Diagnóstico avanzado de una cartera de clientes usando Big Data

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.

El objetivo de hacer un diagnóstico de una cartera de clientes es, sin duda, aportar conclusiones y recomendaciones a la Dirección General para abordar campañas e iniciativas orientadas a potenciar los elementos que nuestros clientes valoran como positivos, y reducir/eliminar los puntos de dolor o puntos con valoración negativa de los clientes. Este diagnóstico se recomienda hacerlo por lo menos una vez al año, aunque lo recomendable es una actualización semestral.

Diagnóstico de 5 ejes con variables básicas

En el post inicial propuse como ejes de análisis:

Segmentos de clientes: Es necesario conocer el valor de los segmentos de clientes.
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).
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.
Razones de baja (no renovación): Permite conocer cuáles son los puntos de dolor de los clientes (de forma segmentada) por supuesto.
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”:

Tex analytics, análisis de texto.
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.
Geospatial analytics, análisis aplicando técnicas basadas en geografía o location intelligence
Social media analytics, análisis de conversaciones en medios digitales (tweets, likes, etc.).
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.
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.

[Read more…]