Analisi predittiva: il modello è la parte facile
Prevedere domanda e comportamenti d'acquisto non è un problema di algoritmi. È un problema di dati che quasi nessuno ha messo in ordine.
In sintesi
L'analisi predittiva nel marketing fallisce raramente per colpa del modello: fallisce per dati sporchi, storico troppo corto e assenza di una decisione operativa collegata alla previsione. Prima di parlare di machine learning servono un identificativo cliente unico, almeno due anni di storico ordini e una domanda di business precisa a cui la previsione deve rispondere.
- Una previsione che non cambia una decisione è un esercizio di stile: prima si definisce l'azione, poi il modello.
- Senza un identificativo cliente unico tra e-commerce, CRM e punto vendita non esiste storico su cui prevedere nulla.
- Servono almeno due cicli stagionali completi di dati per distinguere una tendenza da un rimbalzo.
- I tre casi che ripagano subito: previsione della domanda per l'inventario, punteggio di abbandono sui clienti attivi, stima del valore del cliente nei primi 90 giorni.
- Il modello più semplice che batte la decisione attuale è già un successo: il confronto non è con la perfezione, è con quello che si fa oggi.
Indice dell'articolo
Ogni volta che in una riunione esce la parola "predittivo", la conversazione prende la stessa piega: quale strumento usiamo, serve un data scientist, quanto costa la piattaforma. Sono tutte domande premature.
Nei progetti su cui lavoro, la previsione non è quasi mai il collo di bottiglia. Lo sono i dati che dovrebbero alimentarla e, ancora prima, la decisione che dovrebbe cambiare.
Partire dalla decisione, non dal dato
La domanda da cui partire non è "cosa possiamo prevedere". È: quale scelta prendo oggi al buio, e quanto mi costa sbagliarla?
Se la previsione arrivasse domani mattina, chi cambierebbe comportamento e in che modo?
Se non c'è una risposta precisa — il buyer riordina diversamente, il budget si sposta da una campagna all'altra, il servizio clienti contatta una lista invece di un'altra — il progetto produrrà una dashboard elegante che nessuno aprirà dopo il secondo mese. L'ho visto succedere abbastanza volte da metterlo come primo filtro.
I tre casi che ripagano per primi
Nella pratica di un e-commerce o di un'azienda B2B strutturata, tre applicazioni danno ritorno prima delle altre perché intercettano decisioni che si prendono comunque, ogni settimana:
Previsione della domanda per categoria. Serve a decidere quanto riordinare e quando. È l'applicazione con l'effetto più immediato sul conto economico, perché agisce contemporaneamente su capitale immobilizzato e vendite perse per rottura di stock.
Punteggio di abbandono sui clienti attivi. Serve a decidere chi contattare prima che smetta di comprare. Su un business a riacquisto, intercettare in anticipo il 20% dei clienti a rischio vale più di qualsiasi campagna di acquisizione dello stesso costo.
Stima del valore del cliente nei primi 90 giorni. Serve a decidere quanto si può pagare per acquisire un cliente da un certo canale. È il numero che trasforma il costo di acquisizione da vincolo arbitrario a soglia motivata.
Tutti e tre hanno una caratteristica in comune: la previsione entra in un processo che già esiste. Non se ne inventa uno nuovo.
Il prerequisito che nessuno vuole affrontare
Qui arriva la parte scomoda. Perché un modello funzioni, i dati devono rispettare tre condizioni, e nella maggior parte delle aziende almeno una manca:
| Condizione | Cosa significa in pratica |
|---|---|
| Identificativo cliente unico | Lo stesso cliente è riconoscibile tra e-commerce, CRM, punto vendita e servizio clienti |
| Storico sufficiente | Almeno due cicli stagionali completi, cioè quasi sempre due anni di ordini |
| Definizioni stabili | "Cliente attivo", "reso", "ordine annullato" significano la stessa cosa in tutti i sistemi |
La terza è quella che sorprende di più. Capita spesso di scoprire che il reparto logistica e quello marketing contano gli ordini in modo diverso — uno include i resi, l'altro no — e che nessuno se n'era mai accorto perché i due numeri non erano mai finiti nella stessa slide.
Mettere ordine qui non è un lavoro affascinante, ma è quello che determina se il resto funzionerà. Un modello sofisticato su dati incoerenti produce previsioni sbagliate con grande sicurezza, che è lo scenario peggiore: sbagliare sapendo di non sapere è recuperabile, sbagliare credendo di sapere no.
Il confronto giusto non è con la perfezione
C'è un'ultima trappola, ed è di aspettativa. Un modello predittivo non va valutato rispetto alla previsione perfetta, ma rispetto a come si decide oggi.
Oggi, nella maggior parte dei casi, il riordino si fa guardando le vendite dell'anno prima e aggiungendo una percentuale a sentimento. Se un modello semplice — anche solo una media mobile pesata con la stagionalità — riduce del 15% le rotture di stock rispetto a quel metodo, ha già pagato il progetto. Non serve il modello migliore possibile: serve il primo modello che batte l'abitudine.
Questo cambia anche il modo di partire. Non con una piattaforma, ma con un caso singolo, una categoria di prodotto, tre mesi di prova e un confronto onesto tra la previsione e ciò che è successo davvero.
Da dove cominciare
- Scegli una decisione ricorrente che oggi prendi con poche informazioni e che ha un costo misurabile se sbagliata.
- Verifica i dati che servono a quella decisione, solo quelli: identificativo, storico, definizioni. Non partire da un progetto di riordino di tutto il patrimonio dati aziendale, non finirebbe mai.
- Costruisci la versione più semplice possibile e falla girare in parallelo al metodo attuale per un trimestre, senza cambiare nulla.
- Confronta i due risultati su una metrica sola, decisa prima.
Se la versione semplice vince, hai un caso concreto per investire sul resto — e un'azienda che si fida del numero, che è la condizione più difficile da costruire. Se perde, hai speso un trimestre invece di un budget annuale per scoprirlo.
Fonti
Domande frequenti
Quanti dati storici servono per fare analisi predittiva?
Come regola pratica, almeno due cicli stagionali completi: per la maggior parte degli e-commerce significa due anni di ordini. Con meno storico il modello non riesce a separare la stagionalità dal rumore e tende a scambiare un picco occasionale per una tendenza.
Serve un data scientist per iniziare?
Non per iniziare. I primi risultati utili — previsione della domanda per categoria, segmentazione RFM, punteggio di abbandono — si ottengono con gli strumenti che l'azienda ha già, spesso un foglio di calcolo ben fatto o le funzioni native del CRM. Il data scientist serve dopo, quando il processo è consolidato e va reso automatico.
Qual è l'errore più comune nei progetti di analisi predittiva?
Costruire la previsione senza aver deciso prima quale scelta cambierà. Se nessuno modifica il riordino, il budget o il piano di contatto in base al risultato, il progetto produce dashboard che nessuno guarda.