Customer analytics: 3 modelos analíticos para retener, fidelizar y aumentar la rentabilidad de tus clientes

Customer analytics es la disciplina del Big Data que recaba y analiza los datos de los clientes de tu empresa. Estos datos sirven para extraer insights y ganar un verdadero conocimiento sobre tus clientes con el que tomar decisiones con precisión milimétrica.

Organizando el raw Data: por qué no te sirve todo, todo el tiempo

La importancia del customer analytics no reside solo en recabar los datos. Como todas las disciplinas del Big Data, la verdadera importancia es su análisis, y para ello, debemos crear modelos que faciliten la tarea.

Antes de enfrentarse siquiera a los datos de tus clientes, tienes que tener bien presente el objetivo de negocio que buscas alcanzar. Lo que buscas a través del análisis es probar o refutar una hipótesis. Los datos son tu herramienta para ello.

Por eso, antes de lanzarte a la aventura, debes definir:

1. Qué quieres saber
2. Qué datos necesitas para saberlo
3. Cómo están relacionados esos datos entre sí
4. Cómo demuestran o niegan tu hipótesis inicial

Por ejemplo, en retail, las empresas se dedican a observar el comportamiento de los consumidores dentro de las tiendas para colocar los productos en el orden adecuado para maximizar su venta. El departamento de Visual Merchandising observa que los clientes analizan los lineales de arriba a abajo, de modo que concluyen que la zona de calor es la parte más alta de los estantes, así que es en dicho lugar en el cual colocan los artículos en promoción.

De la misma forma, un e-commerce analiza el mapa de calor de sus páginas de venta y observa dónde hacen click los visitantes y hasta qué punto hacen scroll hacia abajo, para tomar decisiones en cuanto al diseño de sus landing page.

Estos ejemplos son históricos y ahora mismo solo nos sirven para contextualizar. Hoy día es posible recabar cientos de datos más como hace Netflix, e incluso personalizarlos por cada cliente, estableciendo métricas como:

• Cuánto tiempo pasa cada cliente mirando un lineal determinado
• Qué productos ha terminado comprando ese cliente
• Qué secciones ha visitado
• Qué perfil de consumidor tiene (mayor, joven, padre/madre de familia, single…)

Pero, como decíamos más arriba, todo esto es información que puedes recabar. No información que necesitas recopilar. Esta la determinarán el objetivo con el que la obtengas y el modelo de datos que utilices. Por eso, te dejamos 3 ejemplos de modelos analíticos para mejorar la relación y rentabilidad de tus clientes.

La razón de ser de cada modelo analítico es el objetivo de negocio para el que trabaja.

Al crear un modelo analítico tendremos que considerar los diferentes insights que querremos obtener para cada objetivo de negocio.

Modelos predictivos

Se basan en la premisa que dice que si ocurre X, pasará Y. Por ejemplo, Andrew Pole es un Data Scientist de la cadena americana de departamentos Target que, analizando los patrones de compra de 25 productos, pudo crear un modelo predictivo que determinaba, con una exactitud de más del 80%, si las consumidoras estaban embarazadas y qué mes iban a dar a luz.

El objetivo: identificar a las consumidoras embarazadas y sus hábitos de compra para entender qué productos debía ofrecerles Target.

Los datos recopilados: nº de socio de Target e historial de compras. Con ellos, el modelo de datos se programó para aislar las consumidoras femeninas (o parejas asociadas) que comenzasen a comprar productos como calcio, zinc, lociones sin olor, desinfectantes o bolsos mucho más grandes. El momento en que empezaban a comprar cada uno de estos productos también coincidía con los meses de embarazo por lo que el modelo de datos final asignaba un “porcentaje natal” a cada usuaria, siendo 100% el momento estimado del parto.

Modelos prescriptivos

Permiten utilizar la información para facilitar la toma de decisiones: es decir, si ocurre X, realizaremos Y para cumplir con las predicciones determinadas. En este sentido, este tipo de modelos son una continuación o mejora de los predictivos.

Volviendo al caso de Target, una vez se consiguió establecer un modelo que identificase a las usuarias embarazadas según su estado y los productos que compraban, el siguiente paso fue anticipar la compra de cada producto en el momento exacto que la cliente iba a necesitarlo. Gracias a esta anticipación, Target fue capaz de programar su CRM para enviar promociones de los próximos productos que la cliente tenía potencial para adquirir, sugiriendo los beneficios de aquellos que aún no había comprado.

El objetivo: anticipar la compra de productos de mujeres embarazadas y sugerir los que no había adquirido aún.

Los datos recopilados: nº de socio de Target e historial de compras

Modelos descriptivos

Se utilizan para cuantificar las relaciones de los datos y crear segmentos. A partir de estos segmentos se pueden crear publicidades y ofertas personalizadas.

Los Data Analysts de la campaña presidencial de Trump, por ejemplo, determinaron millones de tipos de perfiles de individuos y es de donde viene el polémico caso de Facebook y Cambridge Analytica. Con estos perfiles, el equipo de comunicación creó campañas específicas para cada cluster. Por ejemplo, según las preferencias de un ciudadano que estuviera a favor del derecho a tener un arma y en función de si tenía un perfil más familiar o más aventurero, le mostraban imágenes de hombres protegiendo su hogar o cazadores.

El objetivo: establecer líneas de comunicación que fidelizasen a los posibles votantes

Los datos recopilados: información del perfil de los usuarios de Facebook, contenidos compartidos y me gustas.

¿Ya te han surgido ideas para crear tus propios modelos de customer analytics? Como ves, lo primero que necesitas es tener claros los objetivos de negocio detrás de los datos y, sobre todo, altas dosis de creatividad.

En DataCentric contamos con un gran equipo de expertos en todas las disciplinas del Big Data y una visión e imaginación que ayuda a nuestros clientes desde hace más de 20 años a conseguir grandes resultados. ¡Ponnos a prueba!