Page 22 - MK_3-2023

ting in maniera più mirata, interfacciarsi con il cliente in maniera più pun- tuale (e qui il neuromarketing ci viene in aiuto, dall’analisi dei bisogni dei singoli segmenti a ricerche più spinte sul tipo di linguaggio da utilizzare con la clientela di un cluster specifico).
Nonostante ciò, continuiamo a percepire due problematiche tipiche di questi strumenti:
1. Una certa rigidità dell’informazione: nella formazione di un segmento
si tengono in considerazione alcune variabili (demografiche, comporta- mentali, ecc.) dal paniere di dati a disposizione del cliente. Una volta scelte, il percorso in cui muoversi è prestabilito e starà a noi analizzare ulteriori correlazioni con altri fenomeni.
2. Molto spesso (soprattutto le segmentazioni a posteriori) permettono di sviluppare un rapporto con il cliente (o, se vogliamo, un modello di servi- zio) reattivo nel senso di “a chiamata”. Si risponde all’esigenza del clien- te nel momento in cui viene mostrata ma difficilmente il servizio diventa “proattivo”, anticipando l’esigenza dello stesso1.
Nasce così la necessità di uno strumen- to che superi questi limiti; in grado di guidare l’aspirante bottegaio nella conoscenza del cliente, prendendo- ne di volta in volta le caratteristiche di interesse e capendo come queste si legano a tutte le altre in un percorso cognitivo che lo renda capace di dire: “Ecco! Questo cliente fa parte di que- sto cluster. Ha questo stile di vita! Ha bisogno di questi prodotti!”.
Uno strumento che, di volta in volta, analizzi le relazioni tra le variabili del cliente per costruirne una segmenta- zione dedicata e che permetta un pri- mo passo verso una soluzione dinami- ca e su misura al problema.
Il primo tentativo della banca di costruire un framework di analisi multidi- mensionale, alimentata con sistemi di Machine Learning (ML) che rispondes- se a questa esigenza prende il nome di Kaleido che, come appunto un calei-
22 3-2023
La frontiera della segmentazione dinamica, multi-Personas e sempre aggiornata: Kaleido
1 Duccio Stefano Gazzei, Statistics for Evaluation (2020).
Kaleido è il primo tentativo di costruire un framework di analisi multidimensionale alimentata con sistemi di Machine Learning