The place where the Customer counts

Free thoughts on CRM, Business and the next big thing

The place where the Customer counts - Free thoughts on CRM, Business and the next big thing

Individuare i supporter grazie alla Social Network Analysis

Sono reduce da molte interessanti letture che hanno in qualche modo consolidato certi temi a cui sono molto affezionato e, in più, che hanno stimolato l’approfondimento di nuovi argomenti che sempre più ritengo assolutamente affini alle pratiche aziendali necessarie per l’elaborazione di una strategia di Social CRM efficace.

Tra queste tematiche di sicuro quella che ha catturato maggiormente la mia attenzione è la Social Network Analysis, devo dire anche grazie allo zampino di Emanuele Quintarelli e del gruppo di Open Knowledge, tanto che ho cominciato a leggere alcuni articoli (soprattutto quelli di Michael Wu, Principal Scientist of Analytics presso Lithium Technologies) e a comprare libri sul tema (vedi qui e qui).

L’argomento mi ha talmente incuriosito che, nonostante la mia preparazione assolutamente inaffidabile sul tema in oggetto (almeno per ora 😉 ), mi è venuta voglia di provare a capire come applicare la SNA nell’individuazione dei supporter (con questo termine mi riferisco alla categoria di influencer non dedicati esclusivamente alle attività di marketing ma estendibile a qualsiasi tipo di attività in cui il contributo del cliente può essere di supporto al business dell’azienda).

In realtà questa attività non è nuova e praticamente ogni social media monitoring tool in circolazione fornisce un indicatore del livello di influenza di chi sta discutendo del proprio brand o prodotto. Quello che però non mi ha mai pienamente convinto è l’attendibilità di questi indicatori, soprattutto dopo aver letto un articolo di Fresh Network in cui si descrivono le logiche con cui venivano computati tali valori. Per carità, non c’è nulla di sbagliato in loro e nel loro utilizzo e soprattutto, come l’esperienza mi ha insegnato più volte, è sempre meglio agire con un dato in più – anche se non perfetto – che provare a caso o senza alcuna base informativa a supporto. Ma è anche vero che un gestione interna del processo di indentificazione dei supporter mi permette comunque di avere molta più flessibilità nell’utilizzo e nell’interpretazione delle informazioni.

Riprendendo quindi alcuni esempi del già citato Michael Wu ho provato ad immaginare cosa si potrebbe fare con la SNA sulle piattaforme sociali esterne, articolando l’approccio in step sequenziali.

Individuare i profili sociali dei miei clienti

Il primo step è sicuramente quello di recuperare i profili sociali dei miei clienti. Questa attività può essere svolta grazie al supporto di alcune applicazioni di terze parti come Flowtown (che però a quanto pare sta per dismettere questa funzionalità per un nuovo modello di business che ancora non ci è dato conoscere) o Sociotoco che permettono attraverso opportune API di scandagliare la Rete e, sulla base dei dati anagrafici dei clienti presenti nei sistemi aziendali di CRM, di associare con un buon livello di attendibilità i profili presenti sulle più importanti piattaforme sociali (bisogna in ogni caso validare le informazioni recuperate per evitare associazioni improbabili). E’ sicuramente un lavoro oneroso e complesso da gestire (soprattutto per aziende con un numero elevato di clienti) ma confido comunque nell’evoluzione degli sviluppi di queste applicazioni di social discovery.

Scoprire le discussioni più interessanti sul brand e prodotti/servizi

L’attività di ascolto torna ad essere un’attività strategica fondamentale per poter individuare le piattaforme sociali in cui hanno luogo le conversazioni che riguardano la nostra azienda (non solo Facebook fan page o Twitter ma anche gruppi di discussione, forum, ecc.). Riveste particolare importanza in questa fase la scelta oculata delle parole chiave da utilizzare con i social media monitoring tool in quanto è molto interessante riuscire a differenziare le community in funzione della tipologia di discussione trattata (temi sulle esperienze di utilizzo o supporto potrebbero essere catalogate con l’etichetta “Customer Service”, quelle più legate al passaparola – positivo e negativo – con “Marketing” e così via).

Definire il target di analisi

A questo punto, in funzione dei risultati ottenuti nella fase precedente, si definisce il target di azione selezionando le piattaforme su cui verrà utilizzata la Social Networking Analysis. Bisogna non dimenticarsi, in questa fase, di prendere in considerazione come parametro di scelta delle piattaforme anche la buona copertura del proprio target clienti e prospect.

Estrapolare i dati funzionali alla Social Network Analysis

E’ giunta quindi l’ora di raccogliere tutti i dati necessari dalle piattaforme in target per un intervallo di tempo predefinito (ad esempio 3 o 6 mesi). In particolare quello che dovrebbe essere estrapolato sono gli utenti che prendono parte alle discussioni (suddivisi in clienti e non clienti) e le stesse conversazioni opportunamente categorizzate in base alle etichette definite nelle fasi precedenti (con più o meno dettaglio a seconda delle esigenze) e possibilmente anche in base al sentiment.

In questo modo avremo gli elementi principali per costruire le nostre reti sociali ossia, rispettivamente, i nodi e le connessioni.

Indentificare i supporter attraverso la Social Network Analysis

A questo punto si separano gli utenti/conversazioni (nodi/connessioni) per etichetta e piattaforma sociale analizzata. Ad ogni set corrisponderà quindi un grafo sociale nel quale i nodi risulteranno uniti se tra di loro è avvenuta una conversazione reciproca (ad esempio uno scambio diretto di opinioni sul thread di un forum dedicato alla risoluzione di un problema tecnico di un prodotto commercializzato dall’azienda). Ogni connessione è caratterizzata da tre fattori principali:

  1. La sua intensità in una conversazione è direttamente proporzionale al numero di messaggi con cui un utente constribuisce alla conversazione (più si scrive più si è riconosciuti).
  2. La sua intensità in una conversazione è inversamente proporzionale al numero di partecipanti alla conversazione stessa (più si discute meno ci si differenzia).
  3. La sua intensità cresce con il numero di conversazioni avvenute tra gli utenti (additività).

Sarà quindi possibile calcolare, grazie a specifici tool di Social Network Analysis, diverse metriche utili per comprendere le dinamiche relazionali all’interno dei grafi e con le quali sarà possibile identificare i supporter. Alcune di queste metriche sono:

  1. Degree Centrality: legato al numero di connessioni associate ad ogni nodo (esprime il grado di connettività di un utente con la rete)
  2. Eigenvector Centrality: legato all’importanza – autorevolezza – di un nodo nel network (assegna alti punteggi agli utenti collegati a quelli con punteggi elevati)
  3. Closeness Centrality: legato alla distanza media geodesica – soluzione al problema dello shortest path – tra un nodo e tutti gli altri da lui raggiungibili (esprime il grado di prossimità di un utente agli altri della rete)
  4. Betweenness Centrality: legato al numero di volte in cui un nodo si ritrova lungo lo shortest path tra le altre coppie di nodi della rete (descrive la capacità di diffusione delle informazioni nella rete attraverso quell’utente)

Michael Wu’s blog image

Il grafo in figura mostra uno dei risultati di un’analisi fatta da Michael Wu su una community Q&A dove il colore dei nodi varia a secondo del valore assunto dal loro PageRank Score (una variante dell’Eigenvector Centrality) mentre la loro dimensione è correlata alla Degree Centrality quindi alla capacità di essere più o meno “connessi” all’interno della rete.

L’analisi di un grafo di questo genere ci permetterebbe di capire chi sono i nostri supporter ossia coloro che, a secondo dei casi,:

  • hanno più autorevolezza nella risoluzione di problemi inerenti i nostri prodotti/servizi (service supporter),
  • tendono a parlare bene del nostro brand e riescono a raggiungere un numero elevato di persone (awareness supporter),
  • hanno la capacità di far viaggiare le notizie molto rapidamente all’interno della propria rete (buzz supporter).

Le opportunità sono innumerevoli e la possibilità aggiuntiva di distinguere a priori chi è già un nostro cliente da chi ancora non lo è, ci consente di indirizzare meglio le nostre strategie di engagement; strategie che devono essere differenziate a secondo della expertise tematica che contraddistingue le discussioni all’interno delle piattaforme analizzate e degli obiettivi dell’azienda.

La ricerca italiana a favore del WOM e del Buzz Marketing

Vorrei condividere in questo post alcune considerazioni in merito ad un articolo apparso sul Corriere della Sera che ci racconta di un interessante risultato ottenuto da alcuni studiosi romani (che fanno ricerca di qualità ma sfortunatamente sottofinanziata) nella definizione di un algoritmo che analizza le modalità e la velocità di diffusione delle informazioni all’interno di una rete sociale tecnologica.

http://www.corriere.it/scienze_e_tecnologie/10_marzo_29/algoritmo-gossip_c6bdef46-3ae8-11df-80d0-00144f02aabe.shtml

Questa notizia è molto interessante e la scoperta avrà sicuramente dei grossi impatti in quegli ambiti di business che basano il loro successo sulla capacità di diffondere il passaparola tra i membri di una platea quanto più ampia possibile (WOM, buzz e viral marketing). Implementare questo algoritmo nelle applicazioni di monitoraggio del passaparola e del sentiment all’interno dei cosiddetti socialplace (blog, forum, social network, ecc.), permetterà ai digital marketer, probabilmente in tempo reale, di:

  • osservare le dinamiche e le tempistiche di diffusione delle discussioni sul brand e/o sulle campagne di marketing in atto,
  • analizzare le cause più frequenti dei rallentamenti o delle accelerazioni del passaprola
  • correlare, ad esempio, il fenomeno di rallentamento a specifici driver inibitori come il tipo di socialplace, le caratteristiche degli utenti coinvolti nella discussione, ecc.
  • avviare opportune azioni correttive di emergenza, sulla base delle analisi dei dati storici relativi a casi precedenti, che consentano di “sbloccare” il word of mouth

Tutto questo migliorerebbe con la pratica le performance delle azioni di marketing basate sul passaparola e consentirebbe di gestire i progetti in maniera molto più efficiente e sopratutto efficace, dimostrando analiticamente ancora una volta le enormi potenzialità del mezzo web rispetto ai canali più tradizionali.