1 featured image 1
Data Intelligence

Cómo hacer Data Analytics del comportamiento de tus clientes de 0 a 100

septiembre 11, 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. Pero, volvamos hacia atrás en el tiempo y hagamos un pequeño repaso. 

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 comportamientorealde 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. 

IMG 1

Foto 1: Declared, Measured and Social Customer Behavior. 

Entre más fuentes de datos estén a nuestra disposición ,deberían implicar 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

Por lo tanto, repasemos cinco de los retos más comunes cuando hablamos de datos del consumidor: 

  • Los datos no se encuentran en los mismos repositorios y/o no son accesibles por el equipo que tiene que utilizarlos.
  • Los datos no se encuentran en el mismo formato y/o dependen de distintas plataformas de software que no se comunican con facilidad. 
  • Los datos no se actualizan con la misma frecuencia y/o están en diferentes series temporales. 
  • Los datos no se relacionan entre sí y/o es difícil crear un “golden record” omnicanal del cliente.
  • Los datos no son accesibles o explorables sin un proceso que involucre a TI y obligue a despriorizar otros entregables tecnológicos en la organización. 

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”. Un data lake no es otra cosa que un repositorio de datos estructurados y no estructurados, sin ningún preprocesamiento, guardando los datos en bruto y sin esquema. 


Data Lake

Foto 2: Arquitectura del Data Lake

No todo es malo, esta falta de estructura hace que añadir nuevos datos a un data lake sea relativamente sencillo. Sin embargo, un data lake 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. En posible también que tu organización cuente ya con un data hub o incluso un data warehouse y ya esté lista. Puedes ver las características de cada uno de ellos en el siguiente esquema: 

IMG 3

Foto 3: Comparación Data Lake versus Data Hub versus Data Warehouse

Efectivamente, 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). 

Si bien esta es la parte divertida, la mayor parte del tiempo de un proyecto de Big Data aplicado al comportamiento del consumidor se invierte en la generación del data hub, por lo que si estás pensado en arrancar un proyecto de data, no es recomendable “vender la piel del oso, antes de haberlo cazado”. 

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 (analítica descriptiva, predictiva y prescriptiva) es sin duda un proceso complejo y lleno de obstáculos visibles e invisibles. 

Por suerte existen varias metodologías testadas 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)
  • CRISP-DM (Cross Industry Standard Process for Data Mining)

Foto: CRISPDM, SEMMA y KDD Metodologías de minería datos más usadas 

Por todo lo anterior, existen 4 puntos clave que has de considerar antes de iniciar la aventura de entender el comportamiento del consumidor: 

  1. Disponer de información del comportamiento declarado, medido y social. 
  2. Contar con un diagnóstico y timing para convertir tu data lake en data hub.
  3. Seleccionar la metodología o mix de metodologías adecuadas en tu caso.
  4. Contar con el expertise de analítica de datos dentro o contratarlo fuera.

Si estás pensando en iniciar esta aventura o estás perdiendo la batalla puedes solicitarnos apoyo o asesoría aquí. Smartup cuenta con más de 10 expertos en data y ha realizado trabajos para empresas en múltiples países y sectores como banca, retail, health and wellness, industria 4.0, ocio, telecomunicaciones, agroalimentación o real estate, entre otros. 

¡Contacta a uno de nuestros expertos!

  • SMARTUP_Blog-LateralArtículos-363x200-Pilares-Leads.jpg
  • SMARTUP_Blog-LateralArtículos-363x200-Pilares-Sales.jpg
  • SMARTUP_Blog-LateralArtículos-363x200-Pilares-DataDrivenMkt.jpg
SMARTUP-Blog-eBook-Inbound.jpg
SMARTUP-Blog-Relaciones-Publicas.jpg
SMARTUP-Blog-Ebook-Listening.jpg