Schemi lezioni modelli di marketing (parte 1)

MODULO 1

Lezione 1 - 15/02/21 -> Introduzione

• Obiettivo dei modelli di mng.
• Analisi dati -> stima modelli
• Obiettivo corso = data una certo problema

ES. DI Dom.

• Vantaggi di prodotto?
• Per scelta di una certa marca?
• Chi tra maggiore pr. di acq.?
• Quale nome è elevitt. e profittevole?
• Perché che lo ci passa ad una az. concor.?

• generazione delle idee;
• scelta di marchio;
• valore della customer base;
• analisi del consumatore e target mg;
• azioni di mng.

Social media

• valore del Engagement -> legato al marchio (Michael Kors)
• impatto campagne social sulle vendite = nuovi casuali di vendita
• canale di interazione
• Sviluppo app -> impatto? ↑ vendite opp. le cannibalizza?
• pg FB/IG

ATRRIBUTION MODELS

• contesto omni/multicaucale
• modelli il cui ob. è capire quale causale ha generato il contatto di successo e l’az.
• capire il ruolo di ogni causale che porta le cl. cui acq

CHURN -> iniziative volte a trattenere la clientela

abbandono (opposto della retention)

• chi non rinnova il c.
• chi è a elevato rischio di abbandono

prevede in anticipo e prevenzione da risultato indenderato

Riassunto di questi 3 casi d’uso principali:

• Targeting → A chi ci dobbiamo rivolgere?
• Previsione → Chi, cosa, può cedere? (mod x scopi previsivi)
• Efficacia → Ciò che abbiamo fatto funziona?

Possiamo produrre dei numeri che supportino le nostre conclusioni? Sì.

• MACRO-OBIETTIVI
• DATI
• MACRO-classi di modelli
• Efficacia
• Targeting
• Previsione
• dati aggregati
• dati individuali
• Modelli PREDETTIVI
• Modelli Stocastici
• Modello di mng
• Retention
• Profitti
• Scelta
• Prova e analisi
• Retention
• Pubblicità
• Mod. di vendita
• Promozioni
• Modelli di scelta

MODELLI

• Approccio tradizionale → decisioni e valutaz. basate sull’intuito dei manager
• Management fornisce stime preventive → "Prior", è una mia aspettativa exante, prima che l’evento accada a seguito di una strat., decide qualsiasi risultato esgratis
  • Si prendono decisioni senza un modello, ma con basa sull’esperienza dei management
• Approccio basato sui dati → decisioni basate sull’analisi di dati ed estrazioni statistiche (basate su un modello)
• RACCOLTA DATI → "POSTERIOR" → evidenza che osservo a seguito della raccolta e dell’analisi di alcune info, sulla base delle quali si può fare una previsione sui risultati.

Considero entrambi gli approcci nei mod di mng:

• Prior → stime preventive, basate sull’exp e sull’intuito
• A Posterior → ottengo previsioni sull’affidabilità di quella stima

• EFFICIACIA → DATI AGGREGATI → MOD. DI MNG → MOD. DI VENDITA, MOD. PROMOZIONI
• TARGETING → DATI INDIVIDUALI → MOD. PREDETTIVI → RETENTION, PROFITTI, SCELTA
• PREVISIONE → DATI AGGREGATI → MOD. STOCASTICI → PROVA-RAQRA, RETENTION, PUBBLICITÀ

DATI

(CIF) Customer Information File > detiene tutte le info sui clienti.

• Nome, ID, indirizzi, contatti, info socio-demografiche, causali usati x l’utenza con l’acq.

DATI TRANSAZIONALI se sono già cliente dell’az., questa può monitorare ciò che ho acquistato.

• Codice identificativo (PANEL);
• Omnicanalità;
• tracciamento acquisti - online - offline > carte fedeltà, app...

• Tracciano dati:
• PROSPECT - potenziali futuri clienti.

DATI DI TRACKING tracciano azioni di mkg fatte in un altro database (es:conti...)

DATI ATITUDINALI: dati che misurano costrutti Psicologici

• astratti/intangibili (es. soddisf. cliente);
• si misurano su scala di misura (Tipli vari. - Qlt_ant)
• f.g. Retaining (es: commitment)

Fonti dei dati

• [] non sono in mio possesso

• DATI PRIMARI > dati raccolti ad hoc x un preciso scopo
  • RICERCA _QLT (focus group, osservazione, interviste di profondità)
  • RICERCA _ANT (indagini di mkt, esperimenti)

• DATI SECONDARI > sono dati che abbiamo già (3 già) e decidiamo noi se usarli o NO
  • fonti _interne (CIF)
  • esterne >
    • dati sui concorrenti...
    • commissiono io raccolta dati, pnm. sui di €;
    • cite pagine web/social...

- BIG DATA > voluma, varietà, velocità.

• alto invambilità, real time
• importante nel customer journey = processo decisionale dei cons. (complex)

ES. SU EXCEL (lift chart)

• Ordino il campione sulla base delle PR. PREVISTE (in ordine decr.)
• Divido i gruppi > 1000 → 10 gruppi da 100 → gruppo 1: acq. di + ...
• Lo farò in modo distinto x l'insample e l'outsample.
• Faccio la media delle π gruppo 1 → calcolo media vendite gruppo 1 DECLI = PREVISIONE

Lift chart:

• Rappresentazione grafica delle vendite medie sui decili
• Prevede bene in media → DEVE AVERE ANDAM. DECRESCENTE le vendite

Il vero test n.fa nel campo di VAL → + traballante, ma il risultato sulla capacita predittiva va cmq bene [stessa logica]

LIFT = risposta media del gruppo (k-Re) rispetto alla risposta MEDIA del camp.

Lift chart out-sample = andamento decr.

λk = risposta media del gruppo k − (k-Re) in tutto il campione

LIFT > 1 = gruppo acq. di + in media rispetto alla media

λk = lift molto elevato → (v.esempio)

• Valutare BONTA del modello lift > 1
• Valutare CAPACITA PREDITTIVA di un modello lift > 1

NB. se il modello prevede bene posso fare targeting

Esempio

quali fattori contribuiscono ad P.R. acq. di un prodotto?

• n=1000; Y(1)=se effettuate hai acq. e Y(=0) se 10 cl. non hai acq.
• Y=Dummy 0/1 solo 931/1000 hanno acq. e libero X₁=FREQUENCY X₂=ART

REGRESSIONE LOGISTICA

log likely hood=251 segni a quelli previsti; tutti i coeff. nullo significativo (Il coeff importante è ART=3,67,34,34)

Pseudo-R => modello con solo l’intercetta con log likelyhood ....

1. bonta di adattamento forse
2. .........

3) Interpretazione dei coefficienti HNL / HNP

estensione matem. dei modelli binari

• interpretazione simile ma è + difficolt XK abbiamo sempre un' alt. benchmark → confronti tra le alternative.

ES. Multinomial Logistic Regression (v. Slide)

• Alternativa base = minib
  • perchè β_Pizza - Minib > 0
• Come interpreto coeff. dell'età? all'↑ di un anno di età, di quanti % ↑ la pr. di scegliere C rispetto a mini C rispetto alla base.
• Se voglio calcolare la magnitude, > ↑, ma di quanto?

HNL → calcolo esponenziale dei coeff., non si chiam OR, ma RELATIVE RISK (in stata) = XK₁ Logit → PR succ./PR unsucc= OR

• MNL→ qui Pr. o alt. di scelta.
• PR. di quell'alt. rispetto ("rispetto a quella alte") alle altre 2.

NB. β_PASIH - β_PACIH - β_BASIC → 0,72 - 0,30 = β_BASIC = 0,42

Attenzione

• SEGNO dei COEFF. → Δ al ↑ dell'alternativa scelta come base.
• magniniude dei coeff. → come logit / probit, magnitude
• Relazione additiva → stima MOL con 3 alt. di scelta

β_CIA = β_CIB + β_BIA