OPTIMIZANDO MI ESTRATEGIA DE MARKETING A TRAVÉS DEL BIG DATA

El impacto del BIG DATA en los negocios es cada vez mayor. No solo dada la gran cantidad de datos que generan en su día a día, sino también por la utilidad que comienza a tener en la toma de decisiones empresariales. El marketing es una de las áreas donde más aplicación puede tener el análisis masivo de datos.

alex_rayonEn el encuentro organizado por la Comunidad de Marketing del Colegio Vasco de Economistas el pasado 16 de junio, cerca de 50 economistas del mundo de marketing tuvieron la oportunidad de conocer las principales técnicas para sacar provecho a los datos para la toma de decisiones de marketing de la mano de un experto en BIG DATA, Alex Rayón Jerez, General Manager at Deusto eCampus

Además las y los participantes tuvieron la oportunidad de acercarse a la realidad a través de varios casos prácticos de grandes y pequeñas empresas para poder conocer alternativas para la fijación de precios, aumentar el ticket de sus clientes gracias a técnicas de fidelización y promoción, hacer geomarketing o implantar estrategias omnicanal de captación de clientes.

A continuación te ofrecemos la posibilidad de profundizar sobre el tamdem BIG DATA-ESTRATEGIA MARKETING a través de la lectura del artículo que nos ha facilitado Alex Rayón:

La cantidad de información que nuestra sociedad genera es difícil de cuantificar. Una estimación sostiene que creamos más datos cada año que la que ha sido producida en toda la historia humana anterior. Hay varios factores que han ayudado a este fenómeno. La sociedad se ha tecnificado, estando cada vez más interconectados. A eso, unámosle que el coste computacional es cada vez menor.

Y en todo ello, un área de especial interés para las empresas es la actividad digital y su integración con los canales tradicionales. En la era digital, todo genera un dato: las tarjetas de crédito, los teléfonos móviles, las redes sociales, los proveedores de Internet, las tarjetas de fidelización de mercado, etc. Las empresas disponen ahora de un nuevo activo: los datos, internos y externos.

Para las empresas, la oportunidad de explotar el dato aparece cuando se dan cuenta que tienen muchos datos en diferentes sistemas y archivos (ERP, CRM, hojas de cálculo, redes sociales, etc), y no lo explotan. Y aquí el principal problema está en que no hay una “explotación cerrada“. Es decir, no hay un conjunto de utilidades o preguntas tipo. Hay tantos enfoques prácticamente como empresas. Por eso el Big Data va más de preguntas o de “consultores curiosos“, que otra cosa. Por eso suelo decir que los filósofos, que se hacen preguntas del origen y el significado de las cosas, son consultores ideales en este mundo de los datos.

Los beneficios que una empresa puede obtener son claros: conocimiento de sus clientes, mercados, productos, etc, redundando esto en nuevos mercados, nuevos segmentos, alineamiento de la empresa a los clientes. En definitiva nuevos ingresos y ahorros. Oportunidades que se enmarcan en una era en la que personalización y especialización que demanda un cliente exigente e informado. El consumidor considera ahora Internet en todo el proceso de compra, emplea el móvil de manera omnipresente (por lo que se multiplican los puntos de contacto) y quiere una experiencia coherente entre canales para que se fidelice a nuestra marca. Así, tenemos que ofrecer a nuestros clientes experiencias de compra únicas e integrales a través de estrategias omnicanal. Hasta un 65% de los clientes visita canales online antes de comprar en las tiendas físicas. El cliente decide el canal por el que quiere comprar, y no nosotros como empresas. Y en todo esto, el dato juega un papel fundamental para posibilitarlo.

Por lo tanto, en este contexto que introducimos, es cuando el área de marketing de nuestras empresas debe también aprovechar esta oportunidad. El Business Intelligence aporta la inteligencia al dato para convertirlo en conocimiento y disponer de ese valor estratégico. Ello, en un tiempo en el que las responsabilidades del área de marketing de una empresa han cambiado bastante en los últimos años. Podemos situar estos cambios en torno a cuatro ejes principales, todos ellos estrechamente ligados al mundo del análisis del dato:

  • Experiencia de cliente: una experiencia consistente a través de todos los canales con los que mantenemos interacción con nuestros clientes.
  • Conocimiento del cliente: obtener conocimiento del cliente y transformar el mismo en oportunidades de generar nuevos ingresos a través de diferentes acciones.
  • La marca y su reputación: mantener la imagen de marca en un entorno cambiante, dinámico y sometido a las fuerzas de muchas personas opinando sobre la misma.
  • Campañas: gestionar campañas de manera omnicanal, integrando canales inbound y outbound e interactuando en tiempo real con el cliente.

En definitiva, hablamos de aumentar el valor que ofrecemos al cliente, y para nosotros, como empresa, aumentar la rentabilidad que obtenemos del mismo. En la siguiente representación podemos ver cómo a lo largo del tiempo, la ganancia, el valor, que sacamos a un cliente es cada vez mayor. Y para ello, tenemos diferentes técnicas de tratamiento de datos que nos pueden ayudar en esta tarea. Y en ello, centraremos lo que resta del artículo.

modelos_predictivosCómo aumentar el valor obtenido de los clientes
(Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

Dentro de lo que podemos denominar el Ciclo del Customer Intelligence (Ciclo de Inteligencia de Cliente), en primer lugar, tenemos que analizar y entender el perfil de nuestro cliente (cómo se comporta, por qué lo hace así, etc.), para que, en segunda instancia, podamos automatizar y optimizar las acciones de marketing y las campañas que sobre el mismo hagamos.

Sin embargo, disponer de una visión única de cliente, independientemente del canal y del punto de contacto no es una tarea fácil. Nuestros clientes pueden tener diferentes identificativos en cada canal (piensen ustedes en un cliente que puede llamarnos por teléfono, hablar sobre nuestra empresa en Twitter o en su perfil en Facebook, hacer un comentario en un diario online o en un grupo de LinkedIn). Pero, como decíamos anteriormente, este es el punto de partido, disponer de esta visión única, porque sino no podremos hacer estrategias integradas y explotar todos los datos generados de la interacción con él.

gestion_datosVisión única del cliente
(Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

De entre los análisis de datos de clientes que históricamente se han hecho, disponer de una segmentación de cliente es un primer paso importante. Segmentar clientes es un ejercicio de minería de datos que clasifica a los clientes en grupos homogéneos (segmentos), considerando sus características personales y su comportamiento. El objetivo es identificar segmentos rentables y diseñar la oferta y el mensaje correcto para cada uno de ellos. No obstante, en la era de la personalización y la hipersegmentación, cada vez tiene menos importancia.

Para todo ello, la idea es analizar la parte más transaccional (de compra-venta) con las acciones de marketing. Con este dúo, sacamos acciones de marketing con objetivos, personalizado e hipersegmentado. Se trata de analizar los datos contextuales de una compra (momento, lugar, composición de la cesta de la compra), lo enmarcamos en perspectiva (frecuencia, tiempo entre última compra, etc.) analizamos el cliente (si lo hace con tarjeta de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc.) y el canal por el que entra (online -tienda online, landing page, redes sociales, etc- u offline), y preguntarnos cosas. Por lo tanto, corresponde hablar de modelos de análisis de datos más avanzados. Y, dentro del área de marketing, los cuatro más relevantes son: 1) Modelos de propensión a la compra (cross y upselling); 2) Modelos de propensión a la fuga; 3) Optimización de las campañas y acciones dentro de una estrategia omnicanal; y, 4) Inversión que puedo asumir para adquirir nuevos clientes a tenor del valor que les puedo sacar en el tiempo.

Empezaremos con los modelos de propensión a la compra. Estas técnicas tratan de aumentar los ingresos de la empresa focalizándose no en la captación de nuevos clientes, sino en el incremento de la vinculación de los clientes actuales. Estos modelos calculan la probabilidad de aceptación que tiene un cliente de adquirir productos complementarios o productos de más alta gama para hacer una venta más rentable. El primero de estos modelos (cross-selling) permite que un cliente que ya me compra un producto, me compre otros productos o servicios complementarios. Y, el segundo, los modelos de up-selling, permite sacarle mayor rentabilidad a un cliente ya existente ofreciéndole productos de mayor precio o rentabilidad. Ambas técnicas las fomentamos presentando productos de una manera amigable, de tal modo que incite a comprar complementos que se sugieren de manera personalizada. Y para ello, se puede emplear la técnica de las reglas de asociación, también conocida como Market Basket Analysis o análisis de afinidad. Esta, se pudo de moda, cuando un retailer entendió que la compra de pañales durante un fin de semana conllevaba la compra de cervezas.

En segundo lugar, podemos hacer uso de los modelos de propensión a la fuga. Uno de los fundamentos básicos de la experiencia humana es que el futuro próximo es parecido al pasado reciente. Esto se ha demostrado empíricamente tanto a nivel individual como social. Por lo tanto, cabe concluir que el comportamiento futuro de un individuo será parecido a su comportamiento pasado. Y así, podemos extrapolar esta visión a que los sucesos futuros en un negocio, serán parecidos a los sucesos del pasado reciente. Esto lo podemos considerar para alcanzar objetivos de retener a los mejores/más rentables clientes, e identificar los factores clave que influyen en el attrition (fuga de clientes). Esto se hace identificando a través de modelos predictivos los clientes con más alta propensión a la fuga. Para ello, se utilizan scores para priorizar los clientes objetivo de acciones de retención. Estos clientes son identificados cuando alcanzan ciertos valores en variables con mucha capacidad predictiva (quejas interpuestas, menor frecuencia de compra, etc.) Cada empresa dispone de su modelo, y luego podrá aplicar acciones como descuentos a los más propensos a irse, promociones adhoc a un conjunto de clientes que si bien no son los más propensos a irse ya no tienen la mejor experiencia de cliente, etc. etc.

En tercer lugar, aparecen las acciones más efectivas que bajo una estrategia omnicanal puedo yo poner en marcha como empresa. Con la aparición de Internet, las organizaciones se vieron en la necesidad de crear presencia en múltiples canales. El objetivo era tener presencia; no cómo tener presencia (call centers, centros comerciales, ecommerce, oficinas, etc.). Así, se acuña el término multicanal, que consistía en crear múltiples puntos de contacto. Pero la experiencia no siempre es la misma. Y tampoco la estrategia. Los canales tenían diferencias y el cliente era “servido”, pero no tenía una experiencia (de compra, de atención, etc.). Y es precisamente aquí donde aparece el término de estrategias omnicanal, en enfocar la empresa hacia la experiencia, y no hacia la transacción.

Esta presencia unificada va más allá de la imagen corporativa e incluye elementos como: la compra, atención al cliente, los pagos, la velocidad, el diseño y ambiente, el lenguaje y tono, etc. Estas estrategias tienen dos objetivos principales: 1) Ofrecer al consumidor una experiencia de compra coherente y sin disrupción entre los diferentes canales; 2) Usar los canales digitales como un vector de generación de tráfico hacia la tienda. Y, en todas estas tendencias, como podéis ya imaginar, el dato juega un papel fundamental para posibilitarlo. Los principales retos no son tanto tecnológicos, sino organizacionales (estructura, incentivos alineados) y operacionales (procesos, políticas y workflows consistentes). Según un estudio elaborado por Accenture e Hybris, el 46% de los responsables de marca afirmó tener un equipo especialmente dedicado al comercio omnicanal, dadas las dificultades de este cambio organizativo. Otras dos dificultades adicionales son la imposibilidad de compartir información y analítica de los consumidores entre canales, países o ubicaciones y la falta de preparación de los responsables de las tiendas. Y es aquí donde debemos centrar la atención del análisis del dato en relación al omnicanal. ¿En qué canal centrarnos? ¿Cuál funciona? ¿Cómo comunicar los datos de un canal con otro? Y aquí es cuando entra la pregunta clave de toda esta estrategia. Para un tamaño de cesta dado (y en definitiva, de margen absoluto determinado), ¿qué acción online u offline de marketing reforzar?

Conocer cuáles son las que más leads convierten, y por segmentos de población, para así poder personalizar las acciones. Hoy en día, ya disponemos de herramientas como Chaordic o Hubspot que permiten hacer la traza de navegación desde que un futuro cliente es un lead, para así poder conocer cuál ha sido la acción y el canal que le ha llevado a su conversión a cliente final. Una vez que teníamos identificados los objetivos (evitar fugas, aumentar la rentabilidad de un cliente determinado, etc.), es cuando podíamos a través de campañas y acciones de marketing hacer un plan de acción. El principal objetivo de todo esto no es otro que implementar un repositorio único de información de campañas. Se trata de programar y automatizar la ejecución de campañas, interactuar con los canales, y capturar las respuestas y medir la efectividad de las mismas. A nivel matemático, es decir, sobre la base de la inteligencia de los negocios, lo que hacemos es un análisis de sensibilidad.

Y en cuarto y último lugar, hablamos de de la adquisición de clientes y cómo poder rentabilizar esa inversión en el tiempo. A sabiendas que en Internet yo pago por adquirir clientes (léase los modelos de compra vistos en la entrada anterior), rentabilizar el Coste de Adquisición (CAC) con el Valor del Cliente a lo largo del tiempo (CLV) es la idea fundamental. Muchos negocios plantean proyectos de marketing que requieren de este enfoque. Es decir, dependen de presentarles un plan de negocio donde se les argumente la pertinencia y necesidades de hacer inversiones en marketing (Coste de Adquisición) por la rentabilidad que se le puede sacar a cada cliente en el tiempo si conseguimos fidelizar al mismo. El problema es que los cálculos que se suelen hacer para calcular el coste máximo de una campaña de captación de clientes se basa en una venta única típicamente. Lo que no se tiene en cuenta es que ese mismo cliente podría repetir su compra, que es lo que suele ocurrir en los enfoques de fidelización que tan útiles resultan. Por lo tanto, hacer el cálculo matemático del CAC y el CLV resultan de enorme interés para poder poner en marcha acciones estratégicas de marketing que permitan maximizar el negocio.

En definitiva, en el campo del Marketing Intelligence, vamos a poner las matemáticas al servicio del negocio. Las ciencias exactas, el lenguaje preciso y eficiente del campo matemático, al servicio de nuestra propuesta de valor como compañía. Y tú, ¿a qué esperas para empezar a transformar tu empresa hacia una orientación a la toma de decisiones basado en evidencias y datos?

Por Alex Rayón Jerez, General Manager at Deusto eCampus

Material del encuentro:

Anuncios

¿Quieres realizar alguna aportación?

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s