Data Driven

 Data Driven en el ámbito del Marketing Digital

FORBES- 16 de jul. de 19

A partir de esta analítica, obtendremos, por perfil de cliente, por perfil de producto o servicio, aquellos otros productos o servicios que el cliente está dispuesto a adquirir con más facilidad.

Antes de comenzar a relatar cómo pueden ayudarnos los datos a obtener información de valor, sería conveniente acotar el término Data Driven Marketing. Podemos definirlo como “el conjunto de decisiones de negocio resultantes del análisis de distintas fuentes de datos, tanto internas como externas”.

Aunque su uso es cada vez más extendido entre las empresas, resulta sorprendente que todavía el 80% de los directores de marketing continúen tomando decisiones estratégicas a partir de su instinto o que sólo el 18% utilice analíticas Data Driven para fidelizar a los clientes aun sabiendo que cada vez es más rentable fidelizar que captar nuevos usuarios.

A partir de este punto, describiremos algunos de los principales problemas a los que el departamento de marketing se enfrenta cada día al intentar mejorar el lifetime value y cómo determinados modelos analíticos Data Driven pueden ayudar a solventarlos.

Captar nuevos clientes cada vez cuesta más dinero. Si damos por buena la teoría de que sólo el 50% de mis acciones de marketing tiene éxito, está claro que una mayor personalización de nuestras campañas de captación aumentará drásticamente ese 50%. Ahora podemos abordar estas acciones gracias a las técnicas de clusterización o, mejor dicho, microsegmentación. Por ejemplo: si somos capaces de identificar qué aspecto de nuestro producto o servicio es el más valorado por nuestros clientes femeninos, ¿por qué no orientamos acciones específicas a captar estos buyer persona poniendo el foco en dichos aspectos? Este tipo de análisis permiten llegar hasta la ultra segmentación con lo que podremos personalizar al máximo nuestras campañas, que nos llevará a aumentar el ratio de conversión y reducir así el coste de captación.

Los clientes cada vez compran menos artículos. ¿Es posible que no le estemos ofreciendo al cliente algo que tenemos y lo que realmente quiere? Éste, en definitiva, es también un ejercicio de personalización, debemos buscar aquellos productos o servicios que demanda el cliente. Las buenas noticias son que, para este problema, también los análisis Data Driven tiene la solución y se llama modelos de recomendación. A partir de esta analítica, obtendremos, por perfil de cliente, por perfil de producto o servicio, aquellos otros productos o servicios que el cliente está dispuesto a adquirir con más facilidad. Gracias a esta información aumentaremos el ticket medio aumentando también el grado de fidelización.

Los clientes me abandonan antes de un tiempo razonable. También para este problema existe una analítica precisa, se llama modelo de propensión a la fuga y no es otra cosa que predecir con antelación aquellos clientes que con más probabilidad dejarán de serlo. Aún más, podremos obtener una información muy valiosa, cuáles son los motivos por los que nos deja. Estos motivos serán aquellas variables (características objetivas o actividad) con las que el algoritmo validará la propia propensión a la fuga de nuestros clientes actuales.

Por acabar, dos pequeñas reflexiones, la primera es que para el desarrollo de estas analíticas hacen falta datos, con un mínimo de histórico y de calidad. Así que, recomendamos a aquellos que todavía no guardan datos que empiecen a hacerlo porque les van a hacer falta en un futuro muy próximo.

La segunda reflexión es que, si leemos con detenimiento, los tres modelos analíticos nos hablan de la personalización. Los clientes queremos ser reconocidos, bien tratados y no perder el tiempo. En tanto estas premisas se cumplan, seguiremos siendo fieles a una empresa o marca.