"Dall’operational CRM all’analytical CRM"

tratto da: Lettera Marketing ABI n.1 2001

Ogni istituto bancario ha preso coscienza di uno scenario competitivo rinnovato, in cui le regole del gioco sono mutate, lasciando spazio a una concorrenza reale e soprattutto agguerrita; considerando questi aspetti le banche hanno dovuto rifondare il concetto di orientamento al mercato virando da una rotta product-centric a una customer-centric.

Negli ultimi anni il panorama bancario italiano ha subito notevoli cambiamenti, generati da un insieme combinato di fattori riconducibili sia a meccanismi interni al sistema sia a eventi esterni di natura macroeconimica.

Lo scenario tipico in cui hanno operato per decenni le istituzioni finanziarie italiane è stato modificato da pressioni derivanti dal processo di globalizzazione dell’attività economico-finanaziaria e dal rinnovato quadro normativo.

In effetti i problemi legati alla globalizzazione non interessano in modo esclusivo le banche, ma qualsiasi settore dell’attività economica; è però certo che anche in questo campo, nonostante la posizione privilegiata di cui hanno potuto disporre per molto tempo, la complessità è aumentata portando a conseguenze inevitabili sotto il profilo strutturale e gestionale.

Nel contesto normativo si è operato in due distinte direzioni, recependo le direttive europee e legiferando internamente per mettersi al passo con le altre realtà internazionali.

Se questi sono eventi di natura esterna al settore, altri sono riconducibili alla dinamica interna delle istituzioni finanziarie. Attualmente sono identificabili un certo numero di nuovi operatori, come imprese per il credito specializzato (società di leasing e di credito al consumo) e istituzioni che gestiscono i fondi comuni; i nuovi operatori hanno portato ad un aumento complessivo degli attori sul mercato di riferimento causando un inasprimento della competizione. A questo si deve aggiungere la necessità di fornire una più ampia scelta nella suite di prodotti e servizi erogati.

Parallelamente a questi aspetti, che descrivono il mercato considerando solo il lato dell’offerta, ne sono presenti altri che coinvolgono il lato della domanda. Il cliente attuale, forte di una cultura economica più approfondita, non si accontenta più di scelte basate su una comparazione di rendimenti e rischi ma pretende dalle istituzioni finanziarie il dialogo e soprattutto l’ascolto delle proprie esigenze specifiche, richiede delle informazioni chiare ed esaustive e infine vuole beneficiare delle comodità legate allo sviluppo delle nuove tecnologie.

A sostegno di queste affermazioni è possibile fare riferimento ad esempio a un’indagine che l’Eurisko ha condotto per l’Abi in cui è emerso la motivazione principale dell’abbandono è da imputarsi alla mancanza di un livello di soddisfazione sufficiente.

Anche nel settore finance la nuova sfida competitiva si gioca sulla capacità di gestire efficacemente le relazioni con il cliente.

La nuova filosofia di orientamento al mercato è rappresentata dal CRM, acronimo tanto utilizzato, quanto indefinito per contenuti e sostanza.

Cosa significa gestire le relazioni con i clienti?

Secondo una definizione di PriceWaterhouseCoopers il CRM è "Gestire l’azienda intorno alle interazioni con i clienti per massimizzare il valore delle relazioni con essi".

Come accade spesso le definizioni risultano generiche e non forniscono in prima approssimazione la percezione reale del problema è però possibile procedere per approssimazioni successive scomponendo la definizione in parole chiave che consentono di individuare delle aree ben definite e ulteriormente specificabili.

Il fulcro attorno al quale ruota l’intera definizione è rappresentato dalle "interazioni con i clienti"; mentre i veri drivers del cambiamento sono rappresentati dalla "gestione" delle interazioni e dalla "massimizzazione" del valore delle stesse.

Il concetto di gestione racchiude degli aspetti molto importanti: innanzi tutto significa creare l’apparato necessario a mettere in contatto il cliente con la banca. Operativamente, è funzionale al raggiungimento di questo obiettivo la creazione di un call center, di un sito web (non solo una vetrina nella rete, ma un reale accesso a un numero più o meno ampio di servizi on-line), di punti di contatto face-to-face attrezzati opportunamente, e di tutti quegli altri canali di comunicazione che rendono reale la multicanalità: accessi wap, ATM, text messaging, interactive TV, sono solo i più recenti proposti dall’innovazione tecnologica; già si parla di nuovi standard come l’UMTS che dovranno essere presi in considerazione come punti di contatto con il cliente.

Tutti i touch points descritti rappresentano l’operational CRM; si tratta di tecnologie e strumenti studiati e sviluppati per connettersi con i clienti, per gestire un numero elevato di interazioni e per raccogliere i dati relativi ai contatti effettuati.

La presenza della multicanalità pone un problema di grande impatto sul business aziendale: la disponibilità di dati relativi allo stesso cliente provenienti da fonti diverse. Questo può essere visto da un lato come un’opportunità, in quanto è possibile studiare le esigenze e i bisogni complessi di un cliente conoscendo più profondamente e rispetto a più dimensioni comportamentali significative. Da un altro punto di vista non va sottovalutato il rischio di ottenere più visioni dello stesso cliente, con la spiacevole conseguenza di intraprendere delle azioni differenziate (mailing conflittuali con promozioni diverse nei contenuti e nelle forme) generando la percezione di una struttura non affidabile e in ultima analisi di proporsi con servizi inefficienti. Per evitare di incorrere in errori come questi, tutta la struttura organizzativa operazionale deve essere gestita efficientemente, basandosi su architetture connesse coerentemente. In particolare risulta essenziale il ruolo di un data warehouse sul quale confluiscano i dati provenienti dalle diverse sorgenti informative.

Per la costruzione di un data warehouse bancario è necessario coinvolgere più domain expert interni alla banca, in modo da identificare correttamente i dati necessari e le strategie di acquisizione. In effetti la complessità delle fonti è alta in quanto sono disponibili dati provenienti da:

• Anagrafica della clientela
• Famiglie di prodotti
• Pricing
• Touch points
• Contabilità analitica
• Flussi di ritorno (Banca d’Italia, Abi,…)
• DB esterni
• Ricerche di mercato

La scelta dei dati da rendere disponibili dipenderà da quanti e soprattutto quali ambiti applicativi beneficeranno del data warehouse (alcuni ambiti possono essere il controllo di gestione, il risk management, il marketing database e il sistema informativo di marketing in senso lato, il product engineering, ecc.).

Nello schema vengono rappresentate le diverse fonti di dati (vedi quelle elencate in precedenza) che contribuiscono all’identificazione del contenuto di un data warehouse. Sul lato sinistro dello schema è presente un contenitore adibito ai metadata tecnici e di business.

La massimizzazione del valore della relazione banca-cliente

Con i touch points funzionanti e un data warehouse a regime si potrebbe erroneamente pensare di aver compiuto tutte le fasi di un progetto completo di CRM. In realtà se torniamo alla definizione proposta in precedenza non è ancora stato trattato un punto fondamentale: la massimizzazione del valore delle relazioni con i clienti.

Una relazione è tale quando è presente uno scambio di valori bidirezionale:

• Cliente-banca
• Banca-cliente

Con i touch points e il data warehouse attivi, l’azienda è semplicemente pronta a gestire un solo flusso di informazioni; quelle che dal cliente arrivano alla Banca. Potremmo riassumere questa condizione con il seguente schema:

Nello schema è possibile individuare il flusso di informazioni che dai clienti, attraverso i touch points, raggiunge il customer database, termine usato per identificare il data warehouse in un ottica customer-centric. In questo schema non si tiene conto del contributo di tutte le altre fonti di dati solo per fini semplificativi, ma queste sono comunque presenti nel customer database.

Raggiunti questi risultati si è fatto molto, ma non si è fatto abbastanza.

Liz Shahnam, Vice President di Meta Group (www.metagroup.com) ha sostenuto in un suo articolo che "Enterprise CRM fails without a panoramic customer view. This can only be achieved via analytical CRM". In altre pubblicazioni di Meta Group è stato sottolineato che "organizations that don’t embrace analytical CRM are going to fail in their CRM projects."

I progetti di CRM che si limitano a gestire efficientemente le relazioni con i clienti sono carenti del secondo flusso di informazioni; non sono in grado di massimizzare in modo efficace la relazione con il cliente.

Quando i dati sulla nostra clientela sono presenti in modo organizzato, vanno sfruttati per trarne informazioni e cogliere opportunità. I passi descritti in precedenza, cioè la strutturazione dei touch points e del customer database hanno richiesto ingenti investimenti in termini di piattaforme tecnologiche, di tempo e di risorse. Inoltre la manutenzione dei sistemi richiede sforzi continui (si pensi al grande afflusso di dati che può rivelarsi un peso per la necessità di dotarsi di database con memorie di terabytes) per mantenerli aggiornati e dimensionati correttamente. Tutti questi sforzi devono trovare una giustificazione sotto forma di ritorno sugli investimenti effettuati.

L’analytical CRM rappresenta la risposta a questi problemi, garantendo la massimizzazione del valore delle relazioni con i clienti.

Il punto di partenza per approcciarsi a un sistema di CRM analitico è sicuramente rappresentato da strumenti di OLAP; questi consentono la verifica di ipotesi che i business user (direttori funzionali) hanno già identificato come le probabili cause di un certo fenomeno (il direttore commerciale di una banca ha la percezione che la fornitura del servizio di home banking sia meno richiesta in certe aree geografiche e da persone con certe caratteristiche e procede con operazioni di drill across e drill through alla verifica di questa sensazione frutto dell’esperienza). Gli strumenti OLAP sono dotati di flessibilità di velocità e interattività nell’utilizzo e hanno il merito di creare e distribuire informazioni ai business user aziendali.

Nello schema si percepisce come l’aggiunta di strumenti OLAP consenta di fornire informazioni ai business users, ma ancora è assente il secondo flusso informativo che dovrebbe andare dalla banca al cliente.

Gli strumenti OLAP però denunciano dei limiti sia strutturali, sia di contenuto. In effetti non sono in grado di gestire strutture molto complesse di dati e di valersi di modelli, ma soprattutto forniscono solo delle informazioni di tipo statico; con l’OLAP possiamo al massimo disporre di una fotografia di quello che è accaduto.

Sicuramente capire cosa è successo in un determinato mercato (o area geografica, o gruppo di filiali, ecc.) è importante, ma fondamentale è capire perché è successo.

In quest’ottica gli strumenti OLAP risultano insufficienti ed è necessario ricorrere a tecniche più evolute e sofisticate che aumentino il contributo informativo dei dati disponibili.

E’ necessario il Data Mining.

Con gli strumenti di Data Mining è possibile arrivare alla comprensione del perché dei fenomeni, andando oltre la fotografia del passato e proiettandosi nel futuro con l’acquisita capacità di prevedere le esigenze e i bisogni dei clienti.

Il Data Mining è in grado di trasformare i dati grezzi in informazioni di valore, di aiutare la comprensione del vantaggio competitivo, rendendo ripetibili i successi di azioni passate ed eliminabili gli insuccessi. E’ possibile rispondere a domande strategiche come:

• Qual è il comportamento bancario dei miei clienti?
• Qual è il profilo dei miei clienti più profittevoli?
• Quali sono i clienti che siamo in grado di mantenere più a lungo?
• Quali sono i best prospects per un nuovo prodotto?

All’interno della realtà bancaria il Data mining consente il raggiungimento di obiettivi centrali nelle politiche di marketing. Nel mercato bancario odierno i prodotti e i servizi si presentano molto diversificati; ciò presuppone l’approfondimento della conoscenza dei clienti, e in particolare delle loro necessità e delle loro aspettative per:

• Migliorare l’acquisizione di nuovi clienti, diminuendo i costi e i tempi medi, proponendosi con i prodotti più adatti nelle campagne di marketing, che devono essere mirate e specifiche per il target obiettivo
• Aumentare il cross-selling e l’up-selling, concentrandosi così non più sulla market share ma sulla share of wallet, rendendo i clienti più profittevoli
• Migliorare la retention, fidelizzando il cliente e individuando le cause di abbandono (customer attrition)

Riguardo a questi temi si è recentemente espresso anche Kotler, in "Il marketing secondo Kotler" che ha evidenziato come "sono state sviluppate sofisticate tecniche per accrescere il cross-selling e l’up-selling. Le imprese definiscono i profili dei dei segmenti e dei clienti mediante i propri data warehouse, alimentati grazie a tecniche sempre più efficaci di data mining".

Per ottenere questi risultati però non è sufficiente disporre delle potenti tecniche di Data Mining (reti neurali, alberi decisionali, modelli di regressione, ecc.); infatti accade spesso che, una volta compresa l’importanza di un certo processo di analisi, questo venga affidato a un centro studi che ottiene dei risultati che non vengono sfruttati e rimangono in un cassetto come prova di abilità di menti elette all’analisi dei dati.

Per completare il flusso di informazioni bidirezionale di cui si è parlato in precedenza e aggiungere quindi la direzione banca-cliente è necessario che il Data Mining sia strutturalmente integrato nei sistemi IT bancari. Non si può pensare di avere realizzato un progetto di CRM e parlare di cross-selling se l’unica informazione aggiuntiva di cui si dispone è che sarebbe utile proporre un certo fondo di investimento a quel segmento di clientela che la banca ha identificato come dormiente (questo segmento potrebbe ad esempio risultare da una segmentazione comportamentale su variabili bancarie in cui si è evidenziato che questi soggetti non effettuano spesso movimenti, non hanno investimenti e non sfruttano i canali nuovi di comunicazione).

CRM è dare la possibilità all’operatore del call center di suggerire in tempo reale al cliente che lo sta chiamando il prodotto più adatto (nel senso che è stato associato a ogni cliente un livello di probabilità che identifica la propensione all’acquisto di un certo prodotto), oppure fornire nell’interfaccia grafica di lavoro del cassiere l’informazione relativa a quale rischio di abbandono esprime il cliente che si trova di fronte in modo da poter agire con delle campagne mirate e delle promozioni studiate per generare loyalty (se è vero che informazioni di questo genere non sono richieste dai gestori che conosco personalmente i pochi clienti di cui si occupano, le stesse informazioni sono essenziali per il cassiere che quotidianamente vede decine di persone e non potrebbe altrimenti garantire lo stesso livello di personalizzazione del rapporto). Quelli citati sono solo due esempi di come i complessi modelli di Data Mining vengano inseriti nella struttura bancaria per poter arrivare alla chiusura del ciclo e realizzare un vero progetto di CRM.

Rispetto allo schema precedente sono comparsi due nuovi elementi: il Data Mining e gli Intelligent Agents. Sono presenti due flussi: uno che dai clienti porta dati al customer database passando dai touch points; l’altro che dagli intelligent agents restituisce informazioni ai clienti sempre passando dai touch points. I risultati dei modelli di DataMining vengono passati ai business users che decidono le strategie da applicare a livello teorico. Queste strategie vengono implementate dagli intelligen agents in tre direzioni: arricchendo il customer DB, fornendo informazioni real time ai touch points, restituendo un monitoraggio ai business users.

Per poter raggiungere l’obiettivo di un progetto di CRM completo è fondamentale quindi il deployment, ovvero la diffusione dei risultati automatizzata e real time; il deployment, realizzato attraverso degli intelligent agents (applicativi in grado di fornire informazioni in tempo reale sulla base di complessi modelli di Data Mining) consente di generare il secondo flusso banca-cliente, che in misura maggiore permea di significato l’acronimo CRM.

Infine per avere un progetto di CRM proiettato verso il futuro, è necessario prestare molta attenzione ai nuovi canali. In questo senso Andrea Farinet, docente della SDA Bocconi, in un articolo pubblicato su uno speciale CRM di Computer World, ha evidenziato che "nell’attuale contesto economico e culturale creare un progetto di CRM vuol dire integrarlo con la realtà dell’e-business".

L’eCRM rappresenta la nuova frontiera nella gestione dei rapporti con i clienti, e questo per una banca significa poter riconoscere i propri clienti on-line e fornirgli un servizio personalizzato rispondente alle caratteristiche espresse in tutti i fronti della relazione. Su internet la personalizzazione si estrinseca in una rappresentazione ad hoc del sito, nella presenza di banner pubblicitari mirati e di proposte specificatamente indirizzate a quel cliente, stressando al massimo il concetto di real time in quanto nella rete un semplice click è in grado di spostare la relazione del cliente verso un nostro competitor.

E’ quindi evidente che un progetto di CRM debba seguire un iter preciso e strutturato, che molto spesso coinvolge diverse realtà tecnologiche (è realmente difficile trovare attualmente in commercio una soluzione end-to-end che copra tutte le fasi del CRM; per avere a disposizione il best of breed è necessario far colloquiare diversi ambienti e sistemi). Per ottenere i risultati sperati è però necessario spostare il focus dall’operational CRM all’analytical CRM, in quanto la gestione delle informazioni ma soprattutto la massimizzazione del valore delle stesse costituirà nei prossimi anni il vantaggio competitivo delle banche più lungimiranti.

Fabio Nalucci
BI division
SPSS Italia