Embed Size (px)
Citation preview
Marketing Intelligence: optimizando mi
estrategia de marketing a través del Big Data
Del Business Intelligence al Business AnalyticsAlex Rayón Jerez
26 de Noviembre de 2015Bilbao
Guión de la sesión
2
There are those who look at things the way they are, and ask why.
I dream of things that never were, and ask why not?
Robert Kennedy3
4
5
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
6
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
7
El marketing¿Qué es?
Marketing=
Mercado+
Oferta8
El marketing¿Qué es? (II)
9
MercadoRAE: “7. m. Conjunto de consumidores capaces
de comprar un producto o servicio.”
OfertaRAE: “6. f. Econ. Conjunto de bienes o
mercancías que se presentan en el mercado con un precio concreto y en un momento determinado.”
El marketing¿Qué es? (II)
10
Fuente: http://www.profesionalesmarketing.es/2015/02/marketing-online-para-hoteles-5-claves-para-posicionar-tu-hotel-en-internet/
El marketing¿Qué es? (III)
11
En la era de Internet, dentro del mundo del marketing, el usuario tiene el poder
BúsquedasRecomendacionesQuién, qué, cómo,
cuándo, cuánto, etc.
Fuente: http://moisesnaim.com/es/books/el-fin-del-poder/
El marketing¿Qué es? (IV)
12
El marketing no es solo publicidadLa publicidad es el impacto para llegar al
mercadoNo tiene el valor añadido de la experiencia, del
contenido, etc.
Fuente: http://www.revistasumma.com/la-publicidad-que-quieren-que-veamos-sin-darnos-cuenta/
El marketingDrivers of Big Data
13
El marketingEconomía digital
14
En la actividad digital, todo genera un datoTarjetas de créditoTeléfonos móvilesRedes socialesProveedores de InternetTarjeta de fidelización
de mercado...
Fuente: http://www.privacidadlogica.es/2012/05/31/modelo-de-informe-sobre-sistema-de-control-horario-basado-en-huella-digital/
El marketingEconomía digital (II)
15
El marketingLa importancia del dato
16
En la economía digital, captar datos de clientes es cada vez más crítico
De1º Vender2º Capturar el dato
A1º Capturar el dato2º vender
El marketingLa importancia del dato (II)
17
Estrategia de venta directa: nuevo enfoque
1-2) Gestionar audiencia1-2) Capturar datos
3) Convertir a ventas
El marketingLa importancia del dato (III)
18
1) Gestionar audienciaFijar público objetivoIdentificar espacios digitales donde
encontrarlosCrear espacios propios para captar
datos y crear la Base de DatosDefinir líneas editoriales y métodos de
captación
El marketingLa importancia del dato (IV)
19
2) Captar datosCreación landing page para captar
datoPedir datos necesarios y clasificarlosRealizar seguimiento
El marketingLa importancia del dato (V)
20
3) Convertir a ventaSegmentación de usuariosPersonalización de la ofertaPlanificar accionesRealizar seguimiento
El marketingEvolución: Las Tres Olas
21
El marketingNueva coyuntura
22
El marketingNueva coyuntura (II)
23
Las marcas ya no se anuncian, se relacionan
El marketingNueva coyuntura (III)
24
Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20
El marketingDe multicanal a omnicanal
25
Experience
Transaction
El marketingAproximación digital
26
El marketingAproximación digital: Datos estructuras y no
estructurados
27
El marketingAproximación digital: Mayor número de variables
28
El marketingAproximación digital: Proceso casi en tiempo real
29Event-Based Marketing
El marketingAproximación digital: Mayor profundidad de datos
30
El marketingEstructura organizativa
31
Para que esto funcione...
Fuente: http://blogs.icemd.com/blog-customer-centric-customer-experience/tag/estrategia-omnicanal/page/2/
El marketingEstructura organizativa (II)
32
El marketingCustomer Journey
33
El marketingFindability
34
El marketingSoportes digitales
35
El marketingSoportes digitales (II)
36
El marketingPuntos de contacto y experiencia de usuario
37
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
38
Clarificando conceptosLas 5 V’s del Big Data
Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832
39
Clarificando conceptosInternet y los datos
“La cantidad de información que nuestra sociedad genera es difícil
de cuantificar, pero una estimación sostiene que creamos más data cada año, que la que ha
sido producida en toda la historia humana anterior”
New York Times40
Clarificando conceptosEconomía digital
● La sociedad se ha tecnificado, y estamos cada vez más interconectados○ Se habla de las redes sociales
● A eso unámosle que el coste computacional es cada vez menor○ Menor coste de producción
● Cada vez se están digitalizando más procesos y actividades de nuestro día a día○ Generaremos cada vez más datos
41
Clarificando conceptosBig Data vs. Business Intelligence
Business Intelligence
Big Data
42
Clarificando conceptosBig Data vs. Business Intelligence (II)
No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas
Una disciplina que tiene un objetivo a medio plazo
La herramienta de la estrategia y de la dirección
Busca dar respuestas a preguntas concretas y formuladas a priori analizando datos
Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/
43
Clarificando conceptosBig Data vs. Business Intelligence (III)
Por contra, Big Data, básicamente consiste en analizar masivamente datos "a ver si sale algo"
Esto último tiene problemas obviosMe pueden salir correlaciones o relaciones espúreas o sin
fundamento ni sentido (si analizamos la aparición del cambio climático y la desaparición de los piratas, la correlación es muy alta, y su sentido ninguno)
Un campo que permite aprovechar el dato a corto plazo buscando patrones, inferencias, etc., entre los datos, sin ningún objetivo a priori concreto44
Clarificando conceptosBig Data vs. Business Intelligence (IV)
45
Clarificando conceptosBusiness Intelligence
En 1989, Howard Dresner, un investigador de Gartner Group, popularizó el acrónimo de BI
(Business Intelligence) para indicar
“El conjunto de conceptos y métodos para mejorar la toma de decisiones en los negocios, utilizando sistemas de apoyo basado en hechos”
46
Impacto Big DataMaturity model
Fuente: https://www.gartner.com/doc/713210
47
Impacto Big DataMaturity model (II)
48
Impacto Big DataMaturity model (III)
Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
49
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
50
Método del caso
51
Definición del problemaCriterios Decisión
Plan de acción
Evaluar alternativas
Generar alternativasSíntesisSíntomas
Análisis
1
2
3 4 5 7
6
Método del caso
52
Fuente: http://www.brandemia.org/magazine
Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921
Método del caso1) Definición del problema
53
Definición de objetivosNecesidad de información
AntecedentesNuevas oportunidadesMejora toma de decisiones…
Datos disponiblesAlcance
Método del casoEstrategia medición: Objetivos
eCommerce
Cualificación de leads
Engagement
Compromiso y fidelización
54
...
Método del casoEstrategia medición: Objetivos (II)
55
Método del casoEstrategia medición: Objetivos (III)
56
Método del casoEstrategia medición: Objetivos (IV)
57
VentasVentas por hora, día, semanales, mensuales,
trimestrales y anualesCompra media (ticket medio de venta)Margen medioRatio conversión ventas respecto a usuarios% Carritos abandonados% de nuevos pedidos respecto pedidos de
usuarios recurrentes% de nuevos pedidos respecto usuarios nuevosProductos más vendidosProductos más visualizados
Método del casoEstrategia medición: KPI
58
eCommerceUnique visitors
Total visits
Page views
New visitors
New customers
Total orders per day, week, month
Time on site per visit
Page views per visit
Funnel - Checkout abandonment
Funnel - Cart abandonment
Call center – clientes que realizan preguntas online, chats, email, etc.
etc.
Método del casoEstrategia medición: KPI (II)
59
MarketingSite traffic
Unique visitors vs. returning visitors
Time on site
Page views per visit
Traffic source
Newsletter subscribers
Chat sessions initiated
Facebook, Twitter, or Pinterest followers or fans
Pay-per-click traffic volume
Blog traffic
Brand or display advertising click-through rates
Affiliate rates
...
Método del casoEstrategia medición: KPI (III)
60
Customer serviceCustomer service email countCustomer service phone call countCustomer service chat countAverage resolution timeetc.
Ahora veamos cómo pintar este cuadro...
Método del casoEstrategia medición: KPI (IV)
61
Método del casoMétrica
62
El método de medición definido y la escala de medición (ISO 14598-1:1999)
MediciónActividad que usa la definición de la métrica para
producir el valor de una medida
MedidaNúmero o categoría asignada a un atributo de una
entidad mediante una medición (ISO 14598-1:1999)
Método del casoMétrica (II)
63
Es la correspondencia de un dominio empírico (mundo real) a un mundo formal, matemático
La medida incluye el valor numérico o nominal asignado al atributo de un ente por medio de dicha correspondencia (Fenton)
Método del casoMétrica (III)
64
Juan es más alto que María si y sólo si M(Juan) > M(María)
Método del casoMétrica (IV)
65
Pueden serMétricas directas
Una métrica de un atributo que no depende de ninguna métrica de otro atributo
Métricas indirectasUna métrica de un atributo que se deriva de una o
más métricas de otros atributosSe formaliza por medio de una función de medición
(fórmula, ecuación)
Función de medición: un algoritmo o cálculo que permite combinar dos o más métricas
Método del caso1) Definición del problema (II)
66
Modelo de datos
Transacción
ClientePromociónProducto/Servicio
Proveedor
Tienda
Web Analytics
Identidad digital
Social Media Analytics
Lead
Tarjetafidelización
- Atributos personales
- online/offline- localización- tamaño- secciones- fecha apertura...
referencias
Empleado
- id- precio- categoría- tamaño- marca- fecha introducción- fecha retiro- estado...
- fecha- hora- medio de pago- día/mes/mes del año...
- fecha inicio- fecha fin...
Grupo
Acción marketing
visita
Categoría
Tiempo
Método del caso1) Definición del problema (III)
67
Modelo de datos
Método del caso1) Definición del problema (IV)
68
Estudiar datos tiene dos objetivos principales
Informar¿Qué ha ocurrido?
Predecir¿Qué podría ocurrir?
Método del caso1) Definición del problema (V)
69
Modelo de datos
Método del caso1) Definición del problema (VI)
70
Planteamos cinco problemas1.Relación entre CAC y Margen Unitario2.Predecir cifra de ventas a partir de la
cantidad y grupo de promoción3.¿Qué productos son comprados a una
determinada hora del día?4.¿Qué compras siguen un patrón parecido?5.Reducir a dos dimensiones la matriz de datos
Artículo Alex
Método del caso1) Definición del problema (VII)
71
Categorías de problemas
Problemas
Predictivos(supervisados)
Descriptivos(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación
Método del caso1) Definición del problema (VIII)
72
Categorías de problemas
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
Método del caso1) Definición del problema (IX)
73
Método del caso1) Definición del problema (X)
74
Para estudiar la correlaciónSe escogen dos o más variables entre las que
se hipotetizar una relación causalSe pone a prueba mediante técnicas
estadísticas (test chi2, etc.)
¿Cómo identificar qué variables son las que explican (son independientes)?
Por los métodos de controlMétodo experimental
Método estadístico
Método comparativo
Microcualitativo
Uso de datos en el mundo del marketingCustomer profiling: hábitos, necesidades,
valor, potencial → Know Your Customer (KYC)Customer Intelligence: targeting, modelos
de cliente (ciclo de vida relacional y existenciales), modelos de producto (propensiones), segmentación, análisis del Valor Cliente (Customer Lifetime Value), análisis patrones de compra (Market Basket Analysis), métrica RFM (Recency, Frequency, Monetary), etc.
Estrategias omnicanal y de Social CRM: findability, social CRM, gestión de canales, etc.
Método del caso1) Definición del problema (XI)
75
Uso de datos en el mundo del marketingBrand Intelligence: valor de una marca,
influencia de la marca en la oferta y demanda, valoración de marca, etc.
Marketing experiencial: Customer Experience Management, Customer journey, Indicadores de Experiencia de Cliente (NPS, etc.)
Del marketing masivo al marketing one2one: Event-based marketing, marketing en tiempo real (retargeting), retargeting personalizado (Right Offer, Right PersoN), estrategias de cross y up-selling
Método del caso1) Definición del problema (XII)
76
Uso de datos en el mundo del marketingInbound marketing: engagement con
contenidos, capturando datos de touchpoints, relación con clientes, etc.
Social Media Intelligence: Social Business, Social Media Analytics, análisis de medios sociales y conversión, etc.
Geomarketing: Sistemas de Información Geográfica (GIS)
Producto: nichos de mercado, nuevos productos y servicios, pricing inteligente, etc.
Método del caso1) Definición del problema (XIII)
77
Uso de datos en el mundo del marketingFidelización de clientes: programas de
fidelización, técnicas de fidelización (endógena y exógena)
Marketing ROI & optimización del presupuesto de marketing: CLV vs. CAC, modelos de atribución, modelo analítico de atribución, evaluación de las acciones, campañas, segmentos y audiencias, optimización de la inversión
etc.
Método del caso1) Definición del problema (XIV)
78
Método del caso2) Análisis
79
Necesidad de informaciónEntidad/entidadesConceptos mediblesAtributosMétricasIndicadores → KPIsEjemplo
Método del caso3) Síntesis
80
Resumen de indicadoresCategoría de indicadores
MercadoOfertaProductoAcciones de marketing
Cuadro de Mando Integral
Método del caso4) Generar alternativas
81
Oportunidades de mejoraExperimentos orientados a la mejora de
resultados
Para los cuatro problemas planteados, vamos a construir:
Clasificación/clusterizaciónModelo de regresiónReglas de asociaciónAnálisis de Componentes Principales
Método del caso5) Evaluar alternativas
82
Fuente: http://globalo2.es/satisfaccion-clientes/
Método del caso6) Decisión
83
Toma de la decisión considerando KPIs
Fuente: https://actitudinternacionaluca.wordpress.com/author/intacuca/page/9/
Método del caso7) Plan de acción
84Fuente: http://www.sedputumayo.gov.co/sedputumayo/SITIO/site/index.php?option=com_k2&view=item&id=679:plan-de-acci%C3%B3n-secretaria-de-educaci%C3%B3n-departamental-a%C3%B1o-2014
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
85
MétricasIntroducción
Beneficios de la medición/evaluaciónAnalizar, comprender (los atributos de un ente)Controlar (la calidad del producto, etc.)Predecir (el tiempo y coste de un proyecto)Mejorar (la calidad de un servicio, proceso,
etc.)
Conceptos medibles (factores)Calidad, calidad de uso, productividad, coste,
eficiencia de una acción, etc.86
MétricasIntroducción (II)
“Metrics are welcome when they are clearly needed and easy to collect and understand” (Pfleeger)
“Indicators are ultimately the foundation for interpretation of information needs and decision-making”
87
MétricasUtilidades
Medición objetiva antes que subjetivaEspecificar en el mundo formal, la correspondencia de un atributo del mundo empírico
Servir de base a métodos cuantitativos de evaluación o predicción
La métrica no puede interpretar por sí sola un concepto medible → necesitamos indicadores88
MétricasMétodos de evaluación
Categorías TestingInspecciónConsulta (inquiry)Modelo analítico
Simulación
Los métodos y técnicas a aplicar sonCuantitativos vs. cualitativosAutomáticos, semiautomáticos o manualesDesde fácil a difícil de usar y aprender
89
MétricasConceptos asociados a métricas
90
EntidadAtributoConcepto medibleModelo conceptualMétrica (Medición, medida)MétodoEscala y unidadIndicador
MétricasEntidad
91
Un objeto que va a ser caracterizado mediante la medición de sus atributos
Puede ser física -tangible- o abstracta -intangible-
Objetos de interés para el marketing:
ServicioProductoAcciónCampañaOferta...
MétricasAtributo
92
Propiedad mensurable, física o abstracta, de una entidad
Puede ser interno o externo de la entidad
El atributo se puede medir (cuantificar) por medio de una métrica directa o indirecta
MétricasConcepto medible
93
Una relación abstracta entre atributos de una o más entidades, y una necesidad de información
Fuente: https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_medida
MétricasModelo conceptual
94
El conjunto de subconceptos y las relaciones entre ellos, que sirven de base para una posterior evaluación o estimación
Ejemplo: características y sus relaciones que proveen las bases para modelar la calidad
Una característica puede estar conformada por subcaracterísticas y atributos
MétricasModelo conceptual (II)
95
MétricasMétodo
96
Secuencia lógica de operaciones y potenciales heurísticas, expresadas de forma genérica, que permite la realización de una descripción de actividad
El tipo de método de medición va a depender de la naturaleza de las operaciones utilizadas para cuantificar el atributo
Subjetivo: cuando la cuantificación supone un juicio realizado por un ser humano.
Objetivo: cuando la cuantificación está basada en métodos numéricos
MétricasEscala
97
Un conjunto de valores con propiedades definidas (ISO 14598-1)
Escala numérica (continua o discreta)Escala categóricaTipos de escala
Nominal
Ordinal
Intervalo
MétricasEscala (II)
98
MétricasEjemplo
99
Necesidad de informaciónEvaluar la confianza de los enlaces en una web
EntidadWebsite
Concepto medibleConfiabilidad de los enlaces
AtributosInternal Broken Links (IBL)External Broken Links (EBL)Invalid Links (IL)
MétricasEjemplo (II)
100
Métrica posible 1#IBL
Unidad: enlace
Escala: numérica, enteros
Tipo de escala: absoluta
Tipo de método de medición: objetivo
Métrica posible 2%IBL = (#IBL/#TL) * 100
Unidad: normalizada a porcentaje
Escala: numérica, reales
Tipo de escala: absoluta
Tipo de método de medición: objetivo
MétricasIndicador
101
El método de cálculo y la escala definidos, además del modelo y criterios de decisión con el fin de proveer una evaluación o estimación de un concepto medible con respecto a una necesidad de información
Las métricas no pueden interpretar por sí solas un concepto medible
Se necesitan indicadores
MétricasIndicador (II)
102
Criterio de decisión“Thresholds, targets or patterns used to
determine the need for action or further investigation, or to describe the level of confidence in a given results” (ISO 15939)
EjemploNo satisfactorio: de 0 a 40
Marginal: entre 40 y 60
Satisfactorio: más de 60
MétricasIndicador (III)
103
MétricasEstrategia medición: claves
104
MétricasEstrategia medición: Esquema
105
MétricasEstrategia medición: Elementos
¿Qué necesitamos para llevar a cabo esta estrategia?
Conocimientos del negocioObjetivos de negocio
Estrategias de marketing digital
Formación analítica digitalConocimientos técnicos
106
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
107
Ciclo de Business IntelligencePirámide informacional
Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/
108
El dato por si solo nos aporta poco…2.000 visitantes únicos en mi tienda online1.000 nuevos usuarios en mi aplicación10% nuevos clientes en mi exposición24 conversiones de las campañas de captación3.000 € de incremento del tamaño de la
transacción media de ticket de compra...
Ciclo de Business Intelligence
Del dato...
109
Falta contexto → circunstancias
FechaDispositivo/canalGeolocalización
FuenteTendencia/Perspectiva
...
Ciclo de Business Intelligence
Del dato… (II)
110
El dato puesto en valor → inteligencia de negocio
Ciclo de Business Intelligence
… al conocimiento
Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/
111
Ciclo de Business Intelligence
Fuentes de datos
Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/112
Ciclo Business Intelligence
Introducción
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación de consumidores, cesta de la compra, etc.) y predictivos (predicción de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
Interpretación de los resultados
Reporting: usos, ejemplos y herramientas
Cuadros de mando: usos, ejemplos y herramientas
Elementos clave del éxito/fracaso: ventaja competitiva
Tendencias
113
Ciclo Business Intelligence
Entendiendo el problema a resolver
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación de consumidores, cesta de la compra, etc.) y predictivos (predicción de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
Interpretación de los resultados
Reporting: usos, ejemplos y herramientas
Cuadros de mando: usos, ejemplos y herramientas
Elementos clave del éxito/fracaso: ventaja competitiva
Tendencias
114
● Consiste en hacer una abstracción de un problema o fenómeno real, para concretarlo, y hacerlo resoluble y comprensible
● Se trata de un proceso "iterativo" que irá evolucionando el modelo resultadoHasta llegar a uno que permita entender el fenómeno
estudiado con la profundidad que requerimos
115
Ciclo Business Intelligence
Modelo analítico: definición conceptual
116
Ciclo Business Intelligence
Modelo analítico: definición conceptual (II)
● Análisis de decisión: nos sirve para evaluar entre posibles alternativas que se presentan
● Análisis de problemas: nos sirve para entender un problema escasamente definido e intentar tener mayor conocimiento sobre el fenómeno en cuestión.
● Análisis de datos: se emplea para explorar datos y encontrar respuestas a fenómenos conocidos y bien definidos.
117
Ciclo Business Intelligence
Modelo analítico: Tipología de análisis
118
Ciclo Business Intelligence
Modelo analítico: enmarcando el problema
1. Determinar si estamos ante un análisis de DECISIÓN, PROBLEMAS o DATOS.
2. Asumir una serie de inputs, parámetros, variables y relaciones entre ellas.
3. Definir los outputs (resultados) que se busca obtener para el propósito buscado y determinar como lo vamos a medir.
4. Establecer el grado de profundidad del análisis en función del plazo que tengamos para llegar a una solución.
5. Establecer el periodo sobre el que queremos analizar un fenómeno.
119
Ciclo Business Intelligence
Modelo analítico: enmarcando el problema (II)
120
Ciclo Business Intelligence
Modelo analítico: creación de prototipos
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
121
Data-driven marketingLa puesta en valor del dato
Datos Analíticas Puesta en valor
Modelo predictivo de previsión de compras: eficiencia transporte, ahorro portes, evitar roturas stock, etc.
Modelo predictivo de ventas: sugerencia compras, etc.
Rutas óptimas según cargas, productos y zona: en base a pedidos, etc.
Product clustering: incluso, personalización.
Análisis de compras
...“Sensores” para la captura de datos
Real Time→ Conocer estado producto en tiempo real, avisar ruptura stock, etc.
Marketing→ Segmentación clientes
Business Intelligence→ Dashboard hot spots→ Alertas variaciones (clientes, productos, zonas, etc.)→ Detección mermas, robos, etc.
122
Data-driven marketingGanar más dinero
123
Marketing intelligence
La idea es analizar la parte más transaccional (de compra - venta) con las acciones de marketing
Con este dúo, sacamos acciones de marketing
con objetivos, personalizado e
hipersegmentado
Fuente: http://www.boats.com/boat-content/2010/page/152/
Data-driven marketingGanar más dinero (II)
124
Se trata de analizar los datos: Contextuales de una compra → momento,
lugar, composición de la cesta de la compraLo enmarcamos en perspectiva → frecuencia,
tiempo entre última compra, etc.Analizamos el cliente → si lo hace con tarjeta
de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc.
Y el canal por el que entra → online -tienda online, landing page, redes sociales, etc- u offline
… y preguntarnos cosas como...
Data-driven marketingGanar más dinero (III)
125
Segmento y perfil de cliente que más compra a una hora determinada y en un lugar
concreto
Fuente: http://es.slideshare.net/Elife2009/perfil-del-consumidor-de-bebidas-alcohlicas-en-mxico
Data-driven marketingGanar más dinero (IV)
126
Quién (influenciadores) o qué (drivers de compra) influye más en la decisión
de compra de un cliente → drivers
Data-driven marketingGanar más dinero (V)
127
Qué relación de productos
permite modelizar el
perfil de cliente
Data-driven marketingGanar más dinero (VI)
128
¿Cuál es la estructura de mi marca?
Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext
Data-driven marketingGanar más dinero (VII)
129
Reglas de asociación de productos como
"Si compra foie, también adquiere vino crianza", y así enfocar el cross-
selling o up-selling en tienda o en promociones,
product placement, gestión de inventarios, etc.
Expresión de la formaX → Y
{pañales} → {cerveza}
{cerveza} → {pañales}
{pan, leche} → {huevos}
{pan} → {leche, huevos}
Fuente: http://noticias.buscopisocasa.com/category/alimentacion-2/
Data-driven marketingGanar más dinero (VIII)
130
MROI: Marketing Return on InvestmentMcKinsey review: “An integrated analytics approach could save up to 15-
20% total budget”
Source: http://www.thecmosite.com/author.asp?section_id=1137&doc_id=234474
Data-driven marketingGanar más dinero (IX)
131
Clusterizar clientes y productos
Source: http://inside-bigdata.com/2013/12/18/tech-tip-power-pitfalls-clustering/
Source: http://www.cs.bilkent.edu.tr/~saksoy/research.html
Data-driven marketingGanar más dinero (X)
132
¿Cómo están relacionados mis clientes?
Análisis de Redes Sociales (ARS)
Source: http://rs.resalliance.org/2010/11/03/reading-list-using-social-network-analysis-sna-in-social-ecological-studies/
Data-driven marketingGanar más dinero (XI)
133
¿Cómo generar lealtad y preferencia hacia mi producto?
Data-driven marketingGanar más dinero (XII)
134
Customer Experience
Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/
Data-driven marketingGanar más dinero (XIII)
135
Lead generation, Nurturing and Scoring
Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/
Data-driven marketingGanar más dinero (XIV)
136
Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
Data-driven marketingGanar más dinero (XV)
137Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem
Data-driven marketingGanar más dinero (XVI)
138
RecencyCuán reciente es la última compra del cliente
FrequencyCon cuánta frecuencia compra el cliente
MonetaryCuánto gasta el cliente
Esta técnica de análisis está basada en el axioma de marketing de que el 80% del negocio procede del 20% de los clientes
Data-driven marketingGanar más dinero (XVII)
139
Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
Data-driven marketingAumentando el valor
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
140
Data-driven marketingVisión única del cliente
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
141
Data-driven marketingMatriz de estrategias con clientes
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
142
Data-driven marketingMarketing digital y Big Data/Business Intelligence
Landing page
- GIS- Segmentación- Dashboard
Cadena de valor del dato en acciones de captación directa
BBDD
Business Intelligence
SEO
Performance marketing
Social Media
143
Data-driven marketingConozca sus clientes y aumente sus ventas
144
Tabla de contenidosEl marketingClarificando conceptosMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing IntelligenceImplantación sistema Big Data
145
Experiencias Big DataCustomer Intelligence
Experiencias Big DataRetención de clientes
Experiencias Big DataEstrategias omnicanal
Experiencias Big DataEstrategias omnicanal (II)
Experiencias Big DataGeomarketing
Experiencias Big DataCLV vs. CAC
Experiencias Big DataMantener un diálogo a lo largo del Ciclo de Vida del
Cliente
Índice de contenidosEl marketingClarificando conceptosImpacto Big DataMétodo del casoTratamiento y gestión de datosCiclo de Business IntelligenceData-driven marketingExperiencias Big DataImplantación sistema Big Data
153
ImplantaciónEsquema general
154
ImplantaciónVisualización
“La visualización es crítica para el análisis de datos. Aporta una primera línea de ataque, revelando estructuras intrincadas en datos que no pueden ser absorbidas de otro modo. Descubrimos efectos inimaginables y cuestionamos aquellos que han sido imaginados.”
William S. Cleveland en Visualizing Data
155
ImplantaciónVisualización (II)
“Multidisciplina que representa los datos transformándolos en información semántica a través de medios gráficos, combinando su funcionalidad y estética
con simplicidad y estimulando la participación de los usuarios”
Mosaic BSDA del blog Ignasi Alcalde
156
“Perfection is achieved not when there is nothing more to add, but when there is nothing
left to take away”
Antoine de Saint-Exupery
ImplantaciónVisualización (III)
157
Narrativa+
Diseño+
Estadística
ImplantaciónVisualización (IV)
158
ImplantaciónVisualización (V)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef016760ebbbcd970b-550wi159
ImplantaciónCuadros de mando analíticos
Fuente: http://www.bi-spain.com/articulos.php?id_seccion=146&opinion=0&esenciales=0160
ImplantaciónCuadros de mando analíticos (II)
VisualRecursos gráficos de forma inteligente
Todo en una hojaConcentrar y llamar la atención
Solo factores claveIr al grano y enfocar el análisis → optimización
Contener ideas y comentariosIdentificar oportunidades y problemas161
Visualización de la inteligencia en BI
ImplantaciónCuadros de mando analíticos (III)
162
Visualización de la inteligencia en BI
Fuente: https://public.tableau.com/s/gallery/diversity-post-secondary-education-us
ImplantaciónCuadros de mando analíticos (IV)
163
ImplantaciónGoogle Drive Analytics
164
ImplantaciónGoogle Drive Analytics (II)
165
ImplantaciónGoogle Drive Analytics (III)
166
ImplantaciónChartbeat
167
ImplantaciónKlipfolio
168
ImplantaciónKlipfolio (II)
169
ImplantaciónKlipfolio (III)
170
ImplantaciónKlipfolio (IV)
171
ImplantaciónKlipfolio (V)
172
ImplantaciónKlipfolio (VI)
173
En definitiva, el dato al servicio del negocio … y no
viceversa
Pongamos los datos a trabajar :-)
174
Copyright (c) 2015 University of DeustoThis work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative
Commons “Attribution-ShareAlike” License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/3.0/
Alex Rayón JerezNoviembre 2015
Marketing Intelligence: optimizando mi
estrategia de marketing a través del Big Data
Del Business Intelligence al Business AnalyticsAlex Rayón Jerez
26 de Noviembre de 2015Bilbao
