Come trasformare un prospect in un cliente con il Machine Learning

Trasformare un prospect in un vero cliente è un processo di marketing che può diventare davvero oneroso se manca una strategia d’insieme. Il costo di acquisizione (CAC) medio dei clienti si aggira intorno ai 200-300€ per i prodotti semplici, come conti correnti o carte di credito, ma sale fino a 1.200€ se parliamo di prodotti più complessi, ad esempio gestioni patrimoniali e altre forme di investimento.

Inoltre, i clienti non cambiano banca facilmente, e molti di quelli inizialmente motivati a farlo abbandonano la nave durante la fase di onboarding, cioè quando si arriva al dunque.

La buona notizia è che i dati e il Machine Learning possono realmente aiutare a ridurre i costi di acquisizione ed aumentare il Life-time Value dei clienti.

In che modo? Mettendo a fattor comune dati e modelli di raccomandazione, in ogni fase del ciclo di vita del cliente si possono suggerire Next Best Actions personalizzate. Ciò significa seguire il cliente nel tempo, tanto attraverso una rete di advisor fisici o sul canale digitale. Suggerire a un cliente con regolarità qualcosa di utile, al momento giusto, è certamente una strategia per aumentare la soddisfazione della clientela e generare fidelizzazione

In Virtual B, abbiamo messo insieme un processo continuo e strutturato – rappresentato nell’immagine seguente.

Trasformare prospect in cliente

Dal prospect al cliente

Il nostro processo si concretizza nelle seguenti fasi:

  1. Initial engagement: creare una campagna mirata che non si limiti a vendere il prodotto, bensì catturi l’attenzione dei clienti con il contenuto più adeguato (anche dal punto di vista Behavioral), sfruttando ad esempio quiz o altri strumenti di ingaggio per raccogliere i primi dati.
  2. Data Enrichment: da pochissime informazioni l’engine di Data Enrichment associa ad ogni user una Financial Persona, che viene declinata in termini di:
    1. segmento di mercato (affluent, mass-market, private, ecc)
    2. attitudini alle spese, al risparmio, agli investimenti;
    3. propensione digitale o ai principali bisogni finanziari;
    4. interesse verso i temi ESG;
    5. tratti comportamentali;
    6. elementi associati all’economia dell’attenzione.
  3. Nurturing: ritornare dai prospect con i “giusti” contenuti in base al loro specifico profilo, e aggiornare il motore di raccomandazione con i feedback dei clienti (attuando un machine learning: l’engine impara dai comportamenti).
  4. Needs mapping: una volta che i prospect sono auspicabilmente diventati clienti, il motore di raccomandazione impara dai comportamenti dei clienti, dalle loro “tracce”, analizzando per esempio i movimenti di c/c, il questionario Mifid/Idd se presente, i movimenti di portafoglio, e via dicendo.
  5. Behavioral profiling: utilizzando le principali tecniche di Behavioral profiling si possono approfondire le caratteristiche psicologiche ed emotive dei propri clienti;
  6. Financial Wellness index: mettendo a sistema tutto il patrimonio informativo accumulato sul cliente (e sull’intera customer base) si può calcolare un indice di benessere finanziario,  incentrato sull’aderenza o meno del portafoglio prodotti alle caratteristiche specifiche dell’individuo (includendo sia quelle “soft” come i tratti comportamentali, sia quelle “hard”, come quelle legate alla profilazione Mifid). In base a ciò che accade al cliente, al suo portafoglio e al mondo circostante (i mercati, l’economia) l’indice varia e si adatta, seguendo il life-cycle di ciascun cliente.
  7. Personalized Solution and Content: sulla base del Financial Wellness Index, che incorpora tutto il know-how generato dai dati sul cliente, è possibile fornirgli in consigli pregnanti – Next Best Actions – nel corso del life-cycle, creando un servizio personalizzato sull’individuo e i suoi reali bisogni.

 

Ma quanto è utile adottare un simile approccio?

Secondo BCG, i benefici legati alla capacità di personalizzare il servizio in funzione del profilo del cliente si aggirano intorno a 300 milioni di aumento di ricavi per ogni 100 miliardi di euro di asset , cioè 30 punti base. Si possono ottenere degli ottimi risultati anche separando in modo netto la fase di conversione delle lead da quella di up-selling.

 

Cosa hanno fatto i nostri clienti.

Conversione di “clienti marginali” – Un nostro cliente ha deciso di utilizzare il Data Enrichment per personalizzare i contenuti di ingaggio. Al primo esercizio, il 25% dei clienti contattati dal contenuto personalizzato ha manifestato interesse, l’11% ha prenotato un appuntamento in filiale e il 10% ha acquistato almeno un prodotto. Clienti che commercialmente venivano considerati inesistenti, a cui veniva attribuito valore nullo, sono diventati clienti redditizi. Al primo colpo.

Up-selling di prodotto – Un altro cliente, che utilizza il Needs Mapper sviluppato da Virtual B per supportare i consulenti finanziari nelle azioni commerciali rileva come l’80% dei consulenti ritenga utile avere il supporto che offre nella relazione con i clienti, in termini di identificazione del loro profilo e individuazione dei prodotti migliori da offrirgli. Gli advisor che utilizzano più frequentemente il Needs Mapper hanno aumentato i ricavi del 20-30%.

 

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 al link sottostante e scopri come applicare le logiche del Machine Learning ai tuoi processi aziendali.

Scopri di più