Il mondo dei sales analytics, cioè dei sistemi evoluti di analisi delle vendite, oggi è popolato da un’offerta tecnologica vasta e articolata. Questo non significa, però, che le aziende ne stiano facendo un utilizzo pienamente consapevole e proficuo.
28 Jul, 2021

Il mondo dei sales analytics, cioè dei sistemi evoluti di analisi delle vendite, oggi è popolato da un’offerta tecnologica vasta e articolata. Questo non significa, però, che le aziende ne stiano facendo un utilizzo pienamente consapevole e proficuo. Anzi, secondo quanto riporta una ricerca di Gartner dal titolo The future of sales analyticsil 53% delle organizzazioni intervistate attribuisce la scarsa qualità delle informazioni di vendita a dati imprecisi e incompleti. Solo metà del campione, inoltre, ha istituito un organismo formale di governance dei dati. In assenza, risulta difficile, per non dire impossibile, costruire modelli di sales analytics in grado di guidare campagne di cross selling e up selling realmente efficaci.  

Non basta, in pratica, una tecnologia che a valle fornisca report e dashboard, se a monte manca un lavoro di raccolta e armonizzazione capace di estrapolare insight dalla mole dei Big Data grazie soprattutto al ricorso all’intelligenza artificiale (AI). Ecco, perciò, 5 consigli per sfruttare al meglio i sales analytics. 

 

1. Capire le potenzialità dei sales analytics 

L’uso sapiente della tecnologia non significa che il direttore Sales & Marketing debba diventare un tecnologo o un data scientist, ma piuttosto che capisca le potenzialità che la nuova tecnologia e gli strumenti di analisi all’avanguardia gli mettono a disposizione. È da una comprensione più accurata dei customer behaviour, infatti, che si possono fondare strategie di vendita di prodotti correlati, cioè cross selling, o di prodotti che hanno un maggior valore aggiunto, vale a dire up selling. 

 

2. Macchina e uomo, a ciascuno il suo 

Il fatto che il direttore Sales & Marketing non sia un esperto di Big Data e AI coincide con l’esigenza che debba essere aiutato a interpretare correttamente i suggerimenti che il sistema autonomamente gli propone. Suggerimenti che come tali vanno considerati e non come decisioni che possono essere delegate alla “macchina”. Quest’ultima velocizza l’incrocio di dati e la scoperta di pattern che altrimenti richiederebbero tempi molto più lunghi, ma la decisione resta comunque appannaggio dell’uomo. 

 

3. I modelli statistici nei sales analytics 

I sales analytcs si basano su motori statistici che permettono di inoltrarsi in una “foresta di dati”, ma questo non coincide con ritrovati miracolosi o con modelli statistici universali e perfetti. Ne esistono di diversi con cui si possono avviare simulazioni a livello di singolo prodotto, di canale retail, di cluster di consumatori e così via. La tipologia di demand planning può cambiare molto in funzione di queste variabili. Per questo un sistema di intelligenza artificiale serve a catturare le oscillazioni della domanda per creare modelli statistici man mano sempre più appropriati

 

4. Demand planning e business discovery 

Le architetture di demand planning consentono di anticipare i bisogni di mercato e supportano nella definizione di risposte reattive, in linea con trasformazioni sempre più repentine. A differenza della business intelligence tradizionale che adotta parametri deterministi (al mutare di un fattore, mutano tutti gli altri), i sales analytics associati ai sistemi contemporanei di demand planning sono frutto di una capacità di business discovery che, nel navigare dentro i dati, identifica tra moltissime informazioni quelle che sono da considerare davvero rilevanti

 

5. Il ruolo dell’AI per i sales analytics 

Parlare oggi di AI non è più fantascienza. Dal machine learning, che apprende continuamente dai dati che vengono analizzati, ai motori di raccomandazione che propongono ai clienti acquisti in modalità up selling o cross selling, l’universo dell’intelligenza artificiale arricchisce i sales analytics di informazioni che provengono non solamente dai sistemi aziendali, ma da fonti eterogenee, esterne all’organizzazione. Fino a riuscire a consigliare nicchie di mercato che ad esempio non si stavano ancora esplorando o che erano state trascurate. 

 

 

Questi 5 consigli rischiano di non avere alcuna incidenza se, assieme alla tecnologia, non sono accompagnati da un nuovo approccio culturale. I sales analytics che si possono ottenere con modelli statistici raffinati e piattaforme di ultima generazione in definitiva hanno bisogno di manager pronti a saperli leggere e a farli diventare la leva per il business dell’azienda. 

 

marketing sales analytics