¿Cómo elaborar data analytics de tus clientes?
FORBES- 13 de septiembre de 2019
En un mercado mundial en
desaceleración, y cada vez más competitivo, son muchas la grandes
organizaciones que están virando y poniendo en el centro de sus estrategias al
cliente.
En muchos casos el cliente está
reemplazando al producto como piedra angular en la toma de decisiones
corporativas, tan es así, que podemos vislumbrar varios ejemplos de
multinacionales “customer centric” que han revolucionado sus industrias. Apple,
Starbucks o Inditex nos han demostrado que entender el comportamiento del
consumidor, y adaptar la organización a él, es más rentable en el largo plazo.
Y es precisamente en ese cambio
de paradigma donde el valor de los datos toma un rol predominante en el
marketing actual.
Hace sólo una década, la
principal fuente de información sobre el comportamiento del consumidor era la
declarada, es decir, aquella que el cliente nos decía a través de encuestas,
focus, paneles, etc. … Sin embargo, hoy disponemos de fuentes de datos que
contienen información “honesta” sobre el comportamiento “real” de los
consumidores.
Ahora, podemos entender lo que
piensan/hacen con mucho más detalle y complementar el comportamiento declarado,
con el comportamiento medido y el comportamiento social del cliente.
Entre más fuentes de datos estén
a nuestra disposición, implica un mejor entendimiento del comportamiento de
nuestro consumidor, y con ello, una mejor y más ágil toma de decisiones en los
diferentes ámbitos de la empresa, desde la generación de producto hasta la
microsegmentación de campañas de publicidad.
Sin embargo, es la gestión y
explotación puntual de estos datos lo que está poniendo de manifiesto las
dificultades asociadas al fenómeno del Big Data, como el que los datos no se
encuentran en los mismos repositorios, dependan de distintas plataformas de
software, información no actualizada o que no se relacionen entre sí y
dificulte crear un “golden record” omnicanal del cliente.
Si te has sentido identificado
con alguno de los casos anteriores es posible que tu organización esté aún
acumulando datos en forma de “data lake”, es decir, un repositorio de datos
estructurados y no estructurados, sin ningún preprocesamiento, guardando los
datos en bruto, y sin esquema.
Esta falta de estructura hace que
añadir nuevos datos a un data lake sea relativamente sencillo. Sin embargo, no
va a permitirnos explotar la información del comportamiento del consumidor.
Necesitamos convertir ese data lake en un data hub, es decir, una colección de
datos homogeneizados, estructurados y estandarizados para su explotación a
través de distintos modelos de analítica de datos descriptiva, predictiva y
prescriptiva del comportamiento del consumidor.
Una vez que tenemos nuestro data
hub podríamos formular distintas hipótesis de negocio y preguntar a los datos
qué sucedió (analítica descriptiva), qué podría pasar (analítica predictiva) e
incluso qué deberíamos hacer (analítica prescriptiva).
Entender las tres dimensiones del
comportamiento del consumidor (declarado, medido y social), convertirlos en un
data hub y finalmente explotarlos para explicar lo que pasó, lo que pasará o lo
que deberíamos hacer, es sin duda un proceso complejo y lleno de obstáculos
visibles e invisibles.
Por suerte existen varias
metodologías probadas que nos ayudan a transitar por este camino evitando
obstáculos y encontrando la mejor hoja de ruta en cada caso. Si bien, más de un
tercio de las organizaciones utilizan metodologías propias, existen varios
estándares que se pueden seguir en la implementación de un proyecto de data
analytics sobre el comportamiento del consumidor, entre los que destacan: KDD
(Knowledge Discovery in Databases), SEMMA (Sample, Explore, Modify, Model, and
Assess) y CRISP-DM (Cross Industry Standard Process for Data Mining).
Por todo lo anterior, te dejo 4
puntos clave que debes considerar antes de iniciar la aventura de entender el
comportamiento del consumidor:
Disponer de información del
comportamiento declarado, medido y social.
Contar con un diagnóstico y
timing para convertir tu data lake en data hub.
Seleccionar la metodología o mix
de metodologías adecuadas en tu caso.
Contar con el expertise de
analítica de datos dentro o contratarlo fuera.
Ahora que ya sabes cómo sacar
provecho de los datos ¿estás listo para emplearlo en tus estrategias de
marketing?
No hay comentarios:
Publicar un comentario