IoT technology for e-commerce customer information segmentation

Nel frenetico mondo dello shopping online, un commerciante affronta una sfida vecchia quanto il commercio stesso: come trattare ogni cliente come un individuo senza perdere la testa. In passato, un negoziante conosceva i suoi clienti abituali per nome e volto. Oggi, un negozio digitale può servire milioni di persone, la maggior parte delle quali è solo un nome utente e un indirizzo di spedizione di distanza. Per sopravvivere, queste imprese devono suddividere i propri clienti in gruppi, comprendendo chi porta il maggior profitto e chi ha bisogno di un po' di attenzione extra. Questa è l'arte della segmentazione dei clienti. Tradizionalmente, le imprese hanno guardato a tre cose semplici per giudicare il valore di un acquirente: quanto recentemente ha acquistato qualcosa, quanto spesso acquista e quanto denaro spende. Questo trio di fatti forma una mappa di base delle abitudini di un cliente. Tuttavia, sommare semplicemente questi numeri spesso tralascia la sfumatura del comportamento reale. Un cliente che spende molto ma visita raramente potrebbe essere diverso da uno che visita quotidianamente ma spende poco. La domanda rimane: come pesiamo questi fattori in modo equo per vedere il vero valore di un acquirente?

Un ricercatore dell'Istituto Politecnico dell'Henan si è posto l'obiettivo di rispondere a questo quesito perfezionando il modo in cui i commercianti online analizzano i loro dati. Invece di indovinare quale dei tre fattori — recenza, frequenza o spesa — sia il più importante, il ricercatore ha utilizzato un approccio matematico chiamato metodo del peso dell'entropia per lasciare che i dati parlassero da soli. Questa tecnica calcola l'importanza di ogni fattore in base a quanto variano i dati, assicurando che il punteggio finale rifletta i modelli effettivi nei registri delle vendite piuttosto che un'opinione preimpostata. Lo studio si è concentrato su un commerciante specifico che vende biscotti e torte sulla piattaforma Pinduoduo, esaminando oltre 32.000 record di acquisto da agosto 2019 a gennaio 2020. Dopo aver pulito i dati per rimuovere gli ordini non validi e aver identificato i clienti tramite i loro indirizzi di spedizione, il ricercatore ha applicato questo nuovo sistema di punteggio per valutare ogni singolo acquirente.

Una volta assegnati i punteggi ai clienti, il ricercatore li ha raggruppati utilizzando uno strumento di clustering. Immaginate di smistare una pila di pietre miste non solo per colore o dimensione, ma trovando i cluster naturali dove pietre di peso e consistenza simili si depositano naturalmente insieme. Il computer ha testato diversi numeri di gruppi, da due a otto, e ha selezionato la disposizione che creava le categorie più distinte e chiare. Il risultato è stato una mappa di quattro tipi distinti di acquirenti. Il primo gruppo, che costituiva circa il 27 percento dei clienti, era composto dagli acquirenti a basso valore: non avevano acquistato nulla di recente, acquistavano infrequente e spendevano molto poco. Il secondo gruppo, che rappresentava quasi il 23 percento, era composto da clienti che avevano speso una buona cifra e acquistato spesso in passato ma che si erano silenziati di recente; questi erano gli acquirenti che il commerciante doveva riconquistare. Il terzo gruppo, un altro 27 percento, era composto da acquirenti recenti che stavano ancora esplorando il negozio ma non si erano ancora impegnati in una spesa elevata o in visite frequenti. Infine, il quarto gruppo, che comprendeva circa il 22,5 percento del totale, era composto dai clienti ad alto valore: acquistavano di recente, acquistavano spesso e spendevano più denaro.

Quando il ricercatore ha confrontato questo nuovo metodo con il modo tradizionale di valutare i clienti, la differenza era evidente. L'approccio tradizionale, che spesso si basa su pesi fissi decisi dagli esperti, tendeva a accorpare i clienti più preziosi in una frazione minuscola del totale, identificando solo un esiguo 0,8 percento come alto valore. Al contrario, il nuovo metodo, che ha lasciato che i dati determinassero i pesi, ha identificato un gruppo molto più grande e realistico di clienti ad alto valore, allineandosi strettamente alla nota osservazione commerciale secondo cui una piccola parte di clienti genera la maggior parte dei profitti. Il nuovo modello mostrava che i gruppi erano più distinti tra loro, il che significa che il commerciante poteva ora vedere le differenze tra i tipi di clienti con maggiore chiarezza. Ciò suggerisce che, lasciando che i dati decidano quanto peso dare alla recenza, alla frequenza e alla spesa, le imprese online possono creare profili più accurati dei loro acquirenti. Lo studio conclude che questo approccio offre un modo migliore per segmentare i clienti, permettendo ai commercianti di adattare le proprie strategie per mantenere felici i migliori acquirenti e incoraggiare gentilmente gli altri a tornare, il tutto basandosi su un'immagine più chiara di chi sono realmente.