Analisi geospaziale: la chiave per sbloccare il potenziale dei tuoi negozi
Attraverso l'analisi geospaziale, i retailer possono ora quantificare il vero valore economico per ciascuno dei propri punti vendita e scoprire insight sorprendenti sui propri Clienti.
La rapida migrazione dei consumatori verso l'e-commerce e il calo in termini di volumi di traffico nei punti vendita potrebbe portare i retailer a compiere decisioni sbagliate su quali negozi chiudere, danneggiando così inavvertitamente le proprie attività. Si rischia inoltre di trascurare opportunità preziose per espandere la propria presenza sul mercato. Questo a causa dell’utilizzo di metriche obsolete. La tendenza è ancora quella di considerare in primis le vendite e i profitti che il brand genera all'interno delle quattro mura del singolo negozio, senza considerare il proprio impatto su altri canali.
Oggi i consumatori acquistano in modi differenti: possono visitare i negozi per vedere i prodotti e poi acquistarli online, oppure possono cercare un prodotto online e poi acquistarlo in negozio. Le metriche tradizionali sono, nella migliore delle ipotesi, indicatori incompleti del potenziale di un negozio.
Analisi geospaziali per decisioni strategiche più consapevoli
I retailer più sofisticati stanno ora esaminando da vicino l’interazione tra i decision journey offline e online dei Clienti. Stanno considerando una visione omnichannel delle prestazioni del negozio, consentendo a ciascun negozio di “ottenere credito” per tutte le vendite in cui hanno svolto un ruolo, indipendentemente dal fatto che siano avvenute offline o online. In questo modo, i retailer stanno ottenendo un quadro più preciso del valore economico totale di ogni negozio in modo da prendere decisioni migliori sulla loro presenza omnicanale. La loro arma segreta? Le analisi geospaziali.
I progressi nel campo dell’analisi dei dati possono aiutare i retailer a quantificare la cannibalizzazione e l’effetto alone del punto vendita. In altre parole: come l’esistenza di un negozio influenza le performance degli altri canali di vendita del brand. In un mondo omnicanale, un negozio può guidare le vendite cross-canale e viceversa. Una ricerca McKinsey suggerisce che l’effetto alone dell’e-commerce di un negozio, per esempio, può rappresentare dal 20 al 40% del suo valore economico totale.
Per decenni, i retailer hanno eseguito il mining di una serie di set di dati come le informazioni sul punto vendita, dati demografici e tendenze del mercato per conoscere i loro Clienti e servirli meglio. Oggi, grazie alla disponibilità di nuovi tipi e fonti di dati, è possibile ottenere una comprensione molto più profonda dei consumatori e dei mercati. I dati aggregati possono far luce sulla quantità e sulla qualità del traffico dei Clienti nei punti vendita. Queste informazioni consentono ai retailer di ottenere un quadro dettagliato di come le persone si muovono e interagiscono, nonché del loro comportamento attraverso i canali offline e online.
La combinazione di tecniche geospaziali avanzate e machine learning, applicate ai dati sul comportamento dei consumatori, sta dando vita a nuovi insight che possono aiutare i retailer a prendere decisioni migliori in merito all’espansione o alla contrazione delle loro reti di negozi. Aiutano anche a sviluppare piani d’azione a livello di singolo negozio per migliorarne le performance.
Esempio di analisi geospaziale
Riportiamo di seguito l’esempio di McKinsey che riguarda il caso di un retailer specializzato che vende i suoi prodotti attraverso i punti vendita fisici, online e all’ingrosso. Le vendite del retailer hanno subito un forte calo a causa della forte concorrenza; per questo l’azienda ha deciso di adottare un modello di machine learning geospaziale per trarre gli opportuni insight e invertire questa tendenza di vendita.
Un team di Data Scientist ha realizzato un modello analitico apposito per il brand sfruttando i dati interni ed esterni. Questo ha portato a identificare i fattori che hanno i maggiori effetti positivi e negativi sulle vendite totali all’interno di una determinata area identificata dal codice postale.
Il team è stato quindi in grado di prevedere le potenziali vendite del retailer per ogni negozio e di confrontarle con quelle effettive. In seguito, grazie alla simulazione geospaziale, ha potuto valutare l’impatto di ciascun negozio sulle vendite all’ingrosso e online.
I Data Scientist sono stati in grado inoltre di isolare i singoli fattori che contribuivano all’effetto alone. È stato rilevato, per esempio, che l’effetto alone dell’e-commerce riguardava principalmente i negozi più grandi situati in aree con alte percentuali di giovani professionisti.
Grazie a tutti gli insight ottenuti, il retailer ha potuto identificare con esattezza quali punti vendita non erano ottimizzati alla vendita e quali micromercati presentavano le migliori opportunità di crescita. Ulteriori analisi hanno permesso di rilevare che il retailer poteva ottimizzare la propria rete di negozi e ottenere un aumento del 20% sull’EBITDA attraverso la chiusura, il riposizionamento e la ristrutturazione di alcuni negozi.
Conclusioni
Nell’impiego dell’analisi geospaziale, ogni retailer avrà il proprio punto di partenza. Alcuni potrebbero avere accesso limitato ai dati, business unit poco collaborative e scarso personale qualificato a gestire analisi di questo tipo. Questi retailer dovrebbero ampliare le proprie fonti di dati e prendere in considerazione la possibilità di collaborare con fornitori esterni o acquisire internamente le opportune skill.
