MM026 – Cross Selling scientifico: Association Rules Mining

Nel mondo del marketing e della vendita sia on che off line, Cross Selling e Up Selling sono tra le pietre miliari da tenere a mente per coltivare il rapporto con il proprio cliente (e con il proprio fatturato). Se da un punto di vista teorico i due concetti sono chiarissimi, la domanda da porsi è: cosa proporre? E perché?

Quando il risultato è incerto, la risposta è da ricercare nei dati.

“In God we trust, all others bring data” diceva William Edwards Deming, evergreen ancora più significativo nei contesti dove il know how e il secondo me sono separati da una linea sottile. Fortunatamente esistono degli strumenti appartenenti al data mining che permettono di intercettare in modo scientificole relazioni tra elementi (che si tratti di prodotti venduti o eventi concomitanti): le Association Rules. Si tratta di uno strumento che a partire da un insieme di fatti studia le frequenze degli elementi di interesse, concentrandosi sulla loro simultaneità e la loro successione, con lo scopo di identificare dei legami di dipendenza e poter formulare delle previsioni. Questi legami sono chiamati regole, e nella forma classica si presentano come

{A}→{B}

dove {A} e {B} sono item cioè singoli elementi (o talvolta itemset, cioè gruppi di elementi) e la freccia che li separa definisce un rapporto di implicazione tra le parti: se è presente {A} allora è probabile che sia presente anche {B}. È proprio sul concetto di probabilità che si fonda infatti la computazione delle Association Rules, sulla relazione tra le probabilità singole e congiunte dei diversi item.

Dall’output all’interpretazione

Support, Confidence e Lift sono indicatori che accompagnano i risultati delle Association Rules come un libretto d’istruzioni. Questi tre valori definiscono quanto le combinazioni {A} + {B} siano frequenti, quanto la presenza di {A} implichi {B}, e quanto l’associazione tra {A} e {B} sia forte. Letti in modo incrociato danno una valutazione delle regole, ma trattandosi di metriche molto tecniche è necessario pesarle con altre variabili come il contesto studiato e l’obiettivo d’analisi.

Dalla teoria alla pratica

Le Association Rules sono applicabili ai campi più svariati: dalla Market Basket Analysis in ambito Grande distribuzione organizzata fino al rapporto tra componenti chimiche nei laboratori biologici. Restando nell’ambito Sales, l’analisi delle relazioni tra le scelte della base clienti è un approccio data-driven allo studio della propria audience che offre spunti su diversi fronti, come il Cross selling, ma non solo. Sapere quali prodotti vengono venduti più spesso simultaneamente può sembrare un’informazione scontata, ma individuare quale combinazione di acquisti identifica il consumatore più sensibile ad un ulteriore acquisto (e di quale prodotto in particolare!) risulta molto interessante. Ciò permette di applicare diverse politiche promozionali in base al prodotto “trascinato”, il {B} poco sopra. Se {B} è il prodotto premium del momento, l’acquisto di {A} può diventare il percorso preferenziale per accompagnare il consumatore verso un Up selling razionale. Se invece {B} è tra i prodotti meno performanti, {A} si presenta come il trampolino di lancio per il suo riscatto. Nel caso in cui il prodotto premium abbia il ruolo di “trascinante”, quindi {A}, si ritorna al concetto di Cross selling, dove la regola indentifica in {B} il prodotto successivo da proporre al cliente con prodotto top. Questi sono solo alcuni dei ragionamenti possibili a partire dai risultati del Association Rules Mining, da declinare in base al business in esame.

Una variante: Negative Association Rules

Gli algoritmi di definizione delle regole si sono evoluti (o meglio, sono in continuo sviluppo) verso un tipo di legame diverso, dove il paradigma classico viene capovolto in forma negativa. Si parla di Negative Association Rules quando la ricerca di connessioni è declinata nella formula “Se A allora NON-B”. Come le sorelle positive, anche queste regole evidenziano relazioni rilevanti nella gestione del proprio pool di prodotti, infatti il meccanismo sotteso è quello della sostituzione, fino ad arrivare alla vera e propria “cannibalizzazione” tra combinazioni di elementi. Anche per le Negative Association Rules si ottengono le metriche di Support, Confidence e Lift, per la valutazione sia della singola regola che dell’insieme dei risultati, al fine di compararne la forza. Sapere che l’acquisto di {A}, il prodotto dominante, implica il non acquisto di {B} suggerisce ad esempio di non prevedere delle promozioni concomitanti per {A} e {B}, ad esempio, o la disposizione a distanza dei due prodotti in uno store fisico. Gli insight che si possono ottenere da questo tipo di relazioni sono meno intuitivi, molto sottili, e perciò ancora più interessanti da valutare in base alle diverse realtà.

Pros & Cons

Che si parli di fashion o telefonia, un vantaggio delle Association Rules è la versaltilità: anche nei casi di realtà non ancora pienamente data driven, con una qualità del dato relativa alla propria clientela scarsa (o nulla), le regole sono adottabili. Infatti, l’algoritmo prende in considerazione il fatto in sé (in questi casi, le transazioni) senza distinguere l’attore alle spalle. E se invece questi dati sono presenti e di buona qualità? Tanto meglio: l’utilizzo combinato con altre tecniche permette di individuare target specifici per azioni promozionali mirate. D’altra parte, come tutti i metodi di data mining, anche le Association Rules necessitano di una preparazione dei dati accurata, soprattutto quando la raccolta non è impostata nell’ottica di una successiva analisi, fatto che rallenta il processo ma non ne impedisce l’applicazione.

Le Association Rules sono uno strumento che a differenza di altre tecniche di advanced analytics necessita di una profonda conoscenza del business in esame e un intervento puntuale del data scientist. I vantaggi però sono evidenti: ne emergono relazioni latenti che permettono la pianificazione di una politica promozionale razionale e con una solida base scientifico-statistica.

Vuoi saperne di più? Contattaci!

(Images by Marco Pomella, Peggy und Marco Lachmann-Ankee, Gino Crescoli , Coffee Bean, OpenIcons, Sandra Schön from Pixabay)