Negli studi di management è largamente condiviso che le informazioni rappresentano un fattore critico di successo per le aziende che, infatti, investono in strutture tecniche e organizzative per migliorare la loro capacità di raccogliere, archiviare, processare e condividere dati e informazioni.
Per un’azienda le informazioni ricavate dai dati possono essere utili per avere una visione più oggettiva di se stessa, per conoscere i clienti e i competitor, analizzare le operations, individuare punti di forza e di miglioramento, ricercare le opportunità di crescita e mantenere in house la conoscenza, indipendentemente dalle persone.
Tra i punti appena elencati, un aspetto chiave per il business è la conoscenza e la relazione con il cliente che rappresenta un asset fondamentale.
Ciò è vero soprattutto nel mercato Business-to-Business in cui ogni relazione è unica e importante (il numero di relazioni è relativamente limitato rispetto al mercato Business-to-Consumer) e perciò richiede una valutazione specifica.
Il valore della relazione con il cliente va ben oltre il momento della transazione: la performance di lungo periodo di un’azienda dipende dalla sua capacità di gestire propriamente il rapporto con il cliente, oltre che con i fornitori e le altre controparti.
Lo strumento che permette di gestire la relazione con il cliente è il CRM: Customer Relationship Management.
L’adozione di un sistema CRM ha effetti positivi all’esterno dell’organizzazione sulla customer satisfaction e, all’interno dell’organizzazione, sull’abbattimento delle barriere tra funzioni aziendali (in particolare marketing, vendite, servizio clienti, IT) che vengono riunite intorno ad un’unica strategia di customer management.
Spesso le critiche associate al CRM si poggiano su una cultura aziendale rigida e gerarchica da cui deriva una comprensione parziale delle potenzialità di questi sistemi e la percezione che essi rappresentino un limite alla libertà individuale del personale nel proprio lavoro (CRM come sistema di controllo) e uno strumento eccessivamente time-consuming rispetto all’output che fornisce.
I dati del CRM potrebbero fornire informazioni interessanti per il business ed essere utilizzati, per esempio, per individuare le caratteristiche dei prodotti/progetti che hanno più successo sul mercato.
Questo articolo espone la ricerca, condotta da Giulia Di Lorenzo, sui dati del CRM di un’azienda operante nel B2B.
Per questioni di riservatezza non verranno citati né l’azienda né i risultati ottenuti nello specifico.
La domanda di ricerca che ci si è posti è stata “quali sono le caratteristiche dei progetti di successo?”
Rispondere a questa domanda significa capire dove l’Azienda in questione potrebbe intervenire per aumentare le possibilità di successo e quando invece dovrebbe cambiare strategia e allocare diversamente le proprie risorse.
Nel dataset ogni unità statistica, coincidente con una riga in un file Excel, corrisponde ad una opportunità di business che l’Azienda ha almeno valutato di intraprendere.
Ogni colonna riporta un’informazione su quel progetto. In tutto, i progetti presi in considerazione sono stati 12.245. Tra le informazioni, quella più importante per la domanda di ricerca riguarda lo stato finale del progetto (progetto vinto, perso o ancora in corso). Altre informazioni disponibili riguardano il nome, la sede e l’industry in cui opera il cliente, la tipologia di prodotto proposto, il canale interno all’azienda che ha individuato l’opportunità.
Il lavoro sui dati inizia con un’attività preparatoria del dataset.
Per ogni variabile presente nel dataset vengono individuate tutte le modalità e le osservazioni e poi calcolate le frequenze di ciascuna. Viene scelta la soglia del 90% di campi compilati e vengono scartate tutte le variabili che presentavano più del 10% di campi empty perché non valutabili statisticamente per mancanza di informazioni.
L’attività preparatoria del dataset porta anche a limitare il numero di progetti da analizzare, escludendo quelli che presentano dati anomali sulla base del confronto con il management.
Per rispondere alla domanda di ricerca, il lavoro si articola in tre parti: analisi univariata, bivariata e multivariata, effettuate utilizzando Excel e SPSS.
L’analisi univariata è lo strumento preliminare, utilizzato per studiare ciascuna variabile senza ricercare alcuna relazione con le altre. Utilizza gli strumenti di statistica descrittiva: indicatori e tecniche di rappresentazione
L’analisi bivariata studia coppie di variabili ricercando dipendenze e associazioni. Le variabili da associare sono scelte in base all’oggetto dell’analisi espresso nella domanda di ricerca. La variabile presente in tutte le coppie è quella che esprime come si è concluso il Progetto (vinto o perso).
E’ infatti di grande interesse per il management individuare aree di intervento per aumentare le possibilità di successo e raggiungere obiettivi aziendali sfidanti.
Le analisi bivariate vengono effettuate utilizzando come strumenti principali le tabelle di contingenza che servono per il calcolo dell’indice chi Quadro e l’indice di contingenza di Pearson.
Volendo considerare l’oggetto della analisi non come una popolazione, ma come un campione dell’universo rappresentato dai progetti passati, presenti e futuri dell’Azienda, si esegue un test statistico.
Le due ipotesi sono:
H0: assenza di associazione tra le due variabili,
H1: presenza di associazione tra le due variabili.
Per rispondere al test si confronta il p-value relativo al chi quadro con il consueto valore di α (0,05). Per p-value minore di α si rifiuta l’ipotesi nulla.
Inoltre, poiché il chi quadro aumenta all’aumentare della grandezza del campione (e non in relazione al grado dell’associazione) si calcola l’indice V di Cramer per fornire indicazioni sul grado dell’associazione.
Nel caso concreto risulta esserci un’associazione tra le variabili, a due a due. Ne derivano chiare indicazioni per il management. Emergono infatti alcune aree, alcune industry, canali, prodotti che sono più associabili alla chiusura del deal.
L’analisi multivariata studia, invece, più variabili simultaneamente per comprendere se esistono relazioni significative.
Essendo interessanti alle determinanti di un progetto di successo, si compie un’analisi di regressione logistica. Questo strumento, infatti, permette di individuare le determinanti della probabilità del verificarsi di una modalità di una variabile dicotomica e, in questo caso, quali sono le caratteristiche di un progetto che più sembrano condizionarne l’esito, associato ai valori WIN o LOST.
Se il p-value è maggiore di 0,05, la modalità non è significativa nel modello.
Si valutano anche gli odds-ratio.
Nel caso in esame sono poche le modalità che non sono significative per il modello.
Per valutare la bontà del modello si può produrre la curva ROC (Receivier Operating Characteristic) che mette in relazione la sensibilità (il tasso dei veri positivi, corrispondenti in questo caso ai progetti effettivamente vinti e che anche il modello classifica come tali) e la specificità (il tasso dei falsi positivi, corrispondenti ai progetti che nell’Azienda sono persi nella realtà, ma che il modello riconosce come vinti).
In questo caso la curva ROC evidenzia che il modello è in grado di operare previsioni moderatamente accurate, infatti l’AUC (Area Under di Curve) è maggiore di 0,7.
Figura 1 Output R: ROC e AUC
Dal confronto con il management derivano conferme in merito alle associazioni trovate, basate sulla conoscenza profonda consolidatasi nel tempo delle dinamiche aziendali e di mercato. Vengono delineate nuove prospettive e vie promettenti da sperimentare per valorizzare le proprie risorse e affermarsi sempre più sul mercato. Emergono, inoltre, spunti per successive analisi.
Per valorizzare le potenzialità del CRM, la stessa analisi dovrebbe essere compiuta in ogni divisione dell’Azienda. Sarebbe estremamente interessante che l’Azienda a livello corporate raccogliesse le varie analisi e le esaminasse sia in modo comparativo, sia come parte di un unicum. Potrebbero, infatti, emergere punti di forza e di debolezza del business overall che a livello micro sembrano scarsamente rilevanti.
Sarebbe anche interessante confrontare i risultati delle analisi delle singole divisioni per individuare le best practise di ciascuna ed estenderle alle altre divisioni e per fare riflessioni sulle debolezze di ciascuna rispetto alle altre.
Inoltre, la consapevolezza sui sistemi CRM e sulle loro numerose funzioni (data storage, funzione previsionale, funzione di allineamento tra funzioni aziendali, funzione conoscitiva per il miglioramento dell’offerta e per l’aumento della customer satisfaction, funzione di base dati per l’analisi), porta a voler trarne il massimo.
Appare quindi utile far emergere i punti di forza e di debolezza del CRM dell’Azienda.
Sicuramente, aver sviluppato internamente il proprio sistema lo rende più flessibile e, quindi, ne consente un facile miglioramento. E’ importante che preveda campi che seguono, passo passo, il processo di vendita, anche se, per una maggiore efficacia, dovrebbe essere aggiornato più frequentemente da tutti gli operatori che dovrebbero essere maggiormente consapevoli dei vantaggi dello strumento.
Per evitare errori di compilazione, inoltre, sarebbe utile prevedere, una lista chiusa di campi da selezionare e un range di valori che possa comprendere il dato da inserire e che, altrimenti, segnali un errore.
Le caratteristiche dei progetti prese in considerazione risultano essere, inoltre, un ristretto gruppo rispetto a quelle presenti nel CRM che mira a raccogliere dati molto di dettaglio. Infatti, normalmente, queste caratteristiche non sono inserite. Sembra, dunque, utile rivedere le colonne ed eliminarne alcune in modo da rendere gli utenti più propensi all’inserimento dei dati e al loro aggiornamento.
Potrebbe essere interessante, inoltre, raccogliere dati che riguardino il progetto e la relazione con il cliente dopo la chiusura del deal. Sarebbe utile, infatti, indagare la soddisfazione del cliente e le problematiche riscontrate alla base del ricorso al servizio clienti. Avere anche funzionalità che aggreghino i dati per industry, per area o per cliente potrebbe consentire una vista unitaria e globale della propria presenza da cui partire per sviluppare progetti futuri.
Il limite dell’analisi deriva dall’incompletezza dei dati contenuti nel CRM. Alcuni attributi, pur previsti dal CRM, non sono stati presi in considerazione nelle analisi perché i campi corrispondenti in molti casi non erano stati compilati. Inoltre, il processo di vendita potrebbe porta con sé altre informazioni che, però, non rientrano nello schema dati del CRM come, per esempio, dati sull’eventuale storico con un determinato cliente. Con maggiori informazioni l’analisi sarebbe potuta essere più completa.
Comments