Presentación que el MBA. Jorge Pérez Colín realizó en el evento Big Data Analytics: Inteligencia para competir en aguas turbulentas el 7 de mayo de 2014 en el German Centre.

1. Navegando con
Analytics
Casos y aprendizajes

2. $36 millones de pesos
invertidos al año en
demostradoras
¿Las demostradoras realmente generan venta? ¿Cuántas demostradoras realmente
necesito? ¿Todos los puntos de venta requieren demostradora? ¿Cual debería ser el perfil
ideal de las demostradoras?¿Cómo se puede optimizar la inversión en demostradoras?
Venta de bebidas alcohólicas en supermercados

3. Situación
• Se tiene presencia en 2,300 puntos de venta a nivel
nacional
• 260 demostradoras que no cubren todos los puntos
de venta
• No son claros los criterios de asignación por tienda

4. Fuentes de información y su integración
• Sell out de cadenas (2 años)
• Catálogo de tiendas (1,004 tiendas)
• Asistencia, rol y perfil de demostradoras (260)
• CATMAN, ventas totales de la categoría de vinos y
licores
• Entrevistas
• Visitas a campo

5. Las preguntas de negocio eran entonces…
¿En qué tiendas ponemos
demostradoras?
¿Qué demostradoras?

6. Modelos utilizados
Metodología: Regresión lineal
Objetivo: Entender el
desempeño de la venta por
tienda para determinar si están
por arriba o por debajo de lo
esperado
Alcance: Análisis por tipo de
formato de tienda
Asignación de demostradoras
DemostradorasTiendas
Segmentación de
demostradoras por perfil
Desempeño en el punto de
venta
Segmentación de tiendas
Metodología: Modelo de cluster
(K-medias)
Objetivo: Identificar grupos de
demostradoras de acuerdo a
variables de perfil como:
• Edad
• Estado civil
• Grado de estudios, etc
Alcance: 260 demostradoras
Metodología: Regresión
logística
Objetivo: Identificar si las
tiendas deben contar o no con
demostradoras con base en
variables de venta y precio
promedio
Alcance: Análisis de todas las
tiendas con información
Metodología: Modelo de
cluster (K-medias)
Objetivo: identificar grupos
de tiendas para determinar
• Desempeño en volumen:
alto, promedio y bajo
• Tipo de portafolio:
intensivo en brandy,
tequila, vodka o whisky
Alcance: por formato

7. A reasignar demostradoras
AsignaciónEstimada
Con demostración Sin demostración
PonerdemostraciónNoponer
102 tiendas
18%
301 tiendas
55%
43 tiendas
8%
104 tiendas
19%
Asignación real

8. …y cambiar los criterios de selección de
demostradoras.
De 23 a 25 años con baja antigüedad
sin hijos
De 28 a 30 años con alta antigüedad
sin hijos
De 31 a 33 años con muy alta
antigüedad con hijos
De 27 a 29 años con baja antigüedad
con hijos
Salario: 6,364
Bono: 1,327
Estado civil: 95% soltera
Grado de estudios: 73.6% con
educación-media
N: 59 - 30%
Ventaadicionalalesperadoporgrupodedemostradora
Salario: 7,148
Bono: 1,376
Estado civil: 66% soltera
Grado de estudios: 50%
con educación media y
38% educación básica
N: 28 - 15%
Salario: 6,354
Bono: 1,353
Estado civil: 61% casada
Grado de estudios: 64% con
educación-media
N: 66 - 34%
Salario: 6,619
Bono: 1,388
Estado civil: 69% soltera
Grado de estudios: 63% con
educación básica
N: 41 - 21%
$14,643
$6,265

9. En resumen
• La aproximación de Big Data Analytics demostró que la
reasignación de demostradoras tenían una venta
incremental de $8 millones
• El ROI de las vendedoras era de -11%
• El ROI al reasignar se ubico en +11
La mejor inversión en demostración no es la demostradora
más guapa y educada en el súper más nice

10. Ingreso promedio (ARPU) a
la baja y
abandono (churn) de
clientes de alto valor
¿A qué se debe la disminución gradual de la factura promedio por cliente? ¿Qué variables
determinan el consumo de las terminales? ¿Cómo puedo incrementar el ARPU sin
modificaciones al precio para no perder la base de clientes actuales?
Telefonía celular fija (Brasil)

11. La pregunta de negocio era
¿Cómo incrementar el ARPU y reducir el
churn sin recurrir a investigaciones de
mercado nuevas, sino partiendo de los
datos transaccionales ya registrados?

12. Total de Clientes (Pós e Pré)Informações disponíveis por
cliente :
- Endereço Completo
- Classe Social
- Nome / Sexo
- Data de ativação (Aging)
- Plano / Aparelho
- Terminais fixos e móveis de outras operadoras
-Histórico de 13 meses de tráfego local e longa
distância por :
Tipo de tráfego (Fixo –Fixo, Fixo-Móvel),
Chamada Normal ou a Cobrar
Sentido Entrante ou Sainte
-Histórico de 13 meses de receita faturada
Clientes Receita
Delta Ingresso Trimestral : + R$ 19.4 MM
Segmentacion de clientes original

13. Entendimiento y preparación de los datos
• 300Gb de datos para 3 años de historia de llamadas
• 65 bases de datos independientes que fueron
integradas en una sola plataforma de análisis,
• Se generaron nuevas variables que ayudaron a
explicar el mayor nivel de detalle del
comportamiento terminal por terminal
• Al final la base de análisis se componía de cerca de 700
variables explicativas del comportamiento.

14. Modelación y validación
• El primer proceso de análisis fue la lectura de las
tendencias de venta y consumo globales, las cuales
permitieron diseñar un listado de 32 hipótesis que
podrían explicar y revertir las tendencias de ARPU.
• Estas hipótesis se convirtieron en subproyectos de
análisis avanzado, derivando, de cada uno de ellos, la
necesidad de realizar modelos como correlaciones,
factor analysis, clusters y regresiones.
• Los resultados de estos estudios individuales
permitieron validar o rechazar cada una de las hipótesis
en función de su relevancia o utilidad para la toma de
decisiones de negocio.

15. El nuevo modelo de segmentación complementa el modelo
actual y profundiza a más dimensiones de análisis
15
Valioso Intensivo
Regular
pago
atrasado Dormido
Insolvente
reciente
Bronze 20.3% 26.8% 50.3% 50.2% 58.5% 43.4%
Prata 2.7% 11.4% 29.3% 24.1% 29.8% 20.9%
Ouro 72.6% 56.9% 20.3% 25.7% 11.7% 34.2%
Diamante 4.4% 4.9% .0% .0% .0% 1.5%
100.0% 100.0% 100.0% 100.0% 100.0% 100.0%Total
Pirámide, posición final (toda la historia) * Cluster determinado por Reglas de negocio
Crosstabulation
% within Cluster determinado por Reglas de negocio
Cluster determinado por Reglas de negocio
Total
Pirámide,
posición
final (toda
la historia)

16. Acciones segmentadas por perfil de cliente
16
Cluster Pesoen negocio Descripcióny estrategia inmediata
Valioso 17% terminales
32% factura anual
ARPU= R$42
Valoranual=R$72MM
Uso constante yalta permanencia / buena puntualidadensus pagos/alto
uso de llamadasa móvilpero potencial para incrementar LD
Acción= PromociónVia EBT/Solidificar acciones de retención/Instalación
de alerta ante bloqueo
Intensivo 16% terminales
26% factura
ARPU =R$36
Valor anual=R$59MM
Más intensivos en suuso/paganmenos por cadaminuto hablado/tienen
planes baratos aunque podría pagar más/Contrata NET, VIA, Claro/Clase
Social más alta que el resto
Acción= Reposicióndeaparelho(upsale yretención)
Regular
pago
atrasado
22% terminales
16% de factura
ARPU=R$27
Valor anual=R$36MM
Uso normalde servicio/alta caída en bloqueos. Es el cliente típico yno
suele hacer muchas llamadasdentrode la propia red
Acción = Incentivo a débito automático/Reforzarrecordatorios de pagovía
SMS/Minimizar errores endatos de cobranza/Análisis de quejas de
facturación
Dormido 23% terminales
16% factura.
ARPU = R$19
Valor anual=R$33MM
Uso del serviciomuypor debajode los esperados/puntuales en pagos pero
tiene el abandono másalto/Es el más propensoa realizar llamadas entre
Livres
Acción = Oferta de migraciónde planopara control/incentivode prepago
Insolvente
reciente
22% terminales
10% factura anual
ARPU = R$17
Valor anual=R$22MM
No duran muchoenla empresa/Uso medio-altodel servicio conARPU muy
bajo (muchos minutos en llamadasde entrada)/ se atrasa ensus pagos
Acción = Mínima inversiónenretención/ exclusión de promociones de
precio / análisis de los credit scorespara prevenciónde entrada

17. En resumen
• Aún con el efecto de precio sobre el ARPU, hay
clientes que siguen siendo rentables.
• El mejor modelo para identificar estos es la
segmentación por comportamientos.
• Se detectaron al menos 5 perfiles de cliente con
clara diferenciación de consumo que sirvieron para
rediseño de planes comerciales y operativos, tanto
para retención como para captación.

18. Pérdida de clientes
Paquetería y mensajería

19. 19
Project compiled information from all aspects
relevant to defining a value proposition
Activities
Call centers observation
Interviews and meetings with
key managers
Focus groups with sales
executives
Customer opinion
Surveys with current and lost
customers
In-depth interviews with
customers in key segments
Competitors
comparison
Mystery shoppers within the
company and main
competitors to compare
service and products
Customer behavior
Data mining of more than
18,000 customer patterns and
behavior to identify key
segments
360°
Objective
To define adjustments to value proposition from an holistic point of view,
needed to attract, retain and grow SME accounts

20. 20
Based on these results SMT identified 5 key
segments and 3 strategies
1. Attributes A (low and average revenue)
2. Attributes B (high revenue)
3. Attributes C (average and high revenue)
4. Attributes D (low revenue)
5. Attributes E (high revenue)
Strategy focused on:
1. Processes simplification
Related to facilitate account creation,
invoicing and tracking information to
improve the customer experience
2. Technological tools
Take advantage of available tools and
develop new ones to facilitate electronically
and remote interaction with customers,
minimizing human contact
3. Human resources training
Imports and exports processes training and a
possible executives specialization in the
customer segments defined

21. Otros casos/prácticas
Práctica Problema
predominante
Solución Caso
Preditive location
intelligence
Cada nueva sucursal
genera una venta
menor que el
promedio histórico
Market Hold
Capacity por AGEB
Pronóstico de venta
por punto
Aislamiento de
factor ubicación
Cafetería(s)
Mensajería
Expendios de
cerveza
Cines
Predictive Revenue
Management
¿Qué productos
ofrecer a qué
clientes, en qué
momento, a qué
precio?
Elasticidad precio
por segmento de
clientes
Modelos de
descuento (cuándo y
cuánto)
Detallista de zapatos
tenis
Analytic Driven
Business Operations
Modeling
¿Cómo sacar el
mayor provecho
posible de un
operación compleja?
Modelo de
programación lineal
Cadena del pollo
desde egg set hasta
más de 400 SKUs en
5 mercados

22. Algunos ideas a
compartir

23. No sólo Volumen, Velocidad y Variedad…
…también historia y granularidad

24. Los sistemas de business intelligence no
resuelven un proceso de big data analytics
• Están diseñados para mostrar rápida y claramente el
comportamiento de variables prestablecidas
• La información que se contiene en sus datawarehouses ya
han sido preseleccionadas y transformadas (ETLs)
Business
Intelligence

25. No hay tal cosa como real time analytics
• El proceso analítico es un proceso continuo que
involucra:
• Generación de la pregunta a contestar
• Generación de hipótesis
• Preparación de los datos necesarios
• Modelación y evaluación de los modelos
• Despliegue y operación
• El real time Analytics aparece sólo en la última fase
(v.g. campaign management systems)

26. Big Data Analytics ayuda a mitigar a los
HIPPOs
• “highest paid person’s
opinion.” Los HiPPOs son
los líderes que están tan
seguros de sí mismos que
no necesitan las ideas de
otros, ni tampoco datos
para afirmar la veracidad de
sus creencias instintivas.
• En discovery analytics las
opiniones son hipótesis a
contrastar con los datos
2
Detalle
operativo de
la prueba
3
Diseño de la
prueba
4
Ejecución y
evaluación
5
Ajuste y
reglas de
despliegue
1
Crear y
refinar
hipótesis
6
Despliegue
Biblioteca de
aprendizaje

27. ¿Tú organización está
lista para dejar de
navegar en base a
opiniones y empezar a
descubrir y comprobar lo
que realmente te llevará
a la victoria?