di Alessandro Tullio,
Docente di Programmazione e Controllo, Dottore Commercialista, Consulente Aziendale.
Realizzato con la collaborazione di Emiliano Scaruffi.

Presentazione

Descrizione

Il presente post, scritto a quattro mani insieme al dottor Emiliano Scaruffi, si pone la finalità di mostrare come sia possibile monitorare la gestione dei clienti con un sistema flessibile di Business Intelligence.

L’articolo è strutturato in 2 sezioni:

  • una prima sezione in cui vengono descritti i concetti e le analisi che portano  a definire le metriche necessarie per lo studio di algoritmi finalizzati alla segmentazione ed alla valutazione del rischio del parco clienti;
  • una seconda sezione in cui si mostrano i sorprendenti risultati e le analytics prodotte dall’applicazione dei suddetti algoritmi con un software di Business Intelligence.

Il risultato finale del post vuole essere quello di incoraggiare controller, cfo, direzioni aziendali, direzioni commerciali, area manager, responsabili vendite e consulenti ad utilizzare e sfruttare al massimo i sistemi di Business Intelligence, derivandone analisi approfondite dei dati in grado di modificare sensibilmente le strategie ed i modelli di business delle imprese. In un contesto in forte evoluzione, il successo di un’azienda è sempre più condizionato, oltre che dalle risorse investite, dalle caratteristiche del mercato in cui essa opera e dal posizionamento della sua offerta correlata a quella dei concorrenti. L’analisi e la corretta valutazione del posizionamento, unitamente ad un attento monitoraggio del profilo dei clienti e ad una profonda indagine per determinare la causa-effetto del fenomeno aziendale preso in esame, sono quindi essenziali per l’individuazione dell’azione strategica più appropriata.

La gestione di un vasto parco clienti può rendere difficile, a volte:

  • percepire quando un cliente è in procinto di cambiare le proprie abitudini,
  • produrre azioni correttive tempestive per evitare l’accadimento.

Tutto ciò in considerazione del fatto che spesso risulta difficile definire metriche globali, in quanto sovente il profilo di acquisto del cliente può essere peculiare e legato anche a particolarità del prodotto normalmente acquistato.

Sulla base di queste esigenze si è ritenuto di costruire un modello di controllo che avesse quindi le seguenti finalità:

  • gestione informazioni storiche di acquisto clienti
  • costruzione di metriche personalizzate di misura del cliente (profilazione)
  • indicatore di rischio perdita imminente del cliente
  • indicazione dei clienti nuovi, sia in relazione all’anno solare, sia in relazione ad un parametro temporale rolling
  • strumento aggiornato in tempo reale
  • invio alle figure competenti di alert regolabili a piacimento, sia nelle tempistiche, sia nelle competenze, sia nella profondità
  • rappresentazione grafica che dia rinforzo all’analisi
  • sistema in grado di adattarsi al contesto aziendale
  • rendere l’analisi sistematica, giornaliera e automatica (concentrazione sull’analisi e non sulla elaborazione)

Esempi approfonditi di come rappresentare l’analisi di profilo cliente sono riportati di seguito.
La rappresentazione dell’analisi si muove su 2 binari paralleli, per garantire:

  • una percezione immediata della situazione, mediante grafico intuitivo
  • la massima operatività, rendendo disponibili tabelle dettagliate, filtrabili, pivotizzabili, esportabili come foglio dati o pdf

La combinazione di queste due istanze consente una valorizzazione massima dell’analisi stessa, anche perchè il passaggio dalla vista grafica a quella tabellare è garantita da azione di drill down, sia sull’intera base dati, sia sulla base dati parzializzata.

La visualizzazione sopra riportata adotta un grafico a dispersione (o scatter), ovvero con variabili numeriche per entrambi gli assi.
I dati sono rappresentati da cerchi associati univocamente ai clienti e posizionati in un piano cartesiano dove:

  • nell’asse delle ascisse (X) si è rappresenta l’ ETA’ del cliente
  • nell’asse delle ordinate (Y) il RITARDO del cliente.

Inoltre i singoli pallini sono differenziati per:

  • colore:
    • blu, clienti nuovi, ovvero acquisiti nell’anno solare
    • verde, clienti forniti entro l’anno
    • giallo, clienti forniti entro 2 anni
    • rossi, clienti non forniti da oltre 2 anni
  • dimensione, con 5 differenti grandezze legate alla clusterizzazione del fatturato giorno (si legga di seguito algoritmo di discretizzazione dimensionale).

Dinamicamente in questa rappresentazione il cliente in ritardo “evapora” verso l’alto e cambia colore in base alla quota di ritardo raggiunta.

Esempio di Analisi

Di seguito si mostra in chiaro la prima di una serie di 15 analisi clienti con le relative visualizzazioni.

 

CLIENTI PER ANNO ACQUISIZIONE VS ANNO ABBANDONO

In questa visualizzazione è possibile avere una interessante immagine del proprio parco clienti, distribuiti per numerosità in una rappresentazione mediante matrice in cui nelle righe è presente l’anno di acquisizione (prima vendita) e nelle colonne l’anno di abbandono (ultima vendita).

Chiaramente la colonna dell’anno corrente esprime il parco clienti attivi al momento, rendendo anche visualizzabile con immediatezza l’anno di acquisizione.

Nella matrice riportata si nota, ad esempio, che dei 379 clienti attivi, colonna anno 2018, 50 sono clienti acquisiti nel 2009, 28 nel 2010, 29 nel 2011 e così via (52 nuovi clienti acquisiti nel 2018).

Inoltre, l’analisi dei dati mostra anche l’opportunità di fare valutazioni mirate sui clienti “persi” (che non hanno ancora ordinato nell’anno 2018).

Ad esempio:

  • la colonna 2017 mostra 416 clienti la cui ultima fornitura risale al 2017
  • la colonna 2016 mostra 173 clienti la cui ultima fornitura risale al 2016
  • … e così via

L’analisi per riga mostra:

  • la capacità di acquisizione nel tempo di nuovi clienti (es. 139 nel 2015, 165 nel 2016, 335 nel 2017)
  • il tasso di abbandono dei clienti nel tempo (es. nel 2015 dei 139 nuovi clienti, 66 hanno fatto ultima fornitura nel 2015, 18 nel 2016 e 29 nel 2017 … solo 26 stanno rifornendosi nel 2018).

 

Lo strumento di Business Intelligence permette di associare alle analisi ora descritte, la profondità dell’informazione relativa ai singoli clienti potendo di conseguenza e tempestivamente studiare azioni commerciali mirate.

Sezione 1: Base Matematica

Metriche

Per la realizzazione della analisi clienti che verranno esposte nella sezione 2, si sono definite le seguenti metriche di base, tutte espresse in giorni:

  • LUNGHEZZA (L), che esprime la durata del rapporto di collaborazione attivo con il cliente, ovvero la differenza tra la data di prima e di ultima fornitura.
  • ETA’ (E), che esprime il tempo intercorso tra la prima fornitura e il giorno corrente
  • RITARDO (R), ovvero la distanza tra il giorno corrente e l’ultima fornitura

E’ facile notare, dalla rappresentazione geometrica di cui sopra la seguente relazione

E = R + L

Inoltre per consentire di avere ulteriori driver per scansionare i risultati dell’analisi, si è deciso di estrarre una serie di altri parametri utili appunto ad interpretare i risultati, ovvero:

  • FATTURATO COMPLESSIVO, cioè il fatturato del cliente per tutto il periodo di analisi preso in esame.
  • FATTURATO MEDIO GIORNO, definito come FATTURATO COMPLESSIVO / L, utile  dare una misura dell’importanza del cliente
  • FATTURATO MEDIO RIGA, definito come FATTURATO COMPLESSIVO / NUMERO RIGHE FATTURA, che dà una misura del rapporto tra cliente e azienda
  • TEMPO CARATTERISTICO, ovvero il tempo medio che intercorre tra una fornitura e la successiva, utile a costruire la tempistica tipica del cliente

Segmentazione

La segmentazione del parco clienti viene realizzata mediante:

  • raggruppamenti anagrafici dell’azienda, ovvero sfruttando la categorizzazione che l’azienda dà dei propri clienti sulla base dell’anagrafica clienti,
  • algoritmi di discretizzazione, finalizzati a raggruppare i clienti in :
    • 5 classi dimensionali (cluster) in base al loro profilo di fatturato
      • sulla base di indicazione dei clienti
      • con algoritmi di clusterizzazione automatici
    • 3 classi di fidelizzazione, in base alla loro anzianità, ovvero
      • nuovi, clienti da meno di 50 gg rolling
      • recenti, clienti tra i 50 e i 720 gg rolling
      • storici, clienti da oltre 720 gg
  • algoritmi di clustering, non supervisionati finalizzati a raggruppare i clienti sulla base di tutte le metriche disponibili e definite ai punti precedenti, al fine di individuare correlazioni non banali tra clienti

La presenza di questi campi di segmentazione consente di navigare i risultati e di poter meglio interpretare e valutare i dati emersi dall’analisi.

Nel riquadro la possibilità di parzializzare l’analisi sulla base dei raggruppamento anagrafico della categoria cliente

Valutazione del Rischio

Per ottenere un immediato indicatore in grado di riassumere tutte le informazioni sul parco clienti relative alla analisi in oggetto, si è ritenuto di far riferimento alla teoria della Valutazione del Rischio, definendo per ogni cliente

Rischio = Probabilità X Danno

La Probabilità che misura l’eventualità che il cliente effettivamente non acquisti più dall’azienda, espressa con un numero da 0 a 100, è una funzione legata a:

  • RITARDO, ovvero da quanto tempo non acquista più
  • TEMPO CARATTERISTICO, ovvero quanto normalmente intercorre tra un acquisto e il successivo
  • ETA’, ovvero da quanto tempo è cliente

Il Danno, espresso come un numero da 0 a 100, essendo legato al problema che potrebbe cagionare all’azienda la perdita del cliente medesimo, è una funziona legata a:

  • FATTURATO MEDIO GIORNO, ovvero ad una misura del peso del cliente per l’azienda stessa

Dalla combinazione di queste informazioni ne deriva quindi il fattore di rischio, espresso anch’esso con un numero da 0 a 100, che consente quindi con immediatezza di concentrarsi sulle situazioni effettivamente potenzialmente problematiche per l’azienda.

Apprendimento Automatico

In aggiunta alla valutazione del Rischio, si è ritenuto di integrare nel sistema di analisi un elemento che renda il sistema stesso, opportunamente addestrato, in grado di apprendere e di fare previsioni aggiuntive, intercettando relazioni, connessioni e regolarità non immediatamente visibili e celate all’interno dei dati resi disponibili dall’analisi.

A tale scopo si è attivato un modello di algoritmo di apprendimento, come ad esempio una Rete Neurale Artificiale (ANN)

che mediante addestramento sulla base di traning-set predefinito, ma anche personalizzabile e integrabile facilmente sulla base delle specificità dell’azienda al fine di adattarlo al contesto, consente di associare ad ogni singolo cliente lo Stato di Rischio, ovvero

| S > = p1 | L > + p2 | M > + p3 | H > + p4 | O >

dove

  • p1 è la probabilità che il cliente abbia rischio basso (LOW)
  • p2 è la probabilità che il cliente abbia rischio medio (MEDIUM)
  • p3 è la probabilità che il cliente abbia rischio alto (HIGH)
  • p4 è la probabilità che il cliente sia già perso (OUT)

Sezione 2: Analisi

 
Di seguito diverse tipologie di viste ottenute dall’elaborazione dell’analisi clienti

Analisi Globali

 

CLIENTI PER ANNO ACQUISIZIONE VS ANNO ABBANDONO

In questa visualizzazione è possibile avere una interessante immagine del proprio parco clienti, distribuiti per numerosità in una rappresentazione mediante matrice in cui nelle righe è presente l’anno di acquisizione (prima vendita) e nelle colonne l’anno di abbandono (ultima vendita).

Chiaramente la colonna dell’anno corrente esprime il parco clienti attivi al momento, rendendo anche visualizzabile con immediatezza l’anno di acquisizione.

Nella matrice riportata si nota, ad esempio, che dei 379 clienti attivi, colonna anno 2018, 50 sono clienti acquisiti nel 2009, 28 nel 2010, 29 nel 2011 e così via (52 nuovi clienti acquisiti nel 2018).

Inoltre, l’analisi dei dati mostra anche l’opportunità di fare valutazioni mirate sui clienti “persi” (che non hanno ancora ordinato nell’anno 2018).

Ad esempio:

  • la colonna 2017 mostra 416 clienti la cui ultima fornitura risale al 2017
  • la colonna 2016 mostra 173 clienti la cui ultima fornitura risale al 2016
  • … e così via

L’analisi per riga mostra:

  • la capacità di acquisizione nel tempo di nuovi clienti (es. 139 nel 2015, 165 nel 2016, 335 nel 2017)
  • il tasso di abbandono dei clienti nel tempo (es. nel 2015 dei 139 nuovi clienti, 66 hanno fatto ultima fornitura nel 2015, 18 nel 2016 e 29 nel 2017 … solo 26 stanno rifornendosi nel 2018).

Lo strumento di Business Intelligence permette di associare alle analisi ad ora descritte, la profondità dell’informazione relativa ai singoli clienti potendo di conseguenza e tempestivamente studiare azioni commerciali mirate.

 

DIMENSIONE CLIENTI PER ANNO

Il parco clienti complessivo in questa vista viene rappresentato numericamente distribuito per:

  • classe dimensionale (cluster), ovvero una segmentazione che suddivide i clienti in classi, dai più piccoli (cluster1) ai più grandi (cluster5)
  • anno di abbandono, ovvero anno in cui l’azienda ha realizzato ultima vendita.

Nella rappresentazione sopra, il drill down ad esempio su cluster5 e anno precedente (2017), ci può rendere immediatamente il dettaglio dei 52 clienti importanti che l’azienda sta rischiando di perdere.

 

MIX DIMENSIONE CLIENTI PER ANNO

Da qui si può apprezzare per ogni anno di prima acquisizione cliente, il mix dimensionale dei clienti stessi, per avere anche una misura della qualità dei nuovi clienti.
Nella tabella si nota ad esempio che il 38% dei nuovi clienti 2018 ha dimensione ridotta e che la tendenza degli ultimi anni è sempre quella di faticare nel trovare nuovi clienti di dimensione importante.

 

FIDELIZZAZIONE CLIENTI ATTUALI A NUMERO

In questa vista si mostra l’Indice di Fidelizzazione dei clienti attuali a numero, ovvero si visualizza la composizione del parco clienti attivi nell’anno corrente per categoria cliente e per classe di fidelizzazione, definita in base alla anzianità del cliente stesso (nuovi, clienti da meno di 50 gg rolling, recenti, clienti tra i 50 e i 720 gg rolling, storici, clienti da oltre 720 gg).
Nell’esempio si evidenzia che, nell’anno 2018, il peso dei clienti storici è pari al 57%, da cui ne deriva che il 43% sono clienti recenti e nuovi, a dimostrazione di una buona capacità di ricambio da parte dell’azienda legata in particolare alla categoria varie che assorbe clienti nuovi e recenti per un 24%.
Questa vista è consigliabile monitorarla quotidianamente, in quanto tutti i clienti tendono a spostarsi per inerzia verso destra, passando da nuovi a recenti a storici.

 

FIDELIZZAZIONE CLIENTI ATTUALI A VALORE

A completamento della vista precedente, in questo caso la distribuzione clienti correnti viene rappresentata sulla base del valori di fatturato corrente e non come semplice conteggio clienti.
Si nota come in questo caso la gdo assorba il 77% del fatturato e come la categoria horeca sia la più importante rappresentante del ricambio (circa 10%) indice anche di una probabile strategia commerciale in atto.

 

MIX RICAVI CORRENTI PER CATEGORIA VS ANNO ACQUISIZIONE

In questa visualizzazione si rappresenta il mix fatturato corrente per categoria cliente e per anno di acquisizione. In questo caso si nota che oltre il 66% del fatturato deriva da clienti di prima acquisizione (anno 2009) e che la gdo da sola supera il 77% del fatturato.

 

DISTRIBUZIONE CLIENTI ATTUALI PER CATEGORIA VS CLUSTER

Qui si può analizzare il proprio parco clienti corrente, ovvero i clienti a cui si è venduto nell’anno corrente, rappresentati per evidenziare la distribuzione delle singole categorie merceologiche per cluster dimensionale. La finalità è avere un idea della composizione delle singole categorie clienti. Nell’esempio si capisce che tutti i clienti private label sono di dimensione massima.

 

DISTRIBUZIONE CLIENTI ATTUALI PER CLUSTER vs CATEGORIA

Simmetricamente alla vista precedente, in questo caso si analizzano i clienti correnti come distribuzione numerica partendo questa volta dal cluster dimensionale e valutando il peso di ogni singola categoria cliente. Questa vista denota come il cluster dei clienti più dimensionati sia rappresentata per il 46% da gdo e per il 42% dalla categoria varie, che potrebbe anche rivelare una mancata categorizzazione in anagrafica da parte dell’azienda stessa.

 

TEMPO CARATTERISTICO CLIENTI ATTIVI

In questa visualizzazione si evidenzia il tempo caratteristico medio di fornitura dei clienti attuali per classe di fidelizzazione e categoria, ovvero quanti giorni intercorrono in media tra una fornitura e quella successiva. Questo parametro caratteristico del cliente è fondamentale nel valutare il rischio ritardo del cliente stesso.

 

Analisi del Rischio

 

RISCHIO CORRENTI PER CATEGORIA VS CLUSTER

In questa visualizzazione si rappresenta la valutazione del rischio di perdita cliente corrente per categoria e cluster dimensionale. Occorre ricordare che il rischio viene espresso con un fattore numerico da 0 (rischio nullo) a 100 (rischio massimo). E’ intuitivo verificare che il rischio aumenti con il cluster dimensionale essendo il rischio definito come prodotto tra PROBABILITA’ (legata ad anzianità cliente) e IMPATTO (legato alla dimensione cliente).

 

RISCHIO CORRENTI PER FIDELIZZAZIONE VS CLUSTER

In questa visualizzazione si esprime il fattore di rischio del parco corrente per classe di fidelizzazione e cluster dimensionale.

 

RISCHIO PERDITE

In questa visualizzazione si analizza il fattore di rischio medio sui clienti a cui ancora non si è venduto nulla nell’anno corrente, quindi quelli su cui effettivamente può essere necessario, oltre ad un monitoraggio, anche la definizione di una azione correttiva.

Nell’esempio certamente la categoria più di interesse può essere quella GDO con Cluster dimensionale 5, dove il rischio assume valori più elevati (73%).



Alert

Gli alert costituiscono l’elemento di notifica alle funzioni interessate delle situazioni più a rischio sulle quali concentrare le analisi e la strategia di azioni commerciali correttive.

 

ALERT CONDIZIONALE

In questa visualizzazione vengono selezionati i clienti che soddisfano una serie di condizioni di rischio definibili in modo customizzato e diretto. Ad esempio, in questo caso abbiamo i 19 clienti con:

  • ritardo oltre 3000 giorni
  • cluster dimensionale 5 (grandi)
  • con almeno 2 forniture storiche effettuate

Lo strumento di Business Intelligence consente di definire in autonomia la combinazione di condizioni agendo direttamente sui diversi parametri resi disponibili dall’analisi per trovare la combinazione che consenta di individuare il set di cliente di interesse.

 

ALERT RISCHIO OLTRE SOGLIA SICUREZZA

In questa visualizzazione vengono rappresentati i clienti per cui la valutazione del rischio, definita dalla relazione

RISCHIO = PROBABILITA’ x IMPATTO

abbia determinato un valore di rischio oltre una determinata soglia di sicurezza.

Nell’esempio la soglia è definita pari ad 80% e i 65 clienti (parzialmente visibili nella vista precedente) vengono espressi mediante il loro fatturato giorno medio e per categoria commerciale.

 

ALERT ALGORITMO AUTOAPPRENDIMENTO

Lo strumento di Business Intelligence, supportato dallo studio e dallo sviluppo di algoritmi personalizzati, consente di realizzare anche viste, come la presente.

Questa vista, infatti, è frutto dell’algoritmo di autoapprendimento (Intelligenza Artificiale) in grado di discriminare, se opportunamente addestrato, i soli casi di interesse ai fini delle azioni commerciali finalizzate a preservare il cliente, riconoscendo ed escludendo già automaticamente i clienti per cui un’azione sia da ritenersi ormai tardiva, quindi inutile.