei processi aziendali producendo i migliori risultati parziali senza dover analizzare i processi di transazione in dettaglio.
Quindi definire le variabili comportamentali, che non si possono estrapolare solo da un report, raccoglierle ed analizzarle statisticamente per cogliere opportunità in maniera puntuale.
I metodi di analisi statistica sono diversi:
•l'analisi di regressione è un insieme di processi statistici per stimare le relazioni tra una variabile dipendente e una o più variabili indipendenti.
•L’analisi di classificazione si basa sulla su un training set di dati contenente osservazioni di cui si conosce la categoria per identificare a quale categorie appartiene una nuova osservazione.
•L'apprendimento delle regole di associazione è un metodo di apprendimento automatico basato su regole per scoprire relazioni interessanti tra variabili in database di grandi dimensioni.
•L'analisi dei cluster o clustering permette di raggruppare un insieme di dati in gruppi per verificarne le similitudini con altri gruppi.
•Il text mining che prevede l’analisi dei testi per raccogliere informazioni precedentemente non valutate.
Predictive Analytics permettono di estrarre insight dai data set esistenti con il supporto di tutti i dati statistici a disposizione e con l’aiuto del machine learning con l’obiettivo di prevedere eventi futuri e sconosciuti.
È necessario identificare le cause-effetto dei dati presenti nel data set, identificare, grazie a pattern e cluster, insights nascosti, e validarli rapportandoli nel passato, presente e futuro.
Il processo è circolare e in divenire, definendo gli obiettivi, preparando il modello, svilupparlo, lanciarlo e monitorarlo nel tempo per riattivarlo dopo le vidimazioni.
Per esempio, proviamo un nuovo canale di business, lo prepariamo, lo processiamo e lo mandiamo in produzione, da quel momento monitoriamo il flusso con o senza il nuovo modello, se i risultati soddisfano la previsione procediamo, altrimenti riattiviamo il processo con l’obiettivo l’ottimizzazione.
Marketing Analytics sono fondamentali per valutare l’impatto degli investimenti di marketing sul nostro business, supportando l’ottimizzazione e l’economia di scala, andando ad analizzare sia i dati interni con le metriche di “closed loop”, o metriche interne come la spesa di marketing, la spesa di conversione, i dati di vendita, i costi di acquisizione, i costi del sito e così via, ma anche i dati esterni come i costi di Google Ads, quindi le aste e il CPC e CPA, i costi di Facebook Advertising, banner esterni ecc.
Cambia, quindi, nel tempo la complessità ma anche il valore della misurazione di analytics per il marketing, che oggi ha un ritorno all’investimento diverso per ogni canale e ogni strumento che si utilizza.
Con queste metriche è possibile segmentare il target di pubblico in base al Life Time Value, quindi il valore che porta un cliente nel tempo, ottimizzare le campagne pubblicitarie, quindi i costi connessi, indirizzare gli investimenti in cluster più recettivi ed aumentare la soddisfazione del consumatore.
L’analisi comporta utilizzo di metriche differenti in base al tipo di attività che stiamo sviluppando con il consumatore.
•Metriche di Reach, orientate a raggiungere lead e prospect con uso di motori di ricerca, social media e comunicazione su canali di proprietà.
•Metriche di Engage, che misurano l’ingaggio che i nostri contenuti su canali di proprietà, su campagne e social network, che riceviamo dai lead e prospect.
•Metriche di Activate, che analizzano le vendite e le conversioni, misurando il passaggio da lead a cliente.
•Metriche di Nurture, che misurano il comportamento post acquisto e supportano azioni di marketing per il nutrimento del rapporto con il cliente nel tempo.

Ed in ultimo Talent Analytics che misurano, raggruppano e analizzano i dati interni, del capitale umano aziendale, per supportare la crescita e lo sviluppo delle persone.
Con questa analisi è possibile attivare una serie di azioni, formative ed informative, nel momento in cui si notano delle flessioni, oppure intervenire nel team building per le motivazioni di gruppo, o determinare quali azioni hanno determinato maggiore impatto nel business sul capitale umano.
La particolarità di queste metriche è tratteggiata dalla sensibilità dei dati che si raccolgono, le leggi sono molto serrate, motivo per cui deve essere autorizzato l’uso, devono coinvolgere gli individui, le loro aspettative, i loro i bisogni, il percorso di carriera interno, lo stato di motivazione e di soddisfazione.
In ultimo devono permettere una lettura omogenea per poter supportare i cambiamenti necessari senza impattare negativamente sulle persone e sulla struttura.
Il digitale sta cambiando il mondo, con il supporto degli analytics è possibile raccogliere, misurare, validare gli insights necessari per poter predire il futuro ed ottimizzare i processi, interni ed esterni, e stabilire un rapporto di lungo periodo con il proprio consumatore.