10 vantaggi dei modelli di marketing … e 10 “storie” che li celebrano
Foto di Chichi Onyekanne su Unsplash
Nihil recte sine exemplo docetur (Columella, De re rustica, 11, 1, 4)
Nell’articolo precedente ho cercato di chiarire, sperando di esserci riuscito, cosa intendiamo per modelli di marketing, in contrapposto soprattutto ai modelli puramente qualitativi che, pur molto utili per suggerire linee guida in diverse aree del management e del marketing se ben articolati e argomentati, non hanno caratteristiche predittive e prescrittive e difficilmente possono aiutare a migliorare il processo decisionale in assenza di esperienze, conoscenze e buone capacità interpretative da parte dei decisori.
Ora tenterò di convincervi dell’utilità di questi modelli, dandovi anche una serie di esempi di vita vissuta (mica per niente Lucio Giunio Moderato Columella, che era praticamente diventato un contadino con l’incluso cervello fino, diceva che gli esempi ci vogliono … altro che storytelling!) con riferimento a ognuno dei 10 vantaggi che ho identificato, fra loro ovviamente in gran parte collegati.
Il grafico che vedete qui sotto è invece una sintesi descrittiva del fatto che anche gli esperti possono migliorare le proprie capacità interpretative e predittive avvalendosi di modelli.
Nel grafico, elaborato da una tabella di Stephen J. Hoch (Combining Models with Intuition to Improve Decisions, da Hoch & Kunreuther, Wharton on Making Decisions, Wiley 2001, pag. 92), viene infatti evidenziata la capacità predittiva in termini di accuratezza delle previsioni dei risultati di uno stesso tipo di azioni promozionali in sei diverse aziende (da A a F) e con lo stesso modello software, misurata in percentuale di varianza “spiegata” …
- … dal modello se non utilizzato da esperti (v. le barre verticali in prima linea): la varianza spiegata è complessivamente piuttosto modesta
- … dagli esperti (ad esempio, direttori vendite o commerciali), senza utilizzare il modello: sembra che se la cavino meglio del modello utilizzato da assistenti senza esperienza specifica, salvo nell’azienda A
- … dagli esperti, se utilizzano il modello: è evidente la migliore performance in tutti i sei casi, e persino l’esperto dell’azienda A si riscatta!
Ovviamente, il grafico non è “statisticamente” rappresentativo, ma la tendenza sintetizzata è molto chiara.
È comunque evidente che qualsiasi modello di marketing, di per sé, non migliorerà mai i processi decisionali se chi lo utilizza non ha la più pallida idea di come farlo e come avvalersi delle proprie conoscenze, esperienze, intuizioni e capacità di giudizio (notate il titolo del capitolo di Hoch: Combining Models with Intuition …), ma qui si presume che chi li utilizza sappia di cosa sta parlando.
Ma veniamo agli svariati contributi positivi della modellizzazione di marketing, che a mio parere spiegano ampiamente il salto di qualità nelle previsioni e nelle decisioni che se ne avvalgono.
In pratica, ognuno dei casi reali che vi proporrò potrebbe essere esemplificativo di quasi tutti i vantaggi ottenibili con questo tipo di modelli, ma ho cercato, per semplicità e comodità di lettura, di collegare ogni singolo vantaggio a un esempio particolarmente significativo nel caso specifico.
- Nella peggiore delle ipotesi (ossia, anche in assenza di qualsiasi altro vantaggio), aiutano/costringono a chiarirsi le idee sui fattori che influenzano i risultati e sulle loro relazioni. Qui l’esempio più clamoroso e anche più complesso di “costrizione” a chiarirsi le idee è riconducibile alle nostre esperienze di “costruzione” di simulazioni e business games: le variabili in gioco sono sempre molto numerose, e se non si fosse in grado di approfondirne le relazioni riproducendole realisticamente e correttamente nel modello software i risultati sarebbero imprevedibili o non realistici e non si potrebbero utilizzare né a fini didattici (per decine di anni!) né a fini di pianificazione.
- Sono espliciti e trasparenti, e possono essere facilmente comunicati, discussi e negoziati. Mi è rimasto particolarmente impresso il caso di un’azienda italiana leader (a quei tempi) nel proprio settore, il cui amministratore delegato si era invaghito di un’idea promozionale (viaggio premio in un paese lontano per un evento sportivo, offerto ai clienti grossisti): se non avessi negoziato, come direttore di divisione, un’analoga ma più modesta alternativa utilizzando un modello di previsione delle vendite a fronte del premio promesso, la promozione si sarebbe risolta in un vero e proprio bagno di sangue, e purtroppo l’azienda tendeva a fare bagni di sangue frequenti, senza usare modelli di supporto alle decisioni, su temi molto più importanti, tanto è vero che a un certo punto scomparve addirittura dal mercato dopo decenni di leadership (ma io avevo dato le dimissioni in tempo!).
- Consentono (e richiedono) quantificazioni e misurazioni. A questo proposito gli esempi sarebbero ovviamente tantissimi per definizione: mi limito quindi a citare i casi in cui è necessario classificare diverse entità di interesse (clienti, paesi, prodotti, strategie e alternative decisionali, ecc.) sulla base di molteplici variabili (fra cui alcune di tipo puramente qualitativo), ognuna espressa con diverse unità di misura, rendendosi quindi necessario standardizzarne e ponderarne i valori.
- Consentono analisi di sensitività e simulazioni what-if. Anche qui gli esempi sarebbero innumerevoli, ma mi vengono soprattutto in mente i casi di fissazione di obiettivi per le forze vendita in funzione di proiezioni dei potenziali di mercato, del probabile comportamento di diversi canali distributivi in termini di volumi medi di acquisto e ricarichi, e di stime di copertura e penetrazione considerando anche gli specifici contesti competitivi e i profili professionali dei venditori.
- Consentono controlli e correzioni di rotta. Tipico il caso dell’attività di budgeting (in particolare per la verifica degli scostamenti fra proiezioni e consuntivi), che è ovviamente diffusa in molte aziende, ma è raramente collegata ad articolate proiezioni dei potenziali di mercato (v. sopra) e del comportamento della concorrenza. Non solo: non è quasi mai significativo accontentarsi dei dati prodotti dall’amministrazione e dal controllo di gestione, ma è necessario traguardarli in ottica di contribuzione per incroci prodotto/mercato, ad esempio scorporando i costi variabili finanziari e i costi fissi direttamente tracciabili (cosa che i “ragionatti” non faranno mai, ma non è certo colpa loro, dato che non è il loro mestiere quello di prendere decisioni di business!).
- Usati sistematicamente, rappresentano un’importante base di conoscenze, che può essere integrata, sviluppata e migliorata nel tempo. Qui non si intendono ovviamente soltanto i dati provenienti da diverse fonti, ad esempio dal CRM, ma soprattutto le modalità di elaborazione e interpretazione dei medesimi che, nel tempo, forniscono insights sempre più pertinenti e rilevanti. Mutatis mutandis, la logica è un po’ simile a quella degli algoritmi di intelligenza artificiale, che migliorano gradualmente la propria affidabilità grazie a esperienze successive e a nuovi dati.
- Sono facilmente accessibili any time and any place da tutti gli interessati, ad esempio da una rete di venditori che possono aggiornarsi praticamente in tempo reale con il CRM stesso e i risultati generati dai modelli di analisi delle vendite e dei potenziali.
- Con i dovuti accorgimenti, evitano di dover reinventare la ruota su problemi ricorrenti e sono i building blocks della pianificazione. Qui, abbiate pazienza, è inevitabile il riferimento al nostro ormai vecchio libro di marketing strategico, che già nel 1992 ma soprattutto con la nuova edizione a sei mani del 2005 forniva al lettore un intero sistema di pianificazione di marketing tramite una serie di fogli di calcolo fra loro collegati.
- Aiutano a identificare aree che necessitano di maggiori approfondimenti. Tipici, a questo proposito, sono gli esercizi di quantificazione di variabili qualitative che non sono immediatamente misurabili, come per esempio la definizione di scale appropriate per stimare il probabile grado di percezione delle componenti del valore e la loro importanza relativa.
- In sostanza, se coerenti e focalizzati, migliorano il processo decisionale, dall’analisi all’elaborazione all’interpretazione e alla scelta delle alternative più promettenti, e i risultati che ne conseguono. Praticamente in tutti gli esempi sopra citati sono più o meno esplicite importanti componenti decisionali, ma casi emblematici della possibilità di migliorare esplicitamente proprio l’output atteso della decisione sono quelli dell’ottimizzazione di determinati KPI (key performance indicators), ad esempio individuando i livelli di prezzo che massimizzano la contribuzione, data una stima della curva di domanda.
Inutile dire che i modelli sono tanto più utili quanto più competenti sono gli utilizzatori sui temi di interesse, ma è ampiamente provato che la stessa attività di concezione e sviluppo di modelli, dai più semplici ai più complessi, aiuta a sviluppare competenze e a rendere esperti i non esperti, molto più velocemente di qualsiasi altro strumento di formazione, proprio grazie all’”impacchettamento” di know-how specifici che diventano espliciti, trasparenti e accessibili, anziché essere nascosti nei cervelli di pochi maniaci come il sottoscritto e i suoi colleghi.
Infine, da quando esistono i fogli di calcolo (da VisiCalc del “tardo medio evo” a Framework a Lotus 1.2.3 a Symphony e, ormai da parecchi anni, a Excel) non ci sono più scuse!
Non è come nell’esempio citato al punto 2, quando avevo dovuto usare una peraltro bellissima calcolatrice programmabile Hewlett-Packard (stava in una mano e aveva le schedine magnetiche che si infilavano in una fessura) riportandone i risultati su carta e disegnando grafici brevi manu!
Come sapete, a parte gli algoritmi di calcolo con cui ci possiamo sbizzarrire a piacere, le funzionalità dei fogli di calcolo come Excel sono mostruose, ma nella grande maggioranza dei casi è largamente sufficiente usarne una decina o poco più.
Poi però l’appetito vien mangiando:
- soprattutto se avete a che fare con importanti masse di dati ed è necessario elaborarli e distillarli (ad esempio, estraendo sintesi da 25.000 righe di Excel per una quarantina di campi-colonna con le Tabelle Pivot, progenitrici della business intelligence) per poter alimentare i modelli in modo sensato
- oppure se, una volta alimentati modelli più o meno complessi e possibilmente affidabili con valori attendibili, volete ottimizzare i valori delle variabili di output con il cosiddetto Risolutore.
Ma magari ne parleremo nelle sezioni “nerd” di questi articoli …
Commenti recenti