Your SlideShare is downloading. ×
0
Desayunos AMDIA                          Desayunos AMDIA                       Información y formación, fresca y nutritiva...
Marketing Intelligence,                o cómo digerir los datos        para mejorar las decisiones en marketing           ...
Agenda de esta sesión       Conciencia de la carencia:       qué dicen los CMOs de todo el mundo.       La misión de la in...
¡ATENCIÓN!                   LA SIGUIENTE PRESENTACION                   PUEDE HERIR SU SENSIBILIDADPROHIBIDA PARA MARKETI...
LA VENGANZA DE LOS NERDS© MarketingIQ®, 2012             Slide 5
¿Se miden los resultados de programas de marketing?                                    Una investigación de               ...
IBM Institute for Business Value               CMOs: ¿nadando, vadeando o ahogándose? In this digital era...              ...
IBM Institute for Business Value             Los CMOs se sienten faltos de preparación     Expected level of complexity an...
IBM Institute for Business Value              En LA, las redes nos preocupan más que la big data                          ...
IBM Institute for Business Value       Pero igualmente una mayoría de CMOs busca herramientaspara dominar el volumen, la v...
¿Big data? ¿Qué es eso?        Nota: 1 exabyte es 1 millón de terabytes…           El 90% de los datos existentes en la ac...
Areas afectadas por el tsunami de datos                                        SOS© MarketingIQ®, 2012      Slide 12
“El mapa se redibuja constantemente, porque es más barato     que nunca salirse del camino, desarrollar, innover y rehacer...
¿Los ayudamos un poco?© MarketingIQ®, 2012            Slide 14
Business Intelligence: una definición                         “Es un paraguas bajo el que se incluye                      ...
BI: recursos y herramientas     Fuentes de datos : warehouses, data marts, etc     Herramientas de administración de datos...
El espectro de las Tecnologías de Business Intelligence (BI)ALTO                                                          ...
El “círculo virtuoso” del análisis de datos                   Preparación                                                 ...
Un ejemplo de base transaccional                         de gestión de ventas© MarketingIQ®, 2012            Slide 19
¿Cómo se visualizan esos datos? (1)                    Drill Down - Roll Up© MarketingIQ®, 2012         Slide 20
¿Cómo se visualizan esos datos? (2)                       Slice and Dice© MarketingIQ®, 2012         Slide 21
Problemas usuales en contextos comerciales     Adquisición de clientes y segmentación de cartera     Cross y up selling   ...
Ej.: ¿Qué tan frecuentemente compran los clientes?            Análisis univariado: Frecuencia mensual promedio© MarketingI...
Estratos de NSE geocodificados en el AMBA                                                DATOS                            ...
Densidad de clientes alrededor de una sucursal                                                 Gentileza de Datamap© Marke...
Determinación de un “trade area”                                               Distancia Vs. Total Clientes               ...
Marketing Intelligence:data mining para no iniciados… pero interesados                       Auditorio UCEMA, 26 de abril ...
Nuestra visión del Data Mining                                 • Es el proceso de exploración y análisis de los datos para...
Modelos de Data Mining     Principales objetivos del proceso de Data Mining:         predicción         descripción     El...
El (la) Analista de DatosBusiness goals                                                       Insights                    ...
Factores clave de éxito de un sector de MI   Construcción de una  línea de acceso a los                       Instalación ...
Una posible organización del área de MI                                                  Lectura ODBC                     ...
El peor dolor de cabeza de un CMO,                                                             pero su gran oportunidad   ...
Y cómo se lo muestra el analista:        evolución de la cartera: % de nuevos respecto del stock© MarketingIQ®, 2012      ...
Otra visión de lo mismo:          evolución de la cartera: % activos respecto del stock© MarketingIQ®, 2012             Sl...
La influencia de las promos: captación absoluta80.00070.000                             Incorporación de otra cartera     ...
Otros ejemplos de preguntas sobre clientes                 que han tenido respuesta con este análisis     ¿Luego de cuánto...
Evolución de la cartera                       Evolución de los activos© MarketingIQ®, 2012            Slide 38
Secuencia máxima de inactividad              Los valores medios                                                   Los perc...
La (re)visión del negocio orientada                  a la Gestión de la Relación con los Clientes                         ...
Estructura de costos de un proyecto de data mining                                         Proporción                     ...
Pero estos esfuerzos suelen tener buen rendimiento           Ejemplo: análisis multivariado para segmentación - clusters  ...
Perfil de los segmentos                                (output de análisis: IBM-SPSS)                                     ...
Explicación de la segmentación transaccional de la cartera total                                                          ...
Análisis de secuencia de compras:                                fidelidad en automóviles                                 ...
Ejemplo:                  Product prospect scoring              Técnica aplicada: regresión logística© MarketingIQ®, 2012 ...
El problema     Se trata de una base de datos de clientes de una tarjeta de     crédito que contiene atributos demográfico...
TARGET© MarketingIQ®, 2012   Slide 48
© MarketingIQ®, 2012   Slide 49
Variables in the Equation                            B            S.E.    Wald          df     Sig.      Exp(B)     Desarr...
Validación del modelo                                          1.0                                           .8           ...
PROSPECT * GOLD Crosstabulation Detección de oportunidad                                                           GOLD   ...
Yapa (gains chart): deciles de propensión a la respuesta positiva                    Un caso de extrapolación de claims a ...
Product prospect scoring              Técnica aplicada: regresión logística© MarketingIQ®, 2012          Slide 54
Análisis típico de estados de cartera                                                              PENDIENTES         CONF...
Dashboard por grupos según proximidad de la baja                                                                   Análisi...
Dashboard drill-down de segmentos                       según proximidad de la baja© MarketingIQ®, 2012               Slid...
Modelo de predicción de demanda                 para un diario de circulación nacional© MarketingIQ®, 2012             Sli...
La situación     12.000 Puntos de Venta     38.000 Km de distribución todas las noches     Ventana de tiempo para la distr...
Desafíos de este trabajo              Sistematizar los datos de cada una de las 1200                   unidades de informa...
Modelos validados Series de tiempo univariadas mediante ARIMA (AutoRegressive, Integrated, Moving Average)                ...
Validación del modelo Realizado utilizando The NAG Fortran Library.© MarketingIQ®, 2012                         Slide 62
Procesos de estimación y proyección          incrustados en las aplicaciones operativas del diario© MarketingIQ®, 2012    ...
CUALQUIER PARECIDO CON LA REALIDAD                ES PURA Y ABSOLUTA               COINCIDENCIA CON ELLA© MarketingIQ®, 20...
Preguntas                        y (quizás)                       respuestas                        frosales@marketingiq.c...
Analistas, víctimas de la incomprensión© MarketingIQ®, 2012       Slide 66
Muchas gracias© MarketingIQ®, 2012         Slide 67
Upcoming SlideShare
Loading in...5
×

Marketing Intelligence

2,618

Published on

Marketing Intelligence, o cómo digerir los datos para mejorar las decisiones en Marketing.

Desayuno AMDIA. 26 de Abril de 2012.

Presentadores: Freddy Rosales, Néstor Martínez

Published in: Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
2,618
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
66
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Transcript of "Marketing Intelligence"

  1. 1. Desayunos AMDIA Desayunos AMDIA Información y formación, fresca y nutritiva, para los que están, o quieren estar, en la vanguardia del marketing© MarketingIQ®, 2012 Slide 1
  2. 2. Marketing Intelligence, o cómo digerir los datos para mejorar las decisiones en marketing Auditorio UCEMA, 26 de abril de 2012 Freddy Rosales, Néstor Martínez© MarketingIQ®, 2012 Slide 2
  3. 3. Agenda de esta sesión Conciencia de la carencia: qué dicen los CMOs de todo el mundo. La misión de la inteligencia de negocios (BI) y, por extensión, la de la inteligencia en marketing: MI. Las herramientas y procesos del análisis de datos. Casos, casos, casos… para ir acostumbrando el ojo y la mente.© MarketingIQ®, 2012 Slide 3
  4. 4. ¡ATENCIÓN! LA SIGUIENTE PRESENTACION PUEDE HERIR SU SENSIBILIDADPROHIBIDA PARA MARKETINEROS MENORES La casa no se responsabiliza si no está acompañado por su analista… estadístico.© MarketingIQ®, 2012 Slide 4
  5. 5. LA VENGANZA DE LOS NERDS© MarketingIQ®, 2012 Slide 5
  6. 6. ¿Se miden los resultados de programas de marketing? Una investigación de IBM que ha tenido amplia difusión en marzo de 2012 ilumina la percepción actual de los CMOs. En resumen, no se mide.© MarketingIQ®, 2012 Slide 6
  7. 7. IBM Institute for Business Value CMOs: ¿nadando, vadeando o ahogándose? In this digital era... CMOs have to... Globalization has brought the world to Do more than ever, inside and outside the everyone’s backyard organization Everyone is a broadcaster, publisher and a critic: there is nowhere to hide Be more accountable for return on investment Transparency is the new price of entry (ROI) Use tools and technologies that their children understand better than they do And... And... more data, more sources, CMOs have just three to four years less clarity to make their mark “Being able to collect the right information, making sure the right people have access to it, can analyze it, and make recommendations based on insights – this is where marketing needs to lead, invest, engage.” Engineering and machinery senior VP sales and marketing, France © MarketingIQ®, 2012 Slide7 7
  8. 8. IBM Institute for Business Value Los CMOs se sienten faltos de preparación Expected level of complexity and preparedness to handle it Percent of CMOs responding 79% Expect high/very high level of complexity over 5 years 48% 31% complexity Feel prepared for gap “In this coming age of complexity and expected complexity uncertainty, there is a serious risk of ‘losing our north,’ of being intoxicated by data overload and suffering from corporate indigestion.” Industrial products senior managing director/marketing, Spain Source: Q4 How much complexity will your organization have to master over the next 3 to 5 years compared to today? n=1709; Q6 How prepared do you feel for the expected complexity ahead? n=1712© MarketingIQ®, 2012 Slide8 8
  9. 9. IBM Institute for Business Value En LA, las redes nos preocupan más que la big data Global Underpreparedness LA Underpreparedness Percent of CMOs reporting underpreparedness 50% Data explosion 71% 67% Social media 68% 80%Growth of channel and device choices 65% 60% Shifting consumer demographics 63% 68% Financial constraints 59% 67% Decreasing brand loyalty 57% Emerging market opportunities 56% ROI accountability 56% Customer collaboration and influence 56% Privacy considerations 55% In our region, the lack of preparedness to Global outsourcing 54% approach Social Media is greater than in the rest of world Regulatory considerations 50% Corporate transparency 47% Source: Q8 How prepared are you to manage the impact of the top 5 market factors that will have the most impact on your marketing organization over the next 3 to 5 years? n=149 to 1141 (n = number of respondents who selected the factor as important) © MarketingIQ®, 2012 Slide9 9
  10. 10. IBM Institute for Business Value Pero igualmente una mayoría de CMOs busca herramientaspara dominar el volumen, la velocidad y la variedad crecientes en los datos Global Our Plans to increase the use of technology Region Percent of CMOs selecting technologies 50% Social media 82% 91% Customer analytics 81% 89% CRM 81% 86% Mobile applications 80% 89% Content management 73% Tablet applications 72% Single view of customer 70% Collaboration tools 68% According to Social Media and Predictive analytics 66% Analytics unpreparedness in our region, they want to increase the Reputation management 63% use of Technology in those two Search engine optimization 62% areas Campaign management 61% Score cards/dashboards 56% E-mail marketing 46% Source: Q22 Do you plan to decrease or increase the use of the following technologies over the next 3 to 5 years? n=1616 to 1671 © MarketingIQ®, 2012 Slide 10 10
  11. 11. ¿Big data? ¿Qué es eso? Nota: 1 exabyte es 1 millón de terabytes… El 90% de los datos existentes en la actualidad fue generado en los últimos 2 años. 12 Terabytes de tweets diarios se convierten en indicadores de sentimiento. 350 millardos de lecturas anuales de medidores proveen proyecciones energéticas. 500 MM de registros de contacto diarios analizados en tiempo real facilitan la predicción de abandonos. http://www-01.ibm.com/software/data/bigdata/© MarketingIQ®, 2012 Slide 11
  12. 12. Areas afectadas por el tsunami de datos SOS© MarketingIQ®, 2012 Slide 12
  13. 13. “El mapa se redibuja constantemente, porque es más barato que nunca salirse del camino, desarrollar, innover y rehacer lo que creíamos sería lo siguiente”. “La tecnología sigue cambiando los derroteros que elegimos para llevar a nustros proyectos de aquí hacia allá. No vale la pena memorizar la ruta, porque pronto cambiará”. “El compás, la brújula, no obstante, es más importante que nunca. Si no sabés en qué dirección vas, ¿cómo sabrás que estás fuera de rumbo?” “Y sin embargo…” “… sin embargo dedicamos la mayoría de nuestro tiempo a aprender (o a enseñar) el mapa, el mapa de ayer, mientras estamos a la vez ansiosos y temerosos de calibrar el compás”. (Seth Godin, 2012)© MarketingIQ®, 2012 Slide 13
  14. 14. ¿Los ayudamos un poco?© MarketingIQ®, 2012 Slide 14
  15. 15. Business Intelligence: una definición “Es un paraguas bajo el que se incluye un conjunto de conceptos y metodologías cuya misión consiste en mejorar el proceso de toma de decisiones en los negocios basándose en hechos y sistemas que trabajan con hechos” Howard Dresner (Gartner Group), 1989© MarketingIQ®, 2012 Slide 15
  16. 16. BI: recursos y herramientas Fuentes de datos : warehouses, data marts, etc Herramientas de administración de datos y metadata Herramientas de consulta y reporting Herramientas de modelización Queries y reportes Metadata Extracción, clean up y carga de datos OLAP DW Fuentes Data Mining transaccionales© MarketingIQ®, 2012 Slide 16
  17. 17. El espectro de las Tecnologías de Business Intelligence (BI)ALTO TDWI Best Practices Report 2007 (The Data Warehousing Institute) Tecnologías de BI (aditivas, no excluyentes): Grado de complejidad Análisis predictivo Dashboards, scorecards OLAP y visualizaciones Queries, informes, herramientas de acceso y búsquedaBAJO Valor para el negocio ALTO© MarketingIQ®, 2012 Slide 17
  18. 18. El “círculo virtuoso” del análisis de datos Preparación Datos Acción Información Decisión Conocimiento© MarketingIQ®, 2012 18 Slide 18
  19. 19. Un ejemplo de base transaccional de gestión de ventas© MarketingIQ®, 2012 Slide 19
  20. 20. ¿Cómo se visualizan esos datos? (1) Drill Down - Roll Up© MarketingIQ®, 2012 Slide 20
  21. 21. ¿Cómo se visualizan esos datos? (2) Slice and Dice© MarketingIQ®, 2012 Slide 21
  22. 22. Problemas usuales en contextos comerciales Adquisición de clientes y segmentación de cartera Cross y up selling Churning y attrition Scoring Análisis de respuesta a campañas y estímulos de marketing Forecasting Canasta de productos Prevención de morosidad Detección de fraudes© MarketingIQ®, 2012 Slide 22
  23. 23. Ej.: ¿Qué tan frecuentemente compran los clientes? Análisis univariado: Frecuencia mensual promedio© MarketingIQ®, 2012 Slide 23
  24. 24. Estratos de NSE geocodificados en el AMBA DATOS REALES Gentileza de Datamap© MarketingIQ®, 2012 Slide 24
  25. 25. Densidad de clientes alrededor de una sucursal Gentileza de Datamap© MarketingIQ®, 2012 Slide 25
  26. 26. Determinación de un “trade area” Distancia Vs. Total Clientes 100 94,2 96,8 98,4 91,7 90 % Clientes Totales 86,9 88,7 83,2 85,4 80 77,1 81,2 70 65,3 70,7 60 55,7 50 40 40,1 Total Clientes 30 20 18,6 10 5,6 0 0 0 0 00 00 00 00 00 00 00 00 00 00 00 10 0 0 20 40 70 0 00 11 15 19 25 30 35 40 45 50 60 70 85 Distancia en mts. Gentileza de Datamap© MarketingIQ®, 2012 Slide 26
  27. 27. Marketing Intelligence:data mining para no iniciados… pero interesados Auditorio UCEMA, 26 de abril de 2012 Freddy Rosales, Néstor Martínez© MarketingIQ®, 2012 Slide 27
  28. 28. Nuestra visión del Data Mining • Es el proceso de exploración y análisis de los datos para ¿Qué ES obtener patrones significativos y reglas de negocio. el Data Mining ? Definición de sus pioneros, Michael Berry y Gordon Linoff • No es un producto que se compra enlatado sino una disciplina que debe ser dominada: es esencial la calidad de los analistas. ¿Qué NO ES • No es una solución instantánea a los problemas de negocio: prepara decisiones transformando datos en conocimiento. el Data Mining? • No es un fin en sí mismo sino un proceso que ayuda a encontrar soluciones a problemas de negocio: sus conclusiones deben ser eminentemente operativas.© MarketingIQ®, 2012 Slide 28
  29. 29. Modelos de Data Mining Principales objetivos del proceso de Data Mining: predicción descripción El método a utilizar depende de los objetivos perseguidos por el análisis pero también de la calidad y cantidad de los datos disponibles: Fuente: Mining your Own Business Data Using DB2 Intelligent Miner for Data© MarketingIQ®, 2012 Slide 29
  30. 30. El (la) Analista de DatosBusiness goals Insights Task Knowledge Discovery Discovery Data Discovery Data Analysis Data Modelling Data Cleaning Data Transformation DataWarehouse Mining Data© MarketingIQ®, 2012 Slide 30
  31. 31. Factores clave de éxito de un sector de MI Construcción de una línea de acceso a los Instalación de un datos crudos, con centro autónomo de Analista seguridad (hashing y procesamiento de especializado como autorizaciones) según datos (hardware, soporte de los normas de Sistemas, software y recursos recursos operativos que vuelque humanos), exclusivo del área. periódicamente las para Marketing. transacciones a BI. Es el vínculo entre las áreas de Un único project leader tecnología informática y las Un equipo multidisciplinario integrado por personas de las áreas de IT y áreas de negocios Traduce los requerimientos de de negocio información en preguntas Las unidades de negocio están involucradas desde el comienzo apropiadas para su análisis con las herramientas de minería. El área de IT está involucrada desde el comienzo Realimenta el DW de la Un pequeño proyecto piloto que muestre las ventajas del Data Mining compañía con nuevos criterios de data cleaning y data validation.© MarketingIQ®, 2012 Slide 31
  32. 32. Una posible organización del área de MI Lectura ODBC desde SPSS / SAS o similar Analista© MarketingIQ®, 2012 Slide 32
  33. 33. El peor dolor de cabeza de un CMO, pero su gran oportunidad CLIENTES ACTIVOS EN CADA MES SEGÚN EL MES DE ACTIVACION Mes de actividad 0601 0602 0603 0604 0605 0606 0607 0608 0609 0610 0611 0612 0701 0702 0703 0704 0705 0706 0707 0708 0709 0710 0711 0712 0801 0802 0803 0804 Altas 200601 222.492 188.359 184.844 175.858 178.591 174.410 174.085 170.862 168.840 167.911 164.745 163.412 163.700 159.366 159.095 156.112 155.867 153.880 154.438 151.491 149.837 150.907 147.546 143.281 147.851 144.121 141.214 142.423 222.492 200602 0 35.911 20.767 20.538 20.489 21.022 19.720 20.537 18.910 20.160 18.576 19.661 18.121 19.345 18.110 18.386 17.926 18.362 17.904 18.155 17.119 18.269 16.985 16.970 16.976 17.414 16.211 16.928 35.911 200603 0 0 29.516 19.108 19.683 18.844 18.923 18.414 18.185 18.096 17.655 17.377 16.925 16.535 16.908 16.410 16.448 16.262 16.393 16.076 15.484 15.961 15.525 14.807 15.341 15.008 14.810 14.983 29.516 200604 0 0 0 17.016 10.297 10.225 9.886 9.945 9.416 9.694 9.181 9.329 8.815 8.864 8.863 8.895 8.706 8.745 8.718 8.643 8.405 8.618 8.236 7.927 8.275 8.051 7.852 8.137 17.016 200605 0 0 0 0 18.083 10.325 10.457 9.906 9.806 9.740 9.529 9.359 9.292 9.058 9.112 9.048 9.122 8.905 9.098 8.892 8.656 8.851 8.569 8.195 8.536 8.240 8.056 8.320 18.083 200606 0 0 0 0 0 15.615 9.209 9.218 8.526 8.917 8.282 8.459 8.019 7.991 7.901 7.853 7.758 7.784 7.737 7.641 7.337 7.651 7.339 7.146 7.308 7.230 6.911 7.140 15.615 200607 0 0 0 0 0 0 15.631 9.481 9.295 9.136 8.855 8.633 8.531 8.168 8.330 8.034 8.211 7.949 8.253 7.872 7.787 7.808 7.614 7.215 7.595 7.317 7.221 7.328 15.631 200608 0 0 0 0 0 0 0 16.522 10.010 10.076 9.425 9.416 8.995 8.878 8.747 8.699 8.603 8.588 8.602 8.580 8.201 8.511 8.106 7.808 8.077 7.901 7.617 7.797 16.522 200609 0 0 0 0 0 0 0 0 15.374 9.668 9.399 8.956 8.721 8.363 8.577 8.239 8.295 8.155 8.331 7.973 7.985 7.983 7.679 7.331 7.669 7.361 7.235 7.292 15.374 200610 0 0 0 0 0 0 0 0 0 14.254 8.525 8.522 7.978 7.885 7.858 7.751 7.612 7.551 7.592 7.486 7.217 7.438 7.087 6.850 7.051 6.925 6.698 6.904 14.254 200611 0 0 0 0 0 0 0 0 0 0 12.959 7.868 7.533 7.196 7.271 7.004 7.139 6.860 7.079 6.831 6.736 6.782 6.577 6.293 6.531 6.336 6.191 6.250 12.959 200612 0 0 0 0 0 0 0 0 0 0 0 13.302 7.779 7.614 7.566 7.384 7.333 7.293 7.329 7.152 6.994 7.160 6.817 6.606 6.831 6.601 6.390 6.571 13.302 200701 0 0 0 0 0 0 0 0 0 0 0 0 13.949 8.146 8.186 7.751 7.809 7.527 7.694 7.374 7.323 7.394 7.179 6.808 7.344 6.958 6.713 6.890 13.949Mes 200702 0 0 0 0 0 0 0 0 0 0 0 0 0 13.032 7.961 7.841 7.584 7.461 7.542 7.303 7.092 7.207 6.886 6.758 6.994 6.895 6.571 6.718 13.032primera 200703 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12.507 7.884 7.929 7.483 7.662 7.349 7.199 7.251 6.987 6.667 6.894 6.613 6.546 6.552 12.507transacción 200704 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12.807 8.101 8.056 7.955 7.748 7.359 7.589 7.102 6.885 7.116 6.856 6.698 6.936 12.807 200705 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13.922 9.034 9.309 8.678 8.569 8.557 8.227 7.682 8.009 7.696 7.587 7.697 13.922 200706 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13.504 9.017 8.839 8.302 8.383 7.950 7.689 7.803 7.620 7.401 7.581 13.504 200707 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.083 10.459 10.324 10.165 9.695 9.211 9.496 9.049 8.840 9.001 16.083 200708 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20.085 13.743 13.707 12.754 12.415 12.526 12.261 11.749 12.074 20.085 200709 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.582 12.755 12.224 11.293 11.721 11.065 10.903 11.019 19.582 200710 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.401 12.399 12.085 12.088 11.760 11.282 11.558 19.401 200711 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17.878 11.347 11.605 10.961 10.773 10.799 17.878 200712 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.682 10.835 10.580 10.079 10.359 16.682 200801 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20.635 12.455 12.149 12.136 20.635 200802 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.329 11.807 12.082 19.329 200803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.196 10.593 16.196 200804 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17.948 17.948 Total 222.492 224.270 235.127 232.520 247.143 250.441 257.911 264.885 268.362 277.652 277.131 284.294 288.358 290.441 296.992 300.098 308.365 313.399 326.736 334.627 341.251 358.348 357.361 355.951 381.107 382.603 381.700 400.016 690.215 Caso real 2010 de seguimiento de cohortes de clientes extraído de su contexto por confidencialidad. © MarketingIQ®, 2012 Slide 33
  34. 34. Y cómo se lo muestra el analista: evolución de la cartera: % de nuevos respecto del stock© MarketingIQ®, 2012 Slide 34
  35. 35. Otra visión de lo mismo: evolución de la cartera: % activos respecto del stock© MarketingIQ®, 2012 Slide 35
  36. 36. La influencia de las promos: captación absoluta80.00070.000 Incorporación de otra cartera Promo “BBB”60.000 Promo “CCC”50.000 Campaña TV Promo “AAA”40.00030.00020.00010.000 0 © MarketingIQ®, 2012 Slide 36
  37. 37. Otros ejemplos de preguntas sobre clientes que han tenido respuesta con este análisis ¿Luego de cuántos períodos de inactividad consecutivos debo considerar que un cliente es baja definitiva? ¿Cuál es la tasa de resucitación espontánea de clientes en dependencia de la cantidad de períodos con inactividad? ¿Cómo fue la respuesta de los clientes baja ante la última acción de recuperación, en dependencia de la antigüedad de la baja? ¿Está relacionado el motivo de la baja con la probabilidad de recuperación? ¿Cuál es la “caída del primer período”? ¿Mix de motivos? ES EL (RE)ENFOQUE DE RESULTADOS DE LA EMPRESA EN BASE A LOS CLIENTES© MarketingIQ®, 2012 Slide 37
  38. 38. Evolución de la cartera Evolución de los activos© MarketingIQ®, 2012 Slide 38
  39. 39. Secuencia máxima de inactividad Los valores medios Los percentiles para cada uno por segmento son: de los segmentos son: Percentiles Maximo período de inactividad Tukeys Hinges k_ 0_ max k_ 0_ max N Mean Percentiles Outlier Cluster 46.380 7,1 25 50 75 1 243.687 4,9 Outlier Cluster ,0000 3,0000 11,0000 2 255.928 4,6 1 1,0000 2,0000 6,0000 Segmentos 3 475.070 2,0 2 1,0000 2,0000 6,0000 Segmentos 4 234.682 ,2 3 ,0000 ,0000 2,0000 5 362.120 4,4 4 ,0000 ,0000 ,0000 Total 1.617.867 3,3 5 ,0000 2,0000 6,0000 El análisis de los percentiles sugiere tomar como valor límite para considerar de baja a un cliente 6 meses de inactividad continua.© MarketingIQ®, 2012 Slide 39
  40. 40. La (re)visión del negocio orientada a la Gestión de la Relación con los Clientes Referencias/MGM Captación nuevos clientes Nuevos Clientes Incremento de Clientes clientes Reafirmación clientes actuales Clientes Actuales Plan de Marketing Plan de marketing Eficaz Ventas cruzadas y Incremento de eficaz complementarias ventas Cliente Ventas // cliente + Mejora VVC de la eficiencia Eficiencia Disminución de costos // cliente Costes Cliente Gestión de Gestión de la voz del cliente La Voz MarketingCom (Tomado de Josep Alet, “Marketing Relacional”, 2009)© MarketingIQ®, 2012 Slide 40
  41. 41. Estructura de costos de un proyecto de data mining Proporción Tarea de la duración Análisis del negocio 20% 70% del tiempo total dedicado Análisis de datos 25% al proyecto se insume en definir el problema y preparar la tabla Captura de datos 10% de datos. Preparación de datos 15% Data mining prop. dicho 10% Interpretación de resultados 10% Recomendaciones operativas 5% Decisión de negocios 5%© MarketingIQ®, 2012 Slide 41
  42. 42. Pero estos esfuerzos suelen tener buen rendimiento Ejemplo: análisis multivariado para segmentación - clusters Cluster Distribution % of N Com bine % of Total d 1 243687 15,1% 15,1% 2 255928 15,8% 15,8% 3 475070 29,4% 29,4% Cluster 4 234682 14,5% 14,5% 5 362120 22,4% 22,4% Outlier (-1) 46380 2,9% 2,9% Combined 1617867 100,0% 100,0% Total 1617867 100,0%Se le especifica al sistema que agrupe a los clientes minimizando las “distancias” entre miembros del mismo clustery maximizando las distancias entre clusters. Se suele buscar entre 4 y 9 clusters (valores limite sugeridos por SPSS).El analista elige la variante que resulta más relevante para fundamentar un plan de acción segmentado.© MarketingIQ®, 2012 Slide 42
  43. 43. Perfil de los segmentos (output de análisis: IBM-SPSS) Base: Stock completo Mea n Segmentos Outlier Cluster 1 2 3 4 5 Total Meses 28 37 33 19 2 21 22 vivo Recency 9 3 4 7 28 6 9 Pagos Transacc 4,8 3,5 3,2 3,0 1,3 1,9 2,6 por mes Regulari ,61 ,77 ,76 ,87 ,97 ,71 ,81 dad Este es el output “crudo” de la herramienta analítica, en este caso SPSS. Pero esto se retrabaja para una mejor interpretación de los decisores.© MarketingIQ®, 2012 Slide 43
  44. 44. Explicación de la segmentación transaccional de la cartera total Segmento Indicador Loyal (1+2) Upgrade (3) Weak (4) Lost (5) Meses vivo Extensa (>40) Baja (<10 m) Media (28 m) Muy baja (<5 m) Recencia Muy baja (2 m) Baja (4 m) Media (7 m) Muy alta (>30 m) Frecuencia Alta (>4) Media (2) Baja (<2) Baja (<2) Regularidad Alta (>0.9) Alta (>0.9) Baja (<0.4) no aplica Cantidad 486217 463.690 348.919 314.658 % 30% 29% 22% 19% Realiza alrededor de 4 transacc. La cantidad de transacciones Puede haber sido un upgrade De hecho ya están fuera de la por mes, con alta regularidad (el del promedio de toda la cartera. dentro del año de su ingreso, cartera. Así como están las 90% de los meses). Es de alta Todavía es relativamente pero que al carecer de cosas, solo si «resucitan» durabilidad (3 años por lo nuevo, y aunque muestra una estímulos se ha caído de espontáneamente entrarán menos). Es el 30% más valioso buena regularidad de pagos categoría. Ya ha acumulado nuevamente a ella. Será Descripción de la cartera, la mayor prioridad puede quedar inactivo varios muchos meses de inactividad importante ensayar acciones degeneral de la de protección y fidelización. meses sucesivos. Debería ser consecutivos y está en serio recuperación que los reinserten estimulado a agregar rubros peligro de ser baja. Luz roja. entre los clientes activos, tipología que aumenten su frecuencia y llevándolos de rubro en rubro regularidad, y llevarlo así a ser hasta rescatar como Loyals a un Loyal. los más propensos. © MarketingIQ®, 2012 Slide 44
  45. 45. Análisis de secuencia de compras: fidelidad en automóviles marca comprada cero Km marca Total Total anterior A B C D E acum E 14,5% 11,3% 14,5% 17,1% 29,1% 20,3% 20,3% B 15,9% 35,6% 13,2% 12,3% 13,8% 17,1% 37,4% D 15,2% 14,7% 13,4% 30,1% 13,8% 15,4% 52,8% F 12,2% 12,6% 13,9% 13,6% 13,1% 12,9% 65,7% A 19,6% 5,5% 8,4% 9,2% 7,3% 11,1% 76,8% C 10,3% 8,9% 24,5% 10,6% 9,2% 10,8% 87,6% Resto 12,3% 11,4% 12,1% 7,1% 13,7% 12,4% 100,0% control 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% Análisis de cartera de clientes de concesionarias de autos, datos reales, marcas enmascaradas.© MarketingIQ®, 2012 Slide 45
  46. 46. Ejemplo: Product prospect scoring Técnica aplicada: regresión logística© MarketingIQ®, 2012 Slide 46
  47. 47. El problema Se trata de una base de datos de clientes de una tarjeta de crédito que contiene atributos demográficos y de utilización de la tarjeta. Una pequeña proporción de los clientes posee una tarjeta “gold”. El modelo que se quiere desarrollar debe: Identificar aquellos clientes que no poseen la tarjeta “gold” pero que, en una campaña de venta de tarjetas “gold”, maximicen la probabilidad aceptar la oferta.© MarketingIQ®, 2012 Slide 47
  48. 48. TARGET© MarketingIQ®, 2012 Slide 48
  49. 49. © MarketingIQ®, 2012 Slide 49
  50. 50. Variables in the Equation B S.E. Wald df Sig. Exp(B) Desarrollo ECIV 2.741 2 .254 de la fórmula de regresión ECIV(1) .000 21.432 .000 1 1.000 1.000 Step a 1 ECIV(2) 11.103 20.219 .302 1 .583 66391.594 Constant -10.203 20.219 .255 1 .614 .000 ECIV 2.662 2 .264 ECIV(1) -.112 20.354 .000 1 .996 .894 Step COMPUTE z02 = -0.157 * (eciv = 1) + b ECIV(2) 10.230 19.218 .283 1 .595 27709.540 10.082 * (eciv = 2) + 0.043 * edad + 0.690 * scios 2 - 13.228. SCIOS .984 .068 209.315 1 .000 2.674 COMPUTE pr02 = 1 / (1 + EXP (-z02)). Constant -12.693 19.219 .436 1 .509 .000 EXECUTE. ECIV 2.584 2 .275 RECODE pr02 ECIV(1) -.157 20.459 .000 1 .994 .855 (LOW THRU 0.25 = 1) ECIV(2) 10.082 19.319 .272 1 .602 23918.831 (0.25 THRU 0.50 = 2) Step c 3 (0.50 THRU 0.75 = 3) EDAD .043 .011 14.812 1 .000 1.044 (0.75 THRU HIGH = 4) SCIOS .690 .099 48.530 1 .000 1.993 INTO prospect. Constant -13.228 19.320 .469 1 .494 .000 EXECUTE. a. Variable(s) entered on step 1: ECIV. b. Variable(s) entered on step 2: SCIOS. c. Variable(s) entered on step 3: EDAD.© MarketingIQ®, 2012 Slide 50
  51. 51. Validación del modelo 1.0 .8 .6 .4 Predicted probability .2 0.0 -.2 N= 2107 2055 NO SI GOLD© MarketingIQ®, 2012 Slide 51
  52. 52. PROSPECT * GOLD Crosstabulation Detección de oportunidad GOLD Total 0 NO 1 SI Count 20363 40 20403 1.00 % within PROSPECT 99.8% .2% 100.0% El 22% de la base (clientes con % within GOLD 64.4% 1.9% 60.6% más de 0.75 de probabilidad de Count 4102 136 4238 compra) acumula el 88% de las 2.00 % within PROSPECT 96.8% 3.2% 100.0% tarjetas vendidas. % within GOLD 13.0% 6.6% 12.6% PROSPECT Count 1623 64 1687 En ese segmento hay todavía 5525 prospects 3.00 % within PROSPECT 96.2% 3.8% 100.0% % within GOLD 5.1% 3.1% 5.0% Count 5525 1815 7340 4.00 % within PROSPECT 75.3% 24.7% 100.0% % within GOLD 17.5% 88.3% 21.8% Count 31613 2055 33668 Total % within PROSPECT 93.9% 6.1% 100.0% % within GOLD 100.0% 100.0% 100.0%© MarketingIQ®, 2012 Slide 52
  53. 53. Yapa (gains chart): deciles de propensión a la respuesta positiva Un caso de extrapolación de claims a tipo de respuesta (traspaso voluntario de empleados estatales del régimen de reparto al régimen de capitalización) Count % Row % Col Acepta traspaso ?? Acepta traspaso ?? Acepta traspaso ?? Total Total Total NO SI NO SI NO SI 1 812 148 960 84,6% 15,4% 100,0% 10,9% 6,9% 10,0% 2 801 159 960 83,4% 16,6% 100,0% 10,7% 7,4% 10,0% 3 761 200 961 79,2% 20,8% 100,0% 10,2% 9,3% 10,0% 4 766 194 960 79,8% 20,2% 100,0% 10,3% 9,0% 10,0% Decil 5 760 200 960 79,2% 20,8% 100,0% 10,2% 9,3% 10,0% de Score 6 760 200 960 79,2% 20,8% 100,0% 10,2% 9,3% 10,0% 7 723 238 961 75,2% 24,8% 100,0% 9,7% 11,1% 10,0% 8 721 239 960 75,1% 24,9% 100,0% 9,7% 11,1% 10,0% 9 682 278 960 71,0% 29,0% 100,0% 9,1% 13,0% 10,0% 10 672 288 960 70,0% 30,0% 100,0% 9,0% 13,4% 10,0% Total 7458 2144 9602 77,7% 22,3% 100,0% 100,0% 100,0% 100,0% Los deciles 7,8,9 y 10 superan en su tasa de aceptación al promedio general del 22,3%. Este análisis llevó a la identificación de segmentos significativos para una propuesta de traspaso.© MarketingIQ®, 2012 Slide 53
  54. 54. Product prospect scoring Técnica aplicada: regresión logística© MarketingIQ®, 2012 Slide 54
  55. 55. Análisis típico de estados de cartera PENDIENTES CONFIRMADOS TOTAL VIVOS Activos 32..824 19% 764.887 83% 797.711 73% Por su actividad en el mes Inactivos 141.387 81% 155.789 17% 297.176 27% Loyal 449.804 49%SEGMENTACION Por su Upgrade 250.129 27% pertenencia a un determinado cluster Weak 132.751 14% Outliers 2.960 0% Finales al xx-xx-xxxx 174.211 16% 920.616 84% 1.094.887 100% Matriz que devela el mix de estados de la cartera y permite desarrollar métricas fácilmente interpretables. Sencilla visualización de los fenómenos de stock tanto como los de flujo, en dependencia del diseño. Los “confirmados” suelen ser losclientes que compraron por segunda vez. Los primerizos son solo “compradores”.© MarketingIQ®, 2012 Slide 55
  56. 56. Dashboard por grupos según proximidad de la baja Análisis de inactividades acumuladas Inactivos en noviembre 20XX Activos en noviembre 20XX Totales de control (stock a nov’XX) de cartera may-oct 20XX de cartera total may-oct 20XX de cartera total may-oct 20XX Nuevos Perdida Total y resucitados Total Perdida, nuevos Total Viva Viva Viva («Lost») stock stock y resucitados stock 0 32.824* 764.887 797.711 32.824 764.887 797.711 1 95.524 95.524 95.524 95.524 2 50.664 50.664 50.664 50.664 3 46.613 46.613 46.613 46.613 Meses 4 48.427 48.427 48.427 48.427 de inactividad 5 28.650 28.650 28.650 28.650 consecutiva 6 27.298 27.298 27.298 27.298 7 a 12 117.447 117.447 117.447 117.447 13 y más 405.533 405.533 405.533 405.533 Total 522.980 297.176 820.156 32.824 764.887 797.711 555.804 1.062.063 1.617.867*Nota: incluye un 97.255 (34%) de «one-timers» (nuevos del año 20XX que no realizan una 2da transacción) Las cifras son las reales de noviembre 20XX según análisis a la fecha, conciliadas con el “dashboard" del slide anterior. Se advierte que 27.298 clientes de la cartera viva acumularon en noviembre 6 inactividades y al 30.11 habrán sido bajas, y otros 28.650 están en 5 y son bajas potenciales, recomendándose el testeo de acciones de retención preventiva. Los segmentos de menor cantidad de inactividades sucesivas deberían recibir impulsos de reactivación temprana, relacionados no solo con el período de inactividad sino también con los rubros pagados. 56© MarketingIQ®, 2012 Slide 56
  57. 57. Dashboard drill-down de segmentos según proximidad de la baja© MarketingIQ®, 2012 Slide 57
  58. 58. Modelo de predicción de demanda para un diario de circulación nacional© MarketingIQ®, 2012 Slide 58
  59. 59. La situación 12.000 Puntos de Venta 38.000 Km de distribución todas las noches Ventana de tiempo para la distribución en 6.000 PV : 4 horas Todos los días nueve diarios y aprox. cien revistas y libros, 362 días al año 1.500.000 ejemplares distribuidos 250.000 ejemplares devueltos todos los días 1.200 series de datos diarios por cada título/edición Ecuación compuesta: Carga-Devolución- Cantidad de Vendedores- Agotados (Fuera de stock) Modalidad de venta en consignación (lo que no se vende, se devuelve al Editor) Cadena de Distribución y Venta veloz, eficiente, compleja, pero de baja profesionalidad. 20.000 personas entre el Editor y sus lectores© MarketingIQ®, 2012 Slide 59
  60. 60. Desafíos de este trabajo Sistematizar los datos de cada una de las 1200 unidades de información disponibles. Descubrir los hábitos subyacentes de los lectores. Cuantificar la reacción ante eventos previsibles (elección presidencial, final de campeonato mundial, etc.). Generar sólo las devoluciones necesarias e imprescindibles sin quedar fuera de stock.© MarketingIQ®, 2012 Slide 60
  61. 61. Modelos validados Series de tiempo univariadas mediante ARIMA (AutoRegressive, Integrated, Moving Average) ROSARIO La aplicación de esta metodología supone tres etapas: Identificación del modelo de ajuste de la serie Estimación Proyección (forecast) Se individualizaron familias de series en términos del nivel, expresado M. DEL PLATA como el número de ejemplares diarios, pocas unidades o decenas de ejemplares cientos de ejemplares miles de ejemplares decenas de miles de ejemplares Construcción de 1.200 series. El modelo identificado fue aplicado BARILOCHE a todas las series de la familia y se evaluó la bondad de ajuste.© MarketingIQ®, 2012 Slide 61
  62. 62. Validación del modelo Realizado utilizando The NAG Fortran Library.© MarketingIQ®, 2012 Slide 62
  63. 63. Procesos de estimación y proyección incrustados en las aplicaciones operativas del diario© MarketingIQ®, 2012 Slide 63
  64. 64. CUALQUIER PARECIDO CON LA REALIDAD ES PURA Y ABSOLUTA COINCIDENCIA CON ELLA© MarketingIQ®, 2012 Slide 64
  65. 65. Preguntas y (quizás) respuestas frosales@marketingiq.com.ar nmartinez@marketingiq.com.ar© MarketingIQ®, 2012 Slide 65
  66. 66. Analistas, víctimas de la incomprensión© MarketingIQ®, 2012 Slide 66
  67. 67. Muchas gracias© MarketingIQ®, 2012 Slide 67
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×