Al giorno d’oggi, le aziende investono sempre pi\u00f9 in nuove tecnologie in grado di raccogliere e aggregare vari tipi di dati per rendere il lavoro pi\u00f9 agile ed efficiente. Tuttavia, quando si utilizza uno stack tecnologico complesso, spesso sorgono sfide significative, come: <\/p>\n
Queste sfide spingono molte aziende ad adottare una Customer Data Platform (CDP).<\/p>\n
Una CDP pu\u00f2 raccogliere, unificare e gestire dati di prima e terza parte in un unico data warehouse<\/strong>, fornendo una visione a 360 gradi dei propri clienti. Ci\u00f2 consente alle organizzazioni di ottenere la business intelligence necessaria per aumentare le vendite, fidelizzare i clienti e prendere decisioni strategiche basate sui dati. <\/p>\n In un affascinante podcast di Humans of Martech, Michael Katz ricorda gli 8 passaggi essenziali che costituiscono una Customer Data Platform, come riportato da Arpit Choudhury nella sua serie di articoli sulle Customer Data Platform:<\/p>\n Ognuna di queste fasi rappresenta una sfida sia dal punto di vista tecnologico che strategico-etico. Esploriamo insieme quelle che consideriamo pi\u00f9 significative nel contesto di una soluzione che sfrutta la potenza del Cloud Data Warehouse invece di una tradizionale Customer Data Platform, ovvero: <\/p>\n Questa fase comprende tutte le attivit\u00e0 di acquisizione dei dati degli utenti. All’interno della CDI (Customer Data Infrastructure), sono inclusi tutti gli strumenti e le strategie di raccolta, a partire dal tracciamento degli analytics e dei pixel pubblicitari, proseguendo con la convergenza dei dati all’interno dei sistemi CRM, fino ad arrivare a soluzioni di raccolta pi\u00f9 avanzate come le carte fedelt\u00e0 nei punti vendita, i dati geolocalizzati o i dati sintetici.<\/strong><\/p>\n Questa fase \u00e8 spesso sottovalutata e affrontata in modo inverso rispetto al flusso di lavoro ideale. L’approccio comune tende a essere \u201craccogli prima i dati, poi capisci come usarli\u201d, e questo porta spesso a difficolt\u00e0 nella successiva unione o all’assenza di dati fondamentali. Un esempio classico \u00e8 non esporre nel tracciamento online i dati tipici del mondo fisico, come gli identificativi utente, il che rende poi impossibile correlare i due comportamenti. <\/p>\n Una solida Customer Data Infrastructure parte dalle esigenze e dagli obiettivi aziendali, copre l’intero customer journey e punta a una raccolta dati etica e robusta.<\/p>\n In questa fase, \u00e8 spesso essenziale adottare un approccio lean, tracciando in modo esteso ma solo ci\u00f2 che \u00e8 necessario.<\/strong> Questo approccio aiuta a dissipare l’illusione di tracciare tutti i dati e garantisce che solo i dati con uno scopo chiaro confluiscano nei sistemi aziendali.<\/p>\n L’ETL \u00e8 il secondo passo nel percorso dei dati utente e comprende tutti i processi che portano all’estrazione dei dati, alla trasformazione in un formato comune e al caricamento nel data warehouse.<\/strong><\/p>\n Durante questa fase, le aziende incontrano spesso problemi con la trasformazione dei dati, la perdita di dati durante l’ingestion e la necessit\u00e0 di mantenere la coerenza dei dati. Questi problemi derivano frequentemente da approcci non ottimali nella fase iniziale, dove vengono raccolte grandi quantit\u00e0 di dati incoerenti e poco strutturati, lasciando la responsabilit\u00e0 dell’ingestion alla fase ETL, rendendo difficile la risoluzione dei problemi alla fonte. <\/p>\n Anche in questa fase, partire da obiettivi di business snelli permette di stabilire modelli e strutture di dati definiti, oltre a uno scopo chiaro. Ci\u00f2 semplifica la comprensione di come le tabelle debbano essere correlate e il formato ottimale dei dati, rendendo il lavoro ETL semplice e robusto e garantendo la presenza di un Data Warehouse snello, efficiente e manutenibile. <\/p>\n In questa fase, l’identit\u00e0 di un utente viene tracciata attraverso varie piattaforme utilizzando identificatori unici.<\/strong> Questo processo \u00e8 fondamentale per il concetto stesso di Customer Data Platform. Innanzitutto, sposta l’attenzione dai canali all’utente, rendendo ampiamente disponibili azioni mirate e di fidelizzazione. Inoltre, permette di abbattere i silos aziendali e di ottenere una visione reale e unificata del comportamento e dell’interazione dell’utente. <\/p>\n Ci\u00f2 che rende complessa l’identity resolution \u00e8 che un’entit\u00e0 pu\u00f2 avere pi\u00f9 identificatori associati. Questi identificatori possono variare in base alla fonte o al sistema da cui provengono. Ad esempio, una persona pu\u00f2 avere un identificatore basato sul numero di telefono in un sistema, un altro basato sull’indirizzo email in un altro sistema, e cos\u00ec via. La gerarchia degli ID implica l’organizzazione di questi identificatori in una struttura o sequenza logica che determina quali siano pi\u00f9 affidabili o prioritari rispetto ad altri. <\/p>\n La parte cruciale dell’identity resolution \u00e8 il collegamento di questi identificatori tra loro. Questo pu\u00f2 essere fatto attraverso varie tecniche, come l’analisi delle somiglianze tra gli identificatori, la verifica dell’uguaglianza tra di essi o l’uso di algoritmi di correlazione avanzati. L’obiettivo \u00e8 connettere o mappare diversi identificatori a un identificatore primario o unico per l’entit\u00e0 in questione. <\/p>\n La Bytek Prediction Platform<\/strong> risolve questo problema assistendo nella configurazione di un identificatore unico fin dalla fase di raccolta dati, assicurando che l’intero processo rimanga coerente e razionale. Questo approccio aiuta a evitare complesse attivit\u00e0 di modellazione e riconciliazione che possono essere costose e risultare in una bassa qualit\u00e0 dei dati. <\/p>\n Una volta completata la fase di identity resolution, puoi avere la certezza di avere una visione a 360 gradi dell’utente. Di conseguenza, tutti i modelli e i segmenti che applichi possono essere attribuiti al singolo utente, liberando tutto il potenziale dell’automazione e della personalizzazione nell’esperienza utente. <\/strong><\/p>\n Gli utenti vengono divisi in gruppi omogenei in base a criteri quali interessi, comportamenti o dati demografici. Questo processo consente di personalizzare le strategie di marketing in base alle esigenze e alle preferenze di ciascun gruppo.<\/strong><\/p>\n Iniziamo distinguendo due processi che a volte vengono confusi ma che sono piuttosto diversi: segmentazione e clustering.<\/p>\n Per segmentazione intendiamo la divisione della nostra base clienti in segmenti. Di solito, questa attivit\u00e0 si basa su criteri qualitativi e decisioni aziendali. I segmenti di pubblico creati non considerano la \u201csomiglianza\u201d tra gli utenti, che pu\u00f2 essere presa in considerazione utilizzando tecniche di clustering statistico. Il significato \u00e8 indubbiamente forte, ma il valore statistico \u00e8 basso, il che porta a una scarsa affidabilit\u00e0 dei dati e a difficolt\u00e0 nell’utilizzare il segmento per il retargeting o l’analisi degli insight. <\/p>\n Il clustering, d’altra parte, \u00e8 un’analisi statistica che permette di dividere un pubblico in gruppi di utenti \u201csimili\u201d in base ai parametri che stiamo utilizzando. Ad esempio, possiamo produrre un’analisi RFM con l’obiettivo di identificare clienti ad alto potenziale, clienti frequenti ma con bassa spesa e top customer. Utilizzando tecniche di clustering come K-Means, raggrupperemo gli utenti in segmenti efficaci e significativi, assegnando l’etichetta corretta e monitorando statisticamente quando il nostro clustering continua ad avere una buona coerenza. <\/p>\n Spesso, la segmentazione degli utenti soffre di problemi che ne compromettono completamente l’efficacia. Approfondiamo i pi\u00f9 comuni: <\/p>\n Ci\u00f2 accade tipicamente quando non utilizziamo metodologie di segmentazione statistica o quando i dati in entrata sono imprecisi.<\/strong> Nel primo caso, siamo stati troppo arbitrari nel creare il segmento di pubblico, includendo utenti che probabilmente non appartengono direttamente a quel gruppo. L’esempio classico \u00e8 l’inclusione di utenti nella categoria \u201cTop Clients\u201d che non sono attualmente i migliori clienti dell’azienda, ma che riceveranno comunque messaggi e promozioni come se lo fossero. <\/p>\n Nel secondo caso, il problema non risiede nel sistema di segmentazione ma nella raccolta dei dati: potremmo aver perso alcune transazioni importanti a causa di problemi di tracciamento o dati gestiti male da una particolare fonte. Di conseguenza, un cliente molto importante potrebbe finire in un cluster di valore inferiore e non beneficiare appieno di tutte le strategie a lui dedicate. <\/p>\n Un altro errore comune nella segmentazione \u00e8 la tendenza a creare gruppi troppo piccoli per essere statisticamente significativi e utilizzabili sulle piattaforme pubblicitarie.<\/p>\n Se vogliamo assicurarci che le nostre strategie di marketing sfruttino al meglio il potenziale della segmentazione, i nostri gruppi devono avere dimensioni tali da poter essere targettizzati sia nelle campagne sulle piattaforme pubblicitarie che all’interno dei nostri sistemi di marketing diretto.<\/strong><\/p>\n Per quanto riguarda le piattaforme pubblicitarie, dobbiamo considerare i limiti della privacy e i limiti effettivi di erogazione. Il primo limite \u00e8 un metodo di protezione delle piattaforme volto a impedire loro di identificare facilmente i singoli utenti caricati sulle loro piattaforme e quindi di avere accesso alle informazioni senza il loro consenso. La protezione \u00e8 assolutamente necessaria, ma pone una sfida di targeting. Dobbiamo sempre essere in grado di creare audience di almeno 800\/1000 utenti se vogliamo garantire l’attivazione tramite Meta o Google. <\/p>\n Dobbiamo anche ricordare che non tutti gli utenti saranno riconosciuti quando invieremo questi segmenti alle piattaforme. Le percentuali di corrispondenza variano significativamente da settore a settore e possiamo verificare solo a posteriori se le nostre strategie di segmentazione stiano effettivamente creando audience utilizzabili. <\/p>\n Anche nel caso di campagne di marketing diretto, avere la giusta dimensione del pubblico \u00e8 importante. Avere segmenti con 1-2 utenti non \u00e8 vantaggioso in termini di aggregazione e automazione e pu\u00f2 impedirci di inviare messaggi efficaci. <\/p>\n Spesso, le attivit\u00e0 di segmentazione vengono svolte senza considerare la strategia di marketing e gli obiettivi di business. Tipicamente, le aziende sono divise in silos e la segmentazione viene eseguita dal team IT\/Data Science o dal team Marketing. <\/p>\n Questa divisione dei ruoli porta spesso a segmenti che non sono perfettamente allineati con la strategia e, quindi, difficili da usare. Ad esempio, avere un segmento di clienti frequenti potrebbe non essere sempre strategico se il nostro obiettivo finale non \u00e8 aumentare il numero di top client ma far crescere la base clienti. <\/p>\n Nel caso di segmenti basati su dati demografici o interessi, la questione diventa ancora pi\u00f9 delicata. Fornire dati sul genere o sull’et\u00e0 \u00e8 un’attivit\u00e0 standard che spesso comporta complessit\u00e0 e sfide legate al GDPR, anche se potrebbe non esserci una campagna che consideri questa segmentazione. <\/p>\n Solo il coinvolgimento attivo dei professionisti del business nel progetto di Customer Data Enrichment garantisce che il pubblico sia in linea con le esigenze strategiche e sia immediatamente applicabile.<\/strong><\/p>\n Come abbiamo visto all’inizio, una segmentazione manuale che non considera un approccio statistico rischia di includere in certi cluster utenti che non sono effettivamente simili agli altri. Sebbene questa flessibilit\u00e0 possa essere molto apprezzata da un punto di vista strategico, non \u00e8 raro vedere che l’uso di audience costruite in questo modo porti a scarse performance delle campagne a causa di un’errata segmentazione del pubblico. <\/p>\n Il processo di reverse ETL \u00e8 una parte cruciale della capacit\u00e0 di una CDP di integrarsi in un ecosistema di marketing e di attivare efficacemente la segmentazione e l’arricchimento dei dati dei clienti.<\/p>\n Il processo inverso parte dalla single-source-of-truth, il data warehouse creato durante la fase ETL, ed estrae i dati per integrarli nelle piattaforme di attivazione come CRM, piattaforme di Marketing Automation e piattaforme PPC (Google, Meta, TikTok).<\/strong><\/p>\n Il processo di reverse ETL \u00e8 l’unico responsabile della creazione di query efficienti e integrazioni stabili per garantire che i dati fluiscano correttamente e permettano al team di marketing di ottenere i massimi risultati.<\/p>\n Tuttavia, spesso non basta avere query ben strutturate. Dobbiamo concentrarci sulle esigenze specifiche di una campagna o di un percorso di automazione per garantire che il flusso di dati possa essere attivato con una strategia chiara e d’impatto. <\/p>\n La Bytek Prediction Platform \u00e8 costruita su questo presupposto, trasformando il paradigma dei dati non solo a livello tecnico ma, cosa pi\u00f9 importante, a livello strategico.<\/p>\n Abbiamo gi\u00e0 sviluppato strategie di attivazione e miglioramento delle performance come l’enriched bidding e, grazie alle nostre strategie, possiamo invertire il flusso dei dati ed esporre tutti i dati necessari affinch\u00e9 piattaforme come Google Ads possano sfruttare i dati di prima parte e migliorare significativamente le performance delle campagne.<\/p>\n Questo processo \u00e8 reso possibile da una vasta esperienza nella raccolta e integrazione dei dati di marketing, oltre a una profonda comprensione delle dinamiche del marketing digitale.<\/p>\n In questo modo, il processo di Reverse ETL pu\u00f2 essere descritto come veramente end-to-end.<\/p>\n","protected":false},"excerpt":{"rendered":" Al giorno d’oggi, le aziende investono sempre pi\u00f9 in nuove tecnologie in grado di raccogliere e aggregare vari tipi di dati per rendere il lavoro pi\u00f9 agile ed efficiente. Tuttavia, quando si utilizza uno stack tecnologico complesso, spesso sorgono sfide significative, come: L’impossibilit\u00e0 di gestire i dati centralmente perch\u00e9 organizzati in silos che non comunicano […]<\/p>\n","protected":false},"author":1,"featured_media":1279,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[12],"tags":[],"class_list":["post-1278","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-senza-categoria"],"yoast_head":"\n\n
\n
Customer Data Infrastructure (CDI)<\/h2>\n
ETL (Extract, Transform, Load) e Data Ingestion<\/h2>\n
Identity Resolution<\/h2>\n
Segmentazione del pubblico<\/h2>\n
Appartenenza errata al gruppo<\/h3>\n
Il problema di avere un gruppo di dimensioni troppo ridotte<\/h3>\n
La limitata rilevanza della segmentazione per le strategie di marketing<\/h3>\n
La bassa somiglianza tra gli individui all’interno del gruppo<\/h3>\n
Reverse ETL<\/h2>\n