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; qué se necesita y cómo conseguirlo by Josep Curto

1,627 views

Published on

Josep Curto nos acerca al mundo del Big Data y cómo el estudio de la evidencia de los datos nos ayuda a tomar mejores decisiones de negocio. Escuchar al cliente, analizar los datos que nos proporcionan nos permite, como compañía, mejorar nuestros procesos, añadir valor a nuestra relación con los clientes y obtener mejores resultados.

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

Customer Analytics; qué se necesita y cómo conseguirlo by Josep Curto

  1. 1. #SngularCA3011
  2. 2. Customer Analytics Josep Curto CEO, Delfos Research
  3. 3. Josep Curto • CEO, Delfos Research • Profesor en IE Business School, UOC, EOI, Kschool, U- TAD • Escritor • Analista de mercado • Consultor estratégico • Emprendedor
  4. 4. Esta es una sesión de participación y los dos mejores comentarios tienen premio
  5. 5. Agenda De la intuición a la evidencia Panorámica de técnicas analíticas Analítica en el ciclo de vida del cliente Triada: Objetivos, Herramientas y Valor Descubriendo casos de uso Barreras y retos Cómo elegir un buen socio
  6. 6. 6 De la intuición a la evidencia
  7. 7. Cuando sólo confiamos en la intuición, nos llevamos decepciones
  8. 8. Cuando se compite con Customer Analytics, no dejas tus aciones al azar
  9. 9. El contexto Cada objeto, persona y organización tiene una huella digital
  10. 10. Industrial Revolution Information Revolution Cognitive Revolution
  11. 11. ¿Qué significa fundamentarse en evidencias? • Hacerse preguntas • Evaluar de forma sistemática las evidencias • Diseminar los resultados
  12. 12. 12 Panorámica de técnicas analíticas
  13. 13. Customer Analytics en la vida real Ingestión de datos Almacenamiento y procesamiento de datos Análisis de datos Visualización y comunicacion de datos
  14. 14. Capacidades descriptivas y de diagnóstico Business Intelligence Capacidades predictivas, prescriptivas y preventivas Business Analytics Capacidad de generar valor a partir datos complejos Big Data ¿Qué significa capacidades analíticas?
  15. 15. ¿Dónde está la diferencia analítica? Inteligencia Artificial Machine Learning Deep Learning NLP Sistemas Cognitivos
  16. 16. 16 Analítica en el ciclo de vida del cliente
  17. 17. Hemos cometido un grave error Atención Familiaridad Consideración Compra Lealtad
  18. 18. Pero el cliente hace lo que quiere
  19. 19. Y a esto le hemos llamado Customer Journey
  20. 20. Lo que se traduce en ciclos iterativos Fuente: McKinsey
  21. 21. ¿Qué podemos hacer? Descubrir Explorar Comprar Usar Preguntar Atraer Identificar el nuevo ciclo del cliente en nuestra organización
  22. 22. Analizar el ciclo Descubrir Explorar Comprar Usar Preguntar Atraer Segmentar clientes (Clustering) Optimizar la oferta de marketing (Marketing Mix Modeling) Entender el uso (Recommendation Analysis) Identificar qué pasará (Propensity Models) Entender la satisfacción (Voice of the Customer) Reducir el abandono (Churn Analysis)
  23. 23. Influenciando la compra Datos Modelización Acciones Árboles de decisión Redes Neuronales Regresión Logística Tipos de Datos Calidad del dato Integración, Persistencia Público Descuento, promoción Momento
  24. 24. 24 Tríada: Valor, Objetivos y Herramientas
  25. 25. ¿Qué perseguimos con la analítica de clientes? Generar valor para la organización y el cliente
  26. 26. Las formas del valor en Customer Analytics Ofertas Recordatorios Programa Preferentes Personalización Privacidad Experiencia multicanal Evitar Spam … Ventas cruzadas Incremento del ticket promedio Incremento CLV Ranking y segmentación de clientes Eficiencia y efectividad … Mejorarlaexperienciadelcliente Mejorarelvalordelaorganización Cliente Organización
  27. 27. Valor para el cliente: Personalización Datos Modelización Acciones Collaboration-filtering Content-filtering Context-filtering Híbrido Datos históricos Contexto Datos de producto Recomendaciones Personalización Momento
  28. 28. Valor para la organización: ticket promedio Datos Modelización Acciones RFM CLV Datos históricos Calidad de dato Integración, persistencia Segmentación Descuentos, promociones Momento
  29. 29. ¿Cómo lo hacemos? Operational Databases Information Systems Audio, video, textSocial Media FeedsMobile Data Data Feeds Machine Data Logs CDR Streams Sources Information Management Data Integration Data StewardshipData SecurityData Governance Master Data ManagementData Availability Data Consistency Data Access ManagementUse Cases Decision Making Operations & Operational Intelligence Hypothesis Validation and Problem Solving Products and Services based on Data Data Brokerage Business Intelligence Reporting Alerts/ Automated Monitoring Dashboard ScorecardsOLAP Ad-hoc Query Visualisation Business Analytics Visual Analytics Machine Learning Statistical/ Quantitative Artif cial Intelligence Predictive Modelling Content Analytics Graph Analytics Search based Analytics Analysis& Visualisation Data & Text Mining Balanced ScoreCard Process Mining Corporate Information Factory Enterprise Data Warehouse Operational Data StoreData Integration Storage& Processing Staging Area (Persistente)Data Mart Data Mining Warehouse Exploratory Warehouse Data Virtualisation Big Data Storage Processing Batch Processing Stream Processing CEPHPCNoSQL In-Memory MPP NewSQL FileSystem Metadata Data Wrangling DevOpsSemantic Modelling Data Curation Storytelling
  30. 30. 30 Descubriendo casos de uso
  31. 31. 31 Articulando el caso de negocio 01 02 03 04 05 06 07 08 Estrategia de negocio Iniciativas de negocio Resultados Factores Críticos de Éxito Tareas Fuentes de datos Viabilidad Valor de negocio
  32. 32. 32 Ejemplo 01 02 03 04 05 06 07 08 Estrategia de negocio Iniciativas de negocio Resultados Factores Críticos de Éxito Tareas Fuentes de datos Viabilidad Valor de negocio Mejorar la proximidad con el cliente para impulsar interacciones más rentables Incrementar las interacciones de éxito Estimular ventas; comprender a los clientes Incrementar CLV, segmentación de clientes Recuperar datos internos, conseguir datos externos, plataforma, algoritmos datos internos, datos externos Coste datos, calidad, accesibilidad, granularidad,… Alto valor para mejorar la estimulación de ventas y la segmentación
  33. 33. 33 Barreras y Retos
  34. 34. 34 ¿Por qué fracasamos?
  35. 35. Existen múltiples razones para fallar Customer Analytics Implementation Failure TECHNOLOGY Poor Data Quality Over Customization Inadequate data sources knowledge Poor IT infrastructure Poor ETL/ELT Quality Poor CA product or algorithm selection PEOPLE User resistance To change High rotation of Project team members Inadequate resources Poor user involvement OPERATIONAL Unavailability of key users for UTA Poor quality of testing Poor Knowledge Transfer Inappropriate timing to go live Unavailability of subject matters experts TACTIC Inadequate training and education Non-empowered decision-makers Poor departmental alignment Poor communication Unrealistic expectations Inadequate functional requirements Lack of top management commitment STRATEGIC Inadequate project team composition Poor project management Unrealistic project scheduling Ineffective organizational change management COST Unrealistic ROI Cost Overrun
  36. 36. Qué capacidades necesitamos Técnicas Negocio
  37. 37. Qué capacidades necesitamos (extendido) Técnicas Negocio
  38. 38. 38 Cómo elegir un buen socio
  39. 39. Identificar el problema • Identificar y conceptualizar las necesidades de negocio • Priorizar las necesidades de negocio • Definir la estrategia de Customer Analytics • Escoger el partner adecuado
  40. 40. Conocimiento Experiencia Soluciones Relación a largo plazo 1 2 3 4 ¿Cómo evaluamos al partner?
  41. 41. Nos encontramos ante una disyuntiva Intuición Analítica
  42. 42. Q&A
  43. 43. Gracias! Josep Curto | @josepcurto | josep.curto@delfosresearch.com

×