"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME

Matteo Testori

26 Febbraio 2015

Possiamo permetterci di sbagliare?

Company Confidential All Rights Reserved 2

I clienti non ci aspettano

• Ipercompetizione. • Multicanalità. • Cicli di vita sempre più brevi. • Time to market sempre più breve. • Necessità di innovare sempre. • Infedeltà crescente. • Marche sempre meno centrali. • Pressione promozionale in

aumento. • Compressione dei margini.


I clienti cambiano… in fretta*

“Compero prodotti delle marche più note”.

2009 39,4 %

2013 34,6 %

“Oggi si trova qualità a basso prezzo”.

2009 68 %

2013 71,8 %

“Se posso compero in stockisti/outlet/spacci”.

2009 23 %

2013 47,1 %

“Se acquisto importante confronto prodotti/prezzi su internet”.

2009 2013 37,5 %

* Sinottica GFK Eurisko


Clienti veloci? Aziende lente?

“Il prezzo dell’ignoranza è maggiore del costo della conoscenza”


Clienti veloci? Aziende lente?

L’utilizzo (intelligente) della tecnologia può risolvere alcuni problemi:

Capire in fretta Agire correttamente

Sbagliare meno


La tecnologia nei moment of truth

• Contare gli individui che transitano in una data area oggetto di analisi

• Misurare il tempo di transito in prossimità di uno scaffale/di una postazione out-

of-shelf/un monitor

• Misurare il tempo di permanenza (Dwell Time)

• Misurare il numero di Viewers (Coloro che hanno osservato)

• Quantificare il tempo di esposizione (Attention Time)

• Stabilire il sesso e le fasce d’età

• Misurare in tempo reale il sell-out e l’out of stock

• Calcolare gli indici di efficacia comunicativa, di marketing e di vendita

• Definire il profilo dello shopper potenziale e effettivo

I nuovi sistemi automatici e in tempo reale permettono di:


I campi di applicazione

Fast moving consumer goods

Retail outlets

Digital out of home

Content optimization

Eventi



Misurare L’efficacia dell’esposizione Comparare Posizioni, store format Valutare L’effetto dei fuori stock Ottimizzare La resa degli spazi e delle promo

Plano A Plano B Δ B/A

Traffico 103.208 78.976 - 22 %

Attraction 45,7 % 55 % + 10 pt.

Sale Index 39,8 % 48 % + 8.2 pt.

Sell-out Totale 18.005 20.939 + 16 %

Sell-out per SKU 28.9 32.4 + 12 %

Sell-out net.promo 26.4 28.8 + 9 %

https://secure.quividi.com/vidicenter/login/?next=/�



9

Store Traffic

145.000

Shelf traffic

15.300 10,6 % del traffico raggiunge lo scaffale.

Category Viewers

5.994 Attraction: 39 % Attention: 29 % Relevance: 29,12 Engagement: 0,59

Sell-out

% Dwell Attention

Man 47,3 9,5 2,7

Woman 46,9 9,0 2,8

Child 3,77 8,4 1,5

Young 30,9 9,3 2,1

Adult 57,6 10 2,6

Senior 2,9 10,2 2,8

2.250 pcs/week Sale index: 38 %


L’analisi, utilizzando il modello di machine learning Rulex Inc., spin off del CNR, attraverso il sistema proprietario Shelf Equity, permette di valutare l’incidenza di ciascun fattore (Traffico, viewers, prezzo, attenzione, spazio, facing, posizione..) sul sell-out totale della categorie e su quello di ciascuna referenza.

Top performing

Under performing

Prezzo

Ripiano

Spazio

Facing

Relevance

Viewers

Attention

Prezzo

Spazio

Facing

Ripiano

Relevance

Viewers

Attention

Prezzo

Ripiano

Spazio

Facing

Viewers

Relevance

Attention

Dianalytics™ analisi fattoriale Fast moving consumer goods

Category: Total


Retail outlets

Misurare L’efficacia delle vetrine e del visual merchandising Comparare Posizioni, store format Valutare L’efficacia del personale di vendita Ottimizzare La rete di punti vendita

I sistemi di rilevazione sono installati nei punti vendita e raccolgono i dati di traffico, attenzione, il tempo di permanenza. I risultati sono correlati ai dati di sell-out. E’ possibile individuare l’indice di potenzialità di ciascun store all’interno di un network, in funzione della location, dell’attrattività, del flusso di ingressi, dell’attenzione ai prodotti.

Correlazione fra attrattività delle vetrine, convertion out/in, sell out. Indice di potenzialità dei Punti vendita

http://dianalytics.dialogica.it/�


Eventi

Misurare Il traffico, l’attrattività, l’interesse, l’attenzione, l’engagement. Segmentare Il pubblico per genere e fasce d’età. Ottenere I risultati di comunicazione.

Thank you. Questions?

"APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME

Business

Transcript of "APPLICAZIONI DI MACHINE LEARNING NEL DIGITAL OUT OF HOME