Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

Management

Machine learning per il marketing, vince l’approccio “ibrido”. Uno studio di Harvard Business School

Siamo ancora lontani dal “virtual market”, capace di elaborare trend, previsioni e strategie commerciali basandosi esclusivamente sugli algoritmi intelligenti: per gli analisti l’intervento dell’esperto in carne ed ossa è ancora necessario. Ecco come la funzione marketing può rendere l’interazione uomo-macchina più efficace

25 Nov 2019

Patrizia Licata

Marketing completamente automatizzato? Un sogno per i top manager della funzione commerciale: una “macchina” capace di prevedere da sola le scelte dei singoli consumatori e anticipare le dinamiche della concorrenza, suggerendo quali prodotti e servizi mettere sul mercato, quando e con quale prezzo. Ma il virtual market basato sugli algoritmi di machine learning è solo teoricamente realizzabile, avvertono gli esperti: oggi (e forse anche in futuro) l’intervento umano resta indispensabile. Meglio dunque affinare l’approccio ibrido che, combinando l’analisi dei Big data con i professionisti dei dati e del marketing, permette di ottenere modelli accurati e guidare le decisioni strategiche.

L’approccio ibrido è stato illustrato nel working paper Soul and Machine (Learning) firmato da 13 studiosi di marketing e pubblicato sul sito di Harvard Business School Working Knowledge. Intuito e creatività, formazione scientifica, conoscenza delle preferenze dei clienti e del mercato di riferimento sono capacità che le macchine non possono ancora offrire ma di cui il marketing intelligente ha fortemente bisogno. «Proponiamo di fare un passo indietro e capire come integrare al meglio il machine learning per risolvere i problemi concreti del marketing nelle aziende di oggi», affermano gli studiosi.

Modelli “circoscritti” per sfruttare al meglio il machine learning

La contestualizzazione è la prima sfida che un marketing totalmente automatizzato non potrebbe risolvere. La tecnologia del machine learning oggi eccelle in compiti circoscritti, come filtrare i contenuti, spiega Tomomichi Amano, assistente di Marketing alla Harvard Business School e uno degli autori del paper; «ma il tipo di compiti che vogliamo svolgere nel marketing sono più complicati, perché cerchiamo di ricavare modelli del comportamento umano. Gli elementi che non si possono prevedere in modo sistematico si moltiplicano».

Perciò cercare di realizzare un vero virtual market (un algoritmo talmente sofisticato da permettere a molteplici dipartimenti aziendali di condurre ricerche e ottenere risposte su parametri che vanno dalla progettazione dei prodotti al pricing) potrebbe rivelarsi improduttivo. Meglio automatizzare specifici compiti più facilmente gestibili. Per esempio, sulla base di semplici principi economici (i consumatori tendono a preferire il prodotto col prezzo più basso) si può costruire un modello che spieghi come si indirizzano le ricerche che le persone effettuano su Internet.

Altri modelli potrebbero puntare sugli strumenti di machine learning per estrarre indicazioni utili dalle recensioni dei prodotti online. È un tipo di analisi che permette di eliminare i tradizionali sondaggi dei consumatori ma che va affiancato con l’intervento umano: solo l’esperto in carne ed ossa può sopperire alle carenze della tecnologia di Natural Language Processing, ancora non sufficientemente avanzata da riuscire a passare dalla selezione dei contenuti rilevanti all’individuazione dei bisogni dei consumatori e alla conseguente progettazione di nuovi prodotti che rispondano a tali richieste, afferma Amano.

Un’altra area in cui l’approccio ibrido può essere efficace è la comprensione della “molla” che spinge all’acquisto (il concetto di “attribution”). L’esperto di Harvard fa l’esempio di un consumatore esposto alla pubblicità di un telefono cellulare su tre canali diversi: il cartellone su un autobus, uno spot in televisione, una ad su Internet. Ne parla con gli amici e infine compra il telefono pubblicizzato. Ma quali dei canali è stato più efficace nel portare all’acquisto? «Non lo sappiamo» sottolinea Amano, e farselo dire dal machine learning è ancora più difficile visto che «non possiamo ricavare modelli da cose che non comprendiamo a fondo».

Sensibilità umana necessaria per evitare scivoloni sulla privacy

C’è un altro elemento su cui l’intervento dei professionisti e dei manager del marketing è fondamentale: il bilanciamento tra personalizzazione e privacy. Le pubblicità tendono ad essere sempre più mirate, ma qual è il confine oltre il quale sono percepite dall’utente come invasive, se non inquietanti? I benefici del marketing personalizzato spesso vengono oscurati dal fattore “invasione della privacy”, ammonisce Amano. E, mentre per i colossi del digitale come Google e Facebook, sarà compito della regulation nazionale o globale trovare l’equilibrio tra innovazione e rispetto della sfera personale, tutte le altre organizzazioni dovranno fondarsi sulla sensibilità del proprio management per continuare a comunicare in modo efficace e personalizzato con i clienti senza rischiare di farli sentire “spiati”.

I manager del marketing dovranno anche mantenere una buona dose di realismo nelle loro aspettative sugli strumenti di machine learning e circondarsi di professionisti che sanno illustrare i diversi approcci possibili basati sull’analisi dei dati. Per Amano la formula vincente è collaborare con i data analyst per progettare le strategie di raccolta dei dati e distribuire iniziative e promozioni in modo da sfruttare al massimo la potenza dei nuovi strumenti di machine learning. Che, appunto, sono strumenti al servizio del marketing, ma non costruiscono il marketing da soli.

@RIPRODUZIONE RISERVATA

Articolo 1 di 4