Vendite e algoritmi (Depositphotos foto) - www.managementcue.it
Un nuovo sistema previsionale aiuta le aziende a stimare anche l’interesse dei clienti che non finalizzano l’acquisto.
Molte aziende si basano su ciò che vendono per capire cosa funziona. Ma la vera domanda è: quanti clienti ci hanno pensato, hanno valutato… e poi hanno lasciato perdere? In genere, questo tipo di informazione non viene tracciata, eppure è fondamentale per chi cerca di anticipare i comportamenti del mercato. Il fatto è che conoscere solo le vendite effettive è come guardare un iceberg e ignorare tutto quello che sta sotto.
In settori dove la concorrenza è spietata, come l’e-commerce o il turismo, prevedere la domanda non è mai stato semplice. Le aziende spesso si affidano a stime generiche, magari calcolando il proprio peso sul mercato per farsi un’idea dei possibili clienti. Ma questi metodi non raccontano tutta la verità. Mancano di precisione perché ignorano un elemento cruciale: l’interesse che non si trasforma in acquisto.
Eppure, è proprio lì che si nasconde un’opportunità enorme. Perché chi ha abbandonato un carrello online, chi ha cercato una stanza d’hotel ma non ha prenotato, chi ha controllato il prezzo di un volo ma ha chiuso la finestra… non è un “non cliente”, è un potenziale cliente perso per strada. E oggi, più che mai, avere strumenti per capire questi comportamenti può fare la differenza.
Il problema è che finora non c’erano strumenti veramente affidabili per stimare quanta domanda “silenziosa” ci sia dietro le vendite. Le aziende sono costrette a muoversi con dati parziali, spesso prendendo decisioni importanti con il paraocchi. In uno scenario così competitivo, prevedere meglio non è solo utile: è diventato necessario.
Un gruppo di ricercatori della Washington State University ha messo a punto un nuovo metodo di previsione che promette di cambiare le carte in tavola. In sostanza, si tratta di un modello matematico in grado di stimare non solo le vendite effettive, ma anche quante persone hanno pensato di acquistare e poi hanno rinunciato. È un approccio diverso dal solito, e soprattutto molto più accurato. Il cuore del sistema è un algoritmo noto come “minorazione-massimizzazione sequenziale” (Sequential Minorization-Maximization Algorithm).
Questo tipo di algoritmo, tipicamente usato nell’ambito dell’apprendimento statistico e dell’ottimizzazione, consente di stimare parametri latenti a partire da dati parzialmente osservati. Nello studio, è stato adattato per ricostruire in modo preciso la distribuzione della domanda anche quando manca una parte significativa dei dati transazionali. Il modello, inoltre, riesce a garantire una sola previsione ottimale, evitando i molteplici scenari ambigui che affliggono i metodi previsionali tradizionali.
A differenza dei modelli classici, che spesso si fermano all’analisi delle transazioni completate, questo approccio considera anche i dati censurati: cioè tutte quelle situazioni in cui l’interesse del cliente non si è tradotto in un acquisto. Grazie all’algoritmo sviluppato, è possibile stimare congiuntamente sia il tasso di arrivo dei clienti (arrival rate), sia i cosiddetti “coefficienti di preferenza” (customer taste coefficients), cioè i fattori che influenzano la decisione d’acquisto. Nel test condotto, i ricercatori hanno applicato il modello ai dati reali di vendita di biglietti aerei, dimostrando che l’algoritmo è in grado di determinare quante persone hanno effettivamente valutato l’acquisto ma non hanno completato la transazione. Questo ha permesso di identificare le cause principali della rinuncia: prezzi troppo alti, tempistiche non favorevoli, o alternative più attraenti.
Il vantaggio più rilevante è che questo modello può essere applicato in molti contesti diversi. Non è pensato per un solo settore, ma per tutti quei mercati dove la domanda è difficile da misurare. Catene alberghiere, supermercati, siti di e-commerce: tutti possono trarne beneficio. I retailer, ad esempio, possono stimare quante persone scelgono i concorrenti; le piattaforme online possono analizzare i tassi di abbandono del carrello; gli hotel possono valutare la perdita di prenotazioni invisibili. In breve, si tratta di un sistema versatile, capace di trasformare dati incompleti in strategie più intelligenti e mirate.
