Big Data y Business Intelligence

PROGRAMA DE BIG DATA Y
BUSINESS INTELLIGENCE
Marketing Intelligence con Estrategia Omnicanal y
Customer Journey
Alex Rayón Jerez
alex.rayon@deusto.es
@alrayon
Febrero, 2016. Madrid.

5
Marketing 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

6
De multicanal a omnicanal
6

7
Estructura organizativa (II)
7

8
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

9
La importancia del dato (II)
Estrategia de venta directa: nuevo enfoque
1-2) Gestionar audiencia1-2) Capturar datos
3) Convertir a ventas

10
Aumentando el valor: CLV vs CAC
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf

11
Visión única del cliente

12
Matriz de estrategias con clientes

13
Marketing digital y Big Data/Business Intelligence
Landing
page
- GIS
- Segmentación
- Dashboard
Cadena de valor del dato en acciones de captación directa
BBDD
Business Intelligence
SEO
Performance
marketing
Social
Media

14
Conozca sus clientes y aumente sus ventas

15
Evolución: Las Tres Olas

16
Puntos de contacto y experiencia de usuario
16

17
● Uso de datos en el mundo del marketing
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
¿Para qué?

18
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
¿Para qué? (II)

19
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.
¿Para qué? (III)

20
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.
¿Para qué? (IV)

21
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

22
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

23
Solución: Técnicas de Data Mining
Fuente: http://www.angelbonet.com/2014/05/datamining-como-sacar-oro-al-big-data/

24
Solución: Lead Management
Fuente: http://marketing.penton.com/give-sales-want-lead-nurturing-can-help/
Fuente: http://www.marketingprofs.com/articles/2014/25801/how-smb-b2b-marketers-can-improve-lead-turnover-by-
using-big-company-tactics

25
Solución: Lead Management (II)

26
Solución: Lead Management (III)

27
Estrategia: Proceso integrado
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

28
Estrategia: Proceso integrado (II)

29
Retargeting
Para organizaciones que tienen un largo Customer
Journey, resulta fundamental una estrategia de
retargeting
El principal objetivo es la personalización de las
acciones de marketing
Ya sea a título individual
O a título de segmento
Para ello, resulta fundamental la captura de datos
que permitan luego discriminar los mensajes

30
Retargeting (II)

31
Retargeting (III)

32
Retargeting (IV)
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

33
Retargeting (V)
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

34
Retargeting (VI)
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

35
Retargeting (VII)
Los criterios para el retargeting surgen de la
retroalimentación de dos entidades
Oferta → Right Offer
Persona (entendiendo como persona el segmento si fuera el
caso) → Right Person
El usuario recibe ofrecimientos y contenidos
específicos y personalizados de forma
automática y en tiempo real

36
Retargeting (VIII)
El objetivo último del retargeting es la
personalización
Ya sea por segmentos o por persona individual
Elegibilidad basada en variables de
Edad
Frecuencia de contacto anterior
Interacciones
Comportamiento (abandonos carrito compra, visitantes más
recientes o menos, compradores recientes, etc.)
Localización
Productos en los que se ha interesado
Generar reglas de elegibilidad que se van

37
Retargeting (IX)
Modelo de datos
Usuario
Punto de
contacto
Dispositivo
conexión
Productos
- edad
- identidad digital
- datos facturación
- ...
- tipo: visita, compra, PQR,
solicitud, cotización, etc.
- sentimiento: positivo, neutro,
negativo
- fecha
- ...
- datos geográficos
- ...

38
Retargeting (X)
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

39
Retargeting (XI)
Tiempo sesión Duración Eventos
Agrupando consumidores y experiencias
Conductas similares
Necesidades similares
Socialización de voluntades similares
Similares inconvenientes en la navegación
...
En definitiva, agrupar a los usuarios por los
parámetros de elegibilidad y el modelo de datos

40
Retargeting (XII)
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.

41
Retargeting (XIII)
¿Cómo identificar deseos?
1. Diversos sistemas, datos de
facturación, geográficos, perfil,
histórico de interacciones, etc.
2. Acceso a los datos, extracción,
transformación
3. Unificación de datos de diversas
fuentes generando un banco de
datos analítico denominado
Customer Experience Dashboard
4. Desarrollo de algoritmos
avanzados, modelos
estadísticos, optimización
5. Productos por probabilidad de
aceptación, cambios de ofertas,
y direccionamiento estratégico
Banco de datos
Tratamiento de
datos
Datos
consolidados (CED)
Productos
personalizados
Previsiones
1
2
34
5

42
Retargeting (XIV)
Monitoreo de la ejecución de ventas y campañas en
tiempo real
Auto-segmentación y respuestas automatizadas pre-
establecidas
Automatización de marketing tracking & analytics
Alerta temprana de desviaciones de medias estándares
Análisis forense y replicación de cualquier sesión de
usuario
Mapas de calor, atención y profundidad, análisis de
links

43
Estrategia de trabajo
Herramienta de Marketing Automation por la que
apostar
Resulta fundamental, ante la gran cantidad de datos que se
deben generar, y luego explotar
Aquí las 50 mejores
Para proyectos específicos de retargeting, la más empleada
es AdRoll
También Hubspot
Es una herramienta más genérica, por lo que exigiría
trabajo de adaptación, pero también más estratégica
la relación

44
Estrategia de trabajo (II)
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

45
Estrategia de trabajo (III)

46
Estrategia de trabajo (IV)
Lead
selection
Respuesta
canales
Social Media
PPC
Display
Email marketing
Performance
....
1
2
3
4
Testing
Optimization
Analytics

47
Estrategia de trabajo (V)

48
Estrategia de trabajo (VI)
Siguiendo el flujograma:
Elegible
Seleccionar a todos los candidatos, considerando el
parámetro “Lifecycle stage” de Hubspot
Scoring
Utilizar la herramienta “Custom Lead Scoring” de
Hubspot
Top deciles
Seleccionar a los mejores candidatos para luego poder
poner en marcha las acciones
Creación del workflow en Hubspot
Considerando los elementos anteriores, diseñar y poner en

49
Estrategia de trabajo (VII)
Seleccionar la audiencia
Primeros pasos para cada uno de los soportes usando
Hubspot
Crear la campaña y las acciones en canales

50
Estrategia de trabajo (VIII)
Creación y gestión de los “ads”

51
Estrategia de trabajo (IX)
Data-Driven Attribution o el modelo de atribución
basado en datos
Establecer un modelo de atribución multicanal realista es
complejo y, normalmente, algo que hacemos utilizando
criterios bastante subjetivos
Sabemos las combinaciones de canales que mejores
resultados nos están dando, pero es difícil valorar el
mérito de cada integrante de esas secuencias de
contacto
Google Analytics, por ejemplo, ya ofrece esta funcionalidad

52
Estrategia de trabajo (X)
Utiliza como base:
Información de rutas de conversión del embudo multicanal
Datos de flujo de comportamiento de aquellos usuarios que
no convierten
Incorpora la información de costes
Con toda esta información, detecta cómo la
presencia de un punto de contacto comercial en
particular (definida por el tipo de canal y su
posición relativa a otros puntos de contacto) se
relaciona con cambios en la tasa de conversión

53
Estrategia de trabajo (XI)

54
Estrategia de trabajo (XII)
Es decir, los modelos probabilísticos
resultantes muestran la
probabilidad de que un usuario
realice una conversión en un
punto determinado de la ruta,
dada una secuencia particular de
eventos
Es importante destacar que el
algoritmo tiene en cuenta el
orden en el que un determinado
punto de contacto entra en
juego

55
Estrategia de trabajo (XIII)

56
Estrategia de trabajo (XIV)

57
Caso de Osborne
Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921

58
Caso de Osborne (II)
Planteamos cinco 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?

59
Segmentación de clientes

60
Lifecycle Grids, CLV y CAC

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
Febrero 2016

Big Data y Business Intelligence

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Viewers also liked

Viewers also liked (20)

Similar to Big Data y Business Intelligence

Similar to Big Data y Business Intelligence (20)

More from Alex Rayón Jerez

More from Alex Rayón Jerez (9)

Recently uploaded

Recently uploaded (20)

Big Data y Business Intelligence