¿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

Categoría: Análisis Predictivo

01 Jun 2021 | Análisis Predictivo

¿Carreteras? A donde vamos no necesitamos carreteras

El Inbound Marketing es “una metodología que combina técnicas de marketing y publicidad no intrusivas con la finalidad de contactar con un usuario al principio de su proceso de compra y acompañarle hasta la transacción final”. Esta es la definición que podemos encontrar en InboundCycle, la primera agencia de Inbound Marketing de España y Latinoamérica, y creadores de Marketing Leaders, el podcast en el que fui entrevistada por su CEO y cofundador, Pau Valdes.

Business Case: Modelos de predicción y variables externas

Para elaborar la estrategia de inbound marketing de una campaña, no solo hay que tener en cuenta las métricas de la propia campaña para entender cómo está funcionando. También es necesario buscar otras vías de cara a su optimización, como por ejemplo el análisis de variables externas a la misma. Tal y como explico en el episodio, la inclusión de estas variables nos pueden ayudar a tener una visión más enriquecida y, por lo tanto, a entender mejor qué se puede hacer para ir un paso más allá. Pero, ¿cómo podemos conseguirlo? Te lo cuento en el siguiente Business Case:

Caso de éxito variables externas

De la mano de nuestro cliente, quisimos averiguar qué variables fuera del espectro de las campañas de su negocio podían aportar más información. Para ello, es importante encontrar los conjuntos de datos adecuados, y en nuestro caso, recurrimos a datasets y scripts Open Source, los cuales no acarrean ningún coste y contienen información muy valiosa, como por ejemplo sobre el tiempo meteorológico, la red de transportes públicos, datos económicos, etc. Gracias a estos conjuntos de datos, incluimos todas las variables dentro de un modelo de predicción para ver si podíamos establecer una correlación con los resultados de las campañas. Afortunadamente, encontramos una variable que, aunque a priori no parecía importante, luego resultó ser muy interesante: el tiempo meteorológico.

Con este descubrimiento, comprobamos que al cruzar los datos de las campañas con el tiempo meteorológico que hacía en una determinada localidad en ese momento, los datos cambiaban mucho. Gracias a estos resultados, incorporamos la variable del tiempo meteorológico como datos externos para estudiar el rendimiento de las campañas, y determinamos varios patrones de forma que, si se daban ciertas circunstancias meteorológicas a favor de la campaña, se realizaban una serie de acciones y si no, no. Con ellas, conseguimos un aumento del ROI de las campañas de un 34%. 

Modelos de atribución

Para poder realizar acciones como la inclusión de variables externas que acabamos de ver, es muy importante conocer el comportamiento de nuestros usuarios. Es por esto que uno de los puntos claves dentro de una estrategia de inbound marketing es sin duda el modelo de atribución, ya que para poder sacar el máximo rendimiento a una estrategia, es básico contar con un modelo de atribución personalizado. 

Este modelo no sólo es importante de cara a conocer las ventas o las conversiones de un negocio, sino también para entender la relación de los principales canales con los que el usuario se interesa por una marca. Si bien es cierto que para conocer esta información, debemos ser conscientes de que la tecnología con la que contamos hoy día no nos va a dar unos datos 100% perfectos, sí podemos trazar un modelo de atribución lo suficientemente personalizado como para entender la relación tanto de atribuciones como de los propios canales. 

Tampoco debemos olvidar la importancia de entender el impacto sostenido que se queda posteriormente después de asimilar que se ha producido un cumplimiento de objetivos: una venta, un lead una promoción, etc. Es decir, no solo nos interesa que se produzca la venta, sino también a qué audiencia está llegando, de forma que en el futuro pueda contar con ella sin tener que partir de cero. Esto es importante ya que hay campañas que parece que tienen muy buen resultado por la conversión final, pero realmente no dejan ningún impacto sostenido en el tiempo, con lo que a lo mejor el resultado no es tan bueno como pueda parecer.

Si quieres indagar un poco más sobre este tema, no te pierdas el episodio 22 de Marketing Leaders, “Analiza tus campañas y rentabiliza tu inversión”:

¿Qué ha pasado en el último mes?

  • El pasado 14 de mayo tuve la gran oportunidad de hablar de medición y de cómo transformar los datos en activo de negocio en The Business Excellence Forum & Awards 2021.

The Business Excellence Forum & Awards 2021

 

08 Oct 2019 | Análisis Predictivo

La inspiración desbloquea el futuro

¿No has pensado alguna vez lo fácil que sería tener una bola de cristal (que funcione de verdad), para predecir el futuro? En analítica digital, aunque no tenemos una ni contamos con profecías capaces de ver que va a pasar de aquí a 10 años, sí tenemos acceso a modelos estadísticos que nos ayudan a conocer la tendencia de ciertos eventos a corto-medio plazo: los modelos predictivos.

¿A qué nos referimos cuando hablamos de modelos predictivos? Esta ecuación está directamente ligada al análisis predictivo, definido como “un tipo de análisis que agrupa una variedad de técnicas estadísticas de modelización, aprendizaje automático y minería de datos que analiza los datos actuales e históricos reales para hacer predicciones acerca del futuro o acontecimientos no conocidos” *. En otras palabras, es un modelo que emplea datos históricos y patrones conocidos para predecir eventos futuros.

Con la llegada del Big Data y las estrategias data-driven, las empresas cuentan con uno de los elementos más importantes para trabajar con modelos predictivos: los datos. Y es que tener un histórico de datos es indispensable a la hora de emplear este tipo de modelos para que impacten directamente en el negocio. Para ayudarnos a conocer este impacto, cuento con la experiencia de Alejandro Doncel, CEO de KSchool; y de Chema Martínez-Priego, CEO de Rommel & Montgomery.

Prediciendo el negocio

Los modelos predictivos se están convirtiendo en una de las tendencias más populares dentro del mundo empresarial. Algoritmos, ciencia de datos y aprendizaje automático son conceptos que ya forman parte del imaginario de las empresas. Pero es importante partir de la premisa que el futuro es impredecible, sobre todo si analizamos un entorno tan caprichoso como es el corporativo. Por mucho que lo intentemos, conocer el porcentaje de crecimiento de una empresa de aquí a X años es imposible, ya que existen multitud de variables externas que afectan directamente al negocio y que no se pueden controlar.

Como es lógico, las organizaciones buscan incorporar este tipo de modelos dentro de sus análisis de datos, pero el problema es que hay entornos que son difíciles de predecir, aunque se parta con fuentes de datos bien trabajadas. No por medir más se obtiene más información. Por eso es importante tener claro qué se quiere medir, por qué se mide y con qué finalidad, ya que así se irán respondiendo paso a paso las preguntas de negocio.

Algoritmos predictivos

Pero existen otros entornos dentro de las empresas, habitualmente más cerrados y controlados, donde los modelos predictivos sí son de gran ayuda, como en el caso de predecir una tendencia futura en base a un histórico, siempre y cuando se tengan muy claros los objetivos de negocio marcados. No es igual predecir el crecimiento de una empresa en la que el objetivo sea buscar un beneficio a partir de cubrir costes, que el de aquella que parte de un esquema de crecimiento lineal donde el riesgo dentro de la predicción es mucho mayor. Es por esto por lo que hacer un buen uso de los modelos matemáticos implica conocer cuáles son sus limitaciones. No sólo vale con recopilar la información y hacer el modelo, es necesario trabajar desde la fuente de datos. Al final, los modelos y sus predicciones serán tan precisos según sean los datos y los entornos en los que se basan.

Analítica predictiva y alertas 

Como hemos estado viendo, la analítica predictiva es una gran aliada para detectar tendencias y pronosticar eventos, siempre y cuando se hayan establecido unos parámetros previos. Y también son una buena herramienta para la detección de anomalías. Por ejemplo, cuando se traza una predicción, en el momento en el que es detectada una singularidad, las métricas son las encargadas de avisar de que algo va mal y que es el momento de revisar el modelo.

En todo lo que implica los modelos predictivos, solo estamos viendo la punta del iceberg. Gracias a los constantes avances en analítica predictiva y en aprendizaje automático, este campo aún está por explorar y seguiremos pendientes de todos los avances de cara a la mejora del negocio de las empresas.

A continuación, acompáñame junto con Chema y Alejandro en este episodio del podcast de El Arte de Medir.

*Fuente: Wikipedia

Tarjeta-Avinash-spotify Podcast Apple Podcast Podcast Google Podcast

¿Qué ha pasado en el último mes?

  • Estuve en el I Encuentro Social Business, organizado por la editorial Anaya Multimedia, en el cuál algunos autores de la colección Social Business compartimos conocimiento sobre el futuro del marketing digital, el negocio y mucho más.

06 Sep 2017 | Análisis Predictivo, Estrategia

Ahora que las tormentas son tan breves. Y los duelos no se atreven… A dolernos demasiado.

Todos sabemos que la analítica digital tiene como objetivo principal servir de ayuda en la toma de decisiones en la empresa, pero poca gente sabe aún la potencia real que puede tener sacarle partido a una herramienta, como por ejemplo, Google Analytics.

Solamente hay que fijarse en la evolución que ha tenido Google Analytics en los últimos años. Empezamos midiendo la conversión y sabiendo cúal era el único canal que nos generaba más conversiones; ahora ha entrado en juego todo lo que tiene que ver con modelos de atribución, que lo que intentan es ayudarnos a tomar una decisión basada en lo que dicen los datos sobre el peso de cada canal de origen, y poder saber así optimizar todas las campañas.

Scoring_01

Últimamente, podemos constatar que en todas las herramientas se han empezado a incorporar nuevos tipos de métricas, que ya no son simplemente cuantitativas, sino indicadores que salen de la aplicación de métodos estadísticos y algoritmos que nos ayudan a tomar decisiones más acertadas y enriquecidas. La realidad es que estamos procesando gran cantidad de información, demasiado difícil de digerir para un departamento de marketing, por lo que debemos reducir toda esa dimensionalidad en unos indicadores estratégicos, los cuales requieren de la aplicación de técnicas estadísticas que nos ayuden a tomar decisiones más adecuadas para el negocio.

Es decir, debemos maximizar toda inversión que se haga en marketing, y poder saber qué es lo que realmente está funcionando y dando resultados. La analítica precisamente pretender dar luz, y poder ayudar a que el departamento de marketing tenga las pistas necesarias para saber qué se puede hacer, cómo lo puedo hacer, y sobre todo, para qué lo puedo hacer.

En este post os quiero contar un caso real, llevado a cabo por nuestro equipo de El Arte de Medir, y en el que voy explicando cómo combinando los datos de la navegación de los usuarios del entorno online de nuestro cliente en Google Analytics, pudimos ofrecer una valiosa información al departamento de Marketing sobre la probabilidad de conversión de cada usuario que se captó.

Qué hicimos

Esto es lo que en nuestro caso tomamos como punto de partida: ver cómo podíamos ayudar a nuestro cliente, no solo desde la parte de marketing, sino yendo un paso más allá: haciendo una analítica basada en el usuario. Lo que nos permite este enfoque, es comprender cúales son aquellas acciones que propician que el usuario esté más cercano a ese momento final de la conversión, sea cual sea esta conversión.

A través del análisis de usuario a usuario, es posible descubrir cúales son aquellos elementos o interacciones en la página web, que empujan al usuario a hacer la compra. No podemos olvidar, que muchas veces lo que tiene más probalidades de convertir no son los elementos vistos individualmente, sino la combinación de diferentes interacciones (p.ej ver un vídeo + que pasen por una determinada página + que consuman este determinado contenido).

Así que centrándonos en nuestro ejemplo, lo que hicimos es un scoring de los usuarios: es decir, nos centramos en medir la calidad del usuario en base a su probabilidad a convertir, y a cumplir nuestros objetivos de negocio.

Nos fijamos en este caso como objetivo ver si era viable el asignar a cada uno de los miles de usuarios que pasan por la web en un determinado periodo de tiempo, y poder estimar la probabilidad de que ese usuario estuviera más cercano a la conversión. Pero lo más enriquecedor de este proceso, fue descubrir que es el propio modelo el que identifica, no solo la calidad del usuario, sino también la calidad de los elementos que estás poniendo a su disposición, y que una vez identificados, los podemos optimizar para empujar a que precisamente cumplan dicho objetivo.

Con lo cual, a partir de aquí pudimos ayudar a organizar los contenidos de la web: elección de los mismos, apariencia, diseño, destacados, secciones….

Gracias a todo esto, hoy la analítica nos permite atribuir un peso real a cada paso en la conversión final. Obtenemos una forma de cuantificar, no solo a los usuarios, sino también a todos los contenidos.

Si además segmentamos estos miles de usuarios por el canal por el que han venido, podemos también ver el tipo de usuario que nos trae cada uno de los canales. Por eso hay que recordar, que la analítica no solo da servicio al departamento de marketing, sino también a los involucrados en diseño, en usabilidad, en los propios productos. Es una estrategia 360.

Scoring_02

Al realizar un ejercicio como éste, obtenemos un resultado que es muy fácil de interpretar, y nos da además una calidad de usuarios en función de lo lejos o cerca que se encuentran del momento de conversión o decisión final. Y procedemos ahora a clusterizar los datos en 4 grupos que sean muy manejables desde el negocio, de tal forma que alguien desde el departamenteo de márketing pueda accionar, podrán decidir centrarse en uno u otro segmento, y por tanto llevar a cabo acciones muy personalizadas por cada tipo de usuario.

Cómo lo hicimos

Lo primero es aclarar, que aunque contamos con Google Analytics que nos aporta muchos datos, es imprescindible tener una buena implementación de la herramienta. En nuestro caso, teníamos todo correctamente implementado y contábamos con unos datos buenos y de calidad a nivel de usuario, así que nos centramos en hacer un buen tratamiento de ellos a la hora de extraerlos y cruzarlos de distintas fuentes. El proceso que seguimos para todo ello fué el siguiente:

1. Extrajimos todos los datos y las variables que necesitábamos a un conjunto de datos.
2. Los manejamos con un software estadístico, en este caso utilizamos R, pero se podría haber usado también por ejemplo Payton.
3. Procedimos a realizar un buen tratamiento de datos, siendo conscientes de que siempre encontraremos datos anómalos o datos extremos.
4. Llegados a este punto, nos toca enfrentarnos a las dificultades que fueron surgiendo, como puede ser por ejemplo, la gran variabilidad de los datos. Lo que hicimos aquí, fué aplicar algoritmos para crear usuarios ficticios que convirtieran, y a partir de ahí, pudimos aplicar modelos estadísticos y hacer distintas pruebas, hasta llegar a uno que nos sirviera para poder evaluar correctamente. El proceso para llegar a esto, se basa en recopilar todos los datos reales que tenemos, y dividirlos en dos grandes conjuntos de datos. A partir de aquí entrenamos los modelos con solo una parte.
5. Una vez identificado el modelo más fiable de todos, se procede a validar contra datos que no han pasado por el mismo, para poder verificar si son reales o no, y si se cumple que esos usuarios realmente han realizado el proceso de conversión o nó. Esto lo que nos da la clave de si el modelo es válido o no.

Continuando con nuestro caso real, terminamos con un modelo al cual le pasamos unas 80 variables, para finalmente acabar descartando aquellas que no eran significativas, y que no tenían sentido a la hora de explicar el comportamiento de los usuarios que realmente acababan convirtiendo; aun así, aunque nos quedamos con un gran volumen de datos, éstos eran fácilmente tratables.

Debemos saber que una vez tenido el modelo entrenado, y mientras no cambien las características de la web, podrá ser válido durante un tiempo hasta que haya que volver a entrenarlo.

6. Llega el momento de ponerlo en producción. Tenemos varias formas de hacerlo, pero la más sencilla es un proceso automatizado que extraiga semanalmente los datos de los nuevos usuarios que pasan por la página web, para detectar si realmente ha cambiado el comportamiento, o si sigue siendo válido nuestro modelo. A todos los usuarios que entran nuevos, los vamos a pasar por el modelo que hace el scoring, y se les va a asignar a todos ellos una probabilidad de conversión. Esto nos va a poder aportar información sobre qué tipo de usuarios estamos captando, por donde debemos captar más, y dar un poco de luz a este comportamiento de usuarios, conociéndolo en profundidad.

Scoring_03

Qué conseguimos

Mediante la aplicación de un proceso de ciencia de datos, conseguimos extraer información verdaderamente accionable a nivel de negocio.

Por una parte, hemos podido entender, gracias a un modelo estadístico, cuales son los contenidos, los productos y las acciones que marcan el camino a la conversión del usuario en cliente. Esto ha permitido a nuestro cliente entender cuales son los puntos en los que centrar sus estrategias de marketing en aspectos como posicionamiento, generación de contenidos, o realización de campañas.

Ha podido clasificar también a los usuarios según su probabilidad de conversión, permitiendo realizar segmentaciones en las que aplicar estrategias distintas y además, al incorporar estos datos de nuevo a una herramienta como Google Analytics, ha facilitado a los analistas web y a la empresa, información actualizada diaria sobre la calidad de su tráfico, el rendimiento de sus campañas y mensajes en redes sociales.

Pero lo más importante es que hemos logrado que los datos nos ayuden a tomar decisiones ágiles, y con alto grado de acierto en entornos muy complejos, algo que sin duda es lo que buscan la mayoría de nuestro clientes.

En definitiva, lo que queremos transmitir es cómo una herramienta como Google Analytics combinada con el tratamiento de datos que podemos hacer con otra herramienta Opensource también gratuita, como puede ser el lenguaje R, puede ayudarnos a entender mejor al cliente potencial, a descubrir los elementos de peso a la hora de convertir a un usuario, y en definitiva, a impactar en el negocio.

Si quieres más detalles, escucha el podcast que comparto con Jose R. Cajide al respecto del tema del scoring en OndaCRO:

En el último mes:

En El Arte de Medir hemos salido en El Mundo hablando sobre Data Science 🙂

Data Science

20 Abr 2016 | Análisis Predictivo, Estrategia

Plans are nothing. Planning is everything.

Normalmente los analistas empezamos por utilizar los datos para tener información de forma que se puedan tomar decisiones de acción y de impacto para el negocio. Es decir, lo que hace que valga la pena analizar es la relación INFORMACIÓN -> DECISIONES. Por eso no paro de decir lo importante que es tener bien claras las preguntas de negocio que queremos contestar. Básicamente porque tenemos que saber qué tipo de datos necesitaremos y qué tipo de análisis debemos aplicar.

Y es la misma base la que se utiliza para Data Science. El resultado de aplicar ciencia a los datos debería valer para lo mismo: contestar preguntas de negocio utilizando datos. Todo comienza o debe comenzar con preguntas de negocio y debería terminar por tener impacto en el negocio.

Para formular las preguntas adecuadas debemos tener en cuenta qué tipo de respuesta vamos a querer conseguir, y sobre todo, tener en cuenta que lo que se va a utilizar para dar con dicha respuesta va a ser la combinación de datos del pasado. Es decir, la primera premisa es que para contestar cualquier pregunta sobre el futuro hemos de consultar el pasado.

El primer paso para dar con la pregunta adecuada que impacte en el negocio siempre pasa por la exploración de los datos, para poder entender mejor los llamados problemas ambiguos, tales como «por qué han caído mis ventas?» o «cómo son mis clientes?». Hemos de centrarnos en la respuesta, en qué es lo que necesito saber para accionar en lo que esté en mi mano. La segunda premisa es que necesitamos ser muy precisos en las preguntas para tener respuestas precisas y accionables 🙂

Por ejemplo: Para saber cuántos clientes volverán a comprar el año que viene hay que analizar la información de los ya clientes que compraron este año y buscar los factores y los patrones que nos permitan entender qué es importante para lograr una nueva compra de aquellos que ya nos conocen. La tercera premisa es que tenemos que tener un histórico potente, con suficientes datos, que sean fiables y garantizar que toda la información está debidamente conectada entre los diferentes sistemas que alimentan nuestro ecosistema de datos.

Y podremos aplicar el análisis correspondiente. Esto depende mucho del tipo de pregunta que queramos contestar por lo que la metodología más eficaz es tomar la pregunta y clasificarla para saber qué deberíamos hacer para lograr respuestas. Realmente, el uso de la estadística ha de estar siempre ligado al tipo de pregunta que se realiza desde negocio.

Una vez tenemos la pregunta, aplicaremos métodos basados en extraer el conocimiento de los datos y buscaremos el mejor algoritmo para resolver los problemas del negocio y obtener respuestas:

1.- Normalmente al enfrentarnos a un análisis general nos hacemos preguntas que intentan identificar anomalías o diferencias, se pueden contestar muchas del mismo modo que las preguntas simples (punto 2), pero realmente la diferencia es que éstas preguntas son exploratorias, no sabemos si existe una sola, más de una o incluso ninguna respuesta:

¿Es esta tasa de conversión normal para este momento del año?
¿Los clientes utilizan una combinación de fuentes de origen distinta a la que utilizaban hace un año?
¿Los productos más vendidos son también los más consultados?
¿Si llueve hay más descargas de mi app?
¿Si hay fútbol se multiplican las visitas a mi web?
…

Respuestas de Anomalías (tipo 1) -> Correlaciones: Cuando se aprecia una asociación entre una variable y otra. Es decir, este análisis lo que intenta es encontrar correlaciones entre variables de forma que sirvan de punto de partida para encontrar variables causales. La idea es que, si encontramos la causa de la correlación, podamos influir sobre ella para variar o potenciar una situación o decisión.

2.- A partir de aquí nos surgirán preguntas más cerradas. El tipo de pregunta más simple es la que tendría dos posibles respuestas. Lo normal es que busquemos respuestas del tipo SI/NO. Por ejemplo:

¿El cliente que he captado será fiel y volverá a comprar antes de un año?
¿Si elimino los gastos de envío lograré un mayor número de conversiones?
¿Es mejor poner el descuento directamente o el porcentaje de descuento?
¿Podría este potencial cliente cometer fraude si paga con tarjeta?
¿Si introduzco este nuevo canal social lograré incrementar las visitas a mi sitio web?
¿El envío de newsletters combinado con mayor esfuerzo en SEM de los productos ofertados en la misma es rentable?
¿La creatividad nueva funciona mejor que la original a la hora de registrar potenciales clientes?
…

Respuestas Simples (tipo 2) -> A veces, partiendo de la correlación hemos de aplicar técnicas de regresión para tratar de determinar o cuantificar la relación entre dos o más variables. Realmente lo que estamos haciendo con la regresión es hacer predicciones sobre dichas variables. La regresión es una técnica que utiliza un modelo lineal simple aditivo entre las variables dependientes e independientes para poder predecir su valor.

Para mí, lo interesante es que la regresión vale para predecir comportamientos con variables que aún no existen 🙂

3.- En otro nivel tendríamos las preguntas que buscan una respuesta que refleje un número o porcentaje:

¿Qué impacto genero en el negocio si no vuelvo a utilizar Facebook Ads?
¿Cuánto venderé el año que viene?
¿Cómo será la venta del producto X si aumento su precio un 5%?
¿Cómo se incrementarán las ventas de este canal la semana que viene?
A este ritmo de decrecimiento, ¿cuándo no será rentable el negocio?
¿Cómo ha influido la eliminación de los gastos de envío en los ingresos?
¿En qué medida perderé clientes frente a mis competidores en el siguiente trimestre?
¿Qué rendimiento tiene la combinación de fuentes SEM + Directo?
…

Respuestas Múltiples o Numéricas (tipo 3) -> El objetivo de la regresión es determinar una función matemática sencilla que describa el comportamiento de una variable dados los valores de otra u otras variables. La regresión se utiliza en las preguntas que buscan un número. Es decir, en caso de que exista relación, ver en que medida la independiente influye en la dependiente.

Aquí se aplican técnicas como Causal Impact, que indica la probabilidad y en que medida un hecho relevante a partir de un momento determinado ha influido en una variable determinada (posterior a la acción) o la simulación de Montecarlo, para poder medir la probabilidad de que se produzca una determinada situación en una variable determinada (anterior a la acción).

4.- Si la pregunta tiene que ver con las propiedades de los datos, es cuando se utilizan las técnicas de clasificación, que nos ofrecen respuestas de conducta o probabilidades:

¿Qué potenciales clientes terminan comprando los productos de la categoría Z?
¿Qué tipo de clientes utilizan la misma personalización de los productos?
¿Qué días de la semana registran el mayor volumen de devoluciones?
¿Qué contenido consultan los clientes que terminan registrándose como leads?
¿Qué tienen en común los usuarios que cometen fraude en mi sitio web?
¿Cuál es el riesgo que existe de que ante determinadas situaciones como la frecuencia de visita o de compra podamos perder a un cliente?
¿Qué probabilidad supone el hecho de que una visita termine convirtiendo si ve el video corporativo?
¿Qué tienen en común los usuarios que hacen click en el banner principal?
…

Respuestas de Conducta (tipo 4) -> Clasificación y estimación de probabilidades: Se usan para predecir a qué clase o clasificación independiente pertenece el individual. Se puede combinar con un modelo de scoring para representar la probabilidad de que el individual pertenezca a cada una de las clases. El análisis de probabilidad analiza una serie de situaciones como factores para determinar qué probabilidad existe para que ocurra algo en base a lo que pasó anteriormente.

La diferencia entre clasificación y regresión es que la clasificación intenta predecir si algo pasará mientras que la regresión intenta predecir cuánto pasará.

Lo interesante del análisis sobre los datos es que las técnicas a aplicar en cada momento van a depender de las preguntas formuladas y que un análisis nunca es igual a otro aunque busque el mismo tipo de respuesta. Grandioso, no nos aburriremos nunca 🙂 Por eso es importante partir de las preguntas eficaces que nos generen respuestas accionables y eficientes. Planear sin fin.

Gemma en Databeers 2016

¿QUÉ HA PASADO ESTOS ÚLTIMOS MESES?

Ahora soy ViceChair para España de I-COM.org, el forum global de Marketing Data & Measurement

Participé en el DataBeers del mes de marzo donde hablé sobre el Mambo y los datos

Hemos terminado la edición de otoño del master de analítica web en KSchool y hemos empezado la de primavera 🙂

Me han nombrado uno de los 21 influencers en España en marketing digital

He participado como Jurado en el ENDESA DATATHON en el que participan expertos de Big Data de todo el mundo.

Podcast en El Marsupio con Laia El Qadi donde hablo de lo valiosos que son para una empresa los datos

Post en el blog de Nacho Gallego sobre mi persona y la prosopopeya del data science

Entrevista en el blog de Alicia Moder sobre la analítica web en el sector farmaceútico

 

 

 

 

 

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 🙂

  • 1
  • 2
  • Siguiente »

Copyright © 2022 · Política de Privacidad
WordPress · Genesis Framework