Passa al contenuto
02_Elementi/Icone/FrecciaSinistra Torna a Insight
Approfondimenti > Prestazioni di marketing

Raggiungere risultati ambiziosi con la scienza dei dati

4 minute read | Avi Jain, Regional Data Science Client Lead, Nielsen | Marzo 2019

Viviamo in un mondo in cui i dati crescono in modo esponenziale e sempre più sforzi vengono fatti per utilizzarli al meglio. Oggi i marketer hanno a disposizione una quantità di dati più che sufficiente, ma sono alla ricerca di modi migliori per utilizzare e collegare i loro set di dati per ottenere approfondimenti più profondi e preziosi.

La sfida risiede nel modo in cui consideriamo l'applicazione della scienza dei dati e nel modo in cui noi data scientist siamo stati formati. Lavorando negli anni a progetti di data science e analytics, sono riuscito a vedere un modo più semplice per raggiungere obiettivi più grandi e audaci.

Si tratta di un processo in quattro fasi:

  1. Iniziare con un risultato ambizioso
  2. Suddividere il risultato in gruppi di azioni più piccoli
  3. Esplorare i dati ed eseguire l'analisi (iterativa)
  4. Legare i risultati all'obiettivo prefissato

Questo processo funziona meglio del tradizionale processo di risoluzione dei problemi della scienza dei dati perché riduce l'ambiguità e alimenta la spinta al risultato da parte di tutti i soggetti coinvolti. Il processo tradizionale di scienza dei dati inizia con l'identificazione di un problema, per poi passare alla raccolta dei dati, alla modellazione dei dati e alla valutazione. Il cuore del processo tradizionale di scienza dei dati è la complessità. La complessità ci costringe generalmente a pensare in modo più razionale e analitico e non ci fa usare la nostra creatività. L'ambizione, invece, ci incoraggia a partire dal pensiero creativo per poi passare al lato analitico del cervello.

Ora suddividiamo il nostro processo nelle singole fasi.

Iniziare con un risultato ambizioso

Supponiamo che vogliate raggiungere il 5% di quota aggiuntiva nel prossimo anno. Innanzitutto, definite il vostro risultato ambizioso. In questo caso, il 5% di quota in più. La psicologia comportamentale dice che è importante riformulare l'obiettivo in modo positivo, perché in questo modo la mente è in grado di pensare in modo più creativo per raggiungere gli obiettivi.

In questo esempio, supponiamo che vogliate aumentare le quote espandendo la vostra rete di distribuzione in Indonesia. L'Indonesia è un Paese molto frammentato dal punto di vista geografico, con 17.000 isole, e i trasporti rappresentano una sfida. L'obiettivo è quello di raggiungere dal 50% all'80% del mercato al minor costo possibile e tutto questo nell'arco di un anno.

Suddividete il vostro risultato in gruppi di azioni più piccoli

Questo è fondamentale perché si vuole suddividere il grande risultato ambizioso in insiemi più piccoli e gestibili. È utile anche suddividere i dati in insiemi "mutuamente esclusivi e collettivamente esaustivi". Questo aiuta a suddividere il risultato in più sotto-obiettivi e a velocizzare il processo. Nel nostro esempio, abbiamo suddiviso il risultato in tre gruppi di azioni:

  1. Geografie dense che richiedono la creazione di un distributore
  2. Geografie sparse che richiedono l'installazione di sub-distributori
  3. Cluster di popolazione in crescita

Esplorare i set di dati ed eseguire l'analisi

Questa è una parte importante del processo. Iniziate ad esplorare le fonti di dati ed elencate ciò che è disponibile e ciò che non lo è (ma è indispensabile). In questo esempio, possiamo utilizzare i dati del censimento retail Nielsen e i dati del panel retail con caratteristiche diverse, come le dimensioni del negozio, le vendite del negozio, le coordinate della posizione del negozio, ecc. Possiamo quindi integrare questi due set di dati per ottenere una serie di caratteristiche significative.

Tuttavia, riconosciamo anche i casi in cui le nostre serie di dati sono insufficienti. In questo caso, potremmo scoprire che c'è un'area considerevole al di fuori del nostro raggio d'azione. Di conseguenza, potremmo non disporre di alcuni tipi di informazioni, come la popolazione, il numero di banche, che può indicare prosperità, e altri dati. Dobbiamo quindi individuare altre fonti, come i censimenti della popolazione, per ottenere queste caratteristiche.

Questi dati vengono poi fusi e sottoposti a un modello di regressione multipla, che identifica le opportunità per ogni area/località.

È probabile che siano necessarie alcune iterazioni per garantire l'accuratezza della previsione. Infine, questi dati possono essere uniti ai dati di distribuzione del cliente o di prima parte.

Legare i risultati all'esito

Il passo finale consiste nel collegare tutti i risultati dei set di azioni.

In questo esempio, siamo in grado di utilizzare questi dati per tracciare i cluster di aree e isolati che offrono le maggiori opportunità e che possono essere realisticamente supportati dalla rete di distribuzione esistente con solo un leggero aumento del raggio e la creazione di pochi sub-distributori nei cluster in crescita.

In questo esempio, siamo in grado di combinare più serie di dati per fornire una soluzione semplice che delinea una soluzione chiara a un obiettivo grande e ambizioso. Il che dimostra che non sempre conviene iniziare con una dichiarazione del problema, ma piuttosto con un obiettivo ambizioso e positivo.

Quindi, la prossima volta che iniziate un nuovo progetto, date una possibilità a questo processo e partite con un obiettivo ambizioso e un pensiero creativo.

Continua a sfogliare approfondimenti simili