Se estima que los departamentos de Marketing Intelligence dedican un 70%-60% del tiempo al tratamiento de la información, dejando sólo el 30%-40% del tiempo al análisis y generación de conclusiones.
Por este motivo, y teniendo como principal objetivo dedicar un 80% del tiempo al análisis y un 20% a la gestión de la información, es que se recomienda contar con 4 módulos claves para implementar un entorno analítico de Marketing Clientes
Índice
1. Datamart de clientes
Es el módulo básico para analizar la información de los clientes y sus segmentos. El datamart de clientes o datamart de marketing, es un repositorio de datos con estructuras de datos agregadas con el único fin de tener disponible la mayoría de las consultas que el área de marketing clientes pueda realizar. Las estructuras agregadas (tablas) más comunes son:
- Cliente, categoria_producto
- Cliente, punto de venta
- Cliente, canal
- Cliente, punto de venta, categoría producto
- Cliente, campaña
El datamart de clientes cuenta con procesos ETL (extracción, transformación y carga) periódicos para el cálculo de las tablas antes mencionadas, teniendo como fuente principal base de datos transaccional (OLTP) de clientes.
Una de las tablas más importantes en el datamart de clientes es la tabla ADN del cliente, la cual concentra todas las métricas clave de consumo, de comportamiento y de respuestas a acciones comerciales de un cliente. En este sentido, la tabla de ADN de clientes podría contener la siguiente información:
- Métricas de consumo: importe periódico (mes, trimestre, etc.), importe por acto de compra (en función del negocio podría ser prima, ticket medio, deposito, etc.), frecuencia (veces que compra, número de renovaciones, etc.)
- Métricas de comportamiento: aquí se obtendrían las métricas sintéticas del consumo, por ejemplo, ratio de compra en fin de semana, peso de compra en las categorías, etc.
- Métricas de repuesta de clientes: campaña, uso/redención, canal utilizado (sms, emailing, mailing), tipo de contacto (promoción, premio, aviso…), venta incremental, etc.
A continuación podemos de forma ilustrativa el contenido de la tabla ADN de clientes
Este último tipo de métricas son muy importantes a la hora de diseñar estrategias multicanal.
2. Cubos OLAP
Son estructuras de datos orientadas a buscar respuestas a las preguntas del negocio con alto nivel de complejidad. La base de datos OLAP cuenta con 2 tipos de variables:
2.1 Multidimensionales: son variables de tipo texto que describen los principales ejes de análisis. Por ejemplo, variables multidimensionales típicas son:
Dimensión Tiempo: Año->Mes->Día
Dimensión Geografía: País->Comunidad Autónoma->Provincia
Dimensión Producto: Sector->Sección->Familia->Subfamilia->referencia
Dimensión Cliente: Segmento->Subsegmento
Estado Civil
Rango de edad
2.2 Métricas (KPIs): Son variables de tipo numérico. Las métricas más comunes son:
Métricas Básicas: importe, frecuencia, días con compra, etc.
Métricas Sintéticas: ratio de compra en fin de semana, cuota de bolsillo, cuota en las diferentes categorías.
3.Portal de Clientes
Son cuadros de mando definidos por los responsables de Marketing Intelligence con el objetivo de conocer la situación de la cartera de clientes (En este post puedes ver ejemplos como hacer el diagnóstico de una cartera de clientes usando cinco ejes de análisis). Los cuadros de mando típicos en este tipo de portales son:
Situación de segmentos de clientes: una “foto” de los segmentos de clientes con sus principales métricas.
Evolución de segmentos: Análisis comparativo entre períodos de análisis
Monetización de las estrategias de clientes: resultados de las las acciones comerciales de la política promocional: venta incremental y ROI.
Migración de clientes: Movimiento de clientes de alto a bajo valor y viceversa.
De cara a desarrollar el portal de clientes, es recomendable tener ya disponible el OLAP y a partir de ahí, implementar el portal de clientes. Este enfoque permite dos ventajas:
- El portal debe acumular el 80% de las consultas, debe ser el punto de informes clave de la marcha del negocio.
- Una vez que el equipo de Marketing Intelligence ya haya “aprendido” a usar la información del portal, es más fácil diseñar nuevos informes y “usar” el OLAP para obtener la información.
4. Modelos predictivos
Son estructuras orientadas a predecir eventos futuros, por ejemplo, los modelos de fuga estiman la probabilidad que un cliente abandone. A nivel personal, creo que los modelos predictivos tienen una aplicación muy limitada, su aporte al negocio estará en función de su objetivo y del modelo de negocio. Su alto coste hace necesario una valoración exhaustiva para conocer si todas las variables verdaderamente “pueden” predecir el evento, en el ejemplo del modelo de fuga, deberíamos considerar como variable de entrada las campañas de la competencia, dado que afectan directamente a la probabilidad de abandono de un cliente. Personalmente la tomaría como una referencia más a la hora de definir un plan de clientes, pero debido a su coste tan alto, pocas veces he visto una relación coste-beneficio favorable.
A continuación se muestra la tabla de módulos analíticos, su objetivo e impacto en la analítica para concentrar el 80% del tiempo al análisis.
Después de leer este post, me gustaría saber si alguna vez has trabajado con los cuatro módulos. Haré un par de métricas en base a los tuits realizados (lo compartiré en el siguiente post):
- Sí, tengo suerte, he trabajado con 4 módulos 🙂 Tuitealo aquí
- Termino medio, tengo el datamart y algún excel :(). Tuitealo aquí.
- Nada afortunado, uso el ábaco, nooo 🙁 . Tuitealo aquí
Por otra parte ¿Echas en falta algún módulo adicional? ¿Crees que es una buena medida dedicar al análisis de clientes un 70%-80% del tiempo?
Ayúdame a difundir estos contenidos en las redes sociales.
View Comments (0)