Creare una discussione, un tavolo di lavoro, confronto e dibattito, una community di aziende interessate a comprendere e approfondire, nonché condividere conoscenza ed esperienze su come l’utilizzo dei dati e delle tecnologie per la loro analisi possono rivoluzionare il settore Retail, in particolare nei segmenti Grocery, Consumer Electronics e Do-It-Yourself.

È nato con questo obiettivo l’Osservatorio Retail MarTech (R)Evolution della LIUC – Università Cattaneo. L’osservatorio, che vede la partnerhsip con JAKALA, Mirakl , SAS e NielsenIQ, ha identificato come primo campo di indagine il tema della prossimità e di come le persone scelgono il canale di acquisto.

Ce ne parla Chiara Mauri, Direttore della Scuola di Economia e Management e Professore Ordinario di Economia e Gestione delle Imprese presso la LIUC – Università Cattaneo.

Quali sono le tendenze che state osservando in tema di prossimità e di scelte dei retailer?

Abbiamo deciso di affrontare la prossimità dei punti vendita come primo tema di analisi del nostro Osservatorio guardando alla realtà che caratterizza il settore in questo momento: i retailer di grandi dimensioni, per anni, si sono allontanati dalle città, aprendo punti vendita nelle periferie esterne; ora si stanno rilocalizzando nel cuore delle città, aprendo punti vendita di minori dimensioni per avvicinarsi fisicamente al cliente.

Questa tendenza sta creando una feroce competizione perché, se da un lato risponde ai bisogni “nuovi” delle persone di essere più sostenibili (fare acquisti a piedi e non in auto, acquistare prodotti freschi più volte nell’arco della settimana, etc.), dall’altro alimenta la presenza di numerosissimi retailer in piccole aree urbane, spesso con la presenza di punti vendita persino dello stesso brand a pochi metri di distanza.

Abbiamo analizzato i dati e calcolato il tasso di sovrapposizione medio dei bacini di attrazione, cioè quanto mediamente due punti di vendita hanno delle aree sovrapposte. Calcolando una distanza di circa 5 minuti a piedi da ogni punto vendita, il tasso di sovrapposizione media delle superfici è del 30%, il che significa che se la popolazione avesse una distribuzione uniforme sul territorio, ogni punto di vendita condividerebbe circa il 30% dei clienti con un altro punto vendita.

Il tasso di sovrapposizione diventa così un tasso di “potenziale cannibalizzazione” della clientela, rischio ancora maggiore quando i punti vendita sono della stessa insegna.

Che tipo di dati state analizzando e come?

Inizialmente ci siamo concentrati sull’analisi dei dati relativi ai punti vendita ipotizzando che le scelte delle persone fossero guidate da un ragionamento puramente funzionale e utilitaristico: si va nel punto vendita più vicino a casa o più “comodo” rispetto ad altre attività (il negozio vicino all’ufficio, per esempio).

A Milano, solo per fare un esempio, ciascun abitante può raggiungere un punto vendita di alimentari in 92 secondi, il che significa che spostandosi a piedi per 5 minuti ha più di due scelte possibili.

Sulla base di questi primi dati analizzati, abbiamo deciso di costruire, per ogni punto vendita, un indice di pressione competitiva, che dovrà tenere conto anche di dati economici quali il fatturato per metro quadrato e che richiederà   la definizione di specifici modelli di analisi e l’utilizzo delle tecnologie di advanced analytics.

Per iniziare, abbiamo fatto dei piccoli esercizi su un campione di persone raccogliendo i dati degli scontrini e facendo analisi di regressione lineare [tecnica statistica che si utilizza per studiare la relazione tra due o più variabili] per comprendere quanto all’aumento della pressione competitiva ne risentisse il fatturato.

Abbiamo inoltre deciso di raccogliere e analizzare anche i dati relativi alle scelte e alle abitudini delle persone, per comprendere meglio quanto queste possano “pesare” sull’indice di competitività.