Customer Analytics Final.pdf

Customer Analytics

Mejorando la inteligencia del cliente a travs de los datos

Jordi Conesa i Caralt (Coordinador) Nria Braulio Gil Josep Curto Daz

Universitat Oberta de Catalunya 3 Customer Analytics

ndice

Introduccin ....................................................................................... 5 Objetivos ............................................................................................ 7 1. La nueva normalidad ...................................................................... 9

1.1. CRM ........................................................................................ 9 1.2. El nuevo consumidor .............................................................. 11 1.3. Las nuevas necesidades organizacionales .............................. 12 1.4. La era del Big Data ................................................................. 13 1.5. Estrategias corporativas en la nueva normalidad ................... 15

2. Customer Analytics ........................................................................ 17

2.1. Origen .................................................................................... 17 2.2. Definicin ............................................................................... 18 2.3. Evolucin ................................................................................ 19 2.4. Metodologa ........................................................................... 20 2.5. Tecnologas ............................................................................ 26 2.6. Tipo de anlisis ....................................................................... 30 2.7. La importancia de crear perfiles de clientes .......................... 36 2.8 Customer Analytics y Big Data ............................................... 38

3. Implantacin de Customer Analytics .............................................. 42

3.1. Objetivos ................................................................................ 42 3.2. Fases ...................................................................................... 48 3.3. Beneficios ............................................................................... 49 3.4. Barreras .................................................................................. 50 3.5. Buenas prcticas .................................................................... 51

4. Ejemplos de Customer Analytics .................................................... 52

4.1. Calculando el Customer Lifetime Value .................................. 52 4.2. Segmentacin de clientes basada en CLV ............................. 53 4.3. Construyendo un anlisis de la cesta de compra ................... 55 4.4. Ejemplos de empresas que usan Customer Analytics ............ 60

5. Mercado de Customer Analytics .................................................... 73

5.1. Situacin de mercado ............................................................ 73 5.2. Proveedores de mercado ....................................................... 77

Resumen ............................................................................................. 83


Bibliografa .......................................................................................... 84


Introduccin

Durante las ltimas dcadas, la reduccin en costes de hardware, softwa-re, servicios TI y comunicaciones ha permitido a organizaciones e institu-ciones definir, desarrollar e implementar sistemas de informacin para el soporte de sus procesos de negocio. La facilidad de acceso a sistemas de informacin de toda ndole (desde sistemas operacionales hasta sistemas CRM) ha permitido digitalizar pau-latinamente los procesos de negocio, obtener datos estructurados sobre el rendimiento de la organizacin y ha abierto la puerta a analizar dichos datos. Las organizaciones han usado estrategias, como la inteligencia de nego-cio, para tomar mejores decisiones a partir de los datos. A medida que estas prcticas de anlisis se han extendido, ms y ms empresas se han interesado por explotar de forma eficiente la informacin de cliente y desplegar iniciativas orientadas a captar una mayor cantidad de datos como los programas de fidelizacin. Con el advenimiento de las redes sociales y la democratizacin de Inter-net, las fuentes de datos vinculadas con el negocio han superado el per-metro corporativo y actualmente, para comprender al cliente, ya no es suficiente con analizar las fuentes de datos internas. Este fenmeno tam-bin ha producido, por un lado, una nueva tipologa de clientes ms in-formados y que demanda una mayor transparencia de las organizaciones y, por otro, el desarrollo de estrategias de compra, venta e interaccin multicanal (desde offline hasta redes sociales). Como resultado, las organizaciones se estn viendo obligadas a centrarse en el cliente y a transformar sus estrategias de marketing, comunicacin y ventas en experiencias que deben estar fundamentadas en las necesi-dades y preferencias de los clientes. El presente material busca capacitar a profesionales en el contexto del anlisis de la informacin de clientes, tambin conocido como Customer Analytics, con el objetivo de poder desarrollar estrategias en el seno de su propia organizacin.

TI es el acrnimo de Tecnologas de la Informacin.

CRM es el acrnimo de Customer Relationship Managememt, que hace referencia a la gestin de la relacin con clientes.


Objetivos

Este material est dirigido a: Desarrolladores y consultores que buscan conocer las estrategias de

Customer Analytics Consultores que quieren ayudar al desarrollo de estrategias de Custo-

mer Analytics Gestores que estn interesados en desplegar iniciativas de Customer

Analytics en su organizacin Y tiene los siguientes objetivos: Contextualizar la necesidad de estrategias de anlisis de la informacin

de clientes Dar a conocer el concepto de Customer Analytics as como sus

beneficios y barreras de implementacin Presentar el uso de Customer Analytics en diversas organizaciones Proporcionar informacin sobre el mercado de Customer Analytics Si bien la obra es autocontenida en la medida de lo posible, los conoci-mientos previos necesarios para este curso son: Conocimientos sobre el concepto y las tcnicas que conforman

Business Intelligence y Business Analytics Conocimientos sobre estrategias de marketing, comunicacin y ventas Se introducirn los conceptos necesarios para el seguimiento del curso.


1. La nueva normalidad

Tal y como apunta Manuel Castells, vivimos en la era de la informacin: un periodo histrico caracterizado por una revolucin centrada en las tecno-logas digitales de informacin y comunicacin. En este contexto, las or-ganizaciones estn viviendo una profunda transformacin no slo desde la perspectiva de los sistemas de informacin o de la necesidad de lidiar con las nuevas estructuras en red, sino tambin en la adopcin de la idea que el dato se est convirtiendo en el activo ms relevante para competir en esta era. En esta direccin destaca que esta nueva era no slo afecta a las organi-zaciones sino que es un cambio global que afecta profundamente a la sociedad y, por ende, al cliente. A continuacin revisaremos ciertos facto-res que definen el nuevo contexto en el que compiten las organizaciones y cmo las estrategias y los sistemas CRM pueden considerarse como los precursores de Customer Analytics. 1.1 CRM El inters de las organizaciones por comprender a sus clientes e incre-mentar las ventas no es nuevo. De hecho, a principios de los 90 podemos encontrar las primeras aplicaciones orientadas a automatizar las activida-des asociadas con la venta, llamadas SFA. Rpidamente, las aplicaciones que gestionaban la informacin de cliente se multiplicaron para dar solu-ciones concretas a necesidades especficas, de forma que aparecieron sistemas de informacin independientes para el call center, la atencin a clientes, el help desk y el soporte de servicios y productos. Cada una de estas aplicaciones estaban soportadas por una base de datos diferente que guardaba una parte especfica del historial del cliente. Este enfoque inicial en silos de informacin supuso una barrera importan-te en el desarrollo de una estrategia nica de clientes puesto que diferen-tes reas de la compaa tenan una visin propia e incompleta del cliente. De forma natural, a finales de los 90 aparecen las primeras soluciones integrales y se empieza a desarrollar una estrategia de gestin integral de clientes, lo que se conoce actualmente como CRM. El CRM, por lo tanto, hace referencia al mismo tiempo a dos conceptos. Por un lado a un modelo de gestin de toda la organizacin basado en la orientacin al cliente. Por otro lado, al sistema de informacin que da apoyo a la gestin de las relaciones con clientes, fuerza de venta y mar-keting. Como resultado, aquellas organizaciones que han implementado

Manuel Castells es el autor de la triloga La era de la Informacin (2006) donde profundiza sobre la transformacin de la sociedad basada en las tecnologas digitales.

SFA es el acrnimo de Sales Force Automation o automatizacin de la fuerza de ventas.

Peppers, D. y Rogers, M. (2011). Managing Customer Relationships: A Strategic Framework. New York: Wiley


un CRM tienen una visin ms completa de sus interacciones con los clientes y pueden responder de forma ms eficiente. De hecho, tal y co-mo apuntan Peppers y Rogers:

Una empresa que se vuelca en sus clientes es una empresa que utiliza la informacin para obtener una ventaja competitiva y alcanzar el crecimiento y la rentabilidad.

Por ello, podemos considerar el CRM como el punto de partida para la mejora de la comprensin de los clientes a travs de los datos. Las estrategias y los sistemas CRM han ido evolucionando desde sus inicios pasando por diversas oleadas de evolucin, tal y como apuntan Hannu Saarijrvi, Heikki Karjaluoto y Hannu Kuusela en el artculo Custo-mer Relationship Management: The Evolving Role of Customer Data y que se resume en la siguiente tabla:

Dispersin del dato Organizacin del dato Propiedad del dato Colaboracin del

dato

Fase evolutiva

Principio 90s. Soluciones inde-pendientes: SFA, Call Center,

Finales 90s. CRM entendido como marketing, ventas y servicio

2000 -2010. CRM como estrategia global

2010 2020. Inicio del CRM social

Caractersticas

Desarrollo de soluciones tecnol-gicas para la inter-accin con clientes

Gestin del dato de cliente al servicio de la organizacin

El dato del cliente como activo de valor. Desarrollo de programas de fidelizacin

Uso de datos externos y trata-miento de datos

Foco Solucin tecnolgi-ca Solucin tctica y operacional

Estrategia y cultura corporativa

Co-creacin de valor y experien-cias

Objetivo Mejorar eficiencia de ventas y soporte

Reducir costes de interacciones con el cliente e incremen-tar la retencin de cliente

Reduccin de costes y crecimien-to de ingresos

Predecir compor-tamiento de cliente

Creacin de valor a partir del cliente

Orientacin al cliente

A pesar que desde la academia se distinguen las diversas fases de evolu-cin del CRM, es necesario comentar que podemos encontrar empresas precursoras en estas iniciativas. En Espaa el desarrollo de programas de fidelizacin se inici con anterio-ridad al ao 2000. Por ejemplo, Iberia Plus ya exista desde 1995 y los Puntos Estrella de la Caixa desde 1997. Por otro lado, el desarrollo inten-sivo de iniciativas de inteligencia de negocio en la banca puede encontrar-se a mediados de la dcada de los noventa y, por lo tanto, podemos en-contrar las primeras iniciativas del dato de cliente como activo de valor. 1.2 El nuevo consumidor

Iberia, es una aerolnea espaola, fundada en 1927. La Caixa es el nombre comercial de Caixa d'Estalvis i Pensions de Barcelona. Es una caja de ahorros espaola con sede en Barcelona. Actualmente ha derivado la parte financiera y bancaria a la filial con nombre CaixaBank.


Los cambios tecnolgicos de los ltimos treinta aos han ido transfor-mando progresivamente los hbitos de los consumidores. Es necesario destacar principalmente tres de ellos: La democratizacin de Internet, que ha permitido a los consumidores

acceder a una mayor cantidad de informacin sobre productos y servicios a adquirir;

el advenimiento de las redes sociales y otras tecnologas como blogs y wikis que han permitido compartir preferencias y opiniones sobre servicios y productos; y

la explosin de dispositivos digitales de todo tipo que permiten que los consumidores estn conectados de forma continua y puedan acceder y compartir cualquier informacin en el momento deseado.

Tal y como apuntan estudios de Havas1, IDC2 o Nielsen3, en esta era el nuevo consumidor est ms informado, instrumentado y conectado. Y, por lo tanto, no slo es ms inteligente y est empoderado por las tec-nologas, sino que adems es mucho ms exigente que las anteriores ge-neraciones de compradores. Lejos quedan los das en los que Henry Ford declaraba que cualquier cliente puede tener un coche pintado del color que desee siempre que sea negro. Con clientes cada vez menos fieles a la marca o la tradicin, y siendo ms selectivos con los productos y servi-cios gracias a sus amplios conocimientos, a la disposicin de informacin y su creciente capacidad crtica, las organizaciones necesitan tambin ser ms inteligentes. El hbito de buscar primero la informacin online y despus comprar offli-ne, lo que se conoce como ROBO4, est caracterizando tambin el nuevo proceso de compra. Antao el comprador tena un solo camino (o senda de compra) que consista en acercarse a una tienda y realizar la compra en la misma; actualmente el proceso de compra no es lineal: el consumi-dor frecuentemente intercala el uso de los diferentes canales a su dispo-sicin (online, mobile, social media y offline) durante su proceso de com-pra y esto dificulta la trazabilidad del proceso. La siguiente tabla recoge los mltiples puntos de contacto que existen en el proceso de compra:

Estmulo Navegacin Bsqueda Descuento / Recompensa Transaccin Seguimiento

Facebook

Pginas de descuentos

Catlogo (impreso)

Tienda

Tienda digital

Facebook

Groupon

Wrapp

Pginas de

Call Center

POS

Kiosco digital

Blogs

Opiniones de productos (in-site

1 The New Consumer. Havas. URL: http://www.prosumer-report.com 2 De Castro, M., Dunbrack, L., Hand, L. New Consumer Expectations and Impact on Banking, Healthcare, and Retail. 2014. IDC 3 Continuos Innovaton: The Key to Retail Success. 2014. Nielsen 4 ROBO es acrnimo de Research Online, Buy Offline.

Al camino o senda que sigue el cliente desde que se interesa por un producto hasta que realiza la compra se denomina en ingls customer journey.


Estmulo Navegacin Bsqueda Descuento / Recompensa Transaccin Seguimiento

diarios

Blogs

Boca a boca

Twitter

Email

Aplicacin mvil

Tienda online

Opiniones de productos (in-site & terceros)

Chat (asis-tentes virtua-les)

descuentos

Esquemas de fidelizacin

(in-store)

Facebook

Aplicacin mvil

Tienda online

& terceros)

Tienda

Email CC

Twitter

Facebook

1.3 Las nuevas necesidades organizacionales Frente a un consumidor ms informado, instrumentado e interconectado, las organizaciones estn empujadas a transformar su experiencia de com-pra hacia una experiencia multicanal integrada para ser capaces de tener una trazabilidad del elusivo dato del cliente. El camino hacia la multicanalidad pasa por diferentes fases: Adaptar los procesos de compra e interaccin para cada uno de los

canales disponibles. Ajustar la experiencia de usuario al canal, por ejemplo, ofreciendo

ofertas en base a la situacin geogrfica si el usuario est usando el canal mvil.

Integrar y orquestrar los diferentes sistemas de informacin. Esto supone para muchas empresas una redefinicin de su arquitectura empresarial.

Desarrollar estrategias de gestin de contenidos multiplataforma para habilitar la distribucin eficiente de experiencias.

Monitorizacin y orquestracin del ciclo de vida del cliente independientemente del canal usado.

Tal y como apunta IDC5, esta transformacin supone una fuerte inversin para las organizaciones al tener que revisar completamente su infraestructura tecnolgica y de procesos. Por lo tanto, en lugar de definir una estrategia multicanal, las organizaciones han ido desarrollando iniciativas para cada uno de sus canales de forma independiente. Para, a posteriori, una vez descubiertos los nuevos hbitos del consumidor, redefinir la infraestructura que soporta sus procesos de compra e interaccin con el cliente. Las organizaciones necesitan datos en tiempo real sobre el comportamiento de sus clientes, y adems, desarrollar una capacidad analtica para comprender los motivos detrs de dichos comportamientos. No solamente es necesario para evitar la prdida de clientes que estn a un click de adquirir un producto de la competencia, sino tambin para 5 http://en.wikipedia.org/wiki/Omni-channel_Retailing


poder ajustar mejor los productos y servicios a las preferencias de clientes.

Uno de los ejemplos principales del ajuste entre las preferencias de cliente y el producto, lo podemos encontrar en la serie de televisin House of Cards creada por Netflix. Las preferencias de los cuarenta millones de usuarios de Netflix en 2012 permitieron definir el director, el actor principal, la trama, ciertas escenas e incluso la forma de distri-bucin de la serie.

Por lo tanto, la analtica de cliente no es una mera funcin al servicio de marketing, como lo fue en el pasado. Es vital para el desarrollo de productos, servicios y otras funcionalidades que se necesitan en la empresa.

1.4 La era del Big Data En la era de la informacin tanto las organizaciones como los consumido-res se han convertido en generadores de informacin. A estos dos gene-radores de datos se les ha unido una nueva generacin de objetos inteli-gentes y sensorizados6 capaces de enviar y recibir datos que persiguen mejorar procesos de negocio e identificar patrones de uso y comporta-miento. Entre estos objetos nos encontramos contadores, ascensores, tuberas, edificios, alumbrado, pero tambin es necesario tener presen-te otros dispositivos orientados al consumidor7, como por ejemplo, los relojes inteligentes. Nos encontramos entonces ante un escenario en el que la informacin referente a una organizacin ya no slo se encuentra en los sistemas corporativos sino que puede encontrarse en sistemas de informacin de terceros (los proveedores), redes sociales (como Facebook, Twitter o YouTube), en los dispositivos mviles de sus clientes o, incluso, en dispo-sitivos pertenecientes al Internet de las Cosas. Como consecuencia, la naturaleza de los datos ha cambiado: se genera una mayor cantidad de informacin desestructurada, que proviene de mltiples fuentes y a una mayor velocidad.

6 Los sensores/objetos conectados a Internet forman una red de dis-positivos conectados que conocemos como Internet de las Cosas o Internet of Things. 7 Una de las tendencias que se espera que transforme el mercado de consumo son los dispositivos sensorizados integrados en ropa, relo-jes, anillos, zapatillas o cualquier objeto que sea usado por personas, lo que se conoce como wearable computing.


En 20098, IDC estim el tamao de la informacin digital generada y guardada, a la que llam el Universo Digital, en 0,8 Zettabytes9 y predijo que para el ao 2020 se llegaran a los 35 Zettabytes. Posteriores estu-dios de la misma compaa, han revisado la cifra al alza para 2020 y la han ajustado a 40 Zettabytes. Esta revisin ilustra la aceleracin en la creacin de datos fruto de una mayor incorporacin de usuarios a Inter-net, del despliegue de una mayor cantidad de dispositivos inteligentes y de la explosin de la era post-PC10. Esta explosin de datos est caracterizada por un crecimiento en las magnitudes fsicas del dato: volumen, variedad y velocidad. Se crea un mayor volumen de datos, provenientes de una mayor variedad de fuen-tes, representados en mltiples formatos y que se deben capturar y con-sumir a una mayor velocidad. Este nuevo paradigma de los datos se co-noce frecuentemente Big Data, si bien el nombre produce confusin teniendo en cuenta su referencia a slo una de las magnitudes (volumen). ste es un problema comn a muchas organizaciones, aunque para cada una de ellas el problema del dato se caracteriza de una forma nica que depende de la madurez digital de la organizacin, del sector en el que opera as como de su estrategia corporativa. 1.5 Estrategias corporativas en la nueva normalidad Ante el reto de generar valor a partir de la informacin, las organizaciones han ido desarrollando diferentes estrategias de datos. Como hemos visto anteriormente, el enfoque inicial para gestionar la informacin de cliente ha sido el despliegue de sistemas CRM que han ido progresivamente evo-lucionando para ir respondiendo a las nuevas necesidades. En paralelo al desarrollo de las estrategias CRM, las organizaciones han ido desarrollando otras iniciativas para mejorar la toma de decisiones y gene-rar valor a partir del dato. Estas iniciativas son: La inteligencia de negocio, o Business Intelligence, que busca

comprender el rendimiento pasado de una organizacin. La analtica de negocio, o Business Analytics, que a partir del

rendimiento pasado de una organizacin busca detectar patrones ocultos en la informacin y/o poder predecir resultados futuros

8 Gantz, J. y Riensel D. (2009). As the Economy Contracts, the Digital Universe Expands. IDC 9 1 Zettabyte es 1021 bytes 10 Este trmino se refiere al momento en el que la cantidad de telfo-nos inteligentes y tabletas producidas y vendidas supera al nmero de PCs.


La gestin del datos, o Data Management, que busca mejorar la disponiblidad, la seguridad, la calidad, la accesibilidad, la propiedad y/o la auditora de datos, as como la gestin de datos maestros.

Big Data, que consisten en una coleccin de tecnologas y estrategias para extraer valor de conjuntos de datos que anteriormente no eran considerados por la complejidad presentada en volumen, variedad y/o velocidad.

De forma natural, estas estrategias de datos van a formar parte de una estrategia de analtica del cliente, o Customer Analytics.


2. Customer Analytics

2.1 Origen Como ya se ha apuntado en el captulo anterior, podemos encontrar parte de las races del Customer Analytics en las estrategias y sistemas CRM que buscan mejorar la interaccin con el cliente. Este tipo de sistemas han permitido empezar a guardar de forma sistemtica el historial de cliente, sin embargo el objetivo no ha sido el anlisis de los datos de cliente sino la creacin de experiencias que atraen, convierten y retienen clientes y hacerlo de una forma colaborativa y multicanal. La creacin en paralelo de diferentes estrategias para analizar datos y tomar decisiones vinculadas al cliente ayud a diferenciar dos tipos de CRM: El CRM operacional, que incluye todas las reas de contacto directo

con el cliente: desde la fuerza de ventas hasta el soporte. El CRM analtico que busca comprender el comportamiento del cliente

mostrado en las interacciones en el CRM operacional. El CRM analtico se ha apoyado tradicionalmente en las tecnologas de la inteligencia de negocio y la analtica de negocio para desarrollar el cono-cimiento del cliente. Tradicionalmente, el departamento de marketing ha liderado las iniciativas de anlisis de datos de clientes y ha empujado el desarrollo del CRM anal-tico puesto que se enfrentaban a mltiples decisiones a la hora de desti-nar recursos a la captacin y fidelizacin de clientes. La bsqueda de rentabilizar tanto las acciones de marketing como la comunicacin multi-canal empuj a desarrollar un slido conocimiento del cliente para ser capaz de identificar o modificar los patrones de compra de un cliente o incluso sus hbitos de uso de un servicio. Sin embargo, en el contexto de la nueva normalidad descrita en el primer captulo, la analtica de cliente no puede ser tan slo una mera funcin al servicio de marketing como lo fue en el pasado. Mltiples departamentos, desde finanzas hasta innovacin, pueden beneficiarse de tener en cuenta un marco de accin mucho ms amplio para los datos de cliente y, por lo tanto, es necesario extender el rol del CRM analtico y elevar el valor de esta estrategia. En esta era de la informacin, los datos de cliente son uno de los activos cruciales para el desarrollo de productos, servicios y


otras funcionalidades dentro de una organizacin como ya hacen compa-as como Google a travs de Gmail.

Gmail es el servicio de correo de Google. Este servicio es gratuito y se caracteriza por ofrecer una gran cantidad de almacenamiento as como de su facilidad de uso. Ser cliente de este servicio supone aceptar que los sistemas de anlisis de Google revisan en tiempo real cada uno de los correos enviados a travs de esta plataforma. Este anlisis permite identificar potenciales necesidades y preferencias de los usuarios y ajustar el tipo de anuncios que son mostrados al cliente en un breve lapso de tiempo. En definitiva, gracias al anlisis de datos de clientes, Google no slo se ajusta a sus preferencias, sino que al mismo tiempo es capaz de optimizar las subastas de anuncios.

2.2 Definicin Es necesario extender el concepto del CRM analtico y ampliar su aplica-cin ms all del departamento de marketing o de los confines de la anal-tica de negocio. De hecho, en los ltimos aos Customer Analytics est emergiendo como un rea independiente para el anlisis y la toma de de-cisiones. Existen diversas definiciones del concepto de Customer Analy-tics, pero la que se proporciona desde WCAI recoge los principales facto-res que definen esta estrategia de negocio:

Customer Analytics hace referencia a la captura, gestin, anlisis y la generacin de valor estratgico de los datos de cliente de una organizacin.

Hay diversas caractersticas que distinguen este tipo de analtica de otras aplicaciones como: La granularidad del dato: debe considerarse a nivel del individuo

(cliente). Foco en predicin: hay una marcada orientacin a la prediccin y no

slo a la descripcin. Multi-plataforma: se deben combinar los diferentes comportamientos

del cliente en los diferentes sistemas que recogen sus interacciones siempre a un nivel individual.

Multi-sector/multi-aplicacin: no slo puede aplicarse a los consumidores, sino tambin a empleados, pacientes, es decir, se considera tanto el cliente interno como externo.

Multi-disciplinar: aplicable a mltiples departamentos o reas en una organizacin como marketing, innovacin, tecnologa, operaciones, y que require al mismo tiempo conocimientos dispares para poder extraer el mximo valor.

Estudio del comportamiento: aunque el estudio de cliente incorpora variables descriptivas como la demografa, el foco principal es la comprensin y la identificacin de patrones de comportamiento.

WCAI es el acrnimo de Wharton Customer Analytics Initiative, un centro de investigacin de la Universidad Wharton focalizada no slo en la parte acadmica del Customer Analytics sino en su aplicabilidad directa a las organizaciones.


Longitudinal: consiste en estudiar cmo los patrones de comportamiento evolucionan a lo largo del tiempo.

Como es posible inferir, la analtica de cliente se beneficia de aquellas disciplinas que estudian cmo se comportan las personas. Entre ellas la economa del comportamiento, o behavioral economics. Esta rama del anlisis econmico y financiero se aplica a la investigacin sobre los fac-tores humanos y sociales, cognitivos y emocionales para comprender mejor las decisiones econmicas de los consumidores, prestatarios, inver-sionistas, y cmo afectan a los precios de mercado, los rendimientos y la asignacin de recursos. 2.3 Evolucin El desarrollo de estrategias de Customer Analytics dentro de una organi-zacin sigue un camino paralelo al despliegue de estrategias de inteligen-cia de negocio. Las organizaciones interesadas en generar valor a partir de los datos de cliente pasan por diferentes fases que van incrementando el valor que se genera a partir de dichos datos: Anlisis descriptivo: la organizacin es capaz de entender qu pas en

las interacciones de cliente. Por ejemplo, qu han comprado, cuantos clientes han dejado de usar los servicios de la compaa o han comprado productos.

Anlisis de diagnstico: la organizacin es capaz de entender las razones por las que las interacciones con los clientes suceden. Por ejemplo, por qu los clientes compran un determinado producto.

Anlisis predictivo: la organizacin es capaz de predecir ciertas interacciones de cliente. Por ejemplo, qu clientes tienen la intencin de abandonar los servicios de la organizacin.

Anlisis prescriptivo: la organizacin es capaz de tomar decisiones vinculadas con las interacciones de clientes basadas en escenarios. Por ejemplo, identificar los clientes a los que aplicar estrategias de retencin.

Anlisis preventivo: la organizacin es capaz de actuar con antelacin a las necesidades de los clientes. Por ejemplo, enviando ofertas a los clientes antes que se definan sus necesidades.


FUENTE: JOSEP CURTO

2.4 Metodologas El desarrollo de iniciativas de Customer Analytics aunque usa tecnologas de inteligencia de negocio, analtica de negocio y Big Data est ms vin-culado a las metodologas de desarrollo de proyectos de minera de datos. Es necesario comentar que Business Analytics hace referencia, en reali-dad, a soluciones de negocio fundamentadas en la minera de datos que responden a una necesidad especfica. En Business Analytics podemos encontrar desde aplicaciones de analtica para recursos humanos (como la optimizacin de la fuerza de trabajo o el anlisis de competencias de em-pleados) hasta operaciones (como la optimizacin de la cadena de sumi-nistro). Por lo que Business Analytics consiste en soluciones de negocio preconfiguradas de minera de datos. De forma que en Customer Analytics se usan las mismas metodologas que en minera de datos. No es el objetivo de este material revisar en profundidad las caractersticas de cada una de ellas. Comentamos las ms usadas: CRISP-DM (Cross Industry Standard Process for Data Mining) SEMMA (Sample Explore Modify Model Assess) KDD (Knowledge Discovery and Data Mining) A continuacin revisamos las fases de cada una de estas metodologas. CRISP-DM

Ms informacin sobre las tcnicas, mtodos, algoritmos y metodologas utilizadas en los sistemas de analtica de negocio se puede encontrar en los materiales de Business Analytics de Jordi Girones Roig.


Esta metodologa11 presenta seis fases que pueden repetirse bidireccio-nalmente hasta que el modelo de anlisis creado se considera que ha al-canzado los resultados esperados. A continuacin describimos las princi-pales tareas en cada fase: 1. Comprensin del negocio, que consiste en determinar los objetivos y

requerimientos desde una perspectiva no tcnica: Establecimiento de los objetivos del negocio: contexto inicial,

objetivos y criterios de xito Evaluacin de la situacin: inventario de recursos, requerimientos,

supuestos, terminologas propias del negocio, etc. Establecimiento de los objetivos de la minera de datos: objetivos y

criterios de xito Generacin del plan del proyecto: plan, herramientas, equipo y

tcnicas 2. Comprensin de los datos, que consiste en familiarizarse con los datos

teniendo presente los objetivos del negocio: Recopilacin inicial de datos Descripcin de los datos Exploracin de los datos Verificacin de calidad de datos

3. Preparacin de los datos, que consiste en preparar el conjunto de datos adecuado: Seleccin de los datos Limpieza de datos Construccin de datos Integracin de datos Formateo de datos

4. Modelado, que consiste en aplicar las tcnicas de minera de datos a los conjuntos de datos: Seleccin de la tcnica de modelado Diseo de la evaluacin Construccin del modelo Evaluacin del modelo

5. Evaluacin, que consiste en evaluar los modelos de la fase anteriores para determinar si son tiles a las necesidades del negocio: Evaluacin de resultados Revisar el proceso Establecimiento de los siguientes pasos o acciones

6. Despliegue, que consiste en explotar utilidad de los modelos, integrndolos en las tareas de toma de decisiones de la organizacin: Planificacin de despliegue Planificacin de la monitorizacin y del mantenimiento

11 Para ms informacin consultad el artculo de investigacin: CRISP-DM: Towards a Standard Process Model for Data Mining.


Generacin de informe final Revisin del proyecto

FUENTE: RDIGER WIRTH, JOCHEN HIPP. FASES CRISP-DM

SEMMA Esta metodologa fue creada por SAS y est focalizada en las tareas de modelizacin. Consiste en cinco fases: Sample (Muestra): creacin de una muestra significativa para el

modelo. Explore (Exploracin): comprensin de los datos buscando relaciones

entre variables y anomalas. Modify (Modificacin): transformacin de las variables para las

necesidades del modelo. Model (Modelizacin): aplicacin de uno o varios modelos / tcnicas

sobre el conjunto de datos en la bsqueda de resultados. Assessment (Asesoramiento): evaluacin de los resultados del modelo.


FUENTE: SAS. FASES SEMMA KDD Esta trmino hace referencia12 al proceso de encontrar conocimiento en el dato y enfatiza el proceso de creacin de aplicaciones de minera de da-tos. Consiste en cinco fases (ms una fase previa de generacin de cono-cimiento): 1. Pre KDDD:

Desarrollo de comprensin del dominio de negocio Identificacin de las necesidades del cliente Adquisicin de competencias necesarias.

2. Seleccin: Identificar el conjunto de datos a analizar Seleccin de muestra y variables para el proceso de exploracin y

descubrimiento 3. Pre-procesamiento y limpieza de datos:

Eliminacin de ruido o valores atpicos Recogida de informacin para el modelo o para representar el ruido Estrategias para gestionar los datos que faltan Contabilizar secuencias temporales

4. Transformacin: 12 Para saber ms consultar el siguiente artculo: Fayyad, Piatetsky-Shapiro, Smyth, From Data Mining to Knowledge Discovery: An Over-view, Advances in Knowledge Discovery and Data Mining, AAAI Press / The MIT Press, Menlo Park, CA, 1996, pp.1-34


Reduccin y proyeccin de datos, que consiste en encontrar

caractersticas tiles para representar los datos en funcin del objetivo de la tarea

Usar mtodos de reduccin o transformacin de dimensiones para reducir el nmero de variables efectivas

5. Minera de datos: Eleccin de la tarea de minera de datos: decidir si el objetivo del

proceso de KDD es clasificacin, regresin, clustering, etc. Eleccin del algortimo(s) de minera de datos, que incluye la

seleccin del mtodo(s) que se usar para la bsqueda de patrones en los datos, decidir qu modelos y parmetros pueden ser apropiados

Ajuste del modelo al proceso de KDD Bsqueda de patrones

6. Interpretacin y evaluacin Interpretar y evaluar resultados

7. Post-KDD Consolidar conocimiento adquirido

FUENTE: U. FAYYAD, G. P.-SHAPIRO Y P. SMYTH. FASES KDD

Comparativa de CRISP-DM, SEMMA y KDD Estas tres metodologas son similares tal y como apuntan Azevedo y San-tos, hecho que se recoge en la siguiente tabla. CRISP-DM SEMMA KDD

Comprensin del negocio Pre KDD

Comprensin de los datos Sample Seleccin

Preparacin de los datos Explore Pre-procesamiento y limpieza de datos

Modify Transformacin

Modelado Model Minera de datos

Evaluacin Assessment Interpretacin/Evaluacin

Azevedo, A. and Santos, M. F. KDD, SEMMA and CRISP-DM: a parallel overview. In Proceedings of the IADIS European Conference on Data Mining 2008, pp 182-185.


CRISP-DM SEMMA KDD

Despliegue Post-KDD

2.5 Tecnologas Las tecnologas que conforman Customer Analytics son aqullas que for-man parte de la inteligencia de negocio, la analtica de negocio, Big Data y la gestin de datos. Podemos encontrar dos tipos de plataformas: genricas y especializadas. Las plataformas genricas permiten analizar cualquier tipo de dato

corporativo. Las plataformas especializadas estn slo orientadas a los datos de

clientes. Sea cual sea el tipo de plataforma, las herramientas y tcnicas con las que las organizaciones capturan, procesan, analizan sus datos son: 1. Business Intelligence

Herramientas de informes OLAP Cuadros de mando Herramientas de ETL y ELT Data Warehouse / Data Mart Anlisis geolocalizacin de clientes (SIG BI) Data Discovery

2. Business Analytics

Data mining (considerando regresin, segmentacin, scoring y otros modelos predictivos)

Text mining (que incluye por ejemplo, anlisis de sentimiento) Content Analytics Tcnicas y herramientas de visualizacin Anlisis de caminos crticos y sendas de compras

3. Big Data

Hadoop y tecnologas de su ecosistema. Tecnologas NoSQL

4. Gestin de datos

Governanza de datos Calidad de datos Orquestracin de datos (data hub) Federacin de datos

OLAP es el acrnimo de Online Analytical Processing, o procesos analticos online.

ETL es el acrnimo de Extract, Transform y Load. ELT es el acrnimo de Extract, Load and Transform. Ambas se refieren a tcnicas de procesamiento de datos.


FUENTE: JOSEP CURTO

La existencia de tantas tecnologas y herramientas provoca que muchas organizaciones hayan seguido diferentes caminos para desarrollar una estrategia de Customer Analytics. En algunas organizaciones surge como la evolucin natural de combinar las estrategias CRM y BI, en otras nace ms vinculado con la bsqueda de la optimizacin del mdulo analtico incluido en el sistema CRM. Aunque hemos distinguido en varios bloques las tecnologas que forman actualmente Customer Analytics, lo que es cierto es que las plataformas actuales suelen combinar varias de las tecnologas. La mayora de organizaciones comienzan su andadura en la analtica de clientes con tcnicas de Business Intelligence y OLAP, para avanzar pos-teriormente a herramientas de anlisis predictivo y data mining. En reali-dad, no son tcnicas excluyentes, y a menudo se utilizan en paralelo en una misma organizacin para diferentes objetivos y son gestionadas por distintos perfiles de usuarios. Se trata de encontrar la complementariedad para ayudar al proceso de toma de decisiones. Business Intell igence El foco principal del BI es proporcionar anlisis descriptivo y de diagnstico. En algunas organizaciones se emplean herramientas de Data Discovery o descubrimiento de datos, para permitir que usuarios no tcnicos se mane-jen con datos y puedan realizar anlisis sencillos en modo autoservicio. Permite que los gestores de reas de negocio se familiaricen con los da-

BI es el acrnimo de Business Intelligence o Inteligencia de negocio.

El anlisis what-if, o de sensibilidad, es un trmino financiero que consiste en calcular los nuevos flujos de caja al cambiar una de las variables y comparar escenarios para identificar la mejor de las decisiones.


tos y de modo grfico puedan plantear escenarios de what-if, avanzando respecto a los reportes estandarizados. Business Analytics Los aspectos ms avanzados de analtica de clientes son los mtodos y herramientas de data mining. Permiten que las organizaciones gestionen con rapidez grandes volmenes de datos, testar hiptesis, predecir pro-pensiones de compra, estimar tasas de rotacin de clientes en distintos segmentos, determinar el valor del cliente y segmentarlo por hogar e ingresos, etc. Los rpidos cambios en los mercados y el incremento de conocimiento de los clientes de los productos y servicios existentes obligan a las organiza-ciones a desarrollar sus tcnicas analticas con celeridad y, a menudo, de forma reactiva, puesto que son conscientes del impacto que ello repre-senta en el negocio. Al utilizar mtodos predictivos, el objetivo es anticipar el comportamiento del cliente y detectar indicios de desvinculacin o de impago de servicios y productos, ms que actuar de forma reactiva. Es decir, llegar a ser proactivos y controlar factores de riesgo que afectan a las tasas de rota-cin de clientes. Las tcnicas de analtica avanzadas generalmente comprenden anlisis matemticos y estadsticos. Se trata de desarrollar, testar, entrenar y monitorizar modelos predictivos. Las organizaciones implementan anlisis predictivos y tcnicas de data mining para alcanzar diversos objetivos, entre ellos descubrir qu variables (de los cientos o miles de ellas que manejan) son discriminantes o ms significativas para determinar la fideli-dad de los clientes en muchos segmentos, o en aqullos ms rentables. Se construyen modelos estadsticos para aflorar patrones de comporta-miento, propensin de compra, sendas de desvinculacin, as como de-terminar momentos propensos para las acciones comerciales que garanti-cen una mayor efectividad en la venta cruzada de productos y servicios. Las herramientas y tcnicas de estadstica avanzada se usan tambin para desarrollar y desplegar scorings comportamentales para decidir el ajuste de los lmites de capacidad de compra de un cliente, y una amplia gama de anlisis de sensibilidad en su ciclo de vida. Big Data Big Data permite a las organizaciones capturar, procesar y analizar gran-des volmenes de datos, de mltiples fuentes y a una gran velocidad.


Suelen desarrollarse sobre entornos de capacidad de procesamiento en paralelo y de forma masiva. Las tecnologas de Big Data pueden combinarse con las de Business Inte-lligence y Business Analytics y as permitir desplegar todo tipo de anlisis sobre datos que presentan una mayor complejidad. La atribucin del canal de xito de una venta y su anlisis es un problema de Big Data, dada la cantidad y variedad de datos existentes. Las organi-zaciones que emprendan estos estudios necesitarn bases de datos es-pecializadas y complejidad de anlisis. Se trata de manejar complicados algoritmos y mucho volumen y detalle de datos para encontrar la senda adecuada. Para estos anlisis lo ptimo ser integrar la informacin pro-cedente del comportamiento del cliente en el mundo online y offline. A menudo, la integracin de las diferentes fuentes de datos supone reali-zar la gestin de los mismos, con procesos sofisticados y estructuracin en funcin de los resultados obtenidos. Ello puede ser complejo con sis-temas de bases de datos relacionales dado que requieren estructurar los datos de forma extensiva para que el sistema reconozca cada vez qu tablas debe abordar al lanzar una consulta. Para ello las organizaciones debern desarrollar nuevas metodologas de gestin y almacenamiento de los datos (Hadoop+, MongoDB). 2.6 Tipo de anlisis Existen mltiples anlisis dentro de la analtica de cliente. Este tipo de anlisis pueden vincularse a estrategias de cliente. La siguiente tabla pre-senta algunos de los tipos de anlisis que pueden aplicarse para una de-terminada estrategia.

Estrategia Tipo de anlisis

Segmentacin de clientes

Clustering de grupos homogneos y heterogneos

Perfiles demogrficos y psicogrficos

Tendencias y patrones

Adquisicin de clientes

Propensin de compra

Anlisis de factores de compra

Anlisis de factores

Modelos de afinidad

Beneficio y fidelizacin de clientes

Anlisis de la propensin de mejora

Ventas cruzadas y ventas adicionales (cross-selling y up-selling)

Preferencias por canal

Anlisis de la cesta de compra

Optimizacin

Modelos de diseo de decisiones ptimas

Anlisis de la elasticidad de precios

Un perfil psicogrfico hace referencia a una segmentacin de cliente segn la clase social, el estilo de la vida, la personalidad y los gustos.


Estrategia Tipo de anlisis

Modelos RFV

Modelos de levantamiento de ventas y atencin de cliente

Anlisis social y de sentimiento

Retencin de clientes

Anlisis churn

Anlisis y modelos de respuesta

Prediccin

Anlisis What-if

Eficiencia

Modelos de marketing mix

Modelos de atribucin

Modelos de sustentacin de respuestas

As mismo el tipo de anlisis se puede vincular al conocimiento de cliente que se busca generar. Existen diferentes categoras de conocimiento: comportamiento, rentabilidad, ciclo de vida, fidelizacin, inters y campa-as. Comportamiento Se busca comprender patrones y comportamiento del cliente. Interesan por lo tanto conocer aspectos como: Puntualidad. Por ejemplo, cul es la probabilidad de que un cliente

page cada mes por el servicio contratado? ndice de Riesgo. Por ejemplo, cul es el riesgo de impago asociado a

un cliente? Patrones de compra. Por ejemplo, quin compr qu productos?

Qu productos son los mejores (por regin, por canal, etc.)? Anlisis de la afinidad. Por ejemplo, qu objetos se tienden a comprar

juntos? Anlisis de la propensin. Por ejemplo, quin tiende a comprar qu

productos? Cul es el perfil de los clientes que compran el producto A, pero no el producto B? Cul es el perfil de los clientes que compran por un determinado canal?

Perfiles por puntualidad. Por ejemplo, cul es el perfil de los clientes que pagan a treinta das respecto los que pagan a sesenta?

Perfiles por riesgo. Por ejemplo, cul es el perfil de los clientes con mayor riesgo de impago?

Patrones de eventos. Por ejemplo, cul es el comportamiento de compra durante un evento de ventas o marketing? Provoca un evento un mayor gasto por pedido?

Rentabil idad Se busca comprender el valor monetario del cliente. Interesan por lo tan-to conocer aspectos como:


Rentabilidad actual. Por ejemplo, cul es el valor agregado neto por

cliente? Rentabilidad potencial. Por ejemplo, cul es la rentabilidad esperada

para un determinado cliente? Rentabilidad futura. Por ejemplo, cul es la rentibilidad de un

determinado cliente en el futuro basado en el comportamiento de clientes similares?

Perfiles de rentabilidad. Por ejemplo, quines son los clientes ms rentables? Estamos invirtiendo recursos en su servicio?

Conversin de rentibilidad. Por ejemplo, alcanzan los clientes su rentabilidad potencial?

Cuota de cartera, o wallet share. Por ejemplo, qu porcentaje del presupuesto el cliente se gasta en nuestros servicios y productos?

Ciclo de vida Se busca comprender la relacin del cliente y la organizacin en el largo plazo. Interesan por lo tanto conocer aspectos como: Valor a lo largo del ciclo de vida (LTV). Por ejemplo, a partir de la

rentabilidad presente, potencial y futura se determina el valor neto total estimado del cliente.

Valor potencial a lo largo del ciclo de vida (LTV Potencial). Por ejemplo, se busca identificar el mximo valor que puede proporcionar un cliente a la organizacin a lo largo de su vida.

Perfiles por valor del ciclo de vida (Perfiles LTV). Por ejemplo, cmo son nuestros clientes en funcin del valor que aportan a la organizacin? Son iguales aqullos que proporcionan un alto valor a la organizacin que los que aportan un bajo valor?

Fidelizacin Se busca conocer el grado de fidelizacin a la organizacin. Interesan por lo tanto conocer aspectos como: Recencia. Por ejemplo, cun reciente ha comprado el cliente? Frecuencia. Por ejemplo, con qu frecuencia compra el cliente? Valor monetario. Por ejemplo, cunto gasta el cliente? Churn. Por ejemplo, qu clientes son propensos a abandonar los

productos y servicios por los competidores? Adquisicin. Por ejemplo, quines son los posibles clientes de una

organizacin? Cules de ellos tienen un mayor valor? Retencin. Por ejemplo, qu clientes son propensos a desertar de

nuestros servicios? Es interesante retenerlos?

LTV es el acrnimo de Lifetime Value y se refiere al valor de un cliente a lo largo del ciclo de vida del mismo. Tambin se usa Customer Lifetime Value.

RFM es el acrnimo de Recency, Frecuency and Monetary value y es un mtodo para analizar el valor de un cliente basado en la renuencia, la frecuencia y el valor monetario.


Crecimiento. Por ejemplo, cmo convertir un cliente recin adquirido en uno leal?

Perfiles RFM. Por ejemplo, qu tipo de perfiles RFM tiene nuestra organizacin?

Perfiles de retencin. Por ejemplo, qu perfiles tienen los clientes con una alta propensin de abandono de nuestros servicios?

Perfiles de crecimiento. Por ejemplo, qu tipo de perfiles presentan nuestros clientes en funcin de su potencial crecimiento dentro de la organizacin?

Inters Se busca conocer la probabilidad de que los clientes respondan ante es-tmulos de marketing. Interesan por lo tanto conocer aspectos como: ndice de respuesta. Por ejemplo, qu probabilidad hay de que un

cliente responda a un futuro evento? Modelizacin de la respuesta. Por ejemplo, qu tipo de clientes tiene

ms probabilidad de responder a un evento futuro en base a determinado evento similar en un periodo anterior?

Anlisis de respuesta. Por ejemplo, qu provoca responder a un evento de comercilizacin?

Perfiles de respuesta. Por ejemplo, cmo son los perfiles de compra de los clientes que responden ante eventos?

Campaas Se busca comprender todos los factores asociados a un determinado evento o compaa. Interesan por lo tanto conocer aspectos como: ndice de respuesta. Por ejemplo, qu probabilidad hay de que un

cliente responda a un futuro evento? ROI. Por ejemplo, cul fue el beneficio por la inversin en la campaa

/ evento? Valor aadido estimado. Por ejemplo, cul fue el valor aadido que

aporta la campaa comparado con no hacer nada? Levantamiento. Por ejemplo, qu parte de la actividad de compra se

puede atribuir a esta campaa? Efectividad de eventos. Por ejemplo, qu tan efectivo fue el evento

en comparacin en trminos de compras si se compara con un escenario sin evento?

Canibalizacin de la rentabilidad. Por ejemplo, cmo ha afectado el evento en la rentabilidad? Ha supuesto la venta de productos o servicios de gama superior?

Canibalizacin de eventos. Por ejemplo, ha producido un determinado evento una reduccin de ventas en otro canal o regin?

ROI es el acrnimo de Return on Investment, o retorno de la inversin.


Rentabilidad del evento. Por ejemplo, cul fue el crecimiento de las ventas rentables atribuible al evento?

Eficacia cross-canal. Por ejemplo, qu impacto ha tenido en el efecto de compra en cada canal?

Efectividad del medio. Por ejemplo, qu medio es ms eficaz? Cul es menos eficaz?

La siguiente tabla presenta algunos tipos de anlisis de datos de cliente basados en las categoras de conocimiento y los vincula con algunas de las tecnologas, mtodos usados y capacidades necesarias.

Conocimiento Anlisis Mtodo Tcnica Capacidades

Comportamiento

Puntualidad Consultas / Reporting Procedimientos estructurados

Business Intelli-gence

ndice de riesgo Consultas / Reporting Procedimientos estructurados


Patrones de com-pra

Consultas / Reporting OLAP


Anlisis afinidad Anlisis descriptivo Anlisis de la cesta de compra

Business Analy-tics

Anlisis propen-sin

Anlisis descriptivo

Reglas de aso-ciacin

Business Analy-tics

Perfil puntualidad Anlisis descriptivo

rboles de decisin

Reglas de induc-cin

Business Analy-tics

Perfil riesgo Anlisis predictivo Multi-regresin Business Analy-tics

Patrones de even-tos

Anlisis predictivo

OLAP

Reglas de aso-ciacin

Business Analy-tics

Rentabilidad

Rentabilidad actual

Consultas / Reporting

Procedimientos estructurados


Rentabilidad potencial

Anlisis predictivo Multi-regresin

Business Analy-tics

Rentabilidad futura

Anlisis predictivo Redes neuronales

Business Analy-tics

Perfil de rentabili-dad

Anlisis predictivo

rboles de decisin

Reglas de induc-cin

Business Analy-tics

Conversin de rentabilidad

Anlisis predictivo

Regresin lineal / logstica

Business Analy-tics

Cuota de cartera Anlisis predictivo Regresin lineal / logstica

Business Analy-tics

Ciclo de vida

LTV Anlisis predictivo Estadstica Business Analy-tics

LTV potencial Anlisis predictivo Multi-regresin Business Analy-tics

Perfil LTV Anlisis predictivo Clustering super-visado

Business Analy-tics

Fidelizacin RFM Consultas / Reporting Procedimientos estructurados



Conocimiento Anlisis Mtodo Tcnica Capacidades

Churn Anlisis predictivo

rboles de decisin / Clasi-ficacin

Business Analy-tics

Adquisicin Consultas / Reporting Procedimientos estructurados


Retencin Consultas / Reporting Procedimientos estructurados


Crecimiento Consultas / Reporting Procedimientos estructurados


Perfiles RFM Anlisis predictivo

rboles de decisin

Reglas de induc-cin

Business Analy-tics

Modelos de adquisicin


Business Analy-tics

Perfiles de reten-cin

Anlisis predictivo

rboles de decisin

Reglas de induc-cin

Business Analy-tics

Perfiles de creci-miento

Anlisis predictivo

rboles de decisin

Reglas de induc-cin

Business Analy-tics

Conversin fideli-zacin


Business Analy-tics

Inters

Respuesta Anlisis predictivo Redes neuronales Business Analy-tics

Modelizacin de respuestas


Business Analy-tics

Anlisis de res-puestas


Business Analy-tics

Perfiles de res-puesta

Anlisis predictivo

rboles de decisin

Reglas de induc-cin

Business Analy-tics

Campaas

ndice de respues-ta

Anlisis predictivo Estadstica

Business Analy-tics

ROI Consultas / Reporting Procedimientos estructurados


Valor aadido estimado

Anlisis predictivo Regresin

Business Analy-tics

Levantamiento Consultas / Reporting Procedimientos estructurados


Canibalizacin de la rentabilidad




Canibalizacin de ventas




Rentabilidad del evento




Eficacia cross-canal




Efectividad del medio




2.7 La importancia de crear perfi les de clientes


Uno de los beneficios ms relevantes que puede proporcionar el dato de cliente es generar perfiles que permiten a la organizacin optimizar las interacciones con ellos. Para poder llegar a crear perfiles de clientes es necesario entender qu tipo de atributos contiene el dato de cliente, en qu consiste el perfil de cliente y los mtodos a usar. Es importante recordar que es necesario gestionar el dato para poder realmente ser capaz de extraer el valor del mismo. Esto incluye preocu-parse por: La calidad del dato para asegurarse que puede usarse para el anlisis La captura del dato para asegurarse que se capturan los atributos

adecuados para la creacin de perfiles de clientes La precisin del dato para asegurarse que tenemos acceso y

disponibilidad del nivel de detalle adecuado para el anlisis La geolocalizacin del dato para asegurarse que podemos estudiar

demogrficamente el cliente Las relaciones, la conectividad y las jerarquas del dato para poder

encontrar relaciones entre clientes, productos y transacciones Tipos de dato de cliente Este tipo de necesidades nos permiten deducir que existen cuatro tipos de dato de cliente que son necesarios para desarrollar perfiles de cliente analticos: Datos descriptivos, que definen el cliente en el contexto de la

organizacin. Por ejemplo, para ciertos servicios los hijos deben ser considerados como un atributo a distinguir pues son susceptibles de recibir servicio (aunque no aporten en los ingresos).

Datos de atribucin: son atributos que permiten clasificar a un cliente como puede ser su direccin postal, edad o nivel de educacin.

Datos de relacin, que permiten comprender las relaciones entre clientes como por ejemplo, si se pertenece a una afiliacin.

Datos de comportamiento que describen cmo se comporta el cliente ante la exposicin de productos, servicios, canales y campaas de la organizacin.

Perfi les de clientes Los diferentes tipos de dato de cliente permiten construir perfiles de clientes basados en ellos. En funcin del objetivo de negocio, es necesario seleccionar varios de los atributos, identificar aqullos que son relevantes, organizar los clientes en funcin de los atributos relevantes, clasificar los segmentos respecto un comportamiento esperado y usar el modelo de


segmentacin para tomar decisiones. La siguiente tabla muestra algunos ejemplos de objetivos de negocio y potenciales atributos a usar:

Objetivos de negocio Atributos potenciales

Mejora de las acciones de marketing Edad, gnero

Mejora de la fidelizacin y la retencin Edad, duracin

Eliminar los clientes de poco valor Gasto promedio, duracin, valor neto

Servicio VIP Valor neto, gasto medio mensual

Caractersticas para segmentar clientes La creacin de perfiles de clientes depende principalmente de tres tipos de datos: Demogrficos como edad, genero, tnia, pas, raza, estatus marital,

nivel de educacin, nivel de ingresos, Psicogrficos que describen la personalidad, opiniones, creencias,

intereses, estilo de vida, gustos, Comportamiento que se derivan de las interacciones con la

organizacin como, por ejemplo, frecuencia de compra. Analtica para la creacin de perfi les En el momento de crear un perfil hay dos tipos de anlisis: Supervisados, que permiten validar hiptesis especficas sobre el

conjunto de clientes. Por ejemplo, validar si los clientes entre 25 y 35 aos compran ms paales que otros grupos de clientes.

No supervisados, que permiten revelar patrones en la informacin a partir de una mnima definicin de variables.

Existen diferentes tcnicas a usar que frecuentemente se combinan entre ellas: Clustering: proceso que separa los clientes en grupos con

caractersticas similares. Permite identificar qu variables y factores son relevantes.

Clasificacin: proceso de segmentacin de clientes en funcin de variables y factores conocidos. Este paso viene a continuacin del clustering.

Estimacin: consiste en asignar un valor numrico a una entidad como parte de la toma de decisiones. Por ejemplo, el riesgo de impago o la intencin de compra.


Prediccin: consiste en combinar la clasificacin y la estimacin para clasificar clientes basados en un comportamiento futuro esperado.

Agrupacin por afinidad: es un proceso que consiste en evaluar relaciones o asociaciones entre elementos. Por ejemplo, identificar productos para venta cruzada.

Descripcin: es el proceso de caracterizar los resultados descubiertos e integrar dichos resultas en procesos de negocio.

2.8 Customer Analytics y Big Data Segn Thomas H. Davenport13, las compaas orientadas a los hechos y basadas en el dato son un 5% ms productivas y un 6% ms rentables. En la era del Big Data, en la que el nmero de datos de clientes a conside-rar y utilizar se ha multiplicado, esto significa tener en cuenta los siguien-tes puntos: 1. Dominar Big Data:

Lidiar con mltiples fuentes y formatos de datos Trabajar con grandes volmenes de datos Capturar y extraer datos a alta velocidad Poner foco en la calidad del dato y de los modelos de anlisis

2. Identificar qu datos son los que realmente generan impacto en el negocio: Ser capaces de generar informacin procesable rpidamente Identificar y poner foco en las oportunidades de negocio prioritarias Evitar la parlisis en la toma de decisiones por exceso de anlisis

3. Ejecutar en tiempo real este tipo de iniciativas: Transformar la organizacin para evitar silos informacionales Adquirir las capacidades adecuadas Desplegar la infraestructura correcta

En el diseo de experiencias de cliente, las tecnologas de Big Data pue-den jugar un papel fundamental no slo en su anlisis, sino tambin en su creacin habilitando mayores capacidades de personalizar y analizar el proceso de compra del cliente, o customer journey. Consideremos el customer journey en banca retail. Para una determinada industria, hay ciertos procesos de cliente que son mucho ms relevantes que otros. En nuestro ejemplo:

Apertura de cuenta Establecimiento de tasas, tarifas y precios

13 Davenport, T. H. Competing on Analytics. 2006. Harvard Business Review

Existen mltiples definiciones de Big Data, hecho que complica su comprensin. La gran mayora de ellas incluyen las tres 3vs: volumen, velocidad y variedad. Algunas incluyen una cuarta no vinculada con magnitudes fsicas del dato: la veracidad.


Pagos / trasferencias Nueva tarjeta / hipoteca / crdito Robo / prdida y fraude Venta proactiva

Por ejemplo, Big Data puede permitir confirmar el robo de una tarjeta en tiempo real al detectar patrones de comportamiento no habituales en un cliente. Es decir, Big Data puede permitir:

Identificar los principales procesos y caminos e investigar la calidad de los mismos

Identificar los puntos conflictivos / crticos y las potenciales causas de problemas

Determinar y desarrollar soluciones y priorizar iniciativas Monitorizar de forma continua los procesos y caminos en tiempo

real Pero como en todo mbito tecnolgico, Big Data no es acerca de la tec-nologa, sino acerca del uso del dato de cliente en tiempo real en el mo-mento necesario. El papel del Data Scientist en el anlisis de datos del cl iente Muchas organizaciones se preguntan si necesitan un Data Scientist, o cientfico del dato, para desarrollar anlisis avanzado de clientes. Existen actualmente diversas definiciones acerca de esta figura y su rol, pero lo que parece claro es que su funcin an no est madura, esta evolucio-nando y no existen suficientes expertos con ese perfil. Algunos estudios como el de McKinsey14 apuntan en que es una funcin que experimentar un auge creciente en los prximos aos y que se necesitan no slo estos perfiles, sino tambin gestores que comprendan estas nuevas estrategias. Actualmente muchas organizaciones estn optando por formar analistas y programadores para que puedan desempear la funcin de Data Scientist. Las organizaciones que no se plantean esta evolucin son menos propen-sas tambin a dedicar presupuesto o recursos a Customer Analytics. Para el Data Scientist no es interesante slo analizar datos procedentes de las redes sociales, sino otros recursos tratables con tecnologas Big Data. A menudo, la mayora de anlisis se hace con multitud de datos

14 James Manyika, Michael Chui, Brad Brown, Jacques Bughin, Richard Dobbs, Charles Roxburgh, Angela Hung Byers. Big data: The next fron-tier for innovation, competition, and productivity. 2011. McKinsey Global Institute


internos sobre segmentacin, comportamiento de compra y fuentes de datos tradicionales. Lo que puede diferenciar a un Data Scientist de un analista de datos tra-dicional o de negocio es la visin holstica y ms global de cmo las ac-ciones multicanal afectan a los clientes. A menudo los analistas de datos se centran en un departamento o una variedad de datos concreta. Para determinar qu cluster de clientes es ms sensible a un determinado tipo de acciones, un Data Scientist desarrollara hiptesis sobre los datos ge-nerados por los clientes y su comportamiento en distintos entornos, con fuentes que van desde las webs, redes sociales, servicio post venta, da-tos provenientes de los actos de compra, etc. Las prioridades analticas no cesan de cambiar, especialmente en indus-trias dinmicas, donde la fuente de los mrgenes es un objetivo inquieto y que no cesa de comparar y buscar clientes. Algunas de las compaas punteras emplean Hadoop y su ecosistema para capturar datos acerca del comportamiento del cliente, junto a datos econmicos provenientes de las transacciones en el mundo fsico, y hacen que esos datos estn dis-ponibles para una gran variedad de anlisis encaminados a aprender y medir las distintas etapas del ciclo de vida de los clientes. Tecnologas como Hadoop pueden almacenar datos muy detallados y no estructura-dos. Permite ser utilizado junto a los data warehouse convencionales de una organizacin, hacer extracciones, transformarlos y realizar procesos ETL o ELT. Los proveedores de soluciones de nicho o genricas de Customer Analytics tambin estn apostando por Big Data. Estn integrando conectores a mltiples fuentes de datos (como, por ejemplo, Experian), ofrecen plataformas que se combinan con tecnologas de Big Data y estn empezando a articular propuestas de valor que unen Customer Analytics y Big Data. Tienen claro que el futuro pasa por ser capaz de analizar cualquier tipo de dato de cliente con independencia de su volumen, velocidad o variedad, y poder as ayudar a las empresas a comprender realmente cmo son sus clientes y orientar correctamente su estrategia de valor para con ellos.


3. Implantacin de Customer Analytics

3.1 Objetivos El objetivo principal de Customer Analytics es generar valor tanto para la organizacin como para el cliente a travs de la creacin de experiencias de cliente. Por lo tanto, es necesario comprender qu significa generar valor en este contexto. Valor para la organizacin Aunque tradicionalmente el valor de una empresa se ha medido a partir de sus activos fsicos, en el contexto actual se usan otros criterios que incluyen informacin que va ms all de lo que se refleja en sus estados contables. Algunos criterios se vinculan con la capacidad que una compa-a tiene para generar dinero a medio y largo plazo y por ello se conside-ran los futuros flujos de caja. Otros criterios usados en la valoracin de una organizacin incluyen determinar el valor que los clientes aportan a la compaa. Este valor se denomina el patrimonio de los clientes o, custo-mer equity. Aunque pueda parecer sorprendente, este tipo de evaluacin del valor de una compaa se ha usado recientemente en la compra de WhatsApp por parte de Facebook.

En 2014, Facebook anunci que compraba WhatsApp por el precio de 19 millardos de dlares. Teniendo en cuenta los 450 millones de usuarios activos de WhatsApp esto supone que el valor de cada cliente se tas en 42 dlares, cifra superior a los 30 dlares por cliente que pago Facebook por los 33 millones de usuarios de Instagram en 2012. Esta medida se usa actualmente para entender el valor de una empresa y compararla con otras.

Antes de definir el concepto de customer equity es necesario entender cmo se calcula el valor de un cliente para una organizacin. Para calcular el valor de un cliente para una organizacin no es suficiente con tener en cuenta el valor pasado o presente de un cliente (es decir, lo que nos ha comprado hasta ahora) sino tambin lo que va a comprar en el futuro. Por ello, es necesario definir el concepto de Customer Lifetime Value, o valor de vida de un cliente.

Customer Lifetime Value (CLV) es una prediccin del beneficio neto atribuido a un cliente a lo largo de las interacciones pasadas y pre-sentes y de la previsin de las futuras.


De la definicin se desprende que el CLV es un concepto difcil de calcu-lar. Sobre todo en la parte referente a la estimacin de las interacciones futuras de los clientes. Existen diversas frmulas para su clculo, cada una de ellas con un nivel superior de sofisticacin - como apuntan Sanil Gupta y otros15. Se recomienda para entender el clculo del CLV un ejem-plo ms sencillo como el que podemos encontrar en Harvard Business School16. Sea cual sea la forma de clculo escogida, el CLV depende intrnsecamen-te del tipo de compaa y en el momento de calcularlo es necesario tener en cuenta las siguientes variables: Flujo de ingresos: el valor actual neto de los ingresos que genera el

cliente a la organizacin a lo largo de su relacin con la organizacin Ciclo de vida: la duracin de la relacin con la organizacin Costes de mantenimiento: costes asociados para asegurar que el flujo

de ingresos por cliente se realiza Costes de riesgo: riesgo asociado a un cliente Costes de adquisicin: costes y esfuerzo necesarios para conseguir un

nuevo cliente Costes de retencin: costes y esfuerzo necesarios para retener un

cliente Valor de las recomendaciones: impacto de las recomendaciones de un

cliente en su esfera de influencia en los ingresos de la compaa Mejora de modelos de segmentacin: valor de la informacin de cliente

en la mejora de los modelos de segmentacin de clientes Ahora estamos en condiciones de definir el patrimonio que genera un cliente en una organizacin.

Definimos customer equity como la suma del customer lifetime va-lue de todos los clientes activos de una organizacin.

Las organizaciones persiguen incrementar el valor de un cliente, y por extensin, el valor del patrimonio de cliente incrementando la eficiencia y la eficacia de las funciones comerciales y, a su vez, el ROI mediante una estrategia definida de anlisis de datos de los clientes.

15 En el artculo de 2006, Modeling Customer Lifetime Value: http://www.anderson.ucla.edu/faculty/dominique.hanssens/content/JSR2006.pd 16 Podemos encontrar en un ejemplo de Harvard Business School en la siguiente web: http://hbsp.harvard.edu/multimedia/flashtools/cltv/


Valor para el cl iente La generacin de valor para el cliente tambin puede medirse. Existen diferentes formas de medir el valor para un cliente. Principalmente se utilizan cinco mtricas: Customer Value Proposal, o la propuesta de valor para cliente Customer Satisfaction, o la satisfaccin del cliente Customer Delight and Sacrifice, o el deleite y sacrificio del cliente Customer Switching Costs, o costes de sustitucin del cliente Customer Loyalty, o lealtad del cliente Debemos entender la definicin de cada una de estas mtricas.

Definimos la propuesta de valor para cliente como la suma de todos los beneficios que la organizacin promete al cliente como resulta-do del pago de un producto o servicio.

La definicin de una propuesta de valor adecuada proporciona a la organi-zacin palancas para justificar la adquisicin de un producto y diferenciar-se de los competidores.

Definimos la satisfaccin de cliente como el nmero de clientes (o el porcentaje respecto el total) cuya experiencia con los productos o servicios de la organizacin superan una meta especfica de satis-faccin.

Este trmino es frecuentemente usado en marketing y est muy vincula-do a las expectativas que un cliente tiene para con la marca. Para su clculo se usa la escala Likert para evaluar las caractersticas de un pro-ducto o servicio.

La escala Likert es una escala psicomtrica que especifica el nivel de acuerdo o desacuerdo con una declaracin.

Por ejemplo, una escala de cinco elementos est formada por las siguien-tes respuestas: Totalmente en desacuerdo


En desacuerdo Ni de acuerdo ni en desacuerdo De acuerdo Totalmente de acuerdo

Definimos customer delight/sacrifice al valor que se aade o se res-ta a la propuesta de valor del cliente a modo de sorpresa.

Este trmino tiene asociadas estrategias para fortalecer los vnculos con el cliente a travs de recompensas inesperadas (como por ejemplo, un vale de una sesin de spa o una bebida a la llegada al hotel no incluida originariamente en el servicio) o para inducir al cliente a abandonar nues-tros servicios.

Definimos los costes de sustitucin del cliente a los costes negati-vos asociados al cambio de proveedor, marca o producto por parte de un cliente.

Aunque inicialmente el concepto est vinculado a los costes, es cierto que pueden existir tambin efectos negativos en trminos psicolgicos, esfuerzo y tiempo necesarios para realizar el cambio.

Definimos la lealtad del cliente como la fidelidad del cliente a un proveedor, marca o producto.

Aunque pueda parecer complicada de calcular, existen diferentes mto-dos para medir y comprender la fidelidad del cliente. Por ejemplo: Calcular las expectitivas de cliente respecto la percepcin de la

organicin usando escalas Likert Preguntando si el cliente recomendara el servicio a terceros. Por

ejemplo usando NPS Comparando el servicio con el servicio ideal del cliente Calculando la satisfaccin total del cliente Identificando la afeccin y la satisfaccin cognitiva Descubriendo el inters de repeticin de compra Estrategias para la organizacin

NPS es el acrnimo de Net Promoter Score que permite identificar los promotores y detractores de la marca. Se calcula restando el porcentaje de detractores al porcentaje de promotores.


En el momento de crear valor tanto para la propia organizacin o para el cliente, existen diferentes opciones que una organizacin puede perse-guir: Customer Acquisition, o adquisicin de clientes. La organizacin

persigue hacer crecer el nmero de clientes. Customer Development, o desarrollo de clientes. La organizacin

persigue mejorar el tipo de clientes que tiene y hacerlos evolucionar a clientes ms rentables o fieles.

Customer Retention, o retencin de clientes. La organizacin persigue evitar que los clientes abandonen los servicios ya sea porque dejan de consumirlos o porque cambian de proveedor.

Acquisition-Retention Optimization, o optimizacin de la adquisicin / retencin. La organizacin persigue balancear las estrategias de adquisicin y retencin de clientes para que no produzcan efectos secundarios como la propensin de fuga de clientes.

Ejemplos de iniciativas para crear valor Existen mltiples iniciativas que pueden disearse para crear valor tanto para el cliente como la organizacin. La siguiente tabla busca comprender algunas de estas iniciativas considerando como punto de partida el dato de cliente:

Dato del cliente Informacin del cliente Mejora de la experien-cia Mejora del valor de la organizacin

Qu compraron y cundo

Preferencias de produc-to

Proceso de compra del producto

Frecuencia de compra

Tendencias y previsin de series temporales

Ofertas de compra / complementarias

Recordatorios para futuras compras

Apalancamiento de la venta cruzada

Incrementar la frecuen-cia de compra

Incrementar el gasto promedio

Alertas basadas en eventos

Dnde compraron / qu visitaron

Preferencias de canal

Compra vs. visita

Modelos probabilsticos de respuesta

Visin 360 multicanal Apalancamiento de ventas multicanal

Visin 360 del cliente

Qu ms compraron

Anlisis cesta de com-pra

Preferencias de produc-tos complementarios

Venta cruzada / com-plementaria

Ofertas de venta cruza-da / complementaria

Recordatorios para futuras compras

Apalancamiento de venta cruzada / com-plementaria

Nuevos productos

Cmo pagaron Riesgo crediticio

Riesgo de impago

Mejora de las condicio-nes de privacidad

Programas de clientes preferentes

Scoring en tiempo real

Atributos de scoring persistentes

Qu gener la com-pra

Campaa de marketing

Modelizacin de res-puesta

Promocin personaliza-da a preferencias

Interaccin sin spam

Eficiencia y efectividad de campaas

Alertas basadas en


Dato del cliente Informacin del cliente Mejora de la experien-cia Mejora del valor de la organizacin

Eficiencia anuncios

Metodologa de venta

eventos

Quin particip en la compra

Metodologa de ventas

Efectos incentivos

Programa de canal preferido

Venta directa / agentes

Necesidades de forma-cin

Optimizacin de proce-sos de negocio

Concursos, promocio-nes, bonos

Por qu no compra-ron

Modelos de venta cruzada / complementa-ria

Modelizacin de res-puesta

Promociones personali-zadas

Newsletters

Rendimiento de las lneas de productos / servicios

Gestin del inventario

Conocimiento base de venta

Ingresos y beneficios

Programa de fideliza-cin

Customer Lifetime Value

Programas de cliente preferente / fidelizacin

Segmentos en funcin del CLV

Diferenciacin niveles de servicio

Programas de genera-cin de margen

Cdigo postal Perfil demogrfico Promocin direccionada

Interaccin adaptada a la localizacin

Mejora del dato

Identificacin de poten-ciales nuevos clientes

Direccin, correo electrnico

Programas de contacto

Correo directo

Interaccin sin spam

Participacin del cliente basada en la eleccin

Ofertas en el canal preferido

Mejora del dato

Mejora de la eficiencia campaas

3.2 Fases de implantacin El punto de partida de una estrategia de Customer Analytics no es la tec-nologa, el tipo de anlisis o la evolucin analtica. Este tipo de estrategias debe iniciarse siguiendo una secuencia lgica: El origen debe encontrarse en un objetivo de negocio. Por ejemplo,

incrementar el nmero de clientes que compran en nuestra organizacin.

El siguiente paso es definir qu oportunidades de accin existen para la organizacin. Por ejemplo, si estamos interesados en incrementar el nmero de clientes, el primer paso es entender por qu nos compran y determinar si dichos factores estn alineados con el mensaje comercial.

El siguiente paso es seleccionar el tipo de anlisis adecuado para dicha necesidad. Por ejemplo, para comprender porque los clientes nos compran usaremos el anlisis de factores de compra.

Por ltimo, los resultados conseguidos en el anlisis se deben transformar en acciones. Estas acciones pueden embeberse automticamente en procesos. Por ejemplo, una vez conocidos los


factores de compra la organizacin puede modificar su mensaje comercial o potenciar estas caractersticas para diferenciarse de los competidores.

FUENTE: JOSEP CURTO

3.3 Beneficios Aparte de orientar la organizacin al cliente, el despliegue de Customer Analytics busca generar un serie de beneficios tanto tangibles como in-tangibles. Beneficios tangibles Entre los beneficios tangibles que se pueden conseguir podemos desta-car: Incrementar el valor para la organizacin desplegando estrategias

orientadas a incrementar el customer lifetime value para cada cliente Incrementar el valor para el cliente focalizado en incrementar la

propuesta de valor para el cliente, su satisfaccin, su lealtad a la marca, los costes de sustitucin o cambio de proveedor,

Creacin de nuevos productos basados en las preferencias de los clientes

Identificar los paquetes de productos que satisfacen las necesidades de clientes

Incrementar la efectividad de las acciones de marketing generando ms ingresos por accin

Revisar las estrategias de precio


Reducir el tiempo y costes vinculados a la toma de decisiones al reducir la latencia en la captura, el procesamiento y el anlisis del dato

Mejorar los costes de retencin y adquisicin de clientes al tener estrategias de apuntan a los grupos de clientes adecuados

Reducir el riesgo asociado al cliente al identificar perfiles por impago o fraude

Mejorar la productividad de la fuerza de venta a partir de la optimizacin de los programas de incentivos

Beneficios intangibles Entre los beneficios intangibles podemos destacar: Aportar conocimiento y herramientas a la Direccin para la toma de

decisiones sobre clientes, mercado y competencia. Detectar cambios en el mercado y adquirir habilidad para reaccionar a

los mismos con rapidez, gracias a su conocimiento. Capacitar a la organizacin para la creacin de experiencias de cliente

que repercuten sobre el valor generado para el cliente basndose en un conocimiento profundo de las interacciones de los clientes.

Posibilitar la visin 360 del cliente al poder analizar los datos generados en todos los canales (online, offline)

3.4 Barreras Desplegar estrategias de Customer Analytics no es un proceso sencillo y existen mltiples factores que incrementan la dificultad de xito. Tenien-do en cuenta la relacin con otras estrategias de anlisis de datos, mu-chas de las barreras coinciden. Entre ellas destacamos: La organizacin no comprende el concepto de cliente. Insuficiente apoyo por parte de la Direccin en la iniciativa Falta de liderazgo y gestin de proyecto Dificultad en identificar y cuantificar el retorno de inversin y el valor

generado para la organizacin y el cliente Carencia de presupuesto y recursos. Este punto puede ser superado

en la medida que los actores que gestionan presupuesto en la organizacin perciban los beneficios de estas iniciativas.

La calidad de datos en la organizacin es insuficiente para abordar un proceso de inteligencia de clientes.

Dificultad para integrar los recursos existentes de Business Intelligence, Datawarehouse o las aplicaciones disponibles en la organizacin.

Falta de personal cualificado o capacidad para formar al existente. A medida que crece el volumen de datos y las necesidades analticas, es

En este punto, cuantas ms fuentes de datos se analicen conjuntamente, mayor riqueza de conclusiones se obtendr y, por tanto, mayor personalizacin de la experiencia de los clientes.


especialmente complicado formar a un gestor cualificado para que ejerza de Data scientist.

Dificultad para relacionar e integrar el resultado de los anlisis con los distintos procesos del negocio

Preferencia por la experiencia personal en lugar de las conclusiones derivadas del anlisis de datos

Preocupacin por la seguridad de los datos o por mantener la privacidad de los mismos

Inmadurez de las organizaciones en integrar la presencia en redes sociales y los datos derivados con los datos disponibles de un cliente en los canales tradicionales

Parlisis en la toma de decisiones por un sobreanlisis de los datos 3.5 Buenas prcticas Teniendo en cuenta las posibles barreras que pueden tener este tipo de proyectos, es necesario tener en cuenta ciertas buenas prcticas que pueden ayudar al despliegue de estas iniciativas: Asegurar el apoyo y el compromiso de la direccin en el proyecto Crear y establecer un contexto de colaboracin y comunicacin entre

el equipo que desarrolla el proyecto y los beneficiarios Foco en el liderazgo, la planificacin y la gestin del proyecto Desarrollo coordinado de este tipo de proyectos dentro de una

iniciativa mayor de desarrollo de una cultura de toma de decisiones orientada al hecho y fundamentada en el dato

Identificar iniciativas realistas con objetivos medibles Establecer y mantener un enfoque pragmtico del uso de Customer

Analytics para evitar el exceso de anlisis Poner especial atencin en la formacin de los beneficiaros Seguir una metodologa de despliegue de proyectos de analtica


4. Ejemplos de Customer Analytics

En este apartado vamos a presentar el uso de tres tcnicas de Customer Analytics y tambin revisaremos ejemplos de casos reales para ilustrar qu estn haciendo las organizaciones. 4.1 Calculando el Customer Lifetime Value Como hemos comentado antes es importante identificar el valor que tiene un cliente para la organizacin. Vamos, en este primer ejemplo, a analizar el clculo del CLV. Sabemos ya que existen diferentes mtodos17 para calcular este valor. Vamos a considerar el ms simple de todos ellos que hace referencia a la siguiente frmula matemtica que permite calcular el CLV para un cliente especfico:

Describimos qu significa cada uno de los trminos en esta frmula: pt es el precio pagado por el cliente en el periodo t. ct es el coste del servicio o producto ofrecido al cliente durante el

periodo t. rt es la tasa de retencin o probabilidad que el cliente repita la compra

durante el periodo t. AC es el coste de adquisicin del cliente. i es la tasa de descuento. T es el horizonte temporal del anlisis. Para simplificar el ejemplo de clculo asumimos que trabajamos con una empresa en la que el precio pagado por cliente, el coste por cliente y l

Customer Analytics Final.pdf

Documents

Transcript of Customer Analytics Final.pdf