Ricerca Sociale & Business Intelligence: Metodologie ed Esempi

ricerca sociale

PREMESSA

Entrambe presenti da decenni nella stessa casa (il cliente) ma mai pronte ad unirsi, tenendo ben definiti i ruoli, le competenze e i rispettivi budget.

Questa convivenza duratura non è sicuramente un matrimonio ma il rapporto tra Ricerca Sociale e Business Intelligence è di certo una lunga convivenza che, stante la crisi che stanno vivendo gli Istituti di Ricerca classici, sta per sfociare in quello che sarà il matrimonio del secolo.

In questo articolo si cercherà di mettere in luce come i problemi attuali possano essere superati grazie a metodologie analitiche in grado di fornire vantaggi competitivi alle aziende che vorranno metterle in atto.

 

UNA CRISI “A VALORE”

Nuovi paradigmi culturali, una maggiore velocità di cambiamento, nuovi players con nuove metodologie e tecnologie, etc. stanno concorrendo alla crisi che gli Istituti di Ricerca stanno vivendo, cercando in modo ossessionato nuove “revenues stream”.

La Ricerca Sociale e la Business Intelligence sono entrambe utili poiché solo insieme si riesce a studiare realmente un fenomeno, unendo insight derivanti dalle analisi sui dati “endogeni” (es. fenomeni comportamentali d’acquisto presenti nei DB interni all’azienda) ad insight “esogeni” derivanti dallo studio del mondo che ci circonda (es. pressione competitiva, potenziali clienti sul territorio, etc.).

Fino ad oggi però Ricerca Sociale e Business Intelligence hanno viaggiato su traiettorie parallele che mai si sono mai incontrate. Oggi invece hanno finalmente la possibilità di incontrarsi e generare tutta la potenza che incorporano.

Da un mero punto di vista del cliente finale (tralasciando ovviamente tutti i discorsi legittimi sul business aziendale degli Istituti) che commissiona da anni indagini di ogni tipo, il tutto si potrà tramutare in una grande opportunità.

Vantaggio competitivo e nuove “revenues stream” invece per gli Istituti che saranno in grado di incorporare nel proprio business model anche la Business Intelligence.

 

COSA CI FATE CON TUTTI QUESTI DATI?

 Fare il consulente su temi di Business Intelligence non è semplice e a volte bisogna essere molto diretti, risultando anche antipatici (grazie mammina per avermi dato questa faccina super simpatica che media il mio comportamento in ambito professionale).

Questa premessa solo per dirvi che normalmente, quando proponiamo tematiche che legano la Ricerca Sociale alla Business Intelligence, dopo ca. 30 minuti in cui il mio interlocutore dipana le N ricerche che fa all’anno e le ottime analisi sulla propria Customer Base, le prime domande che faccio sono:

  • “bene, ma cosa ci fa con questi dati?
  • Utilizza le informazioni che derivano dalla Ricerca Sociale per alimentare il Customer Database?
  • Utilizza gli insight del Customer Database per ottimizzare la Ricerca Sociale ?”

Dopo queste prime 3 domande nel 70% dei casi cala il silenzio; una volta mi capitò un prospect che con la scusa di andare in bagno mandò dopo pochi minuti la segretaria per ri-schedulare di nuovo l’incontro…mai più avvenuto.

Questi temi invece toccano molto l’animo e il portafoglio dei CEO / Direttori Generali che nelle risposte intravedono, da una parte delle carenze e consentitemi di dire una mala-gestione del centro di costo aziendale da parte dei Direttori Marketing, e dall’altra un’enorme potenzialità nell’ottimizzare e scaricare a terra informazioni già presenti in azienda.

 

DA DOVE PARTIRE: OTTIMIZZARE GLI INGREDIENTI

Da dove partire? Dalla miriade di dati che la Ricerca Sociale vi ha fornito in questi anni. Ciò non vuol dire stoppare gli investimenti in Ricerca, tutt’altro, ma iniziare ad ottimizzare i dati che sono già presenti è un buon punto di partenza che vi permetterà di percorrere nuovi strategie di prodotto e di processo.

Ma cosa vuol dire in concreto ottimizzare la Ricerca Sociale?

Vuol dire fare un vero e proprio Assessment (parola abusata nel mercato ma che se utilizzata coerentemente con il suo significato riveste sempre gran valore) in cui, semplificando al massimo, si parte da un censimento di tutte le fonti di ricerca presenti, dei dati che le compongono e degli insight che ne derivano. Un assessment che deve fare emergere tutti i temi e informazioni “utili” ed escludere tutte quelle informazioni che non lo sono più e sulle quali non conviene investire.

Questa diagnosi porta al risultato di avere tutti gli ingredienti per continuare a produrre le torte classiche (business tradizionale) ma anche ad avere ingredienti per nuove torte (new business e/o nuovi canali, nuovi target di clientela, nuovi prodotti, etc.).

ESEMPI E CASE HISTORY

LA METODOLOGIA CLASSICA: L’ENRICHMENT (CASE #1)

Direzione: da Ricerca Sociale a Business Intelligence

Metodologia: la business intelligence può essere utilizzata per arricchire i DB aziendali di informazioni preziose ma difficilmente reperibili. Grazie alla ricerca di mercato e alle metodologie statistiche è possibile sopperire a questa mancanza.

Obiettivo: arricchire il Customer Database (per ogni singolo cliente) di informazioni reperite tramite la Ricerca di Mercato (es. pressione competitiva, sensibilità al prezzo, stile di vita, etc.)

Modellistica: modelli di inferenza statistica

Percorso semplificato:

  • Identificazione della fonte di ricerca, dei Kpis e delle variabili “ponte” (Ricerca di Mercato)
  • Sviluppo “Modello di inferenza statistica”sul Customer Database (Business Intelligence)

Output:

  • Customer Database arricchito delle informazioni rilevate tramite Ricerca di Mercato

 

Schermata 2016-02-08 alle 12.28.31

LA METODOLOGIA CLASSICA: LA RICERCA DEI TARGET STRATEGICI (CASE #2)

Direzione: da Ricerca Sociale a Business Intelligence

Metodologia: la business intelligence può essere utilizzata per identificare target strategici anche laddove l’informazione non fosse presente sui DB aziendali. Grazie alla ricerca di mercato e alle metodologie statistiche è possibile sopperire a questa mancanza.

Obiettivo: trovare all’interno del Customer Database nuovi target di clientela non identificabili attraverso la sola analisi dei dati interni

Modellistica: modello di affinità / prossimità

Percorso semplificato:

  • Identificazione dei target strategici e dei relativi Kpis (Ricerca di Mercato)
  • Sviluppo “modello di affinità / prossimità” sul Customer Database (Business Intelligence)

Output:

  • Quantificazione e identificazione one2one del Cluster rilevato con la Ricerca Sociale sul Customer Database

 

Schermata 2016-02-08 alle 12.20.04

 

 

LA METODOLOGIA CLASSICA: IDENTIFICARE CLUSTER COMPORTAMENTALI (CASE #3)

Direzione: da Ricerca Sociale a Business Intelligence

Metodologia: la business intelligence può essere utilizzata per identificare Cluster Comportamentali anche laddove l’informazione non fosse presente sui DB aziendali. Grazie alla ricerca di mercato e alle metodologie statistiche è possibile sopperire a questa mancanza.

Obiettivo: trovare all’interno del Customer Database Cluster di clientela, non identificabili attraverso la sola analisi dei dati interni, su metriche attitudinali ottenibili da indagini campionarie.

Modellistica: modello di inferenza statistica

Percorso semplificato:

  • Identificazione Cluster (Ricerca di Mercato)
  • Sviluppo “Modello di inferenza statistica” sul Customer Database (Business Intelligence)

Output:

  • Quantificazione e identificazione one2one del Cluster rilevato con la Ricerca Sociale sul Customer Database

 

Schermata 2016-02-08 alle 12.34.29

Approfondimento: come impostare una cluster analysis

LA METODOLOGIA DI RICERCA: LA RICERCA INTERNA (CASE #4)

Metodologia: utilizzare la Ricerca di Mercato per migliorare la comprensione di fenomeni evidenziati da analisi sui dati interni rilevando nuove informazioni a corredo dello studio complessivo del fenomeno.

Obiettivo: migliorare la comprensione dei segmenti di clientela studiati prima internamente e successivamente con la ricerca di mercato.

Percorso semplificato:

  • Studio dei dati interni (Business Intelligence)
  • Approfondimento e comprensione di nuove dinamiche / informazioni (Ricerca di Mercato)

Output:

  • Studio ed evidenza completa di tutte le informazioni sottostanti il fenomeno indagato

 

Schermata 2016-02-08 alle 12.42.51

 

LE NUOVE METODOLOGIE: I TEXT ANALYTICS , L’ANALISI SEMANTICA

 “Incredibile hanno sbagliato tutti!!!! Nessuno ci ha azzeccato!!!! …..”

Queste sono un paio di frasi che ho personalmente sentito da addetti ai lavori dopo i risultati in Iowa. Ebbene si, la maggior parte dei sondaggisti ha sbagliato nel prevedere i risultati delle primarie.

Mi aggancio a questo tema solo per dire che, a mio modesto parere, le metodologie utilizzate fino ad oggi dagli Istituti potrebbero diventare (o lo sono già) obsolete a fronte di un cambiamento culturale importante che l’essere umano si sta trovando di fronte.

I Text Analytics e l’analisi semantica dei contenuti possono aiutare gli Istituti di Ricerca da questo punto di vista contribuendo a “ponderare” meglio i risultati emersi con l’utilizzo delle classiche metodologie.

Vediamone un esempio pratico del loro utilizzo su una tematica che sta a cuore tutti, ovvero la Customer Satisfaction.

Normalmente le indagini di Customer Satisfaction forniscono come output finale un punteggio. Questo punteggio si ha a livello totale e declinato per tutte le dimensioni analizzate.

La vere domande però sono:

  • siamo certi che le risposte a domande multiple corrispondano fedelmente a quanto il cliente pensa di noi?
  • siamo certi che un punteggio alto corrisponda massima soddisfazione su tutte le tematiche?
  • ci sono temi non rilevati ai quali corrisponde una polarità negativa ?
  • ci sono aree di incoerenza positiva e/o negativa?

Quello che è stato fatto su un cliente del mondo Luxury è stato quello di inserire, all’interno delle classica ricerca di Customer Satisfaction, una domanda libera nel quale il cliente poteva dire quello che voleva in riferimento alla sua Customer Experience con il Brand e con il prodotto oggetto di rilevazione.

I risultati di questo nuovo modo di rilevare la soddisfazione sono stati molto positivi in termini analitici in quanto hanno fatto emergere delle tematiche che mai erano emerse prima e mai il cliente si era posto. In particolare su questo prodotto (valore di mercato oltre 300k €) sono emerse polarità negative sia su temi legati al prodotto stesso sia temi legati ad accessori e tecnologia.

Infine è stato possibile, avendo calcolato per ogni commento/cliente, il sentiment globale (anche a livello di ogni singola features indagata) incrociare i dati di overall satisfaction con i dati di sentiment, evidenziando aree di coerenza positiva / negativa e aree di incoerenza positiva / negativa.

 

Schermata 2016-02-08 alle 13.08.35

VEDI ANCHE: IL MARKETING E IL SOCIALE: L’UNICONE FA LA FORZA

Davide Camera

  • Founder & Senior Partner
  • Excelle Business Consulting & Intelligence
  • www.excelle.it
  • Twitter: @davidecamera
  • Linkedin: https://it.linkedin.com/in/davide-camera-a2884514

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *