¿Dónde está Avinash cuando se le necesita?

Soy Gemma Muñoz (@sorprendida). Avinash Kaushik es mi ídolo. Y este es mi blog de analítica digital, mi trabajo y mi pasión.

  • Sobre Mí
  • Mis Libros
  • Contacto
  • Archivo

22 May 2015 | Análisis Predictivo, Estrategia

No hay inversión más rentable que la del conocimiento

Una de las primeras cosas en las que la analítica digital empezó a ser útil fue en entender al consumidor, en saber sus intereses, sus hábitos online, etc… y en base a esa información se tomaban decisiones sobre la interacción que nuestra empresa debía tener con el cliente.

Es por esto que cuanto más rápidamente tratemos estos datos, más rápidamente tendremos la información que necesitamos sobre el comportamiento de los clientes, que cada vez cambia más rápido según su aprendizaje y el contexto que se encuentra en la competencia y en el sector donde nos encontremos. No olvidemos que en internet un cliente está a un click de irse a comprar nuestro producto o servicio a la competencia local o internacional. El tiempo real ayuda a tener esa capacidad de respuesta, pero no debemos dejar de lado también la capacidad de análisis que necesitamos para evitar la pérdida de clientes o para convencerles de forma más sólida de que nos ajustamos a lo que necesita y que se quede con nosotros sin dudarlo.

¿Por qué cuento esto? Porque todavía hay empresas que vienen a buscar nuestros servicios únicamente desde la perspectiva del marketing y no tienen en cuenta todo lo que la analítica es capaz de hacer por la empresa. Desde el desarrollo de negocio de la misma hasta desarrollo de los clientes, pasando por supuesto por la captación pero sin quedarnos exclusivamente ahí.

En 2015 la forma de enfrentarnos a los datos ha cambiado, los consumidores han cambiado, los canales han cambiado; es decir, todo el ecosistema que teníamos ha cambiado. Y hay que adaptarse a lo que cambia, por lo que hay que enfrentarse al Big Data con armas (convertirse en Data Scientist o Científico de Datos), hay que entender al nuevo consumidor con mejores algoritmos, hay que gestionar de manera más unificada los distintos canales y optimizar nuestra estrategia en base al nuevo ecosistema.

La nueva cantidad ingente de datos en su mayoría es información desestructurada que viene de muchas y diferentes fuentes y, como ya hemos comentado, a mayor velocidad. Esta información nos servirá para comprender el qué ha pasado para a partir de este conocimiento, detectemos patrones ocultos (o no) y poder predecir resultados y estrategias futuras. Solamente así la analítica se habrá puesto a la altura de las circunstancias.

A mí lo que más me interesa y en lo que creo que se centran poco las empresas habitualmente cuando realmente tenemos un horizonte brutal en este tema, es en el conocimiento del cliente, de su valor real. Ser capaces de trackearle a lo largo de los distintos canales y plataformas que tiene a su disposición y poder tener sus datos de manera individual para tratarle como lo que necesita: a nivel individual. Para ello necesitamos combinar toda la información registrada en cada canal para entender su comportamiento e interacciones con nuestros sistemas. El objetivo final será identificar patrones de comportamiento pero pudiendo granular hasta el individuo de forma que entendamos cómo ese patrón evoluciona en el tiempo y para cada individuo y podamos tomar decisiones (de marketing, de venta cruzada, de valor del cliente, de intereses en productos, de canales, de plataformas, etc…) en base a este conocimiento.

Efectivamente, nadie dijo que esto fuera a ser fácil porque para entender al individuo no podemos basarnos simplemente en su comportamiento online, también necesitamos historial offline, entender su entorno social, su entorno emocional, su entorno económico… y entender bien cómo todo afecta a su futuro como cliente nuestro. Es decir, los datos de su historial online y offline nos ayudan en la confección del análisis descriptivo, para saber o entender qué pasó con las interacciones del individuo con nuestra oferta de servicios o productos. Pero esto debe ser únicamente el primer paso. El siguiente ha de ser un análisis de diagnóstico que nos permita ir más allá para entender el por qué. El por qué adquieren un producto o servicio en ese preciso momento, por ese canal y después de ese impacto. Es decir, tenemos que ser capaces de entender las razones para poder incorporar esta información cualitativa al qué ha pasado.

Esta combinación del qué ha pasado y el por qué ha podido pasar nos dirige al análisis predictivo, que es el que nos permite en base al diagnóstico realizar hipótesis que predecirán futuras interacciones de cliente y podamos actuar en consecuencia y adelantarnos a las necesidades de los clientes, en materia de marketing, de optimización del entorno, conversión, o cualquier otra disciplina relacionada.

Para esto lógicamente necesitamos gestionar bien los datos y , si hasta ahora nos limitábamos (que no es poco) a hacerlo en hojas de excel, ahora hay que aplicar técnicas mucho más avanzadas que nos ayuden a aplicar matemáticas, estadística, etc… Para esto necesitamos perderle el miedo a la programación y cambiar de amigos. Nuestro mejor amigo no va a ser el Excel (lo que yo defendía estos últimos años) sino lenguajes como R o Python, que van evolucionando rápidamente y nos permite evolucionar nuestros análisis descriptivos y precisamente llevarlos a otro nivel.

Porque nuestra labor está precisamente en encontrar esas correlaciones entre variables que nos determinen la causalidad de las acciones y nos indiquen dónde podemos cambiar las cosas, dónde podemos mejorar, dónde vamos y dónde queremos ir. En tiempos de Big Data tenemos que ir al Data Science porque los datos presentan una mayor complejidad. Y si no evolucionamos y no somos capaces de gestionar esta información como debemos, da igual que tengamos tecnologías Ferrari con capacidad de almacenamiento y extracción brutales, no nos servirá para absolutamente nada.

Y ojo, que no estoy hablando de hacer grandes virguerías, que hablo de entender la adquisición de nuestros clientes, de analizar bien los factores de compra, la propensión, la inversión, la atribución por canal, la atribución por impactos,…. Hablo de ser capaces entonces de segmentar a nuestros clientes por perfiles, por tendencias, por patrones, por intereses…. para poder fidelizarles estudiando las ventas cruzadas, sus preferencias en canales, en productos, el por qué se van…. Hablo de entender qué gama de precios, qué valores añadidos, qué tipo de publicidad y mensajes funcionan y hacen que los potenciales y clientes nos relacionen mejor con la imagen que queremos dar. Hablo de entender la RENTABILIDAD de un cliente y de cómo hacer que sea lo más alto posible para cada individuo. Los datos están ahí, la organización es otra cosa.

No entiendo cómo hay empresas que aún no tienen CRM. Y menos a las que lo tienen pero no lo vinculan con la información que recogemos de otras fuentes. Porque se trata de comprender el valor monetario que tiene un cliente y que, dependiendo de éste, me va a hacer que una campaña a priori con buenos resultados finalmente no acabe siendo tan buena por el tipo de clientes que trae, por ejemplo. Conozco pocas empresas que introduzcan la métrica rentabilidad por tipo de clientes en sus dashboards estratégicos, por lo menos en sus dashboards sobre su estrategia online. Gran error.

Error porque si no soy capaz de entender lo rentable que me es un cliente poco voy a poder optimizarlo. Y es mucho más barato retener o hacer crecer un cliente que ir a por uno nuevo. Y sin embargo… ¿Dónde solemos poner el foco?. Pues eso. Y no hablo solamente de la rentabilidad del cliente en este preciso momento, sino de saber también su rentabilidad futura en base a lo que sabemos de clientes similares, si esto lo unimos a sus intereses, a su actividad en nuestros entornos, nos puede incluso servir saber su rentabilidad potencial. ¿Si no sé cómo el cliente si es rentable o cómo puede ser más rentable por qué estoy yendo a por más?

Un ejemplo básico: Además de introducir en un dashboard las métricas de tráfico y ventas por cada fuente de origen… por qué no incluir el nº de clientes nuevos que logra cada fuente de origen por un lado y el tipo de productos que compran además de los ingresos según la categoría a la que pertenece? ¿No cambia mucho la película?

Segmentación según tipo de cliente

Hay que invertir en marketing, pero será mucho más rentable si lo hacemos con conocimiento 🙂

Related Posts

  • Plans are nothing. Planning is everything.Plans are nothing. Planning is everything.
  • Ahora que las tormentas son tan breves. Y los duelos no se atreven… A dolernos demasiado.Ahora que las tormentas son tan breves. Y los duelos no se atreven… A dolernos demasiado.
  • Toda ciencia comienza como filosofía y acaba como arteToda ciencia comienza como filosofía y acaba como arte
  • La inspiración desbloquea el futuroLa inspiración desbloquea el futuro
  • Suerte es lo que sucede cuando la preparación y la oportunidad se encuentran y fusionanSuerte es lo que sucede cuando la preparación y la oportunidad se encuentran y fusionan
  • No se extrañan los sitios, sino los tiempos y la época que corresponde a esos lugares.No se extrañan los sitios, sino los tiempos y la época que corresponde a esos lugares.

¿Te gustaría leer más artículos como este?

Suscríbete ahora y recibirás mis nuevos artículos cómodamente en tu email

Gemma Muñoz   |  

Para mí la analítica web es mi trabajo y mi hobby. Hace poco descubrí que los japoneses a este tipo de pasión la llaman Ikigai. Mi ikigai es seguir aprendiendo, y disfrutar cada día con las métricas, las campañas, la estrategia, los resultados… poder seguir trabajando en lo que me gusta y motivar a quienes me rodean. Eso es lo especial, que me hace pensar y sentir viva. ¡Y sólo es trabajo!

Mis Proyectos

EAM_logo_Red & Black

Kschool_banners_AW_312x195

Comentarios

  1. Toni Donoso says

    22/05/2015 at 13:11

    Muy buen artículo Gemma!

    Estoy empezando a leer sobre todo el mundo de la analítica digital, Big Data, … y tus artículos me son muy útiles.

    Gracias!

    Responder

Deja un comentario Cancelar respuesta

Copyright © 2021 · Política de Privacidad
WordPress · Genesis Framework