Il prosciutto di Natale si compra ad agosto
Nella grande distribuzione le decisioni importanti si prendono con mesi di anticipo: l’assortimento di dicembre si chiude in estate. Quando il cliente entra nel punto vendita, tutto è già stato deciso da un pezzo — e chi ha deciso lo ha fatto guardando dati che, per costruzione, guardano indietro.
Lo storico di vendita dice cosa è stato comprato. Non dice cosa la gente cercava e non ha trovato, né cosa comincerà a cercare fra tre mesi.
Per Iper La Grande i abbiamo lavorato per anni esattamente su questa distanza. Il servizio si chiamava report di settore, e il contratto ne fissava il ritmo in modo esplicito: gli argomenti si concordavano con tre mesi di anticipo sul periodo di riferimento. Nei fatti l’anticipo era spesso maggiore — lo studio sui salumi per il Natale 2019 porta la data del 2 agosto. Occuparsi di cenone in pieno agosto è un modo singolare di passare l’estate, ma è quando quelle decisioni si prendono davvero.
A guidare quella squadra era Raffaella Roani, team leader del lavoro di search intelligence per Iper. È la stessa persona che oggi guida la linea che ne è nata.
Table of Contents
Cosa guardavamo
Non le vendite: le ricerche.
Per ogni tema prendevamo tutte le query pertinenti — centinaia — e ne ricostruivamo ventiquattro mesi di volumi mensili, una serie storica per ciascuna. Poi, ed è qui che stava il valore, le aggregavamo in cluster semantici: non “quante persone cercano castagne al forno“, ma quanto pesa il tema ricette, il tema proprietà, il tema calorie, il tema sagre.
Una keyword isolata è rumore. Un cluster con due anni di storia è un comportamento.
La pianificazione era organizzata sulle carte fedeltà di Iper — verde per il bio, blu per pranzi e cene, gialla per il benessere — così che ogni analisi arrivasse già dentro la logica commerciale del cliente, non accanto.
Il prosciutto che esiste solo a dicembre
Agosto 2019, studio sugli affettati per la stagione natalizia. Dentro c’è un dettaglio che vale l’intero metodo.
Il prosciutto crudo italiano è piatto tutto l’anno: fra le 4.400 e le 6.600 ricerche al mese, senza alcun picco natalizio. È un prodotto che si compra sempre, e la domanda non ha stagione.
Il prosciutto spagnolo si comporta all’opposto:
| ottobre 2018 | novembre 2018 | dicembre 2018 | |
|---|---|---|---|
| prosciutto spagnolo | 880 | 6.600 | 4.400 |
| prosciutto serrano | 210 | 390 | 880 |
| prosciutto patanegra | 320 | 480 | 720 |
Da 880 a 6.600 ricerche in trenta giorni. Un prodotto che per undici mesi l’anno, agli occhi del mercato, quasi non esiste — e che a novembre diventa improvvisamente un tema. Il prosciutto, beninteso, era lì tutto l’anno. A muoversi non è stato il prodotto: è stato il momento in cui gli italiani hanno cominciato a pensarci.
La parte che non è nei numeri
Qui si potrebbe chiudere l’articolo dicendo che basta guardare lo storico e mettere il picco a calendario. Sarebbe comodo — soprattutto per noi, che potremmo raccontarlo come un metodo — e sarebbe falso.
Perché il punto interessante non è il picco. È come cresceva.
Natale 2017: 1.600 ricerche. Natale 2018: 6.600. In un anno, quattro volte tanto. Non una stagionalità stabile da annotare e ripetere ogni anno — una tendenza che si stava formando mentre la guardavamo.
Ed è questo il mestiere vero. In una serie storica le oscillazioni sono decine: feste, meteo, mode passeggere, rumore statistico. La macchina le mostra tutte, con la stessa evidenza. Capire quale sta diventando una tendenza e quale si spegnerà entro la stagione successiva è un lavoro di esperienza — di persone che quel mercato lo hanno visto muoversi per anni.
Un algoritmo non sa distinguere un picco che tornerà da un picco che è già finito. Sa solo che c’è stato un picco. La differenza fra le due cose vale l’intera decisione d’acquisto.
Come si fa a fidarsi di un dato che si muove così tanto
La domanda giusta, davanti a un numero che quadruplica, è se il metodo stia misurando una stagionalità vera o un artefatto.
Nello stesso studio c’è la controprova. Il prosciutto e melone ha la stagionalità esattamente rovesciata: 3.600 ricerche a giugno, 70 a novembre. E il crudo italiano, come si è detto, non si muove affatto.
Tre comportamenti diversi, misurati con lo stesso strumento sullo stesso archivio: uno estivo, uno natalizio, uno piatto. Quando un metodo riconosce correttamente ciò che non è stagionale, quello che dice sulla stagionalità comincia a essere credibile.
È un principio che vale ben oltre il prosciutto: un modello che trova pattern ovunque non sta trovando pattern.
Cosa resta oggi
Il valore non era possedere i dati. Già allora chiunque poteva aprire uno strumento di keyword research e guardare i volumi. Il valore era aggregarli in temi, metterli in serie storica, riconoscere quali oscillazioni contassero — e soprattutto consegnarli quando servivano ancora a qualcosa, cioè mesi prima, non a stagione iniziata.
Oggi quel lavoro si chiama Visirank® Demand, ed è ancora Raffaella Roani a dirigerlo. L’intelligenza artificiale lo rende molto più rapido: quello che richiedeva giorni di aggregazione manuale si prepara in poche ore, su archivi più ampi.
Ma la parte difficile non è mai stata leggere il dato. È stata decidere cosa farne, in tempo utile — e quella resta una decisione umana, presa da qualcuno che risponde del risultato.
Lavoriamo così dal 2015, per clienti come Iper La Grande i.
Domande frequenti
L’analisi della domanda di ricerca serve solo alla grande distribuzione?
No. Serve a chiunque debba decidere con mesi di anticipo: assortimento, produzione, piani editoriali, campagne stagionali. La logica è la stessa, cambiano i temi da osservare.
Che differenza c’è fra la search intelligence e un normale strumento di keyword research?
Uno strumento di keyword research restituisce volumi per singola parola. La search intelligence costruisce cluster tematici, ricostruisce serie storiche pluriennali e le confronta fra loro per distinguere ciclo, tendenza e rumore. Il dato di partenza è pubblico e disponibile a tutti; il lavoro sta in quello che ci si fa sopra.
Quanti mesi di storico servono per riconoscere una stagionalità?
Ventiquattro mesi sono il minimo per distinguere una stagionalità da un caso isolato. Per riconoscere una tendenza che sta nascendo ne servono di più — e serve qualcuno che sappia cosa sta guardando, perché in una serie storica le oscillazioni sono decine e la macchina le mostra tutte con la stessa evidenza.
L’intelligenza artificiale rende superflua l’analisi umana dei trend?
Rende molto più veloce la parte di aggregazione e confronto, che era la più lenta. Non sostituisce il giudizio su quale oscillazione conti: un algoritmo non sa distinguere un picco che tornerà da uno già finito, e quella è precisamente la parte in cui un errore costa una stagione.
Se dovete decidere adesso qualcosa che si vedrà fra tre mesi, il momento per guardare i dati è questo.
→ Parliamo dei vostri dati di domanda
