Come preservare i canali di collocamento con il Data enrichment

Sono tempi duri per tutti: pandemia, rapporti a distanza, più competizione tra gli intermediari, consolidamenti via acquisizioni e fusioni. Oggi più che mai occorre affinare gli strumenti per fare più business con i clienti esistenti o procacciarsene di nuovi.

A questo proposito, un business case interessante è quello relativo alla personalizzazione del marketing in ambito finanziario e al data enrichment. Sono ottimi compagni di lavoro.

La situazione tipica è di molti intermediari è ritrovarsi nei propri database clienti dei quali si ha solo qualche scarno dato anagrafico e di contatto. Di solito questi clienti hanno solo prodotti/servizi di base e nessun questionario di profilazione, né MIFID, né IDD. Pensiamo ai milioni di clienti che hanno solo un conto online.

Riuscire ad attivare questi clienti, rivitalizzandoli e proponendo loro qualcosa che risulti davvero utile a loro può essere un buon modo di effettuare efficacemente dell’up-selling e incrementare i volumi di business. Quest’attività diventa essenziale per la client retention di quelle realtà, come le fabbriche di prodotti d’investimento e assicurativi, che per via del processo di aggregazione degli intermediari si trovano improvvisamente senza collocatori: la banca A collocava i tuoi prodotti, ma il gruppo B acquisisce la banca A, colloca i suoi prodotti e taglia i precedenti contratti di distribuzione.

Puf, sparito un intero canale di collocamento…

 

Come fare ad attivare quei clienti dei quali si sa pochissimo?

Con il data enrichment. Partendo da pochi dati, come l’età, il luogo di residenza, il genere, la professione o il titolo di studio, si può risalire a informazioni più utili, quali gli obiettivi d’investimento, le protezioni assicurative più appropriate, le esigenze di un finanziamento, la sensibilità a temi ESG, la propensione al canale digitale, il possesso di beni reali, la probabile capacità di spesa e risparmio e altro ancora.

Per fare arricchimento dei dati, in Virtual B, abbiamo consolidato diverse basi dati pubbliche e private con informazioni finanziarie, economiche e territoriali. Non è banale: occorre usare tecniche di probabilistic data fusion per riuscire ad unire dati eterogeni, provenienti da fonti differenti. Ma, una volta fatto ciò, si possono estrarre le informazioni desiderate in funzione dei dati disponibili.

È, sostanzialmente la stima di una distribuzione di probabiltà condizionata grazie a unlookalike modeling” specifico per il mondo dei servizi finanziari. Quindi si tratta di stime, cioè di dati con associata una probabilità e non una certezza, ma… sono stime assai affidabili. E più ricchi sono i dati di partenza, più è preciso il risultato, cioè meglio saranno identificati i tratti finanziari salienti del cliente.

Con lo stesso tipo di informazione di partenza possono ovviamente emergere profili del tutto diversi.

 

Esempio #1: la vedova del Nord Italia

Immaginiamo che il nostro cliente sia una donna della quale si sa abbastanza poco: ha 62 anni, si professa casalinga, è vedova, e abita in una città di 40 mila abitanti, in una provincia del Nord.

Queste poche informazioni consentono al modello di lookalike di classificarla come appartenente a uno specifico segmento di clientela finanziaria: quello delle donne mature, vedove, divorziate o comunque single, con una cultura finanziaria poco profonda, benestanti, spesso con un cospicuo patrimonio immobiliare (e sovente anche mobiliare), poco o nulla indebitate e con buona capacità di spesa. Queste signore hanno delle chiare preferenze per quanto riguarda il canale di servizio: preferiscono quello fisico, non amano usare il sito dell’intermediario – al limite possono telefonare al call center e parlare con una persona.

Hanno bisogni finanziari specifici: investimenti “income” di tipo PIC, a rischio medio-basso ma in grado di produrre periodicamente un reddito con i proventi, meglio se con protezione del capitale e con attenzione ai temi ESG. Inoltre sono propense all’acquisto di prodotti assicurativi che proteggono dal rischio di perdita di autosufficienza e sono piuttosto sensibili al tema della gestione della successione.

Attraverso una comunicazione mirata su questi temi per i quali è più sensibile, con modalità e “tone of voice” consoni, è probabile che la signora – dopo un nurturing più o meno lungo – decida di acquistare nuovi prodotti e servizi. Il che non sarebbe affatto male, no?

 

Esempio #2: il manager cinquantenne

Consideriamo un dirigente aziendale cinquantenne con famiglia che vive in una metropoli del Nord ha invece un’elevata propensione all’uso del canale digitale e livello medio-alto di educazione finanziaria ed economica, investe in prodotti finalizzati ad accumulare un capitale per i figli e per tutelare famiglia, è abbastanza sensibile ai temi ESG (purché l’investimento non ne sia troppo penalizzato), è ben patrimonializzato e ha un mutuo per il quale potrebbe pensare ad una surroga. È propenso all’acquisto di un’assicurazione temporanea caso-morte e a una polizza onnicomprensiva che protegga casa e famiglia, eventuali animali domestici inclusi.

Lo si può incuriosire e attivare sfruttando principalmente i canali digitali, con una comunicazione di sostanza e brillante, indirizzandolo su quel canale – se presente.

Come vedete, due fotografie di clienti sufficientemente complete per iniziare un’azione commerciale efficace.

 

Il data enrichment non richiede integrazione ed è conveniente

Il servizio è peraltro semplice: un file anonimo con i dati inziali di una lista di clienti viene arricchito da una serie di informazioni aggiuntive per ciascuno di essi, pronto per essere utilizzato nel modo che si ritiene più opportuno.

È una scienza esatta? No. Ma anziché attivare campagne di promozione che seguono solo il ritmo di lancio dei nuovi prodotti, ci si focalizza sui probabili bisogni delle persone e su quelli che per loro sono i punti di attenzione: così, la probabilità di successo è molto più elevata. I clienti dormienti possono essere rivitalizzati, e l’approccio personalizzato è foriero di maggiore fedeltà dei clienti.

Ovviamente il data enrichment può essere impiegato in fase di lead generation: anziché sparare (sostanzialmente) nel mucchio, oppure su cluster relativamente ampi, come spesso fanno gli intermediari nel promuovere il loro prodotti e servizi, è possibile essere decisamente più precisi, con costi di acquisizione più bassi.

Insomma il data enrichment consente un ottimo bilanciamento del triangolo TCQ – Tempi, Costi, Qualità: in tempi rapidi e con costi contenuti si ottengono informazioni ragionevolmente precise sui tratti finanziari di clienti altrimenti abbandonati a sé stessi, rivitalizzando la relazione e mettendosi in condizione di fare business.

 

La soluzione di Virtual B

Virtual B lavora da anni nel settore finanziario, a stretto contatto con i dati e la loro analisi. Dalla nostra esperienza sono nate numerose soluzioni in grado di generare valore e di risolvere problemi per gli intermediari finanziari e assicurativi.

Se il tema ti incuriosisce, contattaci per una demo esplicativa al link sottostante e scopri come applicare le logiche del Data Enrichment ai tuoi processi aziendali.

Scopri di più