L' E-Commerce ricopre ad oggi una parte importante del mercato: non solo la maggior parte dei vendor possiede un sito di e-Commerce, ma questo rappresenta una parte sempre più rilevante del fatturato.

Nel grafico che segue si può notare, infatti, come durante gli ultimi anni la percentuale del volume di affari generati dalle vendite online sia cresciuta costantemente in Europa e in Italia per quanto quest’ultima rimanga significativamente inferiore alla media europea (fonte Eurostat).

 

Si delinea, dunque, uno scenario nel quale una parte di mercato del retail (via via sempre più rilevante) si sta allontanando dalle dinamiche tradizionali che fino ad ora lo hanno caratterizzato.

Ad oggi molti consumatori sono attirati sui siti di e-Commerce da multipli canali, diventa quindi fondamentale sapere quali siano quelli che portano all'acquisto. Uno studio del 2017 rivela che il 92% dei consumatori che visita per la prima volta un sito di e-Commerce non è giunta sul sito per fare acquisti.

In uno scenario tipico, infatti, un consumatore viene spinto a visitare un e-commerce da un link presente su un dato canale, ma non compie nessun acquisto. Solitamente il suo interesse è la ricerca delle caratteristiche dei prodotti o la comparazione dei prezzi. In seguito l'utente potrebbe tornare sul sito attraverso un altro link, presente in un secondo canale, ed a questo punto effettuare un acquisto.

Uno degli aspetti più interessanti da prendere in considerazione è dunque il percorso (path) che un cliente compie tra i nostri sistemi e se questi portano o meno ad un acquisto (conversion). Se volessimo sapere quale path ha più probabilità di produrre una conversione potremmo calcolare la probabilità di conversion tramite un modello probabilistico, interpretando ogni singolo percorso di ogni cliente come se fosse una possibile determinazione di una catena di Markov.

 

In una catena di Markov identificheremo ogni canale come uno stato del sistema e andremo a interpretare ogni angolo come la probabilità di passare allo stato successivo. In questo processo, inoltre, sappiamo che la probabilità di passare da uno stato a quello successivo sarà determinato unicamente dallo stato immediatamente precedente (la catena di Markov infatti gode della proprietà di assenza di memoria ovvero per T discreto):

P(Xn+1=xn+1|Xn,Xn−1,⋯,X0)=P(Xn+1=xn+1|Xn)

Ipotizziamo di avere il caso in cui un consumatore possa interagire con tre canali e che la sua esperienza possa terminare con un acquisto (conversion) o l'abbandono (null). Inoltre immaginiamo che il path del cliente sia il seguente:

Canale1−>Canale2−>Canale3−>acquisto

Potremmo descrivere la sua esperienza tramite il seguente grafico

 

Chiaramente qui abbiamo solo un cliente e quindi il suo path non fornisce indicazioni rilevanti circa l’esperienza di navigazione o l’efficienza dei canali perché in situazioni realistiche avremo dati relativi a molteplici clienti. Supponiamo di avere un caso leggermente più complesso nel quale avremo i dati relativi a più clienti.  

In questo scenario, oltre al percorso seguito dal primo consumatore, avremo altri percorsi di cui non tutti hanno avuto come esito della navigazione un acquisto. Utilizzando il modello di attribuzione multi-canale tramite catene di Markov ne risulta la seguente tabella, che mostra la probabilità di conversion per ogni singolo canale.

Graficamente, potremmo rappresentare il modello nella maniera seguente:

 

 

Grazie alla rappresentazione grafica possiamo ora analizzare il conversion rate di ogni singolo canale.

Osserviamo, ora, un caso reale e le conclusioni che si possono trarre da questo tipo di modello. Possiamo creare una Transition matrix che ci mostri la probabilità di transizione per ogni canale.

La prima colonna indica la probabilità di conversion per ogni canale, le colonne successive evidenziano invece la probabilità di passare ad un canale specifico. Possiamo subito notare che la probabilità di produrre una conversione non è uguale per tutti i canali: per esempio, la probabilità di conversion per il canale online video è doppia rispetto a quella di Instagram. Quest’informazione può essere utile nel caso in cui decidessimo di investire in campagne pubblicitarie o volessimo valutare l’esito di una campagna già intrapresa. Possiamo anche avere una rappresentazione grafica del modello, in questo caso avendo molti canali ed essendo possibile passare ad ogni canale del sistema il risultato non è di facile interpretazione e richiede di navigare l’elemento grafico.

Possiamo concludere che una minoranza dei clienti attratti sul nostro sito tramite i canali analizzati effettua un acquisto. Bisognerà interrogarsi sul perché di questa dinamica per capirne le motivazioni ed escogitare una strategia volta ad aumentare le conversioni. Ad esempio ci si potrebbe chiedere:

• Stiamo correttamente indirizzando la nostra pubblicità? Le persone che atterrano sul nostro sito sono effettivamente interessate a quello che offriamo?
• Le nostre offerte sono adatte allo stato attuale del mercato?
• L’esperienza di navigazione e di acquisto incoraggiano i consumatori nel completare gli acquisti oppure al contrario scoraggiano il cliente offrendo un’esperienza confusionaria?

Queste sono solo alcune delle dimensioni che si potrebbero studiare, di certo il coinvolgimento di figure con competenze diverse potrebbe offrire una visione specifica, che delinei in maniera più precisa il quadro della situazione. Chiaramente le informazioni sulle probabilità di conversion sono da correlare al valore totale delle stesse. Il seguente grafico mostra il valore totale della conversion ottenuta per ogni canale.

L’analisi potrebbe essere ulteriormente espansa correlando le informazioni ottenute con altri dati in nostro possesso.

In conclusione, utilizzare un Marketing Multi-Channel Attribution Model fornisce una serie di informazioni che permettono di avere una visione di quello che è il flusso dei clienti nel nostro e-commerce, di eseguire degli interventi mirati e di attuare delle strategie di mercato volte ad incrementare il flusso degli affari del settore e-Commerce.