Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Customer Analytics: de text analytics a Voice of Customer

1,175 views

Published on

El uso de datos desestructurados nos va a permitir tener una visión 360 del cliente. Solo atendiendo sus necesidades y escuchando lo que dicen, podemos ofrecer un valor diferencial a nuestros clientes. El big data al servicio de la satisfacción

Published in: Data & Analytics
  • Be the first to comment

Customer Analytics: de text analytics a Voice of Customer

  1. 1. Customer Analytics Conocer a nuestros clientes para hacer crecer nuestro negocio Antonio Matarranz Madrid, 30 de noviembre de 2016 Data & Analytics
  2. 2. Sngular Una empresa nueva, con más de 20 años de experiencia Resultado de la fusión de 5 empresas tecnológicas especializadas en diversas áreas 300+ personas en España, EE.UU. y México Hablamos los lenguajes del negocio y la tecnología ¿Qué es Sngular?
  3. 3. Techtrategy Software Cloud Xperience Data & Analytics User DataSets eCommerce Ventures Virtual Reality Tools Investments
  4. 4.   
  5. 5. Menú para hoy       
  6. 6. Una “tormenta perfecta” de datos en Customer Analytics Medios sociales Comportamiento online No estructurados Espontáneos Externos Customer Analytics es un problema Big Data Unos clientes cada vez más digitales… Nuevos canales y dispositivos
  7. 7. La vista de los clientes estaba limitada a datos de los que la empresa hace seguimiento Firmo/Demogra phic Signals Behavioral Signals Señales demo/ firmográficas Señales de comportamiento
  8. 8. Señales demo/ firmográficas Señales de comportamiento Ahora hay muchas más señales por descubrir que son mejores indicadores Interacciones multicanal Conversaciones sociales Uso de tecnología
  9. 9. El feedback de los clientes está cambiando No solicitado Solicitado Estructurado No estructurado Ej., puntuaciones de clientes en sitios de terceros Ej., verbatims de llamadas de clientes, tuits Ej., encuestas de satisfacción Ej., comentarios en encuestas Las iniciativas de VoC / Customer Experience están expandiéndose hacia comentarios no estructurados y no solicitados
  10. 10. ¿Amenaza… u Oportunidad? Este nuevo mundo crea oportunidades significativas para los marketers Experiencias personalizadas • Optimización de anuncios, ofertas y contenidos • Contenido personalizado • Optimización de precios Mejor toma de decisiones • ROI de marketing real • Modelado predictivo • Planifcación holistica de campañas • Rentabilidad por grupos de afinidad Análisis profundo de la audiencia • Hipersegmentación • Comprensión de 360º del cliente • Análisis de señales de compra • Valor del tiempo de vida del cliente Gasto más eficaz • Atribución omnicanal • Optimización de anuncios y promociones en tiempo real • Optimización del mix de medios • Monitorización de marca
  11. 11. Conseguir una vista completa del cliente Definir el “segmento de 1”
  12. 12. Una nueva visión de 360º de los clientes Datos demográficos CRM / Autom. Marketing Interacciones Contact Center Dispositivos Uso producto Navegación Social Visión 360º Pedidos y pagos Una visión holística y en tiempo real de los clientes A través de todos los productos, sistemas, dispositivos y canales de interacción Para proporcionar una experiencia personalizada, consistente, específica del contexto y relevante
  13. 13. El gran reto es salvar la brecha entre análisis y acción Convertir los análisis en algo “accionable” Análisis Acción
  14. 14. Escalera de valor de la analítica
  15. 15. Un proceso para extraer insights de datos multiformato Conversión voz a texto Análisis semántico Analítica y visualización Call center Email, chat, social Texto Datos estructurados Datos Insights
  16. 16. Aplicación: análisis de causas raíz en NPS (Net Promoter Score) Pregunta abierta Interacciones / incidencias Comentarios sociales Analítica ¿Qué comentarios están más correlacionados con scores negativos? Score numérico ¿Qué temas emergen de los comentarios y cuáles son los más frecuentes?
  17. 17. Prevención del abandono (churn) Datos cliente Actividad uso/ consumo Interacciones / incidencias Comentarios sociales Analítica predictiva Campañas específicas Detección clientes en riesgo  Oferta especial Modelo: factores que predicen abandono
  18. 18. Perfil de cliente ideal Descubriendo el “ADN” de tus mejores clientes (B2C) Datos internos: clientes y su consumo Datos aumentados (B2C): Situación familiar y profesional, intereses, aficiones, afinidades,… Rasgos comunes de tus mejores clientes Analítica predictiva Prospección Scoring leads Segmentación
  19. 19. Perfil de cliente ideal Descubriendo el “ADN” de tus mejores clientes (B2B) Datos internos: clientes y su consumo Datos aumentados (B2B): situación financiera, datos de personal, ofertas de trabajo, uso de plataformas tecnológicas en sus interacciones con el exterior, tácticas de marketing y ventas, fuentes de datos públicas, análisis semántico de la huella digital de la empresa Rasgos comunes de tus mejores clientes Analítica predictiva Prospección Scoring leads Segmentación
  20. 20. Marketing predictivo: está sucediendo ya…
  21. 21. La visión de 360º se puede aplicar a lo largo de todo el viaje del cliente
  22. 22. Conectar - Analizar - Actuar • Registros de clientes • Registros de transacciones • Notas de contact center • Feeds de medios digitales • Extracción de páginas web • Ficheros de logs • Tickets de compra • Respuestaa anuncios • ERP … y más Recoger flujos de información big data Extraer señales mediante analítica avanzada Generar acciones personalizadas • Quién es leal • Quién es probable que nos abandone • Quién quiere comprar más • Quién es un cliente que repite • Quién responderá a un anuncio • Quén es rentable ahora • Quién es rentable a largo plazo • Cuál debería ser mi próxima oferta • Cómo puedo influir en el comportamiento de los clientes … y más • Ofrecer proactivamente bono de retención a cliente que nos puede abandonar • Enviar cupón móvil a cliente cuando entra a la tienda • Campaña a medida basada en preferencias individuales
  23. 23. CRISP-DM Cross Industry Standard Process for Data Mining Foco en el negocio Iterativo
  24. 24. Foco en el negocio Preguntas clave
  25. 25. Hacia una Analítica Ágil Los insights se descubren, no se diseñan La analítica es inherentemente ágil
  26. 26. Analítica ágil Iterativa, incremental, evolutiva Desarrollo dirigido por el valor Calidad de producción Proceso suficiente Automatización Colaboración Equipos autoorganizados y autogestionados
  27. 27. Plataforma Sngular para Aplicaciones Informacionales y Operacionales Centradas en Datos INPUT ANALÍTICA DE TEXTO ANALÍTICA DE DATOS OUTPUT
  28. 28. Input  Ingesta de repositorios de datos organizativos (ERP, CRM, etc.) y también fuentes externas • Soporte a procesos ETL • Pentaho Kettle, Apache Camel, Apache Flume  Datos de medios sociales • Webhose, SocialGist, RSS, Twitter API, RSS…  Integraciones ad-hoc con fuentes de información de terceros
  29. 29. Plataforma como servicio  Infraestructura distribuida de alto rendimiento para procesamiento de datos en stream en tiempo real y batch • Basado en Apache Storm o Apache Flink  Coordinación de datos basada en colas o mensajes • ActiveMQ, RabbitMQ, ZeroMQ, Amazon SQS • Apache Kafka  Soporte a infraestructura de datos distribuida • HDFS, Apache Hive, Hbase, Elastic, Druid, noSQL (MongoDB, Cassandra…), SQL (PostgreSQL, Mysql, Oracle…), bases da datos de grafos (Neo4j, GraphDB, OrientDB, Allegro, Virtuoso…)  Despliegue en la nube u on-premises • EC2, Google Cloud, IBM Bluemix, Microsoft Azure, Databricks…
  30. 30. Analítica de datos  Funcionalidad avanzada de analítica de datos • Batch y online • Big data vs small data  Módulos ML para • Extracción de insights • Previsión (clasificación/predicción) • Clustering • Scoring • Perfilado  Apache Spark + MLLib, R, Python Scikit-learn, Sparkling Water
  31. 31. Analítica de texto  Procesamiento semántico de texto multiidioma usando MeaningCloud • Identificación de idioma, extracción de topics, clasificación, análisis de sentimiento, expansión semántica, matching borroso  Texto formal o contenido generado por usuarios
  32. 32. Output  Consolas de visualización multidispositivo • Pentaho dashboards, Tableau, Qlik, desarrollos ad hoc, apps móviles  Integraciones ad-hoc con aplicaciones de terceros
  33. 33. MeaningCloud La manera más fácil de extraer significado del contenido no estructurado Regístrate y úsalo GRATIS en http://www.meaningcloud.com
  34. 34. Extracción de significado, en la nube (y on-premises) OpinionesTemas Hechos Conceptos Organizaciones Personas Análisis Semántico Relaciones
  35. 35. Servicios MeaningCloud Análisis de sentimiento  Global  Basado en aspectos Clasificación  Modelos estándar Extracción de topics  Entidades  Conceptos  Fechas  Direcciones  Cantidades económicas  Expresiones de tiempo  …https://www.meaningcloud.com/demo
  36. 36. Herramientas de personalización Más información sobre personalización en este webinar   
  37. 37. Add-in para Excel   
  38. 38. Centrémonos en un ejemplo práctico Críticas de restaurantes en Londres extraídas de Yelp
  39. 39. Necesitamos una manera fácil y potente de adaptar la funcionalidad a nuestro contexto
  40. 40. Ejemplo de clasificación a medida: taxonomía cocinas del mundo
  41. 41. Restaurant Dish Ramen Sushi Sashimi … Quality Price Staff Ambience … Ejemplo de diccionario a medida: platos y características de restaurantes japoneses
  42. 42. Ejemplo de sentimiento a media: modelo para restaurantes japoneses   
  43. 43. 51
  44. 44. Operador Móvil Virtual
  45. 45.  ◆ ➡ ◆ ➡ ◆ ➡
  46. 46.  Contrato Servicio ADSL Fibra Teléfono Mes a mes 50,22 87,02 20,41 1 año 61,39 98,77 20,82 2 años 70,46 104,57 21,77
  47. 47.  
  48. 48. ≤ 60 meses > 60 meses > 4 meses≤ 4 meses > 69 $ ≤ 69 $
  49. 49. • • • • • •
  50. 50. Extendiendo el feedback del cliente a fuentes no estructuradas
  51. 51. Objetivos • Entender lo que dicen sus clientes en todos los puntos de contacto con ellos • Multifuente: encuestas, contact center, entrevistas personales… • Contenido no estructurado • Opiniones más espontáneas Retos 1. Volumen y recursos disponibles 2. Incoherencia en clasificación y análisis 3. Proceso de generación de informes 4. Integración en sus procesos
  52. 52. Modelos de clasificación a medida
  53. 53. Modelos de clasificación: aprendizaje automático + reglas
  54. 54. Extrayendo insights del texto
  55. 55. Descubrimiento de “nueva voz”: clustering de texto    
  56. 56. cuenta nómina (25) tarjeta débito (25) compras por internet (16) ingreso de nómina (16) Windows Phone (14) cambio de divisa (13) visa oro (13) otras entidades (11) app para Ipad (9) otros bancos (7) operar en mercado (6) transferencia periódica (6) mail que se envía (5) aplicación móvil (4) correo electrónico (4) menores de edad (4) clave de acceso (3) día de cargo (3) Whatsapp o push (2) mediante SMS (2) servicio de Vía T (2) Descubriendo la nueva voz de los clientes
  57. 57. ING DIRECT: integración Encuestas online Entrevistas en persona Interacciones Contact Center Sistema integrado de gestión de la Experiencia de Cliente Motor de analítica de texto CRM ¿Qué compañías/marcas mencionan? ¿De qué temas hablan? ¿Cuál es su opinión? ¿Qué nuevos temas aparecen?
  58. 58. Integración con sistema CX
  59. 59. Solución completa para categorización automática y detección de nueva voz Modelo 1 Modelo 2 Modelo N Control de calidad Recepción VoC Mantenimiento de categorización VoC sin clasificar VoC analizada Revisión manual de la clasificación Mejora de modelos / Nuevos modelos Reanálisis del histórico Análisis de la VoC Análisis Automático VoC Histórico VoC categorización automática + detección de nueva voz
  60. 60. Demostrador para sector seguros
  61. 61. Modelo de clasificación personalizado
  62. 62. Convirtiendo la información en insights actuables Reglas Canal Servicio al cliente Calidad Proveedor Producto Operación Polaridad Amenaza reputacional Agradecimiento / Elogio Petición asesoramiento Oportunidad comercial Posible baja Ej.: punto de vista de “La Caixa”
  63. 63. Conclusiones Una “explosión” de datos de clientes Analizarlos nos puede ayudar a identificar, atraer, servir y retener mejor a los clientes Nunca habíamos tenido tan accesibles tantas posibilidades de análisis La clave está en identificar y mostrar el valor de las iniciativas analíticas
  64. 64. s|ngular Data & Analytics te acompaña en todo el camino ÉXITO
  65. 65. Apúntate a nuestro Meetup https://www.meetup.com/Madrid-Customer-Analytics-Meetup/
  66. 66. @ Antonio Matarranz, Director Marketing & Ventas Sngular Data & Analytics antonio.matarranz@sngular.team

×