Blog

  • +
    Mitigare l’impatto del Coronavirus: consigli per gli IT
  • +
    Webinar: Non farti fermare dal virus, scopri lo smart working con G Suite | giovedì 26 marzo
  • +
    AWS a supporto delle zone rosse
  • +
    Smart working, ma come?
  • +
    Smart working: come sta cambiando il mondo del lavoro con la digital trasformation
  • +
    Trend BI 2020: le analytics non bastano più
  • +
    Cloud 2020: le tendenze principali
  • +
    Le tendenze DevOps per il 2020
  • +
    Il 2020 del Machine Learning e dell’Intelligenza Artificiale
  • +
    Il 2019 di Miriade
  • +
    I trend IT del 2020
  • +
    AWS Transformation Day. Il racconto dell’evento

Würth

NEWSLETTER PERSONALIZZATA BASATA SU RECOMMANDATION 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.

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

Contenuti personalizzati basati sul recommandation engine

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.

KNIME è lo strumento per dare vita a progetti di Data Science, creando e distribuendo i modelli, in modo facile e intuitivo.

Grazie a KNIME, tutti i profili aziendali coinvolti possono trarre il massimo.

KNIME permette di riunire in un unico strumento i dati provenienti da fonti diverse, in un ambiente con una visualizzazione dei workflow semplice e immediata. Con KNIME è possibile aggregare, trasformare e pulire i dati per trarre informazioni utili. È inoltre possibile distribuire e gestire i progetti all’interno di applicazioni e servizi, ottenendo insight preziosi per il business.

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 puliti e preparati per essere elaborati dall’algoritmo.

I dati così ripuliti vengono 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
  4. Predictive analytics: si parte dalla costruzione del modello, ricorrendo al workflow di KNIME, che permette di ottenere la matrice completa di tutti i rating per associazione utente-item. Una volta predisposta l’infrastruttura tecnica e stabilizzato il flusso dei dati, l’analisi viene eseguita secondo l’algoritmo e alla formula di rating selezionati.

I RISULTATI

L’analisi dà come output la 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 degli utenti simili. Gli output vengono direttamente importati sul template della newsletter che viene poi periodicamente inviata ai contatti interessati.

KNIME è un tool completo che include nodi per l’intero processo di Machine Learning: dall’ingestion alla trasformazione dei dati, il training del modello, la visualizzazione e il deploy. Scopri KNIME nella sezione dedicata.