Uno dei pillar della Customer Experience, e forse il più importante, è il journey management, ovvero la capacità di garantire al cliente un’esperienza non frammentata; un “viaggio” coerente, fluido e iperpersonalizzato tra i diversi touchpoint. In tale scenario, occorre una strategia che analizzi i dati in real-time, fornisca insight azionabili e indichi con precisione dove intervenire. Negli ultimi anni, le aziende italiane hanno sviluppato una sensibilità crescente verso questo tema: una ricerca dell’Osservatorio Omnichannel Customer Experience del Politenico di Milano mostra, infatti, come l’utilizzo del CRM – Customer Relationship Management, per raccogliere i dati del consumatore, sia passato dal 69% del 2023 all’83% del 2024. Al tempo stesso, però, tecnologie avanzate come il Data Lake hanno avuto una crescita modesta, passando, dal 33% al 38%.
Oggi, c’è un salto di qualità da compiere: una strategia efficace per l’Omnichannel necessita di un approccio sistemico: raccolta di dati strutturati e non strutturati; analisi predittive; infine, uso del Machine Learning.
Per restare al passo con le aspettative dei consumatori, infatti, le aziende devono investire in tecnologie avanzate. Questo soprattutto perché mentre la Customer Experience tende a rimanere stabile nella qualità, il cosiddetto “Amazon Effect” tende a condizionarne la percezione in senso peggiorativo.
Il trend è documentato da Forrester che segnala come il Customer Experience Index sia calato dal 72% del 2021 al 69% del 2024.
Omnichannel Experience: gli errori evitare
Tra le cause del problema può esserci la non piena consapevolezza della differenza tra multicanalità e omnicanalità. Mentre la molteplicità dei canali (multicanalità) per raggiungere i clienti è ormai un fatto acquisito (con la presenza, ad esempio, di store fisico, sito eCommerce, assistenti virtuali, ecc.), l’esperienza che vive il cliente, passando da un touchpoint all’altro, non è presidiata a sufficienza. Tuttavia, proprio la capacità di ascoltare il cliente è una delle chiavi per garantire la Customer Experience, come documenta la ricerca di Customer Think. Quella dell’ascolto è, ad esempio, la strategia di successo di Pandora: ascoltare i clienti, personalizzare l’esperienza e implementare una vera strategia Omnichannel.
Omnichannel Experience: il paradosso dei dati
Ma cosa serve davvero per ottimizzare la Customer Experience e definire una strategia Omnichannel? La risposta è nei dati: occorrono i dati di prima mano, in streaming, come documentato da Navy Federal Credit Union. Ma non solo: la quantità di dati in real-time, già di per sé enorme, si deve combinare, nella varietà dei casi, con altre fonti (archivi storicizzati, dati social, dati dei punti vendita, informazioni dalla produzione o dalla Supply Chain, ecc.). Ciò porta al paradosso dell’informazione: più aumentano le fonti disponibili, più cresce il rischio di non comprendere la situazione corrente. Le aziende si trovano ad affrontare, di fatto, la criticità dell’overflow di dati, che rischia di vanificare sia le analisi sulla Customer Experience, sia l’attuazione di strategie Omnichannel. Le due forze contrarie devono trovare un punto di sintesi. Occorre definire una strategia di gestione dei dati con obiettivi chiari e tecnologie abilitanti, che metta l’azienda al riparo dall’Information Overload Paradox.
Una data strategy efficace
Quante e quali informazioni occorrono per prendere decisioni informate? Con quale dettaglio? Da ciò dipendono le scelte in tema di tecnologie e organizzazione per la raccolta dati. Il punto di partenza, imprescindibile, è la costruzione del Data Lake, o, meglio ancora, di un moderno Data Lakehouse. Le informazioni vengono organizzate in un’architettura a 3 livelli (Medaillon Architecture), per l’acquisizione, il data cleaning e la finalizzazione dei dati. Tra le tecnologie di riferimento vi sono, ad esempio, AWS S3, Azure Data Lake Storage, Apache Spark, Apachi Delta Lake, o, infine, Apachi Hudi. Su tale base, vengono costruiti i meccanismi che consentono di trovare il migliore compromesso tra informazioni da raccogliere e decisioni da prendere:
- Data triage basato su Artificial Intelligence. Gli strumenti di Artificial Intelligence presenti nelle piattaforme di Data Lakehouse possono agire come filtri e individuare le informazioni rilevanti per le decisioni da prendere, scartando quelle che creano entropia: solo le informazioni più rilevanti raggiungono i decision-maker, con un risparmio di tempo (e risorse) necessarie per l’ordinamento e l’analisi dei dati.
- Dashboard adattative. Sono cruscotti ad hoc per i manager, progettati in base al tipo e al livello di decisione da prendere. Ciò implica la mappatura previa dei ruoli dell’organizzazione e del dettaglio necessario per ogni ruolo. A fronte di una medesima iniziativa aziendale o area geografica, il CEO potrebbe, ad esempio, essere interessato al fatturato, al margine di profitto o alle performance delle Business Unit, mentre il Marketing sarebbe interessato al ROI della campagna pubblicitaria o all’engagement sui social media.
- Metriche composite. Combinano più fonti di dati dando vita a un unico indicatore di sintesi. Ne risulta una visione più completa, senza il sovraccarico di informazioni (il “paradosso”). La definizione delle metriche di sintesi comporta, però, l’identificazione delle aree chiave per il business, l’individuazione dell’elenco delle fonti di dati pertinenti e lo sviluppo di metodi o modelli per il perfezionamento delle singole metriche. Una metrica composita relativa al benessere del cliente può essere, ad esempio, la combinazione di cronologia degli acquisti, frequenza di contatto con l’assistenza clienti e il sentiment rilevato sui social media.
- Sintesi automatiche. Il Machine learning e il NLP – Natural Language Processing permettono di generare testi di sintesi, facili da comprendere, a partire da grandi volumi di informazioni: riassunti testuali dei report, sintesi visive di dati numerici, con evidenziazione degli scostamenti significativi, ecc. Il tempo di lettura e la conseguente presa di decisione possono essere notevolmente ridotti.
Risulta chiaro, come nei casi di Pandora e Navy Federal Credit Union già citati, che una data strategy ottimale, supportata da tecnologie avanzate di Machine Learning, permette di implementare un approccio Omnichannel dei sevizi ai clienti. In altre parole, consente ai responsabili del business di prendere decisioni informate e tempestive, basate sui dati reali del customer journey.
E questo è sempre più importante dal momento che l’esperienza, tanto più è personalizzata, è tutto.
Una ricerca dell’Osservatorio Omnichannel Customer Experience del Politecnico di Milano, relativa all’esperienza vissuta dal consumatore, infatti, mostra un dato perentorio: il 57% dei consumatori che vive un’esperienza negativa, non acquisterà più quel brand. Ma non solo: il 38% lo racconta ad amici e parenti, e il 30% scrive una recensione negativa. I dati, quindi, parlano chiaro: la cura della Customer Experience e la strategia Omnichannel sono un imperativo. Le aziende devono fare investimenti strategici e dotarsi di una infrastruttura tecnologica per la gestione dei dati, a supporto di una gestione ottimale del journey management.
