Il successo di un nuovo prodotto? Facile prevederlo utilizzando i dati

Il lancio di un nuovo prodotto è sempre un momento elettrizzante. E lo è anche quando si tratta di un nuovo prodotto assicurativo, d’investimento, oppure bancario. Ma, ahimè, può essere anche frustrante. Il percorso è lungo e accidentato: le aziende passano mesi a studiare il mercato, a recuperare e analizzare dati spesso difficili da reperire, a individuare il giusto target, a trovare l’equilibrio tra le esigenze di marketing, la compliance, la distribuzione. Il tutto con l’obiettivo di massimizzare le vendite e di conseguenza i propri guadagni.

Ma l’ultima parola spetta al mercato, che può essere molto severo. Quanto sarebbe comodo poter premere un bottone e capire ex ante le reali opportunità di un prodotto?

Ebbene, oggi si può fare, grazie alla Data Science: basta valorizzare i propri dati e utilizzare la giusta strumentazione statistica, incentrata sull’idea di Data-Driven Agent Based Modeling. Ma andiamo con ordine.

Un business case: il lancio di un nuovo prodotto assicurativo

Passiamo dalla teoria alla pratica. Immaginiamo di voler testare la capacità di penetrazione di un nuovo prodotto, venduto sul territorio tramite una rete agenziale. Quello che si ricerca sempre sono metriche di sintesi (KPI) che parlino della raccolta premi potenziale e di quali sono le variabili chiave per favorire la vendita del prodotto nel modo più efficiente, arrivando a definire i possibili target.

La domanda finale è: ne vale davvero la pena?

Ecco come poter rispondere a questa domanda, in 5 passi.

1. Il prodotto da lanciare viene descritto in tutte le sue principali caratteristiche.
2. Allo stesso tempo, grazie al patrimonio informativo dell’azienda, vengono individuate le data-driven personas, vale a dire i prototipi di cliente. Oppure si usano quelle di Virtual B, costruite sulla base dell’ampio patrimonio informativo utilizzato per i servizi di Data Enrichment¹. Ciascuna persona è descritta da un vettore, formato da una lunga lista di variabili/caratteristiche, quali per esempio età, genere, status familiare, collocazione territoriale, tipo di professione, livello d’istruzione, educazione finanziaria, reddito e patrimonio, la differente propensione ai vari bisogni finanziari-assicurativi (per esempio, protezione salute, protezione casa, investimento ad accumulo/decumulo), gli indici di soddisfacimento di tali bisogni (cioè il rapporto tra soddisfazione del bisogno e presenza del bisogno), la propensione all’uso del mezzo digitale, e via dicendo. Ogni caratteristica è una variabile aleatoria, della quale è stata stimata la distribuzione di probabilità, con le statistiche descrittive, come media, mediana, dispersione, nonché le interrelazioni.
3. Si ipotizza un mercato per il quale si vuole valutare il potenziale del prodotto, definito in termini di data-driven personas (in sostanza, i target che si intendono colpire), di aree territoriali, di azioni promozionali e d’incentivazione dei collocatori. Si definisce, cioè, un mercato di agenti artificiali costruiti a partire dai dati – l’essenza del Data Driven Agent Based Modeling.
4. Semplicemente premendo un pulsante si fa girare il modello: viene simulata la popolazione di cloni derivati dalle data driven-personas e le loro azioni. Il mercato artificiale si mette in moto e al termine della simulazione si analizzano i risultati, cioè la raccolta premi e tutti i KPI ad essa associati. Si cambiano delle ipotesi – di prodotto, di target territoriali, di sensitività alle promozioni – e si calibra una strategia di prodotto e distribuzione.
5. Nel caso in cui il risultato della simulazione fosse convincente, le risorse possono essere indirizzate in modo efficace sulle agenzie/target di clienti che hanno ottenuto i risultati migliori. In questo modo si testa subito l’idea su un campo da gioco limitato, risparmiando sugli sforzi commerciali.

I benefici della simulazione: si risparmiano tempo ed energie

Poter effettuare una simulazione prima di lanciare un nuovo prodotto consente di ottenere una serie di benefici sintetizzabili in un cumulato risparmio di tempo e di energie.

L’output finale consiste in metriche di business, numeri, riportati su una dashboard compatta, chiara, che mostra i dati ritenuti chiave per valutare l’idea di business:

• i premi potenziali totali;
• i premi potenziali in base ai cluster;
• i premi potenziali attesi territorialmente suddivisi;
• le agenzie sparse sul territorio con il maggior potenziale;
• …e molto altro.

Dal punto di vista della privacy e della GDPR, sempre oggetto di lunghe e complesse discussioni, non vi sono problemi: gli agenti artificiali non sono molto sensibili a questo problema. Questo tipo di analisi offre riscontri numerici che riducono le riunioni interminabili incagliate su preconcetti indimostrabili, i quali, se è il caso, possono invece essere testati nella simulazione.

Un enorme risparmio di tempo, come detto. Un ambiente di simulazione condiviso e trasparente aiuta a condividere un’idea di prodotto, una strategia di collocamento. In sostanza, il mercato artificiale introduce l’idea di proof-of-concept (POC) nel mondo del marketing dei servizi finanziari: la simulazione con agenti artificiali dirà se un’idea di prodotto/servizio ha senso oppure no. Il time-to-market si riduce.

Fatto una volta, fatto per sempre

Il modello è altamente scalabile, perché può essere utilizzato per risolvere altri problemi di business, per esempio:

• simulare gli effetti del cambio generazionale (e in generale di variazione nella composizione della popolazione di clienti) sulla penetrazione della gamma prodotti;
• simulare gli effetti dell’introduzione di un canale digitale sull’organizzazione, con training mirati;
• simulare shock di mercato sulla raccolta premi/masse in gestione;
• simulare l’effetto di politiche aggressive da parte di competitor su specifici prodotti/territori;
• simulare strategie di retention su agenzie e agenti.

Inoltre, il modello “cresce” con dati nuovi: le informazioni sulla raccolta presso i clienti, gli agenti e, in generale, i collocatori possono essere inglobate negli agenti artificiali, così come le informazioni raccolte tramite survey di mercato.

In un mondo sempre più affamato di dati, dove il dato è potere, ma dove i dati dei clienti in possesso dei collocatori sono raramente condivisi con la casa madre, e dove la libertà di movimento è limitata dalle regole di protezione della privacy, uno strumento di prototipazione e proof-of-concept è fondamentale per essere competitivi.

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.

Ti interessa capire le reali potenzialità di mercato di un tuo prodotto o servizio testandolo in un ambiente di simulazione virtuale? Contattaci per una demo e ricevi il nostro White Paper che descrive i principi alla base del processo di creazione di dati sintetici di Virtual B.