Come l’AI costruisce un’offerta personale per il singolo cliente

Come fa un modello di raccomandazione a scegliere i prodotti da inserire nell’offerta personale di un cliente?

Il modello lavora sulla somiglianza dei comportamenti, non sugli attributi anagrafici del cliente: individua i clienti il cui carrello somiglia a quello in esame e ordina ogni prodotto in base alla probabilità che quel cliente specifico lo acquisti. L’input sono i dati transazionali: che cosa le persone hanno effettivamente comprato e in quali combinazioni.

In Retano CRM & Loyalty l’elenco è costruito per singolo cliente e non per segmento, quindi l’offerta è unica per la persona invece di essere condivisa da un gruppo. L’elenco viene generato per una data obiettivo definita. Una volta calcolato, alimenta una meccanica di premio nel programma fedeltà e viene mostrato nell’app, dove il cliente tiene già la carta fedeltà e i coupon attivi: l’offerta lo raggiunge mentre pianifica la spesa, non dopo.

L’obiettivo commerciale è l’economia del carrello, non il tasso di apertura. Gli obiettivi dichiarati della meccanica sono le vendite incrociate, più referenze per scontrino e un intervallo più breve tra le visite. I risultati riportati dai programmi in esercizio indicano un carrello medio superiore del 63% e uno scontrino medio superiore del 21% tra i clienti fedeli.

Che cosa impedisce a un’offerta personalizzata di proporre qualcosa di irrilevante?

Il filtraggio, applicato dopo che il modello ha ordinato i candidati e prima che qualcosa raggiunga il cliente. È il passaggio che distingue un motore di raccomandazione che funziona in un supermercato da uno che funziona in una demo.

Retano CRM & Loyalty applica diversi vincoli, quattro dei quali hanno rilievo commerciale. Le categorie che non devono mai entrare in un’offerta personale sono escluse a priori — sacchetti, sigarette, la carta fedeltà stessa — perché una raccomandazione personale su un sacchetto compromette la credibilità di ogni altra offerta del programma. I prodotti a bassa rotazione sono esclusi, così la personalizzazione non viene riconvertita in uno strumento per smaltire referenze che nessuno vuole. I prodotti acquistati di recente dal cliente vengono eliminati, perché scontare un riacquisto regala margine su una vendita che sarebbe comunque avvenuta. E l’elenco è limitato ai prodotti con vendite recenti nel punto vendita in cui quel cliente acquista più spesso, così la raccomandazione riflette l’assortimento che quel negozio tratta davvero e non l’intero catalogo dell’insegna.

L’ultimo vincolo è quello più facile da saltare e più evidente quando manca. Un elenco di raccomandazioni valido per l’intera insegna proporrà senza problemi referenze che un determinato punto vendita non ha mai trattato, e il cliente lo legge come un’insegna che non conosce la propria rete.

Come si personalizza per un cliente che non ha storico di acquisti?

Su un percorso separato rispetto ai clienti attivi, ed è la parte che la maggior parte dei programmi di personalizzazione salta. I nuovi iscritti e i clienti inattivi sono il margine di crescita disponibile, e sono esattamente quelli su cui un modello di somiglianza ha meno materiale su cui lavorare.

Retano CRM & Loyalty li gestisce in due modi. Un cliente che non ha effettuato acquisti nel periodo di addestramento del modello riceve raccomandazioni costruite sul suo storico precedente, per quanto ridotto, e quando nemmeno questo basta l’elenco viene completato con prodotti popolari. Per i clienti presenti nel set di addestramento che dopo il filtraggio restano con troppi pochi candidati, lo spazio viene riempito con i prodotti più venduti nel punto vendita che quel cliente frequenta, misurati sugli scontrini recenti di quel negozio specifico e non su una classifica valida per tutta l’insegna, perché i prodotti più venduti di un format di prossimità in centro città e di un supermercato di periferia sono diversi.

La segmentazione sostiene lo stesso gruppo dall’altro lato: i clienti appena registrati con poco storico, quelli che hanno acquistato una sola volta senza tornare e quelli che acquistavano e mancano da tempo vengono identificati ciascuno come segmento distinto e possono ricevere una meccanica dedicata. Il limite, detto onestamente, è che una prima offerta a un cliente senza storico è una supposizione informata, non una previsione: il suo compito è generare il secondo scontrino, che è ciò di cui il modello ha davvero bisogno.

In che modo le associazioni tra prodotti cambiano il disegno di una promozione?

Sostituiscono le ipotesi con evidenze su quali prodotti si trascinano a vicenda. L’analisi dei singoli scontrini sull’intera insegna rivela le dipendenze a coppie tra prodotti — in parole semplici, chi ha comprato X ha comprato anche Y — e l’analitica AI di Retano trasforma le correlazioni individuate in quattro input per il calendario promozionale.

I prodotti complementari vengono selezionati per ottimizzare le meccaniche promozionali, invece di scontare referenze scelte a intuito. Vengono individuati i prodotti «driver» nascosti, quelli che trainano le vendite di altri articoli e che possono valere una promozione anche a margine ridotto, perché il ritorno arriva altrove nel carrello. Le combinazioni di prodotti vengono analizzate all’interno di specifici segmenti di clienti, perché le coppie che funzionano sui clienti abituali a prezzo pieno non sono quelle che funzionano sui clienti guidati dalla promozione. E la stabilità e la stagionalità delle correlazioni individuate vengono monitorate nel tempo, così una meccanica non nasce su uno schema valido per un solo trimestre.

Il risultato è abbastanza concreto da essere configurato direttamente: 20% di sconto su una referenza della categoria caffè acquistando tre referenze della categoria cioccolato.

Quali clienti devono ricevere uno sconto, e con quale profondità?

Quelli il cui comportamento cambia grazie allo sconto. Uno sconto indifferenziato viene pagato anche ai clienti che avrebbero comprato comunque a prezzo pieno, e l’analisi comportamentale è ciò che rende visibile quel gruppo.

L’analitica AI di Retano separa la base in gruppi con profili commerciali distinti:

• un nucleo che acquista con frequenza, in volumi elevati, a prezzo pieno;
• un gruppo fedele con acquisti frequenti, buono scontrino medio e bassa dipendenza dalla promozione;
• un gruppo regolare e stabile con scontrino medio prevedibile;
• clienti che visitano in modo irregolare senza una fedeltà consolidata;
• clienti che acquistano quasi esclusivamente in promozione con scontrino medio basso;
• e clienti la cui attività si è spenta fino alla soglia dell’abbandono.

Ogni gruppo può portare una meccanica diversa con una profondità diversa, che è un esercizio differente dall’inviare a tutti lo stesso coupon e misurarne la risposta.

Il punteggio di abbandono segue lo stesso principio incrociando rischio e valore del cliente, così la spesa di riconquista si concentra sui clienti di alto valore realmente a rischio e non su tutti quelli che hanno saltato una settimana. Il miglioramento della retention riportato nei programmi in esercizio è del 50%, e la piattaforma è concepita per mantenere invariati i costi di fidelizzazione mentre la personalizzazione viene introdotta. L’avvertenza è che la profondità dello sconto è una decisione commerciale e non un output del modello: l’analitica individua chi, il retailer decide quanto.

Vuoi offerte personali costruite sui tuoi dati transazionali?

Retano CRM & Loyalty gestisce i modelli, le meccaniche di premio e le comunicazioni su un’unica piattaforma, e un’insegna va in esercizio in due-quattro mesi. Prenota una demo: mostriamo offerte prodotto personalizzate, associazioni tra prodotti e segmentazione comportamentale su dati reali del retail.