Questo è il secondo post della nostra serie che esamina perché il tuo obiettivo principale di marketing non dovrebbe essere la costruzione di un customer journey unificato. L'obiettivo di questo post è fornire alcune risposte alla domanda ovvia: Se non stiamo cercando di costruire un customer journey unificato, qual è il piano?

Abbiamo deciso di suddividere la soluzione in tre diversi approcci, tutti legati alla creazione di un data warehouse dedicato ai clienti o al marketing e di un hub di attivazione. Approfondiremo ciascuna di queste aree, ma per cominciare ecco una breve panoramica:

I tre approcci ai data warehouse

1. Il data warehouse di marketing senza cookie

Cosa si può ottenere con questo approccio? Ottenere un’allocazione ottimale del budget sia a livello generale che per singolo canale; comprendere il valore di ciascun canale o campagna.

Cosa non è possibile fare con questo approccio? Valutare le prestazioni di marketing sulla base di metodi di attribuzione basati sul percorso e sui dati o attraverso studi di incrementabilità (lift); segmentazione/attivazione del pubblico; calcoli del CLV; segnali di offerta ottimizzati.

Dati richiesti: dati aggregati relativi alle prestazioni e ai costi di marketing (giornalieri) e dati aggregati relativi alle vendite (senza ID cookie, utente o cliente)

Possibilità di attivazione: reportistica sulle prestazioni del marketing multicanale; allocazione del budget multicanale; allocazione del budget all’interno di un singolo canale (tra le campagne).

2. Il data warehouse personalizzato per l’attribuzione basata sui dati e l’hub di attivazione

Cosa si può ottenere con questo approccio? Comprendere il valore di ciascun canale o campagna sulla base di metodi di attribuzione basati sui dati; la possibilità di impostare l'obiettivo corretto nei canali (e per ciascuna campagna); applicare un sistema di offerte basato sull'attribuzione dei dati.

Cosa non è possibile fare con questo approccio? Segmentazione/attivazione del pubblico; calcoli del CLV; modellizzazione del marketing mix; valutazione delle attività di marketing senza cookie.

Dati richiesti: percorsi dei canali di acquisto (basati su cookie e/o sugli utenti).

Possibilità di attivazione: reportistica sulle prestazioni cross-channel; definizione degli obiettivi; gestione delle offerte.

3. Il moderno data warehouse dei clienti

Cosa si può ottenere con questo approccio? Fornire agli algoritmi di offerta segnali di conversione più efficaci (offerte più intelligenti); applicare strategie di targeting e comunicazioni più mirate nei canali di marketing digitale; calcolare il CLV; effettuare il clustering e molto altro ancora.

Cosa non è possibile fare con questo approccio? Valutare le prestazioni di marketing.

Dati necessari: cookie e dati dei clienti provenienti da diversi canali (web, CRM, ecc.).

Possibilità di attivazione: segnali di offerta ottimizzati; segmenti di pubblico; segmenti adattati a ciascun canale di distribuzione.

Naturalmente, è possibile adottare tutti gli approcci sopra citati, poiché ciascuno di essi risponde a uno scopo specifico. Tuttavia, consigliamo di iniziare con uno solo di essi. Altrimenti, si rischia di rimanere bloccati nella fase di raccolta dei dati; inoltre, è bene ricordare che l’80% dei progetti fallisce nella fase di attivazione.

Come faccio a capire cosa è più adatto alla mia azienda?

La nostra esperienza ci insegna che, per avere successo in questo tipo di progetti, è fondamentale dedicare la stessa attenzione agli aspetti organizzativi quanto a quelli tecnici. Ciò comprende ogni aspetto, dall’ottenere il sostegno interno, al mantenere lo slancio durante la fase di implementazione, fino a chiarire le competenze e le responsabilità.

È importante definire quali ambiti debbano essere gestiti da soggetti esterni (consulenti, piattaforme SaaS, ecc.) e quali invece debbano essere gestiti da soggetti interni. È necessario definire chiaramente le competenze richieste all’interno dell’azienda. Questo è il processo che raccomandiamo per definire l’approccio ottimale (1, 2 o 3), tenendo conto degli aspetti organizzativi:

Ciascuno dei tre approcci potrebbe essere suddiviso in quattro fasi (raccolta dei dati, integrazione/pulizia dei dati, analisi/segmentazione e attivazione).

Mappare ciascuna delle quattro discipline (ad esempio, analisi/segmentazione) e definire i responsabili delle decisioni e i referenti più adatti per l'implementazione, tenendo conto del livello di complessità richiesto (ad esempio, modelli basati su regole rispetto a modelli predittivi).

Metodo per i giovani professionisti del marketing digitale

Nell'esempio riportato di seguito, a sinistra si vede che, se il responsabile dell'implementazione fosse un esperto di marketing digitale privo di approfondite conoscenze tecniche, il metodo più adatto per la segmentazione sarebbe molto probabilmente quello dei segmenti di pubblico basati su regole, creati tramite un'interfaccia utente.

Metodo per i professionisti del marketing digitale con maggiore esperienza

Nell'esempio all'estrema destra, vediamo che, se il responsabile dell'implementazione preferito fosse un ingegnere dei dati o un data scientist, il metodo potrebbe essere più avanzato. In questo scenario, il professionista del marketing digitale potrebbe essere il decisore, ma non il responsabile dell'implementazione. Dovremmo iniziare decidendo quale sia il metodo preferito e lasciare che tale decisione guidi la scelta dei responsabili dell'implementazione.

Esempio:

Sulla base dei requisiti sopra indicati, proseguire l’esercizio di mappatura definendo l’approccio più adeguato per ciascuna disciplina.

Metodo per professionisti del marketing digitale avanzato

Nell'esempio riportato di seguito, il livello di sofisticazione desiderato per la fase di analisi/segmentazione è "avanzato" (modellizzazione predittiva), pertanto non è necessaria un'interfaccia utente (il che orienta la scelta della tecnologia). Al contrario, per la fase di attivazione è necessario predisporre un'esecuzione manuale (che spesso deve essere modificata), da cui deriva la necessità di un'interfaccia utente.

E adesso?

In sintesi, consigliamo di valutare quali punti della scala di automazione (dal 100% manuale al 100% automatizzato) e della scala di sofisticazione (dal 100% basato su regole definite dall’uomo al 100% basato su algoritmi) ritenete rappresentino il punto di equilibrio ottimale per la vostra azienda. Ciò dovrebbe guidare la pianificazione delle competenze e la definizione delle esigenze relative alle risorse interne rispetto a quelle relative alla consulenza esterna.

La nostra speranza è che questa serie di articoli del blog vi aiuti a fare un ulteriore passo avanti nella ricerca dell’approccio più adatto e del metodo ideale per l’approccio scelto, tenendo conto delle esigenze organizzative.

Questo articolo fa parte di una serie in cinque parti dedicata all'attribuzione. Oltre alla pianificazione tecnica, c'è un altro aspetto fondamentale da tenere presente fin dall'inizio: la privacy. Il terzo articolo della serie tratterà proprio questo argomento.

Più nel dettaglio

Se l'articolo qui sopra ti ha fatto venire voglia di saperne di più, abbiamo raccolto i nostri consigli sulle soluzioni da scegliere per la realizzazione del tuo data warehouse. Abbiamo fatto noi le ricerche, così non devi farlo tu!

Cloud vs. On-premise

Prima di approfondire i nostri consigli su come realizzare ciascuno dei tre data warehouse dedicati al marketing e ai clienti, ci soffermeremo brevemente a valutare se la nostra tecnologia debba essere basata sul cloud o on-premise. A nostro avviso, non si tratta di una scelta su cui dedicare troppo tempo, poiché riteniamo che l’approccio basato sul cloud sia l’unica strada da seguire. Abbiamo elencato qui di seguito le argomentazioni più importanti (che potreste presentare al vostro CTO):

  1. Scalabilità – È possibile aumentare o ridurre facilmente la capacità dell’infrastruttura (fino a zero), il che può comportare un notevole risparmio sui costi rispetto a un’architettura a costi fissi (ad esempio Google Cloud Functions, Google Cloud Run, Cloud Dataflow).
  2. Ridurre il carico di lavoro relativo a DevOps e all’infrastruttura – La diffusione dei servizi gestiti negli ambienti cloud consente agli utenti di implementare facilmente la logica di business senza doversi preoccupare del provisioning e della manutenzione dell’infrastruttura (ad esempio, Google App Engine, Google Kubernetes Engine).
  3. Disponibilità di prodotti su scala globale su richiesta – Accesso immediato ai sistemi “portanti” utilizzati da alcune delle più grandi aziende al mondo per gestire i propri servizi, che consentono una scalabilità “illimitata” (ad esempio Pub/Sub, BigQuery, Cloud Storage, BigTable, Global Load Balancer).
  4. Accesso sicuro a tutte le risorse dal browser – È possibile monitorare facilmente tutte le distribuzioni delle risorse da un unico “pannello” e gestire le politiche IAM/RBAC, nonché l’“hardware”, da un’unica postazione (IAM, IAP, GCP Monitoring, Cloud Logging, CLI gcloud, applicazione web GCP).

Quale fornitore di servizi cloud prendere in considerazione?

La nostra scelta ricade su Google Cloud Platform. Come altri fornitori di servizi cloud, Google Cloud Platform offre un portafoglio completo di servizi di elaborazione (ad esempio macchine virtuali, Kubernetes gestito, database gestiti, ecc.), ma il suo principale elemento di differenziazione risiede nell’attenzione rivolta ai dati su larga scala. Soluzioni come BigQuery, Pub/Sub e DataFlow offrono metodi serverless altamente scalabili per l’archiviazione, la trasmissione e la gestione di grandi volumi di dati in streaming o in batch. BigQuery ML, AI Platform, DataStudio e DataProc (Hadoop/Spark gestiti) garantiscono integrazioni perfette tra i dati e le risorse di modellazione per ottenere approfondimenti.

Inoltre, Google Cloud Platform offre numerose integrazioni con i prodotti di marketing di Google, rendendo più efficiente l'acquisizione e la fruibilità dei dati di marketing. Ne sono un ottimo esempio i connettori di Google Marketing Platform per GCP (ad esempio Google Analytics 360, Data Transfer for Google Ads, ecc.) e il prodotto Ads Data Hub, di prossima uscita.

Gli aspetti più importanti da considerare nella realizzazione del proprio data warehouse

Per rendere questo articolo il più utile possibile, abbiamo elencato le nostre opinioni sulle considerazioni e le scelte più importanti relative a ciascun approccio.

1. Il data warehouse di marketing senza cookie

La “scatola nera” del SaaS contro una configurazione personalizzata

La prima decisione da prendere è se una soluzione personalizzata sia più adatta alle vostre esigenze rispetto a una licenza software, o viceversa. Ricapitoliamo il software disponibile. Tra le opzioni davvero valide figurano OptiMine e Aiden. Uno dei principali vantaggi della scelta di piattaforme SaaS già esistenti è il tempo relativamente breve necessario per rendere operativo uno strumento funzionante. È disponibile un’ampia gamma di connettori e i modelli sono piuttosto avanzati.

Tuttavia, tenete presente che molte di queste soluzioni sono un po’ una “scatola nera”. Ciò vale non solo per i modelli stessi, ma anche per il fatto che i vostri dati vengono raccolti nel cloud di qualcun altro. Nella maggior parte dei casi, avete accesso solo all’output finale (ad esempio in un’interfaccia utente) e non ai dati e ai modelli sottostanti. Ciò significa che è molto più difficile riutilizzare i dati grezzi per altri scopi. Anche le possibilità di personalizzazione possono essere limitate. Infine, non aspettatevi di pagare solo per la licenza: in molti casi, avrete bisogno di consulenti per l’implementazione o per servizi di assistenza continuativa.

I vantaggi di una configurazione personalizzata sono un maggiore controllo sui dati e sul modello, oltre a un potenziale di personalizzazione di gran lunga superiore. A meno che non si disponga di un team interno davvero competente, molto probabilmente si spenderà di più per i consulenti, ma meno per le licenze.

Recupero dei dati

Se opti per una soluzione personalizzata, dovrai prendere alcune decisioni importanti riguardo al recupero dei dati. In linea generale, ci sono tre diverse strade da seguire. Puoi sviluppare i tuoi connettori, acquistare una licenza per uno strumento di terze parti (come Supermetrics o Funnel.io) oppure affidarti a connettori sviluppati da altri (ad esempio dalla tua agenzia).
Esaminiamo ciascuna opzione:

  • Sviluppare connettori propri – È l’opzione che richiede più tempo, ma è anche la più flessibile e consente la massima personalizzazione. A lungo termine, potrebbe rivelarsi l’alternativa più economica, soprattutto se si dispone di sviluppatori interni. È importante valutare il numero complessivo di connettori da realizzare e come gestire la manutenzione continua man mano che le API vengono aggiornate su tutte le piattaforme con cui si effettua l’integrazione.
  • Funnel.io – Se il motivo per cui utilizzi Funnel.io è principalmente per i connettori, si tratta di una soluzione costosa. I punti di forza di Funnel risiedono nelle sue capacità di integrazione dei dati, anche se è importante notare che l’integrazione avviene dietro le quinte. L’output è accessibile in molti formati diversi (ad esempio, inviato a un progetto BigQuery), ma si perdono le informazioni su come i dati vengono uniti e non possono essere riutilizzati per altri scopi, come la segmentazione o l’attivazione del pubblico. I dati non vengono forniti a un livello di granularità sufficientemente elevato.
  • Supermetrics – Simile a Funnel.io, ma più conveniente in termini di costi poiché non offre le stesse possibilità di integrazione dei dati. Se l’obiettivo principale è estrarre i dati e occuparsi personalmente dell’integrazione, potrebbe sicuramente rappresentare un buon punto di partenza o un complemento ai connettori che si creano autonomamente.
  • Affidarsi a connettori realizzati da terzi (ad esempio, dalla propria agenzia) – Le domande chiave da porsi in questo caso sono: dove vengono archiviati i dati, quale livello di accesso si ha ad essi, quali SLA sono in vigore e quale sarà il costo totale a lungo termine.
Quale modello scegliere?

La decisione finale, ma forse la più importante, riguarda quale modello utilizzare o sviluppare e come mettere in pratica le conoscenze acquisite. Ne parleremo più approfonditamente nel quinto articolo di questa serie.

2. Il data warehouse personalizzato per l’attribuzione basata sui dati e l’hub di attivazione

Esistono alcune soluzioni software di attribuzione pronte all’uso accettabili, ma data la crescente necessità di personalizzazione (dovuta alle normative sulla privacy e alle tendenze del settore), vi consigliamo di non affidarvi completamente a una soluzione pronta all’uso.

Dovresti invece sviluppare una soluzione personalizzata (o farti aiutare da qualcun altro a realizzarla) utilizzando una combinazione di soluzioni proprie e già esistenti. Tieni presente che l’attribuzione basata sul percorso presenta alcune difficoltà; indipendentemente dall’impegno profuso, la tua soluzione non rispecchierà perfettamente la realtà – ma, detto questo, le basi di tutte le principali piattaforme di pubblicità a performance sono i segnali di conversione. Il vantaggio competitivo derivante dal fornire agli algoritmi di offerta i segnali più accurati possibili sarà ancora più significativo in futuro.

Su quale fonte di dati o metodo di raccolta fare affidamento?

I dati sottostanti (i percorsi) sono assolutamente fondamentali. È consigliabile dedicare tutto il tempo necessario per assicurarsi che siano corretti. Esistono diverse possibilità per recuperare i dati/percorsi; qui abbiamo elencato quelle più comuni.

  • Google Analytics 360 – Offre un’integrazione nativa con BigQuery, il che rappresenta un enorme vantaggio. È importante tenere presente che i dati relativi ai percorsi (che si trovano nei report sui funnel multicanale) non sono disponibili nell’esportazione verso BigQuery. Ciò significa che dovrete creare i vostri percorsi, basandovi sull’esportazione grezza. Questo apre numerose possibilità di personalizzazione, ma richiede anche un certo impegno e l’automazione di alcuni processi.
  • Google Analytics (standard) – Per accedere ai dati grezzi è necessario utilizzare l'API di reporting. Ciò presenta alcuni svantaggi. Già solo arrivare al punto in cui si hanno a disposizione tutti i dati grezzi (ad esempio in una tabella di BigQuery) è un'operazione piuttosto complessa. Si potrebbero incontrare limitazioni di campionamento o altre restrizioni nell'ottenere tutte le dimensioni e la quantità di dati necessari.
  • Proprietà Web + App di Google Analytics – La versione standard include un’integrazione nativa con BigQuery, il che rappresenta una prospettiva interessante per gli inserzionisti che non dispongono dei budget necessari per Analytics 360. Tuttavia, il prodotto è ancora in fase di sviluppo e presenta alcune limitazioni significative nella creazione di set di dati affidabili per l’attribuzione basata sui dati. La roadmap si sta evolvendo rapidamente, quindi continuate a seguirci!
  • Report dei funnel multicanale di Google Analytics – Un approccio semplice consiste nell’utilizzare l’API dei funnel multicanale. In questo modo non è necessario dedicare tempo alla creazione manuale dei percorsi. Tuttavia, le possibilità di personalizzazione sono più limitate. Inoltre, sono disponibili solo i percorsi che portano a una conversione (e non quelli che non la generano); questo rappresenta un grave svantaggio.
  • Attribuzione su Facebook – Al momento non è un’opzione praticabile, dato che non è possibile automatizzare l’esportazione dei percorsi di conversione; tuttavia, se Facebook dovesse offrire questa possibilità in futuro, potrebbe rivelarsi estremamente interessante. Qui è possibile trovare un’analisi approfondita sull’attribuzione su Facebook.
  • Soluzione di tracciamento propria – Richiede molto tempo, quindi spesso non rappresenta un’opzione praticabile. Offre grande flessibilità.

3. Il moderno data warehouse dei clienti

Questo è sicuramente il settore in cui è disponibile la maggior parte dei software, tutti in competizione per attirare l'attenzione. Strumenti di personalizzazione, software di automazione del marketing, hub di dati sui clienti: i nomi sono diversi, ma le funzionalità non differiscono molto tra loro.

SaaS e interfaccia utente vs. soluzioni personalizzate

Questa decisione è legata a considerazioni di natura organizzativa. In linea generale, una soluzione personalizzata offre possibilità più sofisticate in materia di machine learning (ad esempio, Google Cloud Platform offre BigQuery ML e AutoML, solo per citarne alcune). Se la piattaforma dati personalizzata dispone di funzionalità di machine learning, queste possono risultare difficili da personalizzare, ma spesso è indispensabile adattarle alle esigenze della propria azienda. Le soluzioni personalizzate offrono maggiori possibilità in termini di integrazione dei dati.

Raccomandiamo vivamente di puntare al massimo livello possibile di controllo e personalizzazione per quanto riguarda l’integrazione e l’analisi dei dati (il “motore”).
Per la parte relativa all’attivazione, spesso è necessaria un’interfaccia utente. Riteniamo che questo sia il requisito più importante in una piattaforma di marketing automation. Nella maggior parte dei casi, è necessario che sia una persona a controllare l’effettiva orchestrazione, specialmente quando si tratta di comunicazioni one-to-one (e-mail, SMS, notifiche push, ecc.). Tuttavia, la logica e i segmenti dovrebbero essere alimentati dal moderno data warehouse dei clienti. Ci sono alcuni vantaggi nell’avere tutto in un’unica piattaforma pronta all’uso (raccolta, integrazione, logica, orchestrazione), ma ciò comporta diverse limitazioni di cui dovremmo essere consapevoli.

Segmenti vs. Segnali

Quando si crea un moderno data warehouse dedicato ai clienti, il nostro consiglio è quello di attribuire ai segnali di offerta la stessa importanza dei segmenti di pubblico nell’invio dei dati ai canali. Spesso i segnali di offerta vengono trascurati e la condivisione dei dati con i canali si concentra eccessivamente sui segmenti di pubblico. Inoltre, è comune che tutti i canali di output vengano trattati allo stesso modo.

Un esempio è rappresentato dai modelli di Customer Lifetime Value (CLV). Disporre di segnali CLV è importante per la maggior parte delle aziende, anche se ciò non implica necessariamente la condivisione dei segmenti di valore dei clienti con i canali. In molti casi, l’invio alla piattaforma di segnali di conversione ottimizzati, basati sul valore atteso futuro di un utente, può avere un impatto positivo sull’efficienza delle offerte e sull’acquisizione di clienti di alto valore.

Ne parleremo più approfonditamente nella quarta parte di questa serie.