La mejor estrategia de datos detrás del CRM para impulsar tu negocio
1. El dato, la información y el CRM
La información es un conjunto de datos que se procesan de manera significativa de acuerdo con un requisito dado que luego da lugar a tablas, listados y gráficos comprensibles.
Por tanto, los datos son cadenas de información en bruto que por sí solas transmiten muy poca información. Como piezas de un puzzle que hasta que no se juntan son difíciles de comprender del todo.
Llevado a un CRM el dato es la base de la información contenida. Un elemento que sustenta una frágil estructura de la que depende la calidad de la gestión comercial, y por ende, las ventas presentes y futuras de una compañía.
Es primordial por tanto enfocar nuestra energía a la base de la estructura si queremos mejorar las estrategias de negocio que salen del CRM. En función de la calidad de los datos, obtendremos una calidad de información proporcional que nos permitirán tomar decisiones más efectivas.
2. Calidad y consumo del dato
El ciclo de vida del dato
Antes de su consumo en el CRM el dato debe pasar por distintas etapas. Estas etapas son procesos que garantizan el mantenimiento de la calidad del dato hasta su uso.
Identificación
Saber qué buscar y cómo buscar. Podemos hablar de identificar fuentes internas o externas a las organizaciones en función de las necesidades.
Extracción
Es una fase que puede implicar varios departamentos desde legal & compliance por temas de protección de datos o IT por temas de interconexiones entre sistemas y seguridad de la información.
Normalización
Si los datos provienen de fuentes diferentes, es muy probable que sea necesario un proceso de normalización para homogeneizar su uso y permitir operaciones de agregación y correlación.
Etiquetado
El etiquetado del dato se puede asemejar a su nombramiento o a su clasificación. De allí saldrá el rol del dato para la información que queremos que vincule.
Relación
Podría ser la parte del tratamiento del dato más importante. El cómo conecta con los demás datos para la transformación en información útil.
Almacenamiento
Será necesario su almacenamiento, aunque sea de forma temporal para su transformación en información.
Distribución
Podemos compartir el dato cuando este etiquetado o esperar que sea ya parte de un conjunto de información. Tener la capacidad de ofrecer canales para el consumo del dato es necesario para poder explotar todo su potencial de manera transversal en toda la organización.
Actualización
Algunos datos con el paso del tiempo pierden valor. Para evitarlo se aplican procesos de búsqueda y actualización de cada dato.
De acuerdo con la analogía anterior podríamos decir que trabajar en todas las etapas del ciclo del dato es fundamental para obtener todas las piezas del puzzle.
Sin embargo, los CRMs por su naturaleza conectan con fuentes de datos, pero no son softwares para procesar datos. Las fuentes de datos por su lado generan datos en bruto que normalmente procesan los datos lo justo y necesario para ser transferidos.
En consecuencia, nos encontramos que habitualmente se conectan las fuentes de datos directamente con los lugares de consumo del dato transfiriendo datos poco precisos o de baja calidad.
Consumo del dato Data as a Service (DaaS)
Los diferentes departamentos de una empresa tienen necesidades diferentes en cuanto a qué datos quieren consumir, cómo los tienen que consumir y la cantidad que necesitan para mejorar la toma de decisión.
Para dar respuesta a las diferentes necesidades de consumo del dato nace Data as a service o DaaS. El término hace referencia a servicios cloud que proporcionan una infraestructura totalmente flexible para conectar con diferentes fuentes de datos y aplicaciones de consumo de datos como el CRM para el uso de estos con agilidad y precisión.
Pero no solo eso, sino que además proporciona un entorno perfecto para el almacenamiento, procesamiento y / o análisis mejorando el ciclo del dato en todas sus etapas.
La principal ventaja del DaaS es la capacidad de relacionar datos de diferentes entornos y diferentes ecosistemas para crear información personalizada en función de las necesidades de cada consumidor de datos.
Ventajas
- Dato siempre al día
- Se consumo solo lo que se necesita
- No hace falta una infraestructura muy compleja ni costosa
- Puesta en marcha rápida
- Flexibilidad
- Coste optimizado
- Orientado al negocio
- Permite implementar metodologías de Data Ops
3. Calidad y consumo del dato
Veamos un ejemplo que nos permita entender mejor todo lo comentado anteriormente.
La empresa Mas deporte.S.L es una marca de artículos deportivos que cuenta con varios establecimientos en España. Su tendencia en ventas venia siendo plana desde hace algún tiempo y a raíz de un fuerte decreciemiento económico global la facturación comenzó a descender paulatinamente
La marca usaba un CRM como directorio de clientes. Disponían de una foto de cómo era la relación comercial, pero tenían dificultades para obtener los insights necesarios para optimizar la estrategia en función de los datos contenidos en el CRM.
¿Por qué no eran capaces de sacarle partido a su CRM?
Contaban con una única fuente de datos cuando implantaron el CRM proveniente de su tarjeta de fidelización.
Además, a posteriori de la implantación y a raíz de campañas de marketing para intentar crecer en ventas se generaron otras 2 fuentes de datos:
- Proveniente de eventos deportivos donde cualquiera podía probar los artículos de la marca y conseguir premios y descuentos por ganar competiciones deportivas.
- Proveniente de concursos y sorteos que hacían en redes sociales con deportistas de élite e influencers deportivos.
Esta situación generaba varias problemáticas en el CRM:
- Con la implantación del CRM se configuró la integración automática de los datos de las tarjetas de fidelización. Sin embargo, las dos fuentes de datos añadidas a posteriori no tuvieron en cuenta en detalle el modelo de datos del CRM. Debido a la cantidad de datos y complejidad dentro del modelo esto derivaba en datos desactualizados y clientes duplicados con el campo dirección en diferentes formatos.
- Tenían dificultades al segmentar y obtener extracciones fiables de la base de datos para analizar
- No contaban con los datos suficientes para realizar perfiles avanzados de clientes y potenciales. Y las campañas comerciales resultaban muy genéricas con retorno bajo debido a la imposibilidad de personalizar los mensajes
- Tenían datos desactualizado sobre sus clientes empresariales, en cuanto a número de empleados, actividades principales, direcciones…etc.
En resumen, por falta de calidad y precisión en los datos, los análisis carecían de sentido y no permitirán sacar conclusiones que mejorasen la toma de decisiones. Un CRM con malos datos nos lleva a un mal Customer Experience que se ve reflejado en los resultados de negocio.
Cómo fortalecieron su estrategia de datos para sacarle el máximo partido a su CRM
Tras trabajar en la normalización y estandarización de la base de datos del CRM se generaron preprocesos de calidad de datos a todos los datos provenientes de las fuentes que generaban datos duplicados y no estandarizados antes de su volcado en el CRM.
En segundo lugar, mediante conexión API y en servicio DaaS conectaron el CRM a Pyramid, el third party data de DataCentric. Habiendo normalizado el campo dirección del cliente se pudieron agregar más de 2500 indicadores de las diferentes zonas geografías a las que pertenecían sus clientes. Datos a nivel de sección censal como:
- Estructura de los hogares
- Distribución del gasto en salud
- Renta bruta y renta disponible
- Superficie de las viviendas
Ya enriquecido el CRM con nueva información el equipo de análisis se puso a trabajar en un perfilado avanzado de clientes juntando los datos nuevos con los ya existentes de la venta de artículos.
Los resultados del análisis permitieron obtener información de valor sobre entre otras cosas el nivel socio-económico, la importancia de la salud, el tipo de vivienda o la tipología de familia/hogar. Lo que en última instancia permitió en tiempo record:
- Generar diferentes estrategias de captación, crecimiento y fidelización enfocadas a perfiles de clientes diferentes con necesidades diferentes
- Establecer nuevos procesos de onboarding en función de la zona del cliente y su propensión hacia ciertos productos
- Para aquellos productos más caros lanzar servicios de financiación complementarios en función de los riesgos de impago
- Permitió un análisis de la red de tiendas para ver zonas de canibalización entre tiendas y poder optimizar costes
- Produjo el descubrimiento de nuevas zonas potenciales en las que la marca podía enfocar el esfuerzo comercial con nuevas tiendas y acciones promocionales
- La implantación de soluciones de oferta personalizada en base a datos en su ecommerce
Olivier Lefauconnier
Business Development Manager
Jorge González
Responsable de Marketing
También te puede interesar:
QUÉ CERTIFICACIONES EXIGIR A UN PARTNER DE DATOS
¿CÓMO MONETIZAR DATOS DE UNA APP?
Razones para la compra unificada de datos en entornos Big Data
Entrevista con Alfonso del Gallo Chief Business Officer de DataCentric
Análisis de datos en los confinamientos selectivos de Madrid
Data Factory o cómo crear nuevos datos a partir de otros
