El Big Data en la dirección comercial: market(ing) intelligence

1. PROGRAMA EXPERTO EN DIRECCIÓN COMERCIAL: Marketing, Ventas y Digital El Big Data en la dirección comercial: Market(ing) Intelligence Alex Rayón Jerez www.alexrayon.es, alex.rayon@deusto.es @alrayon Mayo, 2016. Bilbao.

4. 4 4

5. 5 Índice de contenidos ●Clarificando conceptos ●Market(ing) Intelligence ●Casos de aplicación ●¿Cómo empezar?

7. 7 Clarificando conceptos Las 5 V’s del Big Data Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832

8. 8 Clarificando conceptos Data Science Fuente: http://www.slideshare.net/TechnetFrance/rec201-mstechdaysfinal130213033305phpapp02-19779391

9. 9 Clarificando conceptos Drivers of Big Data

10. 10 Clarificando conceptos Economía digital ● La sociedad se ha tecnificado, y estamos cada vez más interconectados ○ Se habla de las redes sociales ● A eso unámosle que el coste computacional es cada vez menor ○ Menor coste de producción ● Cada vez se están digitalizando más procesos y actividades de nuestro día a día ○ Generaremos cada vez más datos

11. 11 Clarificando conceptos Economía digital (II) En la actividad digital, todo genera un dato Tarjetas de crédito Teléfonos móviles Redes sociales Proveedores de Internet Tarjeta de fidelización de mercado ... Fuente: http://www.privacidadlogica.es/2012/05/31/modelo-de-informe-sobre-sistema-de-control-horario-basado-en-huella-digital/

12. 12 Fuente: http://www3.weforum.org/docs/WEF_ITTC_PersonalDataNewAsset_Report_2011.pdf Clarificando conceptos Economía digital (III)

13. 13 Fuente: http://www.theguardian.com/news/datablog/2014/apr/22/how-much-is-personal-data-worth Clarificando conceptos Economía digital (IV)

14. 14 Clarificando conceptos Big Data vs. Business Intelligence Business Intelligence Big Data

15. 15 Clarificando conceptos Business Intelligence vs. Business Analytics

16. 16 Clarificando conceptos Business Intelligence vs. Business Analytics (II) Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)

17. 1717 ●Estudiar datos tiene dos objetivos principales o Informar § ¿Qué ha ocurrido? o Predecir § ¿Qué podría ocurrir? Hoy Business Analytics Predecir Business Intelligence Informar Clarificando conceptos Business Intelligence vs. Business Analytics (III)

18. 18 Clarificando conceptos El valor de la pregunta ●No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas ●Una disciplina que tiene un objetivo a medio plazo o La herramienta de la estrategia y de la dirección o Busca dar respuestas a preguntas concretas y formuladas a priori analizando datos Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/

19. 19 Clarificando conceptos Resolución de problemas Problemas Predictivos (supervisados) Descriptivos (no supervisados) Clasificación Regresión Análisis correlacional Agrupamiento Reglas asociación

20. 20 Clarificando conceptos Resolución de problemas (II)

21. 21 Clarificando conceptos Técnicas de Data Mining Fuente: http://www.angelbonet.com/2014/05/datamining-como-sacar-oro-al-big-data/

22. 22 Clarificando conceptos La puesta en valor del dato Datos Analíticas Puesta en valor Modelo predictivo de previsión de compras: eficiencia transporte, ahorro portes, evitar roturas stock, etc. Modelo predictivo de ventas: sugerencia compras, etc. Rutas óptimas según cargas, productos y zona: en base a pedidos, etc. Product clustering: incluso, personalización. Análisis de compras ...“Sensores” para la captura de datos Real Time → Conocer estado producto en tiempo real, avisar ruptura stock, etc. Marketing → Segmentación clientes Business Intelligence → Dashboard hot spots → Alertas variaciones (clientes, productos, zonas, etc.) → Detección mermas, robos, etc.

24. 24 Market(ing) Intelligence Customer Journey Fuente: https://www.surveygizmo.com/survey-blog/how-to-collect-consumer-insight-with-a-customer-journey-map/

25. 25 Market(ing) Intelligence Nueva coyuntura Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20

26. 26 Market(ing) Intelligence De multicanal a omnicanal 26

27. 27 Market(ing) Intelligence Estructura organizativa 27

28. 28 Market(ing) Intelligence La importancia del dato En la economía digital, captar datos de clientes es cada vez más crítico De 1º Vender 2º Capturar el dato A 1º Capturar el dato 2º Vender

29. 29 Market(ing) Intelligence La importancia del dato (II) Estrategia de venta directa: nuevo enfoque 1-2) Gestionar audiencia1-2) Capturar datos 3) Convertir a ventas

30. 30 Market(ing) Intelligence El impacto en los negocios ● Los beneficios que una empresa puede obtener son claros: ○ Conocimiento de sus clientes, mercados, productos, etc, ○ Redundando esto en nuevos mercados, nuevos segmentos ○ Alineamiento de la empresa a los clientes ○ ... ● En definitiva nuevos ingresos y ahorros

31. 31 Market(ing) Intelligence El impacto en los negocios (II) Oportunidades que se enmarcan en la era de la personalización y especialización que demanda un cliente exigente e informado Fuente: http://www.luxortec.com/blog/camino-a-una-estrategia-centrada-en-el-cliente/

32. 32 Market(ing) Intelligence El impacto en los negocios (III) ● La oportunidad de explotar el dato aparece cuando muchas empresas se dan cuenta que tienen muchos datos en diferentes sistemas y archivos (ERP, CRM, hojas de cálculo, redes sociales, etc), y no lo explotan ● Y aquí el principal problema está en que no hay una "explotación cerrada" ○ Es decir, no hay un conjunto de utilidades o preguntas tipo ○ Hay tantos enfoques prácticamente como empresas

33. 33 Market(ing) Intelligence Pirámide informacional Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/

34. 34 ●El dato por si solo nos aporta poco… o 2.000 visitantes únicos en mi tienda online o 1.000 nuevos usuarios en mi aplicación o 10% nuevos clientes en mi exposición o 24 conversiones de las campañas de captación o 3.000 € de incremento del tamaño de la transacción media de ticket de compra o ... Market(ing) Intelligence Del dato...

35. 35 Falta contexto → circunstancias Fecha Dispositivo/canal Geolocalización Fuente Tendencia/Perspectiva ... Market(ing) Intelligence Del dato… (II)

36. 36 El dato puesto en valor → inteligencia de negocio Market(ing) Intelligence … al conocimiento Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/

37. 37 Market(ing) Intelligence Fuentes de datos Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/

39. 39 1) Ganar más dinero 2) Evitar perderlo 3) Optimizar procesos Casos de aplicación ¿Esto para qué sirve?

40. 40 Casos de aplicación 1) Ganar más dinero Marketing intelligence La idea es analizar la parte más transaccional (de compra - venta) con las acciones de marketing Con este dúo, sacamos acciones de marketing con objetivos, personalizado e hipersegmentado Fuente: http://www.boats.com/boat-content/2010/page/152/

41. 41 Casos de aplicación 1) Ganar más dinero (II) ●Se trata de analizar los datos: o Contextuales de una compra → momento, lugar, composición de la cesta de la compra o Lo enmarcamos en perspectiva → frecuencia, tiempo entre última compra, etc. o Analizamos el cliente → si lo hace con tarjeta de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc. o Y el canal por el que entra → online -tienda online, landing page, redes sociales, etc- u offline ●… y preguntarnos cosas como...

42. 42 ● Uso de datos en el mundo comercial o Customer profiling: hábitos, necesidades, valor, potencial → Know Your Customer (KYC) o Customer Intelligence: targeting, modelos de cliente (ciclo de vida relacional y existenciales), modelos de producto (propensiones), segmentación, análisis del Valor Cliente (Customer Lifetime Value), análisis patrones de compra (Market Basket Analysis), métrica RFM (Recency, Frequency, Monetary), etc. o Estrategias omnicanal y de Social CRM: findability, social Casos de aplicación 1) Ganar más dinero (III)

43. 43 ● Uso de datos en el mundo comercial o Brand Intelligence: valor de una marca, influencia de la marca en la oferta y demanda, valoración de marca, etc. o Marketing experiencial: Customer Experience Management, Customer journey, Indicadores de Experiencia de Cliente (NPS, etc.) o Del marketing masivo al marketing one2one: Event- based marketing, marketing en tiempo real (retargeting), retargeting personalizado (Right Offer, Right PersoN), estrategias de cross y up-selling Casos de aplicación 1) Ganar más dinero (IV)

44. 44 ● Uso de datos en el mundo comercial o Inbound marketing: engagement con contenidos, capturando datos de touchpoints, relación con clientes, etc. o Social Media Intelligence: Social Business, Social Media Analytics, análisis de medios sociales y conversión, etc. o Geomarketing: Sistemas de Información Geográfica (GIS) o Producto: nichos de mercado, nuevos productos y servicios, pricing inteligente, etc. Casos de aplicación 1) Ganar más dinero (V)

45. 45 ● Uso de datos en el mundo comercial o Fidelización de clientes: programas de fidelización, técnicas de fidelización (endógena y exógena) o Marketing ROI & optimización del presupuesto de marketing: CLV vs. CAC, modelos de atribución, modelo analítico de atribución, evaluación de las acciones, campañas, segmentos y audiencias, optimización de la inversión o etc. Casos de aplicación 1) Ganar más dinero (VI)

46. 4646 Casos de aplicación 1) Ganar más dinero (VII)

47. 47 Casos de aplicación 1) Ganar más dinero (VIII) Segmento y perfil de cliente que más compra a una hora determinada y en un lugar concreto Fuente: http://es.slideshare.net/Elife2009/perfil-del-consumidor-de-bebidas-alcohlicas-en-mxico

48. 48 Perfil de cliente Quiénes son: tipo de cliente, características, cómo se comunican, etc. Dónde viven/qué lugares frecuentan: comportamiento geográfico Qué compran: productos que consumen, frecuencia, valor, etc. Interacciones: cliente activo, índice de contacto, interacciones positivas o negativas, etc. Casos de aplicación 1) Ganar más dinero (IX)

49. 49 Casos de aplicación 1) Ganar más dinero (X)

50. 50 Casos de aplicación 1) Ganar más dinero (XI)

51. 51 Casos de aplicación 1) Ganar más dinero (XII)

52. 52 Quién (influenciadores) o qué (drivers de compra) influye más en la decisión de compra de un cliente → drivers Fuente: http://www.marketing4food.com/la-distribucion-espanola-y-su-comprador-razones-para-elegir-una-ensena/ Casos de aplicación 1) Ganar más dinero (XIII)

53. 53 Qué relación de productos permite modelizar el perfil de cliente Fuente: http://www.elmundodeladc.com/cual-es-tu-perfil-online/ Casos de aplicación 1) Ganar más dinero (XIV)

54. 54 ¿Cuál es la estructura de mi marca? Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext Casos de aplicación 1) Ganar más dinero (XV)

55. 55 Reglas de asociación de productos como "Si compra foie, también adquiere vino crianza", y así enfocar el cross-selling o up-selling en tienda o en promociones, product placement, gestión de inventarios, etc. Expresión de la forma X → Y {pañales} → {cerveza} {cerveza} → {pañales} {pan, leche} → {huevos} {pan} → {leche, huevos} Fuente: http://noticias.buscopisocasa.com/category/alimentacion-2/ Casos de aplicación 1) Ganar más dinero (XVI)

56. 56 Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921 Casos de aplicación 1) Ganar más dinero (XVII)

57. 57 Planteamos cuatro problemas 1. Relación entre Relación entre Ingresos por usuario y Búsqueda en Tienda de Productos 2. Predecir cifra de ventas a partir de la cantidad y grupo de promoción 3. ¿Qué productos son comprados a una determinada hora del día? 4. ¿Qué compras siguen un patrón parecido? Casos de aplicación 1) Ganar más dinero (XVIII)

58. 58 Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf Casos de aplicación 1) Ganar más dinero (XIX)

59. 59 MROI: Marketing Return on Investment McKinsey review: “An integrated analytics approach could save up to 15-20% total budget” Source: http://www.thecmosite.com/author.asp?section_id=1137&doc_id=234474 Casos de aplicación 1) Ganar más dinero (XX)

60. 60 Clusterizar clientes y productos Source: http://inside-bigdata.com/2013/12/18/tech-tip-power-pitfalls-clustering/ Source: http://www.cs.bilkent.edu.tr/~saksoy/research.html Casos de aplicación 1) Ganar más dinero (XXI)

61. 61 ¿Cómo están relacionados mis clientes? Análisis de Redes Sociales (ARS) Source: http://rs.resalliance.org/2010/11/03/reading-list-using-social-network-analysis-sna-in-social-ecological-studies/ Casos de aplicación 1) Ganar más dinero (XXII)

62. 62 ●Mediciones: Nodos (cont.) o Centralidad Fuente: http://historiapolitica.com/redhistoria/2013/02/8n-en-twitter/ Casos de aplicación 1) Ganar más dinero (XXIII)

63. 63 ●Mediciones: Nodos (cont.) o Centralidad Fuente: http://slideplayer.es/slide/19335/ Casos de aplicación 1) Ganar más dinero (XXIV)

64. 64 ●Mediciones: Nodos (cont.) Casos de aplicación 1) Ganar más dinero (XXV)

65. 65 Las campañas son costosas y además muchos clientes no responden Solución: Right Person Predecir quienes van a responder a una oferta Tecnología: Modelos de propensión Se está saturando a los clientes con múltiples ofertas Solución: Right Offer Elegir los clientes que tengan más propensión en cada momento Controlar la periodicidad de los envíos Casos de aplicación 1) Ganar más dinero (XXVI)

66. 66 1 Escuchar Gestionar Decidir Hablar 2 3 4 - Analizar datos - Identificar oportunidades - Almacenar la historia de las interacciones - Escuchar puntos de contacto: conversaciones sociales, web, teléfono, landing page, etc. - Construir perfiles - Elaborar propensiones - Establecer estrategias: Right Person y Right Offer - Entregar el mensaje y la oferta adecuada en el momento más oportuno - Repetir esto, una y otra vez, para millones de interacciones con miles de clientes - Automatizar la multi/omnicanalidad, y medir beneficios a largo plazo Casos de aplicación 1) Ganar más dinero (XXVII)

67. 67 Twitter followers Web Campaña SEO (On y Off) Facebook fans... Elegible - Opt outs Scoring Top deciles Canal Facebook Broadcast Twitter SMS Adwords Lista email suscriptores ... A la hora de hacer retargeting, habrá que variar el contenido del primer mensaje Criterios - Right offer - Right person Evaluar las campañas y las acciones por el ROI y la efectividad. Proyecto en marcha Externo Interno Web A la hora de impactar dentro de la web, se tendrá en consideración el comportamiento del usuario Casos de aplicación 1) Ganar más dinero (XXVIII)

68. 68 Segmento elegible Oferta recomendada Score Canal Tarjeta de lealtad Envío gratuito por categoría oro 98 Suma 50 puntos adicionales 60 Ciclo de vida de producto y cliente Cuenta registrada nueva 5 Lanzamiento producto nuevo 20 Extensión de garantías 15 Basado en evento Empaquetar oferta de productos 68 Ofertas basadas en abandono de carritos 75 Oferta de temporada estacional 89 Casos de aplicación 1) Ganar más dinero (XXIX)

69. 69 Casos de aplicación 2) Evitar perderlo ● En segundo lugar, las empresas también queremos evitar perder clientes ● Ya conocemos el famoso mantra de la importancia que tiene mantener clientes por el coste que tiene adquirir nuevos o Y esto es más posible que nunca gracias al análisis masivo de datos Fuente: http://javiermegias.com/blog/2012/04/el-motor-de-tu-modelo-de-negocio-coste-de-adquisicion-y-valor-del- cliente/

70. 70 Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf Casos de aplicación 2) Evitar perderlo (II)

71. 71 Casos de aplicación 2) Evitar perderlo (III)

72. 72 Casos de aplicación 2) Evitar perderlo (IV)

73. 73 Casos de aplicación 2) Evitar perderlo (V)

74. 74 Casos de aplicación 2) Evitar perderlo (VI)

75. 75 Fuente: http://www.imanet.org/docs/default-source/maq/2009maq_spring_kumar-pdf.pdf?sfvrsn=0 Casos de aplicación 2) Evitar perderlo (VII)

76. 76 Fuente: http://www.imanet.org/docs/default-source/maq/2009maq_spring_kumar-pdf.pdf?sfvrsn=0 Casos de aplicación 2) Evitar perderlo (VIII)

77. 77 Fuente: http://www.imanet.org/docs/default-source/maq/2009maq_spring_kumar-pdf.pdf?sfvrsn=0 Casos de aplicación 2) Evitar perderlo (IX)

78. 78 ●Los modelos de propensión pueden ser: o Compra (cross-sell y up-sell) o Fuga (si pudiera dejar de ser nuestro cliente) o Riesgo de impago (que no pague lo que adeuda) o Fraude o Sensibilidad al precio (descuentos) o etc. ●Son modelos que estiman la probabilidad de que se produzca esa conducta (compra, fuga, etc.) para cada uno de nuestros clientes o Permite generar modelos predictivos para poder tomar decisiones de negocio en tiempo real Casos de aplicación 2) Evitar perderlo (X)

79. 79 ● Construir relaciones duraderas y sostenibles en el tiempo entre las empresas y sus clientes, permiten: o Incrementar el índice de satisfacción o La involucración y la optimización del marketing de compromiso ● Por lo tanto, contactar a los más propensos a fugarse da buenos resultados a una empresa ● Buscamos clientes prescriptores Casos de aplicación 2) Evitar perderlo (XI)

80. 80 Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf Casos de aplicación 2) Evitar perderlo (XII)

81. 81 Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf Casos de aplicación 2) Evitar perderlo (XIII)

82. 82 Fuente: https://bigml.com/user/czuriaga/gallery/model/53a071d4c8db6379930014f6 Fuente: http://www.vladislav.lazarov.pro/files/research/papers/churn-prediction.pdf Casos de aplicación 2) Evitar perderlo (XIV)

83. 83 Fuente: http://www.retentionscience.com/the-top-4-reasons-customers-churn-and-how-to-prevent-it Fuente: http://www.forentrepreneurs.com/customer-success/ Casos de aplicación 2) Evitar perderlo (XV)

84. 84 ● Para predecir el consumo que tendrá el Cliente el próximo año ● A partir de ese gasto futuro estimado, se calcula el valor esperado del cliente pudiendo determinar si éste será rentable o no Fuente: http://mod-keynesiano.blogspot.com.es/p/modelo-keynesiano.html Casos de aplicación 2) Evitar perderlo (XVI)

85. 85 ● Se realiza un análisis de sensibilidad al precio de los clientes, identificando aquellos grupos de usuarios más sensibles a un cambio en el precio Fuente. http://planuba.orientaronline.com.ar/tag/costos/ Casos de aplicación 2) Evitar perderlo (XVII)

86. 86 Lead generation, Nurturing and Scoring Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/ Casos de aplicación 2) Evitar perderlo (XVIII)

87. 87 Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html Casos de aplicación 2) Evitar perderlo (XIX)

88. 88 ●Recency o Cuán reciente es la última compra del cliente ●Frequency o Con cuánta frecuencia compra el cliente ●Monetary o Cuánto gasta el cliente ●Esta técnica de análisis está basada en el axioma de marketing de que el 80% del negocio procede del 20% de los clientes Casos de aplicación 2) Evitar perderlo (XX)

89. 89 Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing Casos de aplicación 2) Evitar perderlo (XXI)

90. 90 Casos de aplicación 3) Optimizar procesos Creación de modelos que permitan ahorrar esfuerzo económico en diferentes procesos Fuente: http://www.indiana.edu/~hmathmod/modelmodel.html Mathematical models + Statistical methods

91. 91 Casos de aplicación 3) Optimizar procesos (II) ●Supongamos la logística o la gestión de una central de compras ●Si yo integro todas las transacciones de compras, y analizo frecuencia, proveedores, descuentos, etc., podemos hacer un modelo que nos seleccione en tiempo real el mejor proveedor o distribuidor por descuentos que viene haciendo históricamente, considerando lo que ahora quiera comprar

93. 93 ¿Cómo empezar? Estrategia de trabajo Data-Driven Attribution Necesitamos concretar el ROI Necesitamos explotar datos con mucho detalle Necesitamos disponer de modelos analíticos para hacer el scoring de cada uno de los candidatos

94. 94 ¿Cómo empezar? Metodología EMANA

95. 95 ¿Cómo empezar? Solución: Arquitectura integrada Tarjeta de fidelización ON OFF Extraños Visitantes Leads Clientes Promoters ATRAER CONVERTIR CERRAR DESLUMBRAR Estrategias omnicanal para el fortalecimiento de la marca Sistema de gestión para la captura del dato en los diferentes canales on, off e híbridos (tarjeta de fidelización), que permita su explotación posterior para la mejora de la toma de decisiones estratégicas en el negocio Híbrido Promociones y descuento Ofertas personalizadas Reglas + cross y upselling Marketing de atención Blog Keywords Social Media Formularios Calls-To- Action Landing Pages Email Señales Workflows Eventos Social Inbox Smart Content

96. 96 ¿Cómo empezar? Solución: Modelo de datos Transacción Cliente Promoción Producto/Servicio Proveedor Tienda Web Analytics Identidad digital Social Media Analytics Lead Tarjeta fidelización - Atributos personales - online/offline - localización - tamaño - secciones - fecha apertura ... referencias Empleado - id - precio - categoría - tamaño - marca - fecha introducción - fecha retiro - estado ... - fecha - hora - medio de pago - día/mes/mes del año ... - fecha inicio - fecha fin ... Grupo Acción marketing visita Categoría Tiempo

97. 97 ¿Cómo empezar? Data-Driven Organization Roadmap to Data-Driven Organization advantage Fuente: http://www.ibmbigdatahub.com/blog/observations-transformations-and-conversations-ibm-chief-data-officer-summit

98. 98 ¿Cómo empezar? Data-Driven Organization (II)

99. 99 ¿Cómo empezar? Data-Driven Organization (III) Fuente: http://www.forbes.com/sites/piyankajain/2012/06/22/what-is-your-organizations-analytics-maturity/#55ada95c58f2

100. 100 ¿Cómo empezar? Maturity model Fuente: https://www.gartner.com/doc/713210

101. Copyright (c) 2016 University of Deusto This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative Commons “Attribution-ShareAlike” License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/3.0/ Alex Rayón Jerez Mayo 2016

102. PROGRAMA EXPERTO EN DIRECCIÓN COMERCIAL: Marketing, Ventas y Digital El Big Data en la dirección comercial: Market(ing) Intelligence Alex Rayón Jerez www.alexrayon.es, alex.rayon@deusto.es @alrayon Mayo, 2016. Bilbao.