Categoría: Análisis Predictivo

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.

¿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 🙂

12 Dic 2014 | Análisis Predictivo

Suerte es lo que sucede cuando la preparación y la oportunidad se encuentran y fusionan

En muchos casos, no se actúa debidamente en el canal digital en base a los datos porque los que toman las decisiones no ven el valor de estas acciones. No porque no sepan verlo, sino porque los analistas no lo explicamos en el idioma universal: los ingresos!

Llevo muchos años repitiendo que antes de empezar a medir hay que tener muy claros los objetivos, tanto de negocio como de cada uno de los esfuerzos que hacemos en el canal online para retener al usuario, mantener su interés y guiarle hasta la conversión. Quizás lo que falta por añadir es que monetizando cada uno de esos pasos podemos tener mucho más claro su peso en la cadena de valor online.

Partamos de la base. ¿Cómo medimos el beneficio en el canal digital? Si estamos hablando de un ecommerce, lógicamente tendremos el valor de la conversión. Si hablamos de otro tipo de sitio deberíamos asignar un valor a la acción final (descarga, registro, …). Solamente así podremos ser capaces de hablar el idioma universal.

Realmente el problema de base de los analistas ha sido el hablar de recomendaciones en lugar de hablar de OPORTUNIDADES. Esta es la clave, ser capaces de entender y de transmitir el valor de la oportunidad.

Imaginemos que tenemos un sitio web de 150.000 visitas o sesiones mensuales. Nuestra conversión final es de un 2% de dichas visitas, es decir, convencemos a 3.000 visitas de hacer lo que queremos que hagan. Y esto nos reporta unos 600.000€ porque el ingreso medio es de 200€.

Empezamos a analizar los datos y después de hacer un largo y doloroso camino llegamos a la conclusión de que podemos hacer las cosas mejor focalizándonos en alguno de los puntos que hemos estudiado.

Cualquier recomendación que hagamos en este escenario, sea para alguna de las acciones que llevamos a cabo de marketing digital o para cambiar el diseño o usabilidad de una o más páginas del sitio web se tiene que convertir en una oportunidad. ¿Cómo?

Necesitaremos la inestimable ayuda de nuestro amigo Excel o sucedáneo, para generar un cuadro básico que llamaremos Cuadro Predictivo de Tasa Conversión e Ingresos.

La primera parte del cuadro son los datos básicos de nuestro sitio o aplicación. Solamente nos servirán para dar contexto así que yo propongo utilizar 4 o como mucho 5 métricas que no desvíen en exceso nuestra atención. La idea es exponer el escenario del que partimos, el escenario base.

Luego diseñaremos una tabla de 6 columnas, 6 métricas. Empezando por la métrica que liderará los cambios, en nuestro ejemplo será la futura tasa de conversión, que irá cambiando en tramos de 0,10% o de 0,05% o de 1% (no lo recomiendo por irreal jejeje) o lo que creamos oportuno para exponer nuestro objetivo con la recomendación. Esta métrica es la base para poder traducir nuestra recomendación a oportunidad.

A partir de cada nuevo tramo, de cada futura tasa de conversión, calcularemos el resto de métricas. Como la métrica que lidera el cambio es la tasa de conversión, asumiremos que no haremos esfuerzos en aumentar las sesiones de la página, por lo que el número de conversiones necesarias para lograr la futura tasa de conversión está calculado de la siguiente manera:

nueva tasa de conversión = conversiones / sesiones en la página
2,10% = x / 150.000 -> x = 2,10% * 150.000 = 3.150 conversiones

Es decir, para aumentar un 0,10% la tasa de conversión partiendo del mismo número de sesiones en la página necesitaremos 3.150 conversiones.

Por lo que las conversiones aumentan en 150 con respecto a las conversiones de las que partimos, que es la siguiente métrica en la tabla y que nos sirve para traducir a números el incremento que supone en las conversiones.

Lo mismo con los ingresos, si seguimos teniendo el mismo ingreso medio por conversión que en el escenario (200€) hay que calcular con el nuevo número de conversiones cuál es el nuevo valor de ingresos (ingresos = ingreso medio por conversión * conversiones).

Lo que nos lleva a la siguiente métrica, que pretende traducir a números el incremento que supone en términos de ingresos.

Finalmente realizaremos lo que se denomina monetización inversa, es decir, cuánto estaríamos dejando de ganar en los 3 siguientes meses si no realizamos la modificación. Es el resultado de multiplicar por 3 meses el incremento de los ingresos.

La tabla debería tener una pinta como esta más o menos:

Esta tabla lógicamente es básica y me sirve para explicar la fuerza de la monetización pero lo suyo es que se introduzcan muchas más variables dependiendo del negocio analizado. Sin embargo he utilizado esta tabla de base en muchos análisis donde no tenía acceso a información clave del negocio y ha funcionado muy bien así que la recomiendo sin pudor 🙂

La clave de la tabla lógicamente es la monetización: es decir, el incremento de ingresos. La monetización inversa, los ingresos perdidos, da mucha más fuerza a la hora de luchar por la recomendación “Cómo vamos a dejar de ganar esta pasta dejando pasar ESTA OPORTUNIDAD?”

Pasar de recomendaciones a oportunidades es esto:

Recomendación -> “Habría que cambiar el diseño de la landing page de la campaña principal del producto para subir la conversión de negocio”

Oportunidad -> “Si mejoramos la efectividad de la landing page de la campaña principal del producto podemos aumentar la tasa de conversión del sitio web en un 0,4%, con esto se estima que se obtendrían en 3 meses 120.000€ adicionales, cifra suficiente para costear y amortizar el rediseño de todo el sitio web”

La diferencia de fuerza entre una recomendación y una oportunidad es clara, ¿verdad?

Siempre tendremos la columna de la monetización inversa presente para darle aún más fuerza a nuestros argumentos. ¿Cuánto estamos dejando de ganar si no aprovechamos esta oportunidad? ¿Cuál es el precio de no intentarlo? 🙂

Juguemos ahora con esta tabla. ¿Y si lo que cambiamos no es la tasa de conversión o el número de conversiones sino los ingresos medios? Con igual número de conversiones pero trabajando mejor la venta cruzada podríamos incrementar los ingresos … ¿hasta qué punto? ¿Y si lo que cambiamos es el número de sesiones por medio del lanzamiento u optimización de una campaña? ¿Qué incremento en conversiones podríamos tener? ¿Cuál sería el impacto real en el negocio?

A medida que nos sintamos más cómodos con la tabla podremos ir complementando con las variables que consideremos oportuno y cada vez recomendando de forma más precisa. Aconsejo siempre el ir al escenario más prudente sobre todo al principio, yo empecé por pasar mis recomendaciones a oportunidades pero no hacerlas públicas para comprobar si mis hipótesis eran correctas y me di cuenta de que ya no podría hacer nunca más recomendaciones sin antes pasarlas a oportunidades por la diferencia que había entre monetizar y no hacerlo.

Y no podemos dejar de segmentar, me refiero a que si creamos una tabla por cada landing page o por cada campaña, con sus propios datos, nos será más fácil entender lo que supone cualquier cambio a nivel de sesiones o conversión. Las combinaciones son infinitas y supone un primer paso para monetizar los esfuerzos y sobre todo el impacto de cada una de las acciones a seguir 🙂

Quería dar las gracias a Jason Burby y Shane Atchison que me acompañan desde 2007 en mi andadura por la analítica digital con su libro Actionable Web Analytics y que me enseñaron a usar este tipo de tablas para cambiar mi mentalidad de analista 🙂

15 Oct 2014 | Análisis Predictivo

Crezco y no aprendo a crecer, no me desilusiono, ni me vuelvo mujer envuelta en velos, descreída de todo, lamentando su suerte.

Es interesante cómo cuando empiezo un proyecto con un cliente, éste siempre quiere empezar por tener un cuadro de mandos táctico en lugar de empezar por tener un cuadro de mandos estratégico que le permita ver la foto completa para luego ir profundizando en lo que resalte para bien o para mal.

Sobre todo en aquellas empresas cuyo desembolso en marketing es importante y notorio, es básico el tener un dashboard que contenga todos los indicadores necesarios para entender el negocio. ¿Y cuáles son?

Independientemente del tipo de negocio que estemos analizando, normalmente en la gran mayoría de cuadros de mando que he conceptualizado no faltan estos indicadores:

AREA 1: Clientes

– Nuevos Clientes (número de nuevos clientes o nuevos formularios recibidos)

– Clientes antiguos (número de antiguos clientes que realizan transacciones)

– Pedidos totales

– Pedidos nuevos clientes

– % pedidos nuevos clientes (número pedidos clientes nuevos / número total de pedidos)

– Pedidos clientes antiguos

– % pedidos clientes antiguos (número pedidos clientes antiguos / número total de pedidos)

– Tasa de conversión nuevos clientes (cociente de nuevos clientes / nuevas visitas)

– Tasa de conversión clientes antiguos (cociente de antiguos clientes / número total de clientes)

– Customer Lifetime Value (explicado un poco más abajo, la base de nuestro contexto de negocio)

AREA 2: Costes

– Coste total marketing y publicidad

– CAC – Coste adquisición nuevos clientes (coste total marketing / nuevos clientes)

AREA 3: Ingresos

– Ingresos totales

– Ingresos brutos

– Ingresos medios

– Margen bruto (ingresos totales – costes totales)

– Margen bruto por transacción (ingresos medios – costes variables)

– Ingresos totales nuevos clientes

– Ingresos totales clientes antiguos

– % ingresos nuevos clientes (ingresos clientes antiguos / total de ingresos)

– % ingresos clientes antiguos (ingresos clientes antiguos / total de ingresos)

Y por favor, sin olvidar segmentarlo luego TODO por campañas o esfuerzos de marketing realizados en el periodo.

Es una información brutal 🙂

La parte interesante de este dashboard va a tener que ver con el estudio de nuevos clientes y el ciclo de vida de los clientes ya existentes. Nos va a permitir ir más allá en nuestros análisis.

Para ello tenemos que tener por separado los nuevos clientes y los clientes antiguos a todos los niveles (número + pedidos + tasa conversión + costes + ingresos) y segmentado lo más posible por la fuente de origen de la conversión (independientemente del modelo de atribución elegido).

¿Y para qué nos vale hacer esto? Para subir un escalón más en nuestro conocimiento de nuestros clientes. Una vez tenemos por separado el segmento de nuevos clientes contra el segmento de antiguos clientes, podemos empezar con el Customer Lifetime Value (CLV).

Se calcula como un valor periódico, ya que no sabemos cuan larga va a ser la relación con cada cliente. Lo ideal es tener un histórico lo más completo posible para que este valor sea lo más ajustado a la realidad.

La fórmula más rápida para calcular el CLV es tomar los valores medios de las variables implicadas:

CLV = Tiempo medio de retención cliente (valor medio carrito * número medio de transacciones * margen bruto)

Si queremos ir afinar mucho más, podemos aplicar esta otra fórmula:

CLV = margen bruto (porcentaje de clientes recurrentes / (1 + coste de capital o ratio de descuento – porcentaje de clientes recurrentes)

* Si quieres hacer un excel rápido e indoloro para calcular el CLV, François Derbaix dejó este en su blog que me parece muy muy útil.

Esto nos permitirá saber cuan valioso es un cliente para nosotros, entender las campañas que mejor funcionan, tanto a nivel de captación de nuevos clientes como en la atracción de clientes más por calidad que por cantidad que repiten y que generan más ingresos a lo largo de un periodo de tiempo.

Imaginemos que lanzamos dos campañas simultaneas, un banner en el sitio A y un banner en el sitio B. Ambas nos cuestan la misma inversión. Mediremos las campañas en base a las KPIs típicas de cada campaña como CTR, tasa de conversión, transacciones, ingresos, etc… El resultado el primer mes es que el banner del sitio A nos genera un ROI muy positivo, con más de 3.000€ de ingresos netos (restando costes variables y de marketing). Sin embargo la campaña B nos genera un ROI cercano a cero, con solamente 500€ de ingresos netos. Con estos números, decidimos mantener la campaña A.

Pero… ¿y si captamos con A pero los clientes no vuelven a comprar? ¿Y si después de 1 año no realizan ni una sola compra más? Analicemos al segmento de nuevos clientes que vinieron con la campaña B… ¿tienen el mismo comportamiento que los de la campaña A? o ¿han ido sumando compras mes a mes hasta llegar a unos ingresos muy superiores? ¿Un año después nos interesa más la campaña A o la campaña B?

Cada vez más herramientas de análisis online permite analizar este tipo de comportamientos de clientes y cohortes. Google Analytics ha dado un vuelco en los últimos años para poder profundizar más en este tema… (quizás por influencia de Justin Cutroni? jejeje).

Es que esto es muy muy potente. El refrán dice que el 80% de los ingresos vienen del 20% de los clientes... habrá que identificar este 20%, ¿Se comportan de manera diferente como clientes? ¿Qué les diferencia del resto? ¿Se interesan por el mismo tipo de productos? ¿Se gastan más frecuentemente o espacian sus compras? ¿Vuelven utilizando la misma fuente de origen? Solamente así tendremos claro dónde y cuando actuar.

Si sabemos que lo normal es que tengamos un CLV de nuestros clientes de 150€, no deberíamos permitir que el CAC supere esa cifra porque entonces el asumir un nuevo cliente nos costaría más que lo que ese cliente se va a dejar a priori en nuestro negocio.

La pregunta del millón será … Si invertimos una parte del presupuesto de marketing en nuevos clientes en mantener a clientes existentes… ¿sabemos cómo puede afectar a nuestro CLV? Esta inversión nos puede salir bastante más rentable que algunas de las campañas, ¡seguro!

Es decir, la base de un buen cuadro de mandos de cualquier negocio es entender el cohorte “nuevos clientes”, adelantarse a qué vamos a tener de base en los próximos meses y trabajar en la retención. Como ya sabemos es mucho más barato retener clientes que ir a por nuevos. Crezcamos en conocimiento, volvamos a creer 🙂

01 May 2012 | Análisis Predictivo

La Tierra gira. Pero no notamos su movimiento. Y una noche miras hacia arriba: una sola chispa, y el cielo empieza a arder. El pasado es la antorcha que ilumina nuestro camino. Nuestros padres nos han señalado el camino, y lo seguiremos.

Con la que está cayendo, estamos detectando en el mercado que las empresas empiezan a estar menos preocupadas por el “qué ha pasado” y se centran más en el “qué va a pasar”. Creo que esto es una buena noticia. La analítica web o digital debe servir para tomar decisiones de forma sólida pero también rápida. Es decir, la analítica ayuda a mejorar la eficiencia de las estrategias, a reducir el riesgo y a incrementar de forma sistemática el beneficio.

Por lo que últimamente me estoy centrando mucho en la Analítica Predictiva (Predictive Analytics). Así que intentamos más que dar respuesta a “qué ha pasado” a “qué podemos hacer para mejorar”.

Para que esto llegue a buen puerto, una empresa debe basar sus decisiones en una cultura de datos y tener a alguien que saque conocimiento de todo el ecosistema de herramientas del que disponemos en internet.
¿Y en qué nos ayudan los datos? Pues por ejemplo, es bien sabido que un porcentaje pequeño de clientes son los que nos aportan un porcentaje alto de ventas. ¿Conocemos a fondo el comportamiento de este grupo de visitantes? ¿Tomamos decisiones basadas en sus preferencias? ¿Destinamos presupuesto a mantener su satisfacción? Es más, ¿los tenemos identificados?

Si somos capaces de crear modelos de predicción de conducta podremos ayudar a tomar decisiones que saquen el máximo jugo a una estrategia. Este debe ser nuestro fin, nuestro único objetivo. Yo no quiero pasar mi tiempo sacando datos para poner en un dashboard bonito, quiero cambiar la forma de hacer las cosas, entrar en el círculo de toma de decisiones. Esa es la parte que considero que es la más atractiva para cualquiera, para los que nos dedicamos a esto y para los que sacan partido a estos análisis.

Entonces, ¿qué hacemos ahora? Lo primero, empecemos a movernos. ¿Qué nos interesa saber de nuestro sitio web? No importa que no sea un ecommerce, centrémonos en los objetivos que tenemos a nivel de conducta de nuestros usuarios:

¿Sabemos cuántos clientes que compraron el producto 1 se habían interesado también en el producto 2? (visitas que convierten producto 1 y que visitaron página de producto 2) ¿Y viceversa? Hay algún patrón de conducta en estos usuarios del estilo de “los usuarios que se interesaron en este contenido finalmente consumieron/adquirieron aquel contenido”. ¿Clickaron en algún banner previamente a la compra? ¿Eran usuarios que ya conocían nuestro sitio web? En uno de los sitios web en los que hemos trabajado detectamos que los usuarios que compraban el producto A se habían interesado en los productos E y G. Pusimos en las fichas de los productos E y G una llamada a la acción promoviendo el producto A y se incrementaron sus ventas en casi un 16%. Y no se resintieron las de los productos E y G. Aprender de estas conductas no es nuevo: los casos Amazon (otros clientes que compraron este libro compraron este otro) y Apple con su Genius lo llevan haciendo mucho tiempo ☺

Pensemos en nuestros usuarios como personas, ¿cómo se comportan los que ya nos conocen y han venido directamente a nuestro sitio web o nos buscan por nuestra marca? ¿Qué los caracteriza y diferencia del resto? ¿Y los que nos han encontrado por casualidad, buscando algo relacionado con nosotros? ¿Cómo se comportan? ¿Y los que vienen recomendados de otro sitio web o de redes sociales? ¿Algún rasgo característico? Aprendamos de estas conductas: si el 70% de los que vienen recomendados van a ver un determinado contenido, ¡explótemoslo! Así podremos predecir qué landing pages tendrán más éxito en cada canal, palabras clave que pueden crecer de volumen…

Detectemos asociaciones del tipo: el número de ventas los fines de semana depende del número de visitas que tenemos en el sitio web de lunes a jueves. Es decir, la variable de transacciones depende de la variable visitas y si el martes no llegamos a las que se supone deberíamos tener, podemos adelantarnos al desastre y el miércoles ajustar nuestra estrategia de captación.

¿Qué tipo de productos o de contenido ven los usuarios que se suscriben a nuestra newsletter? Si este es el contenido o el producto que llama la atención a la mayoría, vamos a probar el resaltarlos en la newsletter a ver si se incrementan las visitas por este canal, observando sus intereses y actuando en consecuencia.

El análisis predictivo no siempre se hace con herramientas complejas, podemos empezar de manera simple, en el camino nos divertiremos descubriendo conductas que no hubiéramos podido imaginar ☺

Los modelos predictivos pueden ser tan complejos como nosotros queramos, mi consejo es que vayamos creciendo poco a poco, sin dejar de movernos: vayamos testando si nuestros modelos van bien encaminados y personalicemos de manera gradual para sacar el máximo provecho a los datos.

Si os interesa el tema, los próximos 30 y 31 de mayo voy a estar en Berlín, en la conferencia de Semphonic Xchange Europe debatiendo y compartiendo experiencias con analistas sobre la Analítica Predictiva junto a Matthias Bettag.

Empezar a contestar a la pregunta ¿cómo puede nuestro pasado ayudar a nuestro futuro? será la clave para empezar a detectar el movimiento, los patrones de conducta y adelantarnos a lo que pueda pasar.