Descrizione Progetto

Würth

Newsletter personalizzata basata su recommendation engine

Fondata nel 1963 a Egna (BZ), Würth Srl si è sviluppata in modo esponenziale divenendo il partner di riferimento per più di 250.000 professionisti nel mondo dell’automotive, dell’artigianato, dell’edilizia e dell’industria. Würth Srl ha 3 Centri Logistici a Egna (BZ), che è anche sede legale, Crespellano (BO) e Capena (Roma Nord), e oltre 160 punti vendita in tutta Italia.

Würth Srl è un’azienda del Gruppo Würth, leader mondiale nella distribuzione di prodotti e sistemi per il fissaggio e il montaggio. Il Gruppo Würth è presente in 84 Paesi con più di 400 aziende e ha più di 77.080 collaboratori.

wurth newsletter personalizzata recommendation engine

La sfida

Il nostro cliente aveva recentemente implementato un canale di e-commerce, in affiancamento alla tradizionale rete di vendita. Per incentivare gli acquisti on line, aveva bisogno di studiare un offering personalizzato di reale valore per l’acquirente.

Per ottenere maggiore coinvolgimento e conversioni, il nostro cliente ha deciso di creare un’esperienza personalizzata attraverso le campagne di marketing.

Il progetto ha visto il coinvolgimento di: Responsabile Marketing, Responsabile E-Commerce, Responsabile Vendite, team BI e Data Science e dipartimento IT, per chiarire gli obiettivi principali, la strategia di marketing e definire i KPI.

La soluzione

La soluzione proposta consiste nella creazione di contenuti personalizzati – basati sui comportamenti dell’utente, delle preferenze e delle abitudini, in particolare nell’e-commerce – da inviare con una newsletter periodica.
Si tratta di un insieme di prodotti/offerte pensate per una specifica persona, considerando da un lato i suoi bisogni e le sue preferenze d’acquisto e dall’altro gli interessi di marketing dell’azienda.

Una campagna di successo dipende innanzi tutto da come i dati sono raccolti e misurati, quindi, il primo step è stato analizzare le informazioni provenienti dall’e-commerce del cliente e da tutte le altre fonti, per creare il miglior contenuto.

Campagne marketing personalizzate possono aiutare a costruire una relazione più personale, perché le newsletter mostrano informazioni e offerte di interesse a uno specifico target.

Per rispondere alle esigenze del cliente abbiamo creato un motore di raccomandazione che, a livello tecnico, si effettua ricorrendo all’algoritmo matematico di collaborative filtering: data una matrice in cui le righe corrispondono agli utenti e le colonne ai prodotti. L’algoritmo è in grado di completare le intersezioni vuote prevedendo quali potrebbero essere i desideri dell’utente sulla base della similarità con altri clienti.

La sfida

Il nostro cliente aveva recentemente implementato un canale di e-commerce, in affiancamento alla tradizionale rete di vendita. Per incentivare gli acquisti on line, aveva bisogno di studiare un offering personalizzato di reale valore per l’acquirente.

Per ottenere maggiore coinvolgimento e conversioni, il nostro cliente ha deciso di creare un’esperienza personalizzata attraverso le campagne di marketing.

Il progetto ha visto il coinvolgimento di: Responsabile Marketing, Responsabile E-Commerce, Responsabile Vendite, team BI e Data Science e dipartimento IT, per chiarire gli obiettivi principali, la strategia di marketing e definire i KPI.

La soluzione

La soluzione proposta consiste nella creazione di contenuti personalizzati – basati sui comportamenti dell’utente, delle preferenze e delle abitudini, in particolare nell’e-commerce – da inviare con una newsletter periodica.
Si tratta di un insieme di prodotti/offerte pensate per una specifica persona, considerando da un lato i suoi bisogni e le sue preferenze d’acquisto e la dall’altro con gli interessi di marketing dell’azienda.

Una campagna di successo dipende innanzi tutto da come i dati sono raccolti e misurati, quindi il primo step è stato analizzare le informazioni provenienti dall’e-commerce e da tutte le altre fonti, per creare il miglior contenuto.

Campagne marketing personalizzate possono aiutare a costruire una relazione più personale, perché le newsletter mostrano informazioni e offerte di interesse a uno specifico target.

Per rispondere alle esigenze del cliente, abbiamo creato un motore di raccomandazione, che a livello tecnico si effettua ricorrendo all’algoritmo matematico di collaborative filtering: data una matrice in cui le righe corrispondono agli utenti e le colonne ai prodotti, l’algoritmo è in grado di completare le intersezioni vuote prevedendo quali potrebbero essere i desiderata dell’utente sulla base della similarità con altri clienti.

Benefits
  • Maggiori vendite

  • Maggiore engagement
    e apertura mail
  • Maggiore fidelizzazione

  • Maggiore conoscenza clienti

Benefits
  • Maggiore fidelizzazione

  • Maggiore conoscenza clienti

  • Maggiori vendite
  • Maggiore engagement e apertura mail

L’analisi

L’algoritmo si basa sui dati disponibili. Tanto più i dati sono accurati, più l’algoritmo funziona bene. Per questo motivo, mentre prima i dati erano archiviati in diversi database, Miriade ha raccolto tutti i dati aziendali in un unico sistema Hadoop. I dati sono stati poi puliti e preparati per essere elaborati dall’algoritmo.

I dati ripuliti sono stati categorizzati sulla base di regole predeterminate, che assegnano loro valori specifici in base alle esigenze di business. Una volta preparati i dati, individuato l’algoritmo e stabilite le regole è possibile procedere con l’analisi vera e propria.

L’analisi va oltre la Business Intelligence tradizionale – servono perciò strumenti diversi, come la KNIME Analytics Platform, perfettamente integrata ai sistemi Hadoop.

Le fasi principali dell’analisi sono:

  1. Installazione del cluster su cui vengono processati i dati – in momento installiamo anche la componente server di Knime.
  2. Messa in sicurezza dell’infrastruttura.
  3. Ingestion dei dati dalle fonti individuate. Questo è il passaggio più delicato. Dal DWH aziendale i dati vengono portati nella distribuzione HDFS di Hadoop usando Spark e i nodi di Knime. Hadoop permette di separare il dato fisico dalla tabella, intesa come metadato: costruiamo tabelle piatte anche di dimensioni importanti i cui dati di riferimento sono salvati in formato Parquet per rendere l’elaborazione del dato pressoché immediata.

I risultati

L’analisi dà come output una serie di prodotti che potrebbero interessare di più l’acquirente, sulla base delle sue interazioni con l’e-commerce e dei suoi comportamenti rapportati a quelli di utenti simili. Gli output vengono direttamente importati sul template della newsletter che viene periodicamente inviata ai contatti interessati.

Vuoi lavorare anche tu insieme a noi?

Contattaci