AI per Marketing & Sales

Tra Analytics e Augmented Analytics c’è di mezzo il mare. Come tra il dire e il fare.

Investimenti in Analytics e critiche

Nel corso dell’estate appena trascorsa Gartner ha pubblicato The Annual CMO Spend Survey e ha evidenziato come proprio nell’area degli Analytics siano concentrati gli investimenti 2020-2021. Il 73% dei Chief Marketing Officer di grandi aziende intervistati si è infatti dichiarato propenso ad incrementare i relativi investimenti in tecnologia e personale, nonostante il Covid-19. Ma non è purtroppo oro tutto quello che luccica.

Nella Marketing Data and Analytics Survey 2020, pubblicata fine settembre sempre da Gartner, emerge infatti che oltre la metà del campione non è contenta dei risultati fin qui ottenuti e solo il 54% delle decisioni di marketing si basa su quanto indicato dagli analytics.

analytics-influences-on-marketing-decisions-gartner-datrix.png

Lizzy Foo Kune, senior director analyst di Gartner, continua: “Sebbene i CMO comprendano l’importanza di applicare gli analytics a tutta l’organizzazione di marketing, molti faticano a quantificare la relazione tra le informazioni raccolte e il risultato economico generato per la loro azienda. Con quasi la metà degli intervistati nel sondaggio che afferma di non essere in grado di misurare il ROI“.

Gli esperti di marketing lamentano una scarsa qualità dei dati, la difficoltà di autonoma interpretazione, l’impossibilità di ottenere raccomandazioni chiare per l’azione e di essere conseguentemente proattivi. In sintesi i dati dell’Analytics “dicono” magari qualcosa, ma non facilmente comprensibile e soprattutto non “fanno” perché non attivabili.

why-analytics-is-not-used-in-decision-gartner-datrix.png

Basta la lettura delle motivazioni nella figura qui sopra per capire che oggi c’è bisogno di qualcosa in più rispetto alla semplice Analytics. Serve un’analytics avanzata e potenziata, capace di passare intelligentemente e possibilmente in real time dal dato al “fare”, all’azione, al “produrre”. Serve l’Augmented Analytics.

L’Augmented Analytics: cosa è, vantaggi, flusso di lavoro ed esempi

L’Augmented Analytics sfrutta le tecniche di intelligenza artificiale (machine learning, deep learning, NLP, …) per trasformare il modo in cui le analisi vengono sviluppate, condivise e attivate. L’Augmented Analytics automatizza la ricerca e la visualizzazione delle informazioni nascoste nei dati, dei trend e delle anomalie più importanti in atto (in modo diverso a seconda del contesto operativo di ciascun utente) per predire, ottimizzare, anticipare i cambiamenti e prendere decisioni con impatto finale significativo. Lo fa in una frazione di tempo, senza una conoscenza preliminare delle relazioni nei dati richieste invece negli approcci manuali e senza necessariamente pretendere dall’utilizzatore conoscenze di data science e AI. Addirittura l’Augmented Analytics può essere implementata con Natural Language Processing (NLP) e interfacce conversazionali, per consentire a più persone in tutta l’organizzazione di interagire più facilmente “a voce”, di avere risposte velocemente, di fare previsioni e ottenere azioni attivabili a partire dai dati e dagli insight.

Le piattaforme di Augmented Analytics trasformano e democratizzano quindi l’uso dei dati e degli insight a tutti i ruoli aziendali grazie all’automatizzazione, abilitata dall’AI, delle fasi di raccolta e preparazione dei dati (inclusa la pulizia, la catalogazione dei dati, la gestione dei metadati), di generazione degli insight e di predizioni, della loro spiegazione e della conseguente proposta di azione. I dati scientist - risorse sempre più scarse - possono essere conseguentemente liberati per attività ad alto valore aggiunto.

Attenzione però che per lo scaricamento a terra della potenza dell’Augmented Analytics è necessario che le aziende promuovano l’alfabetizzazione sui dati (data literacy) a tutti i livelli e ruoli dell’organizzazione.

Le soluzioni di Augmented Analytics non devono essere una black box e devono invece essere trasparenti, accessibili e modificabili, solo in questo modo si può generare fiducia nel loro utilizzo.

L’analisi dei dati è diventata una componente strategica del modo in cui viene creato valore nella maggior parte delle aziende. Con l’aumentare della quantità e della complessità dei dati strutturati e non strutturati, le funzioni business ne sono però sommerse e faticano a identificare ciò che è più importante e le azioni migliori da intraprendere. Combinazioni di set più grandi e diversificati di dati significano anche più variabili e relazioni da analizzare, esplorare e testare.

Molte attività relative ai dati sono ancora in gran parte manuali e soggetti a distorsioni generati da pregiudizi (bias cognitivi). Mi riferisco alla raccolta, preparazione, analisi, creazione di modelli di machine learning, interpretazione dei risultati, data storytelling, creazione di informazioni strategiche e attivazione. Con l’approccio tradizionale non è possibile per gli utenti esplorare ogni possibile combinazione e modello, per non parlare di determinare se i risultati sono i più rilevanti, significativi e attuabili. Ciò ha conseguenze potenzialmente negative su decisioni, azioni e risultati.

Automatizzando queste attività dispendiose in termini di tempo e soggette a pregiudizi, l’Augmented Analytics espande esponenzialmente le capacità delle aziende. Più del 60% degli intervistati ad un sondaggio durante il Gartner Data and Analytics Summit ha affermato di ritenere che l’Augmented Analytics avrà un impatto elevato o trasformativo sulla loro capacità di scalare il valore delle analisi nella loro organizzazione (vedi figura qui sotto).

perception-of-augmented-analytics-impact-datrix.png

Ecco in che modo secondo Gartner l’Augmented Analytics cambia il flusso di lavoro di analisi e BI. Si tratta infatti di soluzioni end-to-end che automatizzano e accelerano ogni fase del percorso dai dati al valore.

augmented-analytics-workflow.png

Per entrare nel pratico del vostro business e delle vostre specifiche necessità rispetto all’analisi e attivazione dati, potete approfondire e richiedere senza impegno una demo de:

  • la piattaforma di marketing predittivo e marketing automation DataLysm, che unifica i dati di clienti/utenti provenienti da più canali, individua i cluster più propensi all’acquisto, quelli con maggior lifetime value o a rischio abbandono e li attiva per ottenere maggiori conversioni,
  • la piattaforma di Alternative Data Intelligence per gli investimenti,
  • l’ad network DataLit.AI di iper-profilazione e iper-targeting per Editori & Blogger, online Retailer e Advertiser.

Condividi questa pagina


Tra Analytics e Augmented Analytics c’è di mezzo il mare. Come tra il dire e il fare.

Marco Belmondo | 22 Oct 2020