di Tricia Boltuch, Kat Donew
“È sempre più facile gestire un business quando si sa già cosa sta per succedere”. Questa frase ironica è diventata di recente un mantra per il team di marketing di Bayer, azienda internazionale nel settore delle life science che si occupa di salute e nutrizione.
Il team di marketing dell’azienda dedicato alla salute dei consumatori ha preso questa frase come spunto di ispirazione per creare un modello di previsione e, sostanzialmente, provare a prevedere il futuro. In particolare, il team voleva prevedere le tendenze di ricerca relative a influenza e raffreddore in tutto il mondo per contribuire a raggiungere le persone con i prodotti giusti per alleviare i sintomi influenzali.
Come specificato da Eric Gregoire, vicepresidente senior e responsabile globale del digitale e dei media, il progetto è stato avviato in Australia prima dell’inizio della stagione delle influenze e dei raffreddori di quest’anno. Il modello di previsione è stato così efficace e utile nel migliorare il rendimento del marketing digitale che ora il team intende espandere il progetto a livello internazionale.
Puntare a previsioni proattive
Di norma, i team di marketing raccolgono e analizzano set di dati estesi per trovare le tendenze dei clienti e modificare poi di conseguenza la propria strategia. Bayer voleva fare un passo in più.
“Volevamo rendere il lavoro meno reattivo e più proattivo, per poter prevedere e trovare in anticipo il modo migliore per raggiungere il consumatore giusto con i contenuti più opportuni nel momento ideale”, ha dichiarato Gregoire.
Il team australiano di Bayer ha avviato il progetto all’inizio del 2022 combinando i dati ricavati dalle tendenze di Google e dati esterni open source, come ad esempio informazioni meteorologiche, con l’obiettivo di provare a prevedere tendenze specifiche relative alla stagione delle influenze e dei raffreddori in varie regioni dell’Australia.
Il team è partito da dati alquanto semplici, tra cui la temperatura in tempo reale e report pubblici sui casi di influenza. “Il punto di partenza più ovvio riguarda sempre le categorie stagionali, che forniscono dati molto chiari”, ha affermato Patricia Corsi, responsabile del marketing, del digitale e delle informazioni presso Bayer Consumer Health. “Questi dati importanti a disposizione danno un’indicazione dell’inizio e della fine della stagione”.
Prevedere i raffreddori con modelli predittivi
Da quei dati, il team ha creato un modello di previsione usando la tecnologia del machine learning di Google Cloud. Questo modello è addestrato per usare i dati in modo da prevedere l’interesse di ricerca dei clienti verso prodotti correlati al raffreddore e all’influenza in mercati specifici.
I dati predittivi ricavati hanno aiutato il team di Bayer ad adottare un approccio più proattivo in relazione alla strategia di marketing e alla pianificazione delle iniziative correlate.
Think with Google
Il team di Bayer ha lavorato con numerosi set di dati per migliorare le previsioni sulle tendenze relative a influenza e raffreddore. “La miniera d’oro l’abbiamo trovata nei dati sulle ricerche”, ha dichiarato Gregoire.
“Le informazioni più interessanti sono emerse quando i nostri partner di Google ci hanno aiutato ad aggiungere altri dati sulle tendenze di ricerca e altre tendenze esterne per ottenere un quadro più dettagliato”
Ad esempio, il modello ha rivelato che in Australia la stagione delle influenze e dei raffreddori è cominciata a inizio maggio, con un numero maggiore di casi rispetto al solito in questo periodo. I dati hanno indicato un aumento del 50% dei casi di influenza in tutto il paese. Mentre la precedente strategia per la rete di ricerca era basata sulla copertura delle parole chiave per termini generici correlati a Redoxon, un prodotto di Bayer per l’influenza e il raffreddore, il modello ha consentito di suddividere i dati tra i vari stati. Ha infatti mostrato dove e quando le ricerche erano in aumento o in diminuzione e ha rivelato tendenze di ricerca emergenti pertinenti al prodotto.
Partendo da questi dati, Bayer ha potuto adattare la sua strategia di marketing, usando l’automazione per aggiungere nuove parole chiave e ottimizzare il testo pubblicitario. In questo modo, è riuscita a mostrare gli annunci più efficaci, coinvolgenti e personalizzati agli utenti giusti nel momento giusto.
Di conseguenza, Bayer ha registrato ottimi risultati di ricerca a pagamento: un aumento dell’85% delle percentuali di clic su base annua e una diminuzione del 33% del costo per clic rispetto all’anno precedente. Infine, ha riportato un aumento di 2,6 volte del traffico verso il suo sito web su base annua.
Apprendere dal machine learning: i vantaggi di un ciclo di feedback
Bayer ha ben accolto l’idea di incorporare nuovi set di dati per migliorare il modello predittivo nel corso del tempo e il team ha rimosso quelli che erano sostanzialmente inutili.
Una delle parti più importanti della strategia è capire cosa non fare
Come ha dichiarato Corsi, le opportunità per iterare, testare e scalare sono state numerose.
“Questo processo consente non solo di individuare i dati fondamentali che hanno davvero un impatto, ma anche di capire quali invece si traducono in un’incrementalità molto scarsa. Una delle parti più importanti della strategia è capire cosa non fare e quali sono i vicoli ciechi che non portano a niente”, ha affermato.
Riunire il team
Il modello di previsione ha consentito al team di marketing di Bayer in Australia di avere più tempo per pianificare e lanciare campagne più efficaci e ha aiutato anche altri team in tutta l’azienda. Ad esempio, se il modello indicava una maggiore probabilità di un inizio anticipato della stagione influenzale in una particolare regione, tutti avevano il tempo per adattarsi e coordinare le risorse.
Gregoire ha affermato che il programma ha contribuito a creare nuove opportunità di collaborazione tra i vari reparti, come l’IT, il marketing, le vendite e la fornitura dei prodotti.
“Improvvisamente vedi emergere nuove potenziali applicazioni aziendali”, ha dichiarato. “Il nostro team addetto alla fornitura dei prodotti, ad esempio, sta esplorando l’opportunità di sfruttare questo modello predittivo per ottimizzare i nostri modelli di distribuzione dei prodotti, in modo da supportare meglio la gestione logistica durante periodi di picco”.
Inoltre, Bayer sta valutando la possibilità di usare i dati predittivi per rafforzare la collaborazione con i retailer e ottimizzare la strategia di attivazione.
Pianificare l’espansione globale
Bayer sta continuando a testare e sviluppare il suo modello in Australia con livelli aggiuntivi di dati, prima di implementarlo per altre potenziali categorie, come i prodotti per le allergie. Inoltre, il team intende espandersi in altri mercati, come gli Stati Uniti, l’Europa, il Medio Oriente e l’Africa.
L’obiettivo è replicare una strategia simile, con funzionalità analoghe, in tutti i paesi e in tutte le categorie pertinenti. La teoria alla base del programma di Bayer è tecnicamente applicabile a qualsiasi prodotto o verticale.
“Non è una questione di dati, ma di mentalità, di adottare un approccio basato sui dati”, ha affermato Gregoire. “È necessario porsi diverse domande, come quali sarebbero i set di dati più pertinenti per i propri consumatori in una data categoria oppure cosa consentirebbe all’azienda di prendere decisioni più intelligenti e avere un impatto maggiore sull’intera organizzazione”.
Ovviamente, i membri del team si pongono di continuo la classica domanda: cosa ci riserva il futuro? Ora però hanno tutti un’idea più chiara della risposta.
Fonte: Think With Google
