MultiverbeBOS

CRM Research · best practices 2025-2026 + proposta Multiverbe

Data: 2026-05-19 · Autore: Sessione research read-only Scope: capire cosa fa un buon CRM oggi, confrontarlo con i 6 satelliti CRM Multiverbe attuali, proporre la ricalibrazione per Sessione 3.

Executive summary

CRM Multiverbe post-S2: 3 satelliti veri (contacts/value/history) e 3 stub (messages/loyalty/feedback). I CRM 2026 di riferimento (Attio, Folk, HubSpot Breeze, monday) condividono 4 pilastri: fascicolo cliente unico, timeline omnichannel, AI copilot proattivo, LTV con segmentazione. Multiverbe copre 1.5 su 4 (history e value esistono ma senza ingestione automatica). Raccomandazione: Opzione A ricalibrata — tieni 6 satelliti, ma rifocalizza contacts (oggi mostra Deal, non clienti), promuovi messages a satellite di punta, fondi medio termine feedback dentro loyalty.

Best practices top 7 (con fonti)

  1. Fascicolo cliente unificato con custom field settoriali (allergie, taglie, preferenze) — profilo 360° che si arricchisce a ogni visita [1][2].
  2. Timeline omnichannel real-time — email, prenotazioni, messaggi, ticket in un'unica cronologia [3][4].
  3. AI copilot in-app — lead scoring, churn prediction, auto-enrichment da 200M+ profili. HubSpot Breeze riporta -48% time-to-close [5][6][7].
  4. LTV con heatmap e cohort — trend lineare, cluster geografici, tier VIP/Regular/Dormiente per innescare interventi mirati [8][9].
  5. Inbox condivisa omnichannel (WhatsApp + IG DM + email + SMS) come schermata centrale per team piccoli [10][11][12].
  6. NPS → review automatici — i Promoter ricevono link Google/Tripadvisor, i Detractor entrano in flusso retention [13][14].
  7. Loyalty modulare — punti, tier, cashback, stamp card combinabili. Cashback +8-12% retention vs solo punti, PMI italiane preferiscono setup low-friction [15][16][17].

Analisi 6 satelliti CRM attuali

contacts · Contatti (DirectoryPage)

  • Oggi: legge useDeals(), mostra deal con city/sector/utm. È un Sales directory legacy MAIND, non un fascicolo CRM. File: frontend/multiverbe-app/src/components/directory/DirectoryPage.tsx:29.
  • Gap: la tabella canonica è crm_contacts (29 colonne, include lifetime_value_chf, loyalty_tier, custom_fields jsonb, tags). Custom field settoriali non integrati.

value · Customer Value (CustomerValuePage · S2)

  • Oggi: HeroMetric LTV medio + tabella ordinabile + segment badge, wire reale a customer_value_v.
  • Gap: manca heatmap geografica e cohort view [8][9]. Sparkline LTV per riga è mock. Segmentazione VIP/Dormiente è statica da crm_contacts.segment invece che computata.

history · Timeline (TimelinePage · S2)

  • Oggi: workspace-aggregate (100 eventi recenti) + filtro 9 event_type. Schema contact_events applicato.
  • Gap: nessun trigger popola contact_events. La tabella esiste ma le scritture da booking/deal/message non sono cablate — la pagina è bella e vuota. Vista per-contact esiste come hook ma non è esposta UI.

messages · Messaggistica (SatelliteStub)

  • Oggi: stub.
  • Gap: il satellite più strategico mancante. Inbox unificata WhatsApp + IG DM + email è la feature #1 che differenzia i CRM SMB 2026 [10][11]. Per ristoratori/parrucchieri ticinesi, perdere un DM IG = perdere prenotazione.

loyalty · Loyalty (SatelliteStub)

  • Oggi: stub.
  • Gap: crm_contacts ha già loyalty_points + loyalty_tier, manca UI. Pattern vincente per ristoranti/wellness CH: stamp card digitale + cashback combinabile [15][17][18].

feedback · Feedback (SatelliteStub)

  • Oggi: stub.
  • Gap: flusso NPS → Google review è automatizzabile [13][14], ma è funzione singola — meglio integrato dentro Loyalty come "Voice" tab.

Proposta ricalibrazione

Opzione A · Tieni 6, raffina ognuno (RACCOMANDATA)

Preserva la simmetria del sistema solare, rispetta Miller (5-9 ok per menu visuale [19][20]). Plan: rifocalizzare contacts su crm_contacts, aggiungere cohort+heatmap a value, cablare i trigger per history, costruire inbox unificata messages, UI punti/tier/cashback per loyalty, form NPS lean in feedback.

Opzione B · Riduci a 5, fondi feedback in loyalty

"Loyalty & Voice" (punti + NPS + review). Riduce stub da 3 a 2, risparmia ~10h. Rischio: satellite fuso perde focus visivo.

Opzione C · Espandi a 8 (+ AI Insights + Segmentation builder)

Sfora Miller (9) e raddoppia tempo. Sconsigliata pre-MVP.

Scelgo Opzione A — risolve il gap reale (3 stub diventano feature) senza toccare la metafora visiva. La fusione feedback→loyalty resta una decisione da prendere dopo la prima settimana di uso reale.

Integrazione filosofia Multiverbe

Sole AI orchestratore CRM (Sonnet 4.6 real-time, Haiku 4.5 batch):

  • Auto-classify eventi: ogni contact_event taggato (lead-warm, churn-risk, vip-signal) da Haiku notturno.
  • Suggerimenti proattivi: "Marco non prenota da 47gg, era VIP — gli mando un'offerta 15%?" → card Sole hub con CTA che apre messages precompilato.
  • Auto-enrichment: al create contact, Sole arricchisce con info pubbliche (LinkedIn, GMB) [5].
  • Lead scoring 0-100: booking-cadence + spesa + sentiment messages [21][22].

Cross-pianeta dataflow:

  • Booking → CRM: bookings.status='completed' → trigger event booking_completed + bump LTV (già via view).
  • Sales → CRM: deals.closed_won → event deal_won + flip segment='VIP' se cumulativo > soglia settore.
  • Content → CRM: post pubblicato → broadcast soft a segmento dormiente via messages.
  • CRM → Sales: LTV > p90 e 0 deal aperti → suggerimento Sole "candidato upsell".

Next-step tecnici Sessione 3

  1. Refactor contacts → crm_contacts (4-5h, impact ALTO). Switch DirectoryPage da useDeals a nuovo hook useCrmContacts + custom field settoriali in expand row.
  2. Wire trigger contact_events (3-4h, impact ALTO). 3 trigger SQL su bookings/deals/crm_messages che scrivono contact_events. Senza, TimelinePage resta bella e vuota.
  3. Messages MVP · inbox unificata email + WhatsApp (8-10h, impact STRATEGICO). Schema crm_messages + UI threads + connettore IMAP/SMTP via smtp_configs (già in DB) + WhatsApp Business API stub.
  4. Loyalty UI minimale (3-4h, impact MEDIO). Punti + tier + storia movimenti sfruttando colonne crm_contacts.loyalty_* esistenti. Stamp card visuale per ristoranti/parrucchieri.
  5. Sole hub CRM card (2-3h, impact ALTO percepito). 3 suggerimenti proattivi giornalieri ("VIP a rischio churn", "leads pronti", "review promoter da chiedere") — senza intelligenza visibile, "AI-native" non si vede.

Totale Sessione 3: 20-26h. Raccomandazione: split in S3a (refactor + trigger + Loyalty = ~12h) + S3b (Messages + Sole hub = ~13h) per de-risk path critico.

Fonti

  1. CRM Ristorante — Benfatto — fascicolo 360° ristorazione, custom field allergie.
  2. Scheda cliente parrucchiere — Beauty Training — anagrafica + preferenze + storia trattamenti.
  3. Customer Interaction Tracking — Gain.io — timeline unificata pattern.
  4. Designing Activity Feeds — Aubergine — design feed cronologico.
  5. AI Features CRM 2026 — Gigacatalyst — Breeze Intelligence + 200M profili.
  6. AI-Powered CRM 2026 Guide — Planports — copilot per SMB.
  7. CRM Autonomous Agents 2026 — Klover — shift verso agent autonomi.
  8. Customer Lifetime Value Template — Hex — dashboard LTV pattern.
  9. LTV Cohort Analysis — Peel Insights — cohort + heatmap.
  10. Shared Inbox SMB — Crisp — WhatsApp + email + IG unificati.
  11. Best Shared Inbox 2026 — Crisp blog — benchmark 2026.
  12. Omnichannel CRM — Connverz — pattern integrazione.
  13. NPS to Google Reviews — Zonka — flusso Promoter → review.
  14. NPS Feedback Into Reviews — Retently — workflow acquisition.
  15. Restaurant Loyalty 2025 — BonusQR — stamp card e tier.
  16. Loyalty SMB 2026 — BonusQR — modular loyalty.
  17. Loyalty Italy — Whitelabel — benchmark italiano.
  18. Restaurant Loyalty SMB — SumUp — esempi concreti.
  19. Miller's Law UX — Laws of UX — 7±2 cognitive limit.
  20. Menu doesn't need 7±2 — S. Walter — caveat applicazione.
  21. AI Lead Scoring & Churn — Sisgain — modelli predictive.
  22. AI Lead Scoring 2026 — monday CRM — lead scoring SMB.
  23. Attio vs Folk — Folk — UX pattern CRM SMB.
  24. CRM for Startups — M Accelerator — confronto Pipedrive/HubSpot/Attio.
  25. SaaS Dashboard Cognitive Load — Sanjay Dey — density <40% per scan rapido.