Aproximadamente hace un par de años escribí el post “Diagnosticar una cartera de clientes con cinco ejes de análisis (y con ejemplos ilustrativos)“. Es uno de los post de mayor lectura de mi blog, así que he decidido hacer la versión mejorada, y en este caso aplicando Big Data. Han pasado casi 2 años, es lo suyo ¿no?. Espero que la gente que lo compartió pueda leer esta versión avanzada, en otras palabras que se haya suscrito.

Diagnóstico de 5 ejes con variables básicas

1. Segmentos de clientes: Es necesario conocer el valor de los segmentos de clientes.
2. Estados de clientes: Conocer en el momento del ciclo de vida que están los clientes de un segmento: en alta, baja, activo y dormido (como estados principales).
3. Razones de Alta (o renovación): Permite valorar cuál es el aspecto de la propuesta de valor  que el cliente valoró para darse de alta o renovar.
4. Razones de baja (no renovación): Permite conocer cuáles son los puntos de dolor de los clientes (de forma segmentada) por supuesto.
5. NPS (Net Promoter Score): Es una métrica que aunque algunos dicen que está desfasada, todavía creo que tiene relevancia. Sobre todo porque puedes compararte con otros competidores. Por ejemplo, en banca este ratio se usa para saber que ING y Evo son los bancos con mejor niveles de recomendaciones de sus clientes. En este link se muestra el estudio de nivel de confianza que generan los principales bancos en España.

En el siguiente esquema podemos ver el diagnóstico básico que podríamos generar usando 5 ejes con variables internas.

Tipos de Big Data

Antes de empezar a aplicar Big Data en la cartera de clientes, veamos qué tipos o fuentes Big Data podemos usar. He encontrado un muy buen articulo “Business Intelligence and Data Science: Fuzzy Borders”, donde  destaco principalmente el siguiente gráfico:

En este gráfico se puede ver que Big Data se compone de diferentes “fuentes de entendimiento”:

1. Tex analytics,  análisis de texto.
2. Network analytics,  análisis de estructuras sociales usando redes y grafos. Caracteriza los análisis en términos de nodos (individuos, personas) y las relaciones que los conectan.
3. Geospatial analytics, análisis aplicando técnicas basadas en geografía o location intelligence
4. Social media analytics, análisis de conversaciones en medios digitales (tweets, likes, etc.).
5. Sentiment analytics,  también se le conoce como “opinion mining” o “Inteligencia artificial emocional”, y se refiere al uso de procesamiento de lenguaje natural, lingüistica computacional y variables biométricas para identificar, extraer, cuantificar y  estudiar los estados afectivos e información subjetiva.
6. Images analytics, incluye los campos de “visión computacional” e “imagen médicas” donde se hace un fuerte uso de patrones de reconocimiento, geomatría digital y procesamiento de señales.

Como podemos ver, utilizar Big Data a la hora de hacer un diagnóstico de una cartera de clientes, puede ser una tarea que puede incluir, desde analizar los comentarios que dejan nuestros clienes en las redes sociales, las relaciones con otras personas, el impacto del espacio (geografía) y las imágenes que dejan en internet.

En este artículo, vamos a considerar las variables GIS, variables geoespaciales, para que de una manera acotada podamos incluir estas métricas de una manera rápida. Creo que esta “fuente de entendimiento” es la que tiene mayor madurez y mayor impacto, en principio.

Diagnóstico con 5 Ejes aplicando Big Data (GIS)

Aplicar Big Data significa que podemos enriquecer la cartera de clientes con información externa y, en caso del retailers, incluir información adicional a nivel de tiendas. Esto aplica principalmente con métricas de dificil obtención, pero que pueden estar disponibles a niveles de sección censal, por ejemplo, tasa de paro. En este caso las métricas se utilizan a nivel de tienda. Ahora veremos cómo “encajar” estas métricas en el diagnóstico.

Eje 1 – Métricas de segmentación de clientes con Big Data

Negocio puede contar con métricas internas,como por ejemplo: número de visitas, importe por visita, gasto mensual, etc. Son métricas que permiten conocer al cliente en cómo se comporta respecto a la propuesta de valor pero si deseamos conocer cómo se comporta fuera de nuestro negocio, necesitamos métricas externas. Es aquí donde Big Data aporta valor.

A continuación podemos ver una lista de métricas que podemos usar para enriquecer la información del maestro de clientes, por ejemplo:

• Nivel de Renta
• Tipo de familia
• Tipo de vivienda: unifamiliar (chalet, casa) o piso/apartamento.
• Uso de la vivienda: residencial, comercial o industrial.
• Superficie de la vivienda
• Valor de la vivienda

Y un  largo etcétera que se puede aplicar a nivel de cada cliente conociendo su dirección.

Las métricas Big Data pueden tener tal relevancia que en este caso (segmento “Jóvenes Independientes”), puede ser actualizado por el tipo de familia. Supongamos que el cliente cumplimentó en su formulario de alta este tipo de hogar hace 10 años ¿no sería más adecuado actualizarlo?

Otra métrica para el eje de segmentación sería el nivel de renta. Es una de las variables más discriminantes. En base al nivel de renta los consumidores deciden: las marcas, la forma de comprar y aplica un sesgo muy directo sobre el consumo y las expectativas de ese cliente.

A continuación podemos ver el eje de Segmento de Cliente incluyendo dos métricas Big Data.

Eje 2 – Estados de clientes con Big Data

Los estados de clientes indica, en su propia definición, el ciclo de vida que se encuentra un cliente respecto a nuestro negocio, por ejemplo: alta, activo, dormido y baja. Aplicar métricas Big Data (externas) para definir un estado, en principio, lo usaría más para conocer las causas por las que un cliente pasa de un estado a otro, por ejemplo, las razones de captación o las razones de baja o no renovación. Por ende, dejamos este análisis para el eje 3 y 4.

Es importante mencionar que ante un evento externo y que sea muy relevante, pueda generarse un nuevo estado,  por ejemplo “Recuperado por cierre de la competencia”. En este caso, es necesario valorar si es un evento que pueda tener esa relevancia para “crear” este nuevo estado.

Eje 3 y 4 – Razones de captación y de baja con Big Data

Este eje, así como el eje 4, es donde Big Data-GIS puede aportar mayor información. En estos dos ejes, la mayor parte de las variables estarán a nivel de área de influencia (nivel tienda). Consideremos que estamos analizando la cartera de un retailer. Las razones de captación/baja de clientes podrían darse por las siguientes causas:

1. Cambios en las variables sociodemográficas: Se refiere a métricas que ya no están a nivel de vivienda, sino a nivel de sección censal. Las métricas que podríamos usar serían:
   • Nivel de desempleo (tasa de paro)
   • Indicador de toneladas de residuos orgánicos (clave para conocer el nivel de consumo de una zona)
   • Densidad comercial (superficie comercial por superficie)
   • Etcétera
2. Cambios en la capa de transeúntes: Se refiere a métricas de tráfico, en este caso tráfico peatonal (podría ser tráfico rodado). Pero supongamos que han abierto o cerrado un PoI (Point of Interest o Punto de Interés). Esto puede significar más o menos tráfico en el punto de venta. Por ejemplo, la apertura/cierre de un hospital o de un colegio puede tener un impacto directo en el tráfico.
3. Cambios en los Puntos de Venta de la competencia: Este tipo de métricas por su nivel de agregación pueden ser de dos tipos:
   • Métricas a nivel de cliente: Es la distancia del hogar del cliente a los Puntos de Venta de la competencia. En este caso, estas métricas se aplican en el maestro de clientes. Como ejemplo de métricas:
     • Distancia más cercana a un PdV competidor de tipo 1 (por ejemplo por formato comercial)
     • Distancia más cercana a un PdV competidor de tipo 2 (por ejemplo por nivel de precios)
     • Fecha de la apertura de un punto de venta de un competidor
     • Fecha del cierre de un punto de venta de un competidor
   • Métricas a nivel de tienda: Es la distancia del Punto de Venta a otros Puntos de Venta de la competencia. En este caso, estas métricas se aplican en el maestro de puntos de venta. Como ejemplo de métricas podría generarse:
     • Presión competitiva: considerando los metros cuadrados de los puntos de venta competidores por los habitante en la zona de influencia.

A continuación podemos ver las principales métricas que se podrían aplicar a estos dos ejes.

Eje 5 – Nivel de Recomendación con Big Data

Actualmente es posible que los puntos de contacto con el cliente sean realizados por smartphones, lo que permite geolocalizar al cliente e incluso “leer” las emociones a partir de expresiones faciales. Aunque puede sonar algo de ciencia ficción, existen compañías que trabajan en este campo. En 2016, Apple ha adquirido la startup Emotient, la cual usa inteligencia artificial para detectar emociones a partir de las expresiones faciales de la cámara del smartphone.

Es necesario también considerar la carga emocional al momento de dar una recomendación. He encontrado un buen artículo de la consultora Emoinsights, el White Paper se llama “Is the Net Promoter Score (NPS) Enough?” (¿Es el NPS suficiente?).

En este documento se menciona las desventajas de usar esta métrica por el poco contenido emocional, y la frase que me ha llamado más la atención respecto a la recomendación es la siguiente “se basa en una actitud, la intención de recomendar, por lo que depende de factores personales y sectoriales […] la recomendación depende de un factor emocional y otro sectorial: personas que no están dispuestas a poner su reputación “en peligro” emitiendo una recomendación, y sectores en lo que, en la práctica, no se generan ocasiones pare recomendar, como productos cotidianos (papel higiénico, escobas) o en los que emitir una recomendación tiene un estigma social (tabaco, redes de busqueda de pareja, medicamentos específicos, etc.)”.  Lectura 100% recomendable.

A continuación se muestra el esquema de métricas que podríamos usar para un diagnóstico avanzado de clientes usando métricas Big Data.

Conclusiones

1. Las métricas Big Data son variables externas que permiten conocer al cliente cómo es fuera de nuestro negocios.
2. Son métricas que se pueden aplicar a nivel de cliente (vivienda) o a nivel de punto de venta (tienda).
3. Los 5 ejes tratados en este artículo pueden ser modificados (¡por supuesto!) y deben estar alineados a las necesidades del negocio.
4. Este artículos se ha centrado en las variables GIS, en las cuales el sector retail tiene mayor impacto. Pueden existir, por supuesto, otras fuentes (por ejemplo, social media) que nos pueda “abrir” más la visión del cliente hacia los 360º. En este punto es necesario valorar el coste/beneficio.
5. Es recomendable hacer este diagnóstico por lo menos una vez al año.

Con estos cinco ejes y variables externas se puede hacer un diagnóstico avanzado de una cartera de clientes de forma rigurosa y rápida. Creo que existen varias métricas Big Data que podríamos añadir, pero desde parte GIS me parecen las más relevante. ¿Añadirías alguna métrica adicional, por ejemplo de tipo text o de tipo social media?  ¿Descartarías alguna en particular?

Muchas gracias por compartirlo 🙂