Retail (R)Evolution, il potere dei dati per ridefinire le strategie dei retailer
Intervista a Chiara Mauri, Direttore della Scuola di Economia e Management e Professore Ordinario di Economia e Gestione delle Imprese presso la LIUC – Università Cattaneo.
Tempo di lettura: 5 min
Creare una discussione, un tavolo di lavoro, confronto e dibattito, una community di aziende interessate a comprendere e approfondire, nonché condividere conoscenza ed esperienze su come l’utilizzo dei dati e delle tecnologie per la loro analisi possono rivoluzionare il settore Retail, in particolare nei segmenti Grocery, Consumer Electronics e Do-It-Yourself.
È nato con questo obiettivo l’Osservatorio Retail MarTech (R)Evolution della LIUC – Università Cattaneo. L’osservatorio, che vede la partnerhsip con JAKALA, Mirakl , SAS e NielsenIQ, ha identificato come primo campo di indagine il tema della prossimità e di come le persone scelgono il canale di acquisto.
Ce ne parla Chiara Mauri, Direttore della Scuola di Economia e Management e Professore Ordinario di Economia e Gestione delle Imprese presso la LIUC – Università Cattaneo.
Quali sono le tendenze che state osservando in tema di prossimità e di scelte dei retailer?
Abbiamo deciso di affrontare la prossimità dei punti vendita come primo tema di analisi del nostro Osservatorio guardando alla realtà che caratterizza il settore in questo momento: i retailer di grandi dimensioni, per anni, si sono allontanati dalle città, aprendo punti vendita nelle periferie esterne; ora si stanno rilocalizzando nel cuore delle città, aprendo punti vendita di minori dimensioni per avvicinarsi fisicamente al cliente.
Questa tendenza sta creando una feroce competizione perché, se da un lato risponde ai bisogni “nuovi” delle persone di essere più sostenibili (fare acquisti a piedi e non in auto, acquistare prodotti freschi più volte nell’arco della settimana, etc.), dall’altro alimenta la presenza di numerosissimi retailer in piccole aree urbane, spesso con la presenza di punti vendita persino dello stesso brand a pochi metri di distanza.
Abbiamo analizzato i dati e calcolato il tasso di sovrapposizione medio dei bacini di attrazione, cioè quanto mediamente due punti di vendita hanno delle aree sovrapposte. Calcolando una distanza di circa 5 minuti a piedi da ogni punto vendita, il tasso di sovrapposizione media delle superfici è del 30%, il che significa che se la popolazione avesse una distribuzione uniforme sul territorio, ogni punto di vendita condividerebbe circa il 30% dei clienti con un altro punto vendita.
Il tasso di sovrapposizione diventa così un tasso di “potenziale cannibalizzazione” della clientela, rischio ancora maggiore quando i punti vendita sono della stessa insegna.
Che tipo di dati state analizzando e come?
Inizialmente ci siamo concentrati sull’analisi dei dati relativi ai punti vendita ipotizzando che le scelte delle persone fossero guidate da un ragionamento puramente funzionale e utilitaristico: si va nel punto vendita più vicino a casa o più “comodo” rispetto ad altre attività (il negozio vicino all’ufficio, per esempio).
A Milano, solo per fare un esempio, ciascun abitante può raggiungere un punto vendita di alimentari in 92 secondi, il che significa che spostandosi a piedi per 5 minuti ha più di due scelte possibili.
Sulla base di questi primi dati analizzati, abbiamo deciso di costruire, per ogni punto vendita, un indice di pressione competitiva, che dovrà tenere conto anche di dati economici quali il fatturato per metro quadrato e che richiederà la definizione di specifici modelli di analisi e l’utilizzo delle tecnologie di advanced analytics.
Per iniziare, abbiamo fatto dei piccoli esercizi su un campione di persone raccogliendo i dati degli scontrini e facendo analisi di regressione lineare [tecnica statistica che si utilizza per studiare la relazione tra due o più variabili] per comprendere quanto all’aumento della pressione competitiva ne risentisse il fatturato.
Abbiamo inoltre deciso di raccogliere e analizzare anche i dati relativi alle scelte e alle abitudini delle persone, per comprendere meglio quanto queste possano “pesare” sull’indice di competitività.
Qual è quindi il comportamento di acquisto?
Abbiamo raccolto le opinioni delle persone in alcuni punti vendita chiedendo loro di compilare un questionario o rispondere ad alcune nostre domande. Ad alcune persone è anche stato proposto/richiesto un contributo maggiore, ossia la stesura di un vero e proprio diario settimanale all’interno del quale annotare (e motivare) le proprie abitudini e scelte di acquisto e dei punti vendita
Abbiamo raccolto oltre 50 diari, un risultato decisamente superiore alle mie aspettative iniziali. Diari che ci raccontano esattamente dove acquistano le persone e perché.
Dalla prima analisi dei dati emergono alcune importanti direttrici che guidano le scelte dei consumatori:
- Utilità e funzionalità: si sceglie il punto vendita più vicino o “comodo”
- Valori condivisi: si sceglie il punto vendita perché si condividono i valori del brand
- Sostenibilità: si sceglie il punto vendita per le scelte in ottica di sostenibilità (non si usa plastica, si usa illuminazione a basso consumo, ecc.)
Dobbiamo ancora proseguire il lavoro, raccogliere altri dati e costruire modelli di analisi, in particolare un modello econometrico che ci permetta di dare “un peso” al valore della vicinanza, a quello dell’edonismo, a quello della sostenibilità, da arricchire poi con altre basi dati (per esempio, quelli delle carte fedeltà) e arrivare dunque ad un indice di pressione competitiva efficace.
Perché diventa importante arrivare all’indice di pressione competitiva?
L’indice di pressione competitiva è un chiaro esempio del valore che possono generare i dati: comprendere, attraverso l’analisi oggettiva dei dati, quanto il proprio brand è realmente in concorrenza con altri marchi sul territorio (o addirittura con un altro punto vendita del proprio stesso brand) è il primo passo da compiere per prendere decisioni più efficaci e ridefinire le proprie strategie commerciali.
Si tratta di una community di produzione di know-how avanzato sull’utilizzo dei dati, sull’impiego delle nuove tecnologie e sui nuovi modelli di business nei settori del retail, Grocery, Consumer Electronics e Do-It-Yourself. L’Osservatorio Retail MarTech (R)Evolution si articola in wave di ricerca semestrali, ciascuna dedicata a uno specifico argomento:
- Consumer purchase behavior tra canali fisici e digitali: i fattori determinanti
- Business information system mapping
- Piattaforme digitali e machine learning per nuovi modelli di business
- Digital readiness and shop experience: nuove sfide verso il retail 4.1
28 febbraio 2023
Articoli consigliati
-
Innovation sparksInnovazione e Trasformazione nell’Area Credito: l’esperienza di TIMTIM ha intrapreso un progetto ambizioso volto a innovare processi, sistemi e organizzazione, con l’obiettivo di migliorare l’efficienza e garantire una gestione sempre più data-driven. -
Data for GoodAI_PREMie: innovazione e collaborazione per prevenire le complicazioni della preeclampsiaLa ricerca condotta dall'University College di Dublino potrebbe salvare decine di migliaia di vite utilizzando il machine learning per diagnosticare la preeclampsia. -
Innovation SparksLe Model Card di SAS: una bussola per la trasparenza e l’eccellenza nei modelli di Intelligenza ArtificialeIntegrate nella piattaforma SAS Viya, le Model Card di SAS sono concepite per documentare e chiarire ogni aspetto dei modelli di intelligenza artificiale e machine learning. -
What's HotUna realtà dell’AI oltre l’hype per il settore sanitario e il mondo Life Science. Le previsioni di SAS per il 2025.Industrie farmaceutiche e mondo della sanità compiono passi decisi verso l’innovazione dell’AI e la digital transformation.