Iscriviti alla nostra newsletter Tea O'Clock!
Granularità dei dati si riferisce al livello di dettaglio, alla "finezza" delle informazioni raccolte e analizzate. Tutte le dimensioni dei dati sono potenzialmente considerate:
Proprio come la capacità di implementazione o l'accelerazione dei processi, l'aumento della granularità è uno dei catalizzatori dell'attuale rivoluzione che sta trasformando le soluzioni di supporto alle decisioni di marketing. Dati inaccessibili, metodologie inadatte, potenza di calcolo insufficiente hanno impedito qualsiasi progresso in questo settore fino a pochi anni fa. I risultati standard si riducevano a elementi troppo aggregati e imprecisi per gestire efficacemente le azioni dei media o la loro digitalizzazione. Come si può ancora pensare di sviluppare strategie o addirittura tattiche di comunicazione basate su un semplice confronto dei ROI di "televisione" e "canali digitali", tutti i formati e le piattaforme combinati su scala nazionale su un target molto ampio?
Qualunque sia la tecnica utilizzata - MMM, test di incrementalità, esperimenti e altro ancora, usati da soli o in combinazione - la solidità e l'azionabilità dei risultati dipendono dalla capacità del sistema di tradurre il "mondo reale", di trascrivere il ruolo di ogni tipo di azione di marketing con i consumatori, il loro contributo alla performance del marchio...
Per modelli più pertinenti e precisi. Anche se può sembrare paradossale, l'aggiunta di granularità spesso semplifica la costruzione dei modelli e ne migliora la precisione. Una maggiore granularità dei dati evita di "annegare nei valori medi" gli effetti, spesso non omogenei, delle azioni di marketing. Ad esempio, valutare l'efficacia di una campagna di digital display urbana altamente localizzata sulla base della performance di un marchio nell'intero Paese (combinando aree esposte e non esposte) porta inevitabilmente a sottostimarne il contributo. Lo stesso vale per l'efficacia delle azioni svolte su diverse piattaforme video online, troppo spesso aggregate in un "VOL" complessivo che cancella le differenze.
Diversi studi hanno dimostrato guadagni molto sensibili in termini di qualità e stabilità dei modelli grazie a una maggiore granularità. Citiamo in particolare quelli realizzati da Nielsen*: un'analisi di 19 MMM su categorie di prodotti nei settori dei beni di consumo e dell'e-commerce in Giappone, per i quali i modelli sono stati realizzati simultaneamente su dati di vendita e media a livello nazionale e regionale (46 prefetture). L'esattezza dei MMM varia in modo significativo a seconda della granularità dei dati su cui sono costruiti. Se l'approccio MMM sui dati nazionali ha permesso di identificare un contributo alle vendite incrementali per il 16% delle leve/canali media, questa percentuale ha raggiunto il 66% quando è stata introdotta la dimensione regionale.
Allo stesso modo, tenendo conto delle differenze di efficacia delle azioni di marketing tra i diversi segmenti di clientela per i retailer e gli operatori del commercio online, cinquantacinque rileva significativi guadagni di precisione per i nostri modelli. Questo è il fondamento di un approccio di modellazione basato su agenti* che ci permette di simulare gli effetti delle campagne su diverse coorti di consumatori.
Più in generale, una visione eccessivamente aggregata non permette di prendere in considerazione gli effetti di mix all'interno di un mezzo. Ad esempio, nella ricerca, una variazione nel rapporto tra l'importo speso per il marchio e l'importo totale speso per la ricerca avrà un forte impatto sulla performance. Se non si tiene conto delle dimensioni brand e non brand e questo rapporto varia in modo significativo nel tempo, i risultati della modellazione non rispecchieranno affatto la realtà dei consumatori e saranno imprecisi, se non addirittura errati.
Risultati su scala operativa. Invece di rimanere a livello di grandi aggregati, gli analisti di marketing possono ora capire come ogni componente, ogni elemento del marketing mix contribuisca alla performance del marchio. Chi può ancora accontentarsi di una misura in cui tutte le campagne, tutte le piattaforme "Social media" sono cumulate, in cui i formati video non possono essere isolati...? Come non integrare una dimensione "Retailer" per un'analisi dell'efficacia delle "Reti di media al dettaglio", quando le azioni che vi si svolgono sono significativamente diverse?
Inoltre, questa profondità di analisi offre una migliore comprensione delle interazioni tra i canali di marketing, evidenziando potenziali sinergie ed effetti leva che possono essere sfruttati per migliorare i risultati complessivi. Si pensi, ad esempio, a una campagna di affissione digitale urbana, dove la misurazione dei guadagni derivanti dall'interazione con una campagna televisiva o da un'azione promozionale nelle aree affisse fornisce una visione direttamente operativa.
Gli approfondimenti ottenuti aprono ovviamente la strada a un'allocazione delle risorse di marketing più vicina alle esigenze operative su tutte le dimensioni rilevanti (leve di marketing, aree geografiche, segmenti di consumatori...), mentre in precedenza i risultati del MMM non offrivano questo indispensabile zoom che consentiva di ottenere risultati azionabili. L'adozione della granularità nel MMM non è quindi solo una scelta tecnica o metodologica, ma un imperativo aziendale.
Una proiezione più solida e reattiva nel futuro. Una migliore comprensione del ruolo di ciascun canale di marketing a un livello più fine, che rifletta più fedelmente la realtà dei mercati, rende anche più affidabili le previsioni e le simulazioni degli impatti delle campagne pianificate in un approccio di scenario-planning.
I miglioramenti operativi influiscono anche sull'agilità del processo decisionale di marketing e sulla capacità di adattarsi rapidamente ai cambiamenti delle dinamiche di mercato. Infatti, monitorando i dati granulari, gli analisti di marketing possono identificare rapidamente i cambiamenti nel comportamento dei consumatori, le tendenze emergenti, le sfide della concorrenza o l'evoluzione delle reazioni del target a un elemento mediatico o creativo, le prestazioni di una strategia mediatica o una tattica di comunicazione.
Sebbene il contributo della granularità alla misurazione e all'ottimizzazione dell'efficacia del marketing sia innegabile, la sua integrazione nei sistemi di supporto alle decisioni rimane un progetto considerevole, da gestire come tale.
La prima sfida è naturalmente quella di determinare il livello ottimale di granularità all'interno di una piattaforma di dati. Una delle principali insidie può essere quella di puntare a una granularità eccessiva. Un livello di granularità più elevato può generare un costo aggiuntivo. È inoltre necessario prestare attenzione a quanto segue:
Il punto non è rinunciare ai fondamenti della curatela e della raccolta delle informazioni... nessuna tecnica di data science potrà compensare una minore rilevanza dei dati di base!
Allo stesso modo, la scelta degli approcci di modellazione e degli algoritmi di elaborazione è fondamentale. Spesso è necessario trovare un compromesso tra la granularità dei dati raccolti e la complessità e le prestazioni dei modelli necessari. In questo modo, si determinerà un ragionevole livello di dettaglio per la calibrazione, lo sfruttamento e la validazione dei modelli. In ogni caso, va notato che i dati a un livello di dettaglio più fine possono essere conservati in una piattaforma di dati ed essere oggetto di studi ad hoc utilizzando procedure specifiche di data science. Così, per un rivenditore, i dati sono modellati per reparto di prodotti per le analisi ricorrenti; un dettaglio più fine (per esempio, per marchio all'interno di un reparto) è la base per studi ad hoc quando è necessario analizzare una questione più avanzata (per esempio, la sinergia tra la comunicazione di un rivenditore e le strategie promozionali di un produttore).
L'esperienza di fifty-five dimostra che nella maggior parte dei casi il successo si basa su un'implementazione progressiva, passo dopo passo. I "piccoli passi", che costituiscono la base di qualsiasi sviluppo di un sistema di supporto alle decisioni di "Marketing Efficiency "*, sono ancora più essenziali quando si punta ad aumentare la granularità. Ogni passo dà luogo a una revisione critica e a una prioritizzazione delle esigenze in termini di arricchimento delle piattaforme di dati e di algoritmi in grado di estrarre e sfruttare gli insight relativi all'efficacia delle azioni di marketing.
Per un inserzionista del settore "Beni di consumo" negli Stati Uniti, dopo aver implementato una soluzione MMM a livello nazionale, il primo passo è stato quello di testare i potenziali vantaggi della modellazione su una scala geografica più fine per la quale erano disponibili dati di vendita settimanali.
Dopo qualche settimana, l'analisi su un campione di queste aree:
Parallelamente, il marchio ha potuto confrontare questi guadagni con i suoi esperimenti controllati su aree geografiche (GeoTest / GeoExperiments) e con i suoi studi quasi-sperimentali basati su dati osservati nella storia.
La seconda fase di questo processo, svolta in 6 settimane, è consistita nell'adattare la piattaforma di dati e i modelli per generalizzare questi progressi sia nella dimensione geografica che in quella mediatica.
Una terza fase ha permesso di arricchire il sistema prendendo in considerazione:
In conclusione, la granularità dei dati è fondamentale per la modellazione del marketing mix e, più in generale, per gli strumenti di misurazione e ottimizzazione dell'efficacia del marketing. Essa consente una maggiore precisione, una maggiore operatività, una maggiore solidità delle previsioni e una maggiore reattività ai cambiamenti del mercato. Tuttavia, il raggiungimento di una granularità ottimale richiede un'adeguata gestione dei dati e una scelta oculata degli algoritmi di modellazione.
Articolo scritto da Mathieu Lepoutre e Arnaud Parent
Scoprite tutte le ultime notizie, articoli, repliche di webinar e cinquantacinque eventi nella nostra newsletter mensile, Tea O'Clock.
.svg)
.jpg)
