This is an awesome box

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

+34 916 404 150

Política de Calidad y Seguridad - Política de Privacidad y Cookies

Los 4 mayores desafíos de la analítica de marketing

por Paloma Royo | Mar 3, 2021 | CDA, DMG

Los 4 mayores desafíos de la analítica de marketing

Aumentan los datos, las herramientas que los recogen, gestionan, analizan y se sirven de esos datos. Aumentan los canales de comunicación, de venta, de acción… Uno de los mayores desafíos al que nos enfrentamos desde el marketing, es lograr unificar todo esto y facilitar su análisis para seguir tomando decisiones cada vez más optimizadas. En este post, te cuento cuáles son esos 4 desafíos más importantes en cuanto a la analítica de marketing, teniendo en cuenta todo lo anterior que te acabo de adelantar. ¿Continuas conmigo?

Como todos sabemos, lo digital se ha convertido en el corazón del marketing moderno, y la cantidad de datos y plataformas que utilizamos dentro del marketing está creciendo a un ritmo considerable. Uno de los mayores desafíos es que los datos que utilizamos para medir y mejorar nuestro desempeño de marketing se almacenan en varios canales y herramientas.

Para tomar las decisiones correctas y asegurarnos que no excedemos nuestros presupuestos, debemos centralizar y limpiar estos datos.

Este proceso suele ser manual, lento y propenso a errores humanos, pero ahora existen soluciones en el mercado que tienen como objetivo resolver ciertas partes de este problema.

Hemos pasado de almacenes de datos físicos a otros basados en la nube, los cuales pueden integrarse con casi cualquier herramienta de visualización que se te ocurra. Nunca ha sido más fácil realizar Business Intelligence.

Sin embargo, todavía tenemos algunos de los mismos desafíos a los que nos enfrentábamos en el pasado.

Y estos tienen que ver con la analítica de marketing. Vamos a verlos.

Principales desafíos a los que nos enfrentamos en la analítica de marketing.

analítica de marketing

Como sabes, gracias a la analítica de marketing, logramos evaluar el éxito de las iniciativas que se hagan desde ese área, a través de procesos y tecnologías. Los principales retos a los que se tiene que enfrentar son estos:

DESAFÍO #1. Los datos todavía permanecen aislados.

Para solucionarlo, se crearon enormes y robustos almacenes de datos, así como potentes herramientas de visualización, las cuales no llegaron a resolver el problema. Hoy día, aún se necesita encontrar una forma de recopilar datos de todas las diferentes plataformas y consolidarlas en un solo lugar.

La realidad es que cada vez es mayor el número de datos y la complejidad de estos, haciendo mucho más difícil esta labor.

nuevas herramientas ETL basadas en la nube

En un intento por resolver este problema, han aparecido nuevas herramientas ETL basadas en la nube. Estas, se utilizan para mover datos sin procesar del punto A al punto B con programación automatizada, manejando límites de API y, a veces, realizando limpieza básica de datos.

Si lograses reunir todos tus datos en un solo lugar utilizando estas herramientas, todavía estarías atascado con el tremendo trabajo de intentar preparar estos datos para el análisis. Es decir, preparar los datos para el negocio, y que se pueda comenzar a extraer valor de ellos.

DESAFÍO #2. Preparación de datos para el análisis.

Hacer que los datos estén listos para el negocio requiere recursos técnicos y una comprensión profunda de cada plataforma.

Prácticamente se necesita un equipo dedicado, equipado con SQL para limpiar, normalizar, combinar y agregar todos estos datos en un modelo que admita todas sus fuentes y su lógica comercial única.

Incluso los datos dentro de la misma categoría, requieren mucho trabajo para que estén listos para el análisis.

Tomemos un ejemplo simple de la categoría de marketing digital. Si deseamos comparar cuánto se está invirtiendo en los canales de marketing, deberemos normalizarlo en una única métrica de costo. Esto no es tan sencillo como se podría pensar, ya que en Facebook esa métrica se llama «Cantidad gastada», en Google Ads se llama «Costo», en Twitter, «Gasto», etc.

En el momento en el que consigamos crear una nomenclatura coherente para las campañas publicitarias, es posible que deseemos crear nuevas dimensiones que nos permitan profundizar en otras métricas. Por ejemplo, si incluimos el mercado objetivo en los nombres de las campañas, podemos extraerlo y mapearlo con los datos de seguimiento para crear esa segmentación.

Si logramos hacer esto, mantener este modelo de datos puede ser un desafío aún mayor.

DESAFÍO #3. Mantenerse al día con los cambios.

Echemos un vistazo a una situación común en la que terminan muchos equipos de datos.

Cambios analítica de datos

A la izquierda tienes los equipos de origen. Aquí es donde se generan los datos. Por ejemplo, cuando el equipo de marketing configura nuevas campañas en una plataforma publicitaria, el equipo de Customer Sucess envía los datos generados al CRM, o el equipo de ventas trabaja en ponerse en contacto con ese posible cliente o en llegar a acuerdos. Los formatos de datos se cambian continuamente y se agregan nuevas fuentes para resolver nuevos casos de uso.

Los equipos están bastante contentos con el uso de estos sistemas siempre que se haga el trabajo. Sin embargo, tienen pocos incentivos para asegurarse de que los cambios se reflejen bien en la plataforma de datos.

Mientras, los consumidores de datos están atascados esperando. Estos quieren usar datos para sacar insigths de valor que permitan tener una mejor información del consumidor y del mercado, para mejorar la estrategia y la toma de decisiones.

Siempre tendrán nuevos requisitos, nuevas preguntas y la necesidad de retroalimentación rápida, pero se sentirán frustrados por tener que depender de un equipo de ingeniería de datos ocupado.

Las personas responsables de los datos están en el medio, dedicando la mayor parte de su tiempo a limpiar y preparar los datos. Gestionando cambios y nuevas necesidades de ambos lados.

De este modo, les queda muy poco tiempo para hacer una labor más valiosa, como trabajar en estrecha colaboración con la empresa o realizar análisis en profundidad.

DESAFÍO #4. Las diferentes necesidades de los consumidores de datos.

Un especialista en marketing puede querer analizar datos agregados en una hoja de cálculo de Excel o una herramienta de visualización. Un analista de datos puede querer tener una interfaz SQL. Y un Data Scientist puede querer que los datos granulares completos estén disponibles en un archivo de parquet (Open-source utilizado para la serialización de datos).

Exponer los datos a los consumidores en sus formatos y herramientas preferidos puede terminar siendo una tarea enorme. Algunas de las herramientas del mercado actual solo admiten un caso de uso / destino, lo que hace que toda la solución sea rígida y difícil de cambiar. Esto se agrava si la empresa decide utilizar otra solución de almacenamiento de datos en conjunto.

En este caso, terminaría construyendo un nuevo conjunto de lógica y teniendo que repetir el proceso una y otra vez para admitir nuevos destinos, además de los 3 desafíos anteriores que te he descrito anteriormente.

Ahora que ya conoces los principales desafíos en cuanto a analítica de datos en marketing, te preguntarás, y ¿cómo los resuelvo?

Lo que debes hacer es invertir en una solución que tome datos en silos de todas tus plataformas de marketing, publicidad y ventas, y los envíe automáticamente a las ubicaciones que elijas.

La solución debe poder mapear y armonizar datos en tiempo real, al tiempo que conserva la granularidad completa y los datos sin procesar. Las canalizaciones de datos tienen dificultades en esta área, ya que aún necesitas hacer una gran cantidad de tareas de limpieza y mapeo engorrosas usando SQL, manualmente en hojas de cálculo o confiando en plantillas simples prediseñadas.

Esto liberaría tus recursos técnicos de las tediosas tareas de recopilación y manipulación de datos para centrarte en actividades de mayor valor y, al mismo tiempo, reduciría el mantenimiento de la plataforma y la cantidad de tickets de soporte.

En artyco te ayudamos a seleccionar la solución y plataforma más adecuadas, así como a implantarla y gestionarla, si así lo requieres. ¿Hablamos?

Emilio Fernández Lastra

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

+34 916 404 150

Política de Calidad y Seguridad - Política de Privacidad y Cookies

Utilidad en el marketing de los árboles de decisiones

por Paloma Royo | Feb 10, 2021 | CDA

Utilidad en el marketing de los árboles de decisiones

Hace poco tiempo, publicamos en este mismo blog un post sobre “qué son los árboles de decisión y su importancia en el Data Driven”, con este post, lo que se pretende es subir de nivel y ofrecerte el conocimiento más a fondo de todo lo que puedes llegar a conseguir en el ámbito del marketing, con los árboles de decisión.

Los árboles de decisión son uno de los métodos más comunes en machine learning, ya que son fáciles de utilizar y comprender y en muchas ocasiones son un buen método de exploración de los datos para conocer cuáles son las variables más influyentes e importantes.

Pero técnicamente, ¿Qué es un árbol de decisión? Los árboles de decisiones son algoritmos que se basan en aprender una serie de reglas explícitas que dan como resultado una decisión que predice el valor objetivo.

Se construyen partiendo de un nodo raíz, dónde el modelo busca cuál es la característica que produce una mayor división de información de los datos, a partir de este nodo raíz se irán creando ramas y nodos hoja con el resto de las características que generen división. Aquellos nodos cuyo resultado es el mismo valor objetivo, se denominan puros, por el contrario, aquellos nodos con varios valores se denominan mixtos.

Los árboles de decisión son algoritmos de aprendizaje supervisado, es decir, se necesita entrenar el modelo con una muestra de registros de los que previamente conocemos la entrada y la salida. Además, este tipo de algoritmos se puede utilizar tanto en problemas de clasificación, por ejemplo, predecir si un cliente te va a comprar o no un producto, como en problemas de regresión, por ejemplo, predecir el número de visitas que va a tener una página web.

Cuáles son las ventajas y desventajas de los árboles de decisiones.

ventajas y desventajas de los árboles de decisiones

Como todo en la vida, existen ventajas y desventajas. Si analizamos en profundidad cuáles son los pros y los contras de este tipo de algoritmos, obtendríamos lo siguiente.

Como puntos positivos:

Son fácilmente interpretables debido a su visualización.
Trabajan bien tanto con características continuas, como categóricas, y no necesitan un gran tratamiento de los datos ya que son algoritmos que no se ven afectados por las distintas escalas de los datos.

Por el contrario, como puntos negativos:

Los árboles de decisión suelen tender a sobre ajustarse, lo cual es una problemática habitual en machine learning. Esto ocurre cuando un algoritmo aprende perfectamente el comportamiento de los datos de entrenamiento, pero cuando se replica el modelo en un conjunto de datos nuevo el resultado pierde precisión.

Usos de los árboles de decisión en el marketing

Estos suelen utilizarse en empresas con cultura Data Driven, sin embargo, no hay que dirigirse a momentos tan avanzados, ya que cualquier compañía puede echar mano de ellos para su ámbito dentro del marketing del negocio.

Unos de los usos más frecuentes son:

Mejorar los esfuerzos de outbound marketing.
Los árboles de decisión se pueden utilizar para analizar los datos de los clientes y responder preguntas de marketing como por ejemplo qué acciones de outbound marketing deberíamos hacer más. También, mediante árboles de decisión, los responsables de marketing podrían predecir qué clientes tienen más probabilidades de responder favorablemente cuando reciben un email promocional o un catálogo de ventas por correo.
Incrementar la fidelidad de los clientes.
Los árboles de decisiones se pueden utilizar para determinar qué clientes tienen más probabilidades de gastar más dinero en una marca, cuando se les entrega una tarjeta de fidelización por puntos. El modelo podría generar un valor objetivo que predice la probabilidad de que cada cliente gaste más con la tarjeta. Por ejemplo, un valor de «1» significaría que es probable que el cliente gaste más y un valor de «0» significaría que es poco probable que el cliente gaste más.
Conocer la probabilidad de abandono de un cliente.
Gracias a los árboles de decisiones, podemos conocer con anterioridad qué probabilidad de abandono tiene un cliente o lo que también es conocido como churn. Para ello es necesario disponer de datos históricos de clientes activos y clientes perdidos.
Predecir el volumen de visitas en una página web.
Gracias a los árboles de decisiones, podemos establecer diferentes escenarios ante diversas acciones que incidan en el tráfico de nuestra página web o eCommerce y hacer una predicción de en función de qué acción o acciones obtendremos más visitas.
Predecir el volumen de ventas de un producto.
Al igual que los casos anteriores, gracias al análisis anterior del histórico de datos relacionados con las ventas y acciones relacionadas con cada venta, podremos utilizar los árboles de decisión para predecir cuáles serían nuestras ventas en función de qué acciones de marketing pongamos en marcha.
Probabilidad de que un lead se convierta a cliente.
Dentro del lead management hay una fase en la cual se debe de dar un scoring a ese lead, el cual nos permita cualificarlo y darle una temperatura que nos sirva para saber cuáles debemos pasar al equipo de ventas. Gracias a los árboles de decisiones, podemos conocer la probabilidad de que ese lead compre, otorgando así un scoring más alto al lead.

Para obtener una mayor precisión en los estudios de predicción, a menudo se utilizan algoritmos de árboles de decisión ensamblados, como por ejemplo:

Random Forest.
Gradient Boosted Decision Trees.
XGBoost.

Este tipo de conjuntos utilizan múltiples árboles de decisión individuales y los combina para producir un modelo agregado que sea más poderoso que cualquiera de sus modelos individuales por sí solo.

Estos algoritmos aumentan considerablemente la precisión de los árboles de decisión y no son tan sensibles al overfitting, sin embargo, no son tan fáciles de visualizar e interpretar como lo son los árboles de decisión.

Como has podido ver, los árboles de decisiones permiten afinar mucho mejor en todo lo que realices en el campo del marketing. Sin embargo, estos no están al alcance de cualquier, ya que debes de tener conocimientos técnicos muy específicos. En artyco, los utilizamos de manera habitual en diferentes campos como el Lead Management o los análisis de fidelización churn, etc. ¿Quieres que te ayudemos a ser más eficaz?

Lorena Rodríguez

Head of Customer Data Analytics

“Actualmente hay una gran diferencia entre la IA y el negocio. El reto esta en reducirla.”

¿Te ha parecido interesante lo que has leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

+34 916 404 150

Política de Calidad y Seguridad - Política de Privacidad y Cookies

Qué son las redes neuronales y cuál es su aplicación en el marketing

por Paloma Royo | Feb 1, 2021 | CDA

Qué son las redes neuronales y cuál es su aplicación en el marketing

Las redes neuronales son una amplia familia de algoritmos de machine learning que han formado la base de la rama de Data Science e Inteligencia Artificial llamada Deep Learning, la cual ha obtenido grandes resultados en distintas áreas como la clasificación de objetos en imágenes, predicción del comportamiento de usuarios, reconocimiento de voz, etc. Día a día está teniendo cada vez más trascendencia en la industria del marketing, ¿quieres saber más sobre ello? Aquí te lo cuento.

Las redes neuronales y el Deep learning se hicieron muy populares en 2015 cuando AlphaGo, un algoritmo creado en base a tecnología de redes neuronales y aprendizaje profundo ganaba al actual campeón del juego de mesa japonés, Go.

Pero técnicamente, ¿qué es una red neuronal? Una red neuronal, es un algoritmo que consiste en simular el comportamiento de un cerebro biológico mediante miles de neuronas artificiales interconectadas que se almacenan en filas llamadas capas, formando miles de conexiones.

Existen varios tipos de redes neuronales, como son las monocapa o perceptrón simple, perceptrón multicapa (MLP), convolucionales (CNN), redes neuronales recurrentes (RNN), de retroalimentación o redes de base radial (RBF).

Además, según el método que tengan de aprendizaje también se pueden clasificar como aprendizaje supervisado, aprendizaje por corrección de error, estocástico, aprendizaje autosupervisado, hebbiano, competitivo y comparativo, o por último, aprendizaje por refuerzo.

Las redes neuronales se utilizan por ejemplo para:

Para problemas de clasificación, como, por ejemplo, obtener la probabilidad de que un cliente te compre frente a que no te compre).
Problemas de regresión, como, predecir el número de compradores que voy a tener de un producto.

Parecen un campo interesante, ¿verdad? Sin embargo, como todo, tienen sus ventajas y desventajas. Vamos a verlas.

Ventajas y desventajas del uso de las redes neuronales.

Todo en esta vida tiene su lado positivo y negativo. Las redes neuronales no son diferentes, así que es mejor conocer cuáles son los suyos. Si analizamos los pros y contras de las redes neuronales, tendríamos lo siguiente.

Ventajas principales:

Su principal ventaja está en que son modelos de vanguardia que capturan de una forma óptima y efectiva características complejas, obteniendo resultados con una alta precisión.
El procesado de la información es local, es decir que al estar compuesto por unidades individuales de procesamiento, dependiendo de sus entradas y pesos, y de que todas las neuronas de una capa trabajan en forma paralela, proporcionan una respuesta al mismo tiempo.
Los pesos son ajustados basándose en la experiencia, lo que significa que se le tiene que enseñar a la red lo que necesita saber antes de ponerla en funcionamiento.
Las neuronas son tolerantes a fallos, si parte de la red no trabaja, solo dejará de funcionar la parte para que dicha neurona sea significativa, el resto tendrá su comportamiento normal.
Las neuronas pueden reconocer patrones que no han sido aprendidos, sólo deben tener cierto parecido con el conocimiento previo que tenga la red. Dicho de otra forma: si la entrada presenta alguna alteración la red podrá identificarla siempre y cuando se mantenga cierto grado de similitud entre lo aprendido y lo mostrado en la entrada de la red.

Desventajas principales:

Las redes neuronales necesitan un mayor preprocesamiento de los datos, siendo bastante sensibles a las distintas escalas de las variables. Suelen necesitar mayor volumen de datos para el entrenamiento del modelo y requieren de alta capacidad de recursos computacionales.
Complejidad de aprendizaje para grandes tareas, cuanto más se necesite que aprenda una red, más complicado será enseñarle.
Tiempo de aprendizaje elevado. Esto depende de dos factores: primero si se incrementa la cantidad de patrones a identificar o clasificar, y segundo, si se requiere mayor flexibilidad o capacidad de adaptación de la red neuronal para reconocer patrones que sean sumamente parecidos, se deberá invertir más tiempo en lograr que la red converja a valores de pesos que representen lo que se quiera enseñar.
No son fácilmente explicables. Conocer las reglas o motivos por los que la red devuelve esos resultados no suele ser fácil y precisa de otras analíticas.

Una vez que tenemos las ventajas y desventajas, vamos a ver su aplicación real en el marketing.

Aplicación de las redes neuronales en el campo del marketing.

Las redes neuronales se aplican en diversas áreas desde hace ya muchos años, como es el caso de la biología, que la usa principalmente para aprender más acerca del cerebro. Otra área en el que es habitualmente utilizada, es en el campo del medio ambiente, donde se analiza la tendencia y patrones o la predicción del tiempo. En medicina, está funcionando excelentemente para la predicción de tumores o anomalías, así como para elaborar diagnósticos y tratamientos complejos a seguir, en función de unos síntomas.

En el campo de las finanzas, se utiliza habitualmente en todo lo relacionado con la previsión de la evolución de precios, valoración de riesgo de créditos o identificación y falsificaciones.

Como puedes comprobar, tiene una aplicación directa en muchas áreas, y como no, en el del marketing también.

En el ámbito de la empresa y más concretamente en el del marketing, tiene diversos usos:

Predicción de ventas.
Identificar patrones de comportamiento.
Reconocimiento de caracteres escritos.
Predicción del comportamiento del consumidor.
Personalización de estrategias de marketing.
Crear y entender segmentos de compradores más sofisticados.
Automatizar actividades de marketing.
Creación de contenido.

De todos sus usos, el mayor se encuentra en la analítica predictiva, ayudando a los profesionales del marketing a poder realizar predicciones sobre el resultado de una campaña, reconociendo las tendencias de campañas anteriores.

Actualmente, con la aparición del Big Data, ha hecho que esta tecnología sea realmente útil para el marketing, ya que podemos disponer de muchos más datos que hagan mucho más precisas esas predicciones. Al disponer de predicciones más precisas, los responsables de marketing podrán afinar mucho más a la hora de determinar cómo invierten su presupuesto de marketing

Como has podido ver, las redes neuronales son algoritmos complejos que tienen cada vez más propensión de futuro en distintas aplicaciones, otorgando a la humanidad grandes beneficios en el ámbito de la Inteligencia artificial.

En artyco utilizamos este tipo de predicciones con el objetivo de aportar a nuestros clientes un marketing cada vez más inteligente, que les permita optimizar cada día más sus presupuestos. ¿Quieres que te ayudemos con el tuyo?

Lorena Rodríguez

Head of Customer Data Analytics

“Actualmente hay una gran diferencia entre la IA y el negocio. El reto esta en reducirla.”

¿Te ha parecido interesante lo que has leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

+34 916 404 150

Política de Calidad y Seguridad - Política de Privacidad y Cookies

Qué es el neuromarketing

por Emilio Fernández Lastra | Ene 18, 2021 | CDA

Qué es el neuromarketing

Neuromarketing es el estudio del proceso de toma de decisiones del consumidor, desde que se plantea adquirir un producto o servicio, hasta que lo compra y lo disfruta. Todo a través de la ciencia, el análisis, y la tecnología. Desde siempre, el marketing ha querido medir de alguna manera el impacto de las emociones de los consumidores ante estímulos lanzados por el marketing y la comunicación. Para ello, se valió de la neurociencia, sin embargo, es ahora que se dispone, además, de tecnología suficiente, cuando esta disciplina está obteniendo increíbles resultados. ¿Quieres saber un poco más sobre ello? Adelante, vamos a ello.

Peter Drucker decía que el objetivo del Neuromarketing era decodificar los procesos que forman parte de la mente del consumidor, de manera que podamos descubrir sus deseos, ambiciones y causas que no vemos en sus opciones de compra. De esta forma podríamos darles lo que necesitan.

Si en algo ha estado siempre acertado Peter Drucker, ha sido en poner por delante de todo a las necesidades de los consumidores, algo en lo que parece que sólo nos estamos comenzando a centrar verdaderamente hoy día.

Según los expertos en la materia, el neuromarketing se puede dividir en tres tipos:

Neuromarketing auditivo.

Todos sabemos la influencia que tiene sobre nosotros cualquier música, ruido, incluso silencio. Se dice que el oído humano es capaz de diferenciar unas 30.000 frecuencias diferentes.
Este hecho ha sido utilizado en el marketing desde hace décadas. Por ejemplo, en los centros comerciales, donde se usa un tipo u otro de música con el objetivo de conseguir una cosa u otra.
Neuromarketing visual.

Todos conocemos las técnicas más básicas relacionadas con la percepción visual, como acabar los precios en 0.99 para que parezcan más baratos, añadir la palabra “gratis”, “promoción”, “descuento” …, pero hay otras muchas, las cuales desde el neuromarketing estudian con el fin de dirigir al consumidor hacia la venta o hacer más eficaz el mensaje que se quiere transmitir.
Neuromarketing kinestésico.

Este es el que percibimos a través del resto de los sentidos, como el del gusto, el olfato o el tacto. Cada vez es más usado, por ejemplo, un olor que te evoque un momento feliz en tu vida, como pueda ser la niñez, de cara a romper una barrera inicial del consumidor con una marca, y hacerse más accesible para la venta.
Y es que es un hecho que el cerebro acumula información proveniente del olfato, el gusto y el tacto para determinar si un producto le es necesario o no.

Los consumidores estamos expuestos a miles de mensajes e impactos, recogidos por nuestros sentidos, pero los cuales nuestro cerebro rechaza y olvida, centrándose en aquellos que considera más importantes. Qué hace que nuestro cerebro se centre en una cosa y no otra, es lo que se lleva deseando conocer desde el marketing desde hace décadas.

¿Nunca te has preguntado por qué en una plaza en la que hay dos bares, uno está con gente esperando para sentarse en la terraza, mientras que el de al lado, en igualdad de condiciones, está vacío?

Esto sucede muchísimo con restaurantes, bares, discotecas, tiendas en un centro comercial y por supuesto marcas y productos en el lineal del supermercado.

Esta “obsesión” ha originado que se lleven a cabo innumerables estudios a través de numerosas técnicas de investigación. Pero, durante más de un siglo, las técnicas de investigación en marketing han estado dominadas por modelos que asumen un proceso racional de persuasión, basado en que los potenciales consumidores actúan conscientemente en el proceso de compra, y a la hora de elegir un producto. Es un enfoque que se ajusta a las metodologías tradicionales de investigación, si bien no siempre ha podido explicar con certeza, o predecir, el comportamiento de compra.

Sin embargo, hace algún tiempo que las líneas de investigación están yendo por otros campos. Los profesionales han buscado integrar procesos de marketing, tanto racionales como no racionales, y neurociencia social versus toma de decisiones individuales. Es decir, cómo usar métodos y tecnologías de marketing alineados con la neurociencia.

De esta manera, ha surgido el llamado Neuromarketing como un curioso “matrimonio” entre el marketing y la ciencia, creándose la “ventana” que nos permite observar el interior de la mente humana.

Y gracias a ese neuromarketing, podemos descubrir qué lógica hay detrás de cada compra, teniendo en cuenta pensamientos, sentimientos y deseos subconscientes, los cuales nos mueven en nuestro día a día hacia las decisiones de compra.

Métodos de medición en el neuromarketing

Para poder descubrir estos patrones de conducta, es necesario utilizar una serie de métodos, herramientas y tecnología.

Las técnicas y métodos que utiliza el neuromarketing para la identificación y búsqueda del comportamiento humano en el campo del consumo, podríamos resumirlas en estas:

# Prueba de respuesta implícita.

Muchas veces a nosotros como consumidores, nos es difícil verbalizar ciertos sentimientos, deseos o necesidades. Esta técnica lo que hace es que a través de imágenes o directamente con productos, estos han de contestar de manera impulsiva con una serie de palabras o actos que ayudan al científico que los observa a interpretar determinadas conductas de esos actos.

# Lenguaje corporal.

Este es uno de los métodos más antiguos para analizar el comportamiento humano. Todos sabemos que el lenguaje corporal expresa muchas veces, mucho más que el lenguaje oral, y transmite de nosotros mismos, más información de la que pensamos. Esta técnica se basa en analizar este tipo de lenguaje ante diferentes estímulos.

# Diseño empático.

Este método se desarrolla en el propio entorno del consumidor. El observador está pendiente en todo momento de cómo se comporta el consumidor, pero de manera silenciosa, es decir, sin intervenir, analizando cómo usa el producto.

# Reconocimiento facial.

Mediante cámaras con un software integrado, se identifican las expresiones faciales de los individuos y se asocian emociones, tanto positivas como negativas. Esta técnica, por ejemplo, fue utilizada por Pixar para testar su película, precisamente sobre emociones, ‘Inside Out’, a través de salas de prueba, en las que analizaban con máquinas de reconocimiento facial, las emociones de la audiencia respecto a la película.

#Seguimiento ocular.

Es el conocido como “eye tracking”, en el que una cámara identifica de manera automática los puntos a los que dirige la mirada el consumidor. Este método es muy utilizado en el diseño de páginas web, ayudando a conocer sobre qué elementos fija más la mirada, así como sobre cuáles presta más atención. Empresas como Amazon o Instagram utilizan habitualmente este sistema para definir su estrategia digital.

# Parámetros cardiovasculares.

En esta, se presta a un sujeto a diferentes estímulos, analizando su frecuencia cardiaca y flujo sanguíneo frente a ellos. De este modo, se conoce el grado de emoción y atención de las personas.

#Conductancia de la piel.

Esta es quizás la técnica biométrica más utilizada en neuromarketing. Mide los cambios electrodérmicos en la respuesta galvánica de la piel. Para ello, se suelen utilizar las palmas de las manos, ya que estas tienen una mayor concentración de glándulas sudoríparas.

# Pupilometría.

Esta técnica identifica los cambios en el diámetro de la pupila del ojo en respuesta a estímulos. Se suele utilizar junto con los estudios de seguimiento ocular. Una de las principales deficiencias de esta herramienta es que el cambio que se produce a veces en el diámetro de la pupila no es como consecuencia de una respuesta a un estímulo, sino por una alteración fisiológica.

Cuando se desean hacer estudios mucho más avanzados, se utilizan otras técnicas y herramientas que buscan registrar cambios en la fisiología cerebral. Para ello es necesario echar mano de maquinaria y tecnología mucho más avanzada. Las dos principales son:

# Imágenes de resonancia magnética funcional (fMRI).

Primero se realiza una exploración cerebral en ausencia de estímulo. Después, se presenta un estímulo (por ejemplo, un anuncio que activa ciertas áreas del cerebro) que aumenta el flujo sanguíneo (rico en oxígeno) en ciertas regiones. Debido al hecho de que la sangre oxigenada tiene distintas ondas magnéticas, comparada con la sangre desoxigenada, esta diferencia se puede recoger en forma de señal por el escáner.

La fMRI proporciona una visión más profunda del cerebro, pero se trata de una técnica costosa.

# Electroencefalografía (ECC).

Se basa en la reproducción eléctrica de la actividad cerebral. Se presentan ciertos estímulos (productos o servicios) a la persona investigada, luego, las neuronas disparan corriente eléctrica que se puede medir y registrar con EEG. Es una técnica que exige la total relajación de los participantes, ya que, de lo contrario, el resultado no sería objetivo.

Ventajas del neuromarketing.

Ventajas del neuromarketing

Las principales ventajas que tiene el poder conocer por qué el consumidor elige ese bar, en lugar del de enfrente, o esa marca de escoba, respecto a la que tiene al lado, son evidentes. Aquí te dejo las más significativas.

El neuromarketing te permite medir todos los estímulos de un consumidor respecto a un anuncio, un momento de compra o lo que fuere, sin necesidad de intervenir preguntándole, con el sesgo que puede implicar.
Este, ayuda a los creativos publicitarios a conocer en función de qué estímulos, qué reacciones van a ocasionar en los consumidores, haciendo de sus comunicaciones, acciones mucho más efectivas.
Los estudios realizados a través del neuromarketing, aportan resultados y conclusiones mucho más precisos que los realizados a través de una encuesta, ya que obtienes información inconsciente en el consumidor, ya que utilizas herramientas de medición de la alteración fisiológica.
El neuromarketing evalúa de forma más precisa lo que el consumidor siente, pero también lo que piensa, tanto de forma consciente como inconsciente. Priorizándolo ante lo que nos cuenta, puesto que lo que nos cuenta siempre puede estar condicionado y manipulado por él mismo de forma consciente.
El neuromarketing ayuda a las empresas en su búsqueda por ser empresas ‘Customer Centric’ ya que les permite conocer mejor cómo son los consumidores, cómo sienten y qué desean. De este modo, las empresas centradas en el consumidor podrán ofrecerles aquello que de verdad desean.

Bien a través del neuromarketing, bien a través de los datos, lo importante es llegar a conocer realmente al consumidor. Aquella persona que elige entre ti y tu competencia. Quien decide en un momento dado dejar de comprarte, y quien sin saber por qué aumenta su gasto mensual en tus productos para al mes siguiente reducirlo drásticamente.

Sólo conociendo a esa persona tan importante en todo negocio, una compañía podrá tomar decisiones y estrategias Data Driven que les permita sobrevivir en un mercado cada vez más competitivo y complejo. ¿Hablamos?

Emilio Fernández Lastra

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

+34 916 404 150

Política de Calidad y Seguridad - Política de Privacidad y Cookies

Qué es un árbol de decisión y su importancia en el Data Driven

por Emilio Fernández Lastra | Oct 28, 2020 | CDA

Qué es un árbol de decisión y su importancia en el Data Driven

Un árbol de decisión es un diagrama en forma de árbol que muestra la probabilidad estadística o determina un curso de acción. Muestra a los analistas y, a los que toman las decisiones, qué pasos deben tomar y cómo las diferentes elecciones podrían afectar todo el proceso. Todo ello soportado en datos. Como entenderás, es una herramienta muy útil en cualquier organización regida por los datos o Data Driven. En este post, te voy a contar cómo construirlo, sus principales símbolos, sus ventajas y desventajas, así como su importancia en el Data Driven. ¿Interesante verdad? Vamos a por ello.

Un árbol de decisión es una especie de mapa en que se muestra cada una de las opciones de decisión posibles y sus resultados. Este es tremendamente útil para aquellas personas que tienen que tomar decisiones en un negocio, ya que te permite comparar diferentes decisiones y acciones según sus costos, probabilidades y beneficios.

Este diagrama acaba teniendo una forma similar a la de un árbol, de ahí su nombre de “diagrama de árbol de decisión”.

Los árboles de decisión comienzan con un nodo, del cual salen otros en función de las opciones que se presenten, y de cada una de estas, otros. Existen tres tipos diferentes de nodos:

Nodos de decisión.
Se le representa con un cuadrado y muestra una decisión que se tomará.
Nodos de probabilidad.
Está representado por un círculo y muestra las probabilidades de ciertos resultados.
Nodos terminales.
Son de forma triangular, y muestra el resultado definitivo de una ruta de decisión.

Una vez que ya sabes qué es un árbol de decisión y el significado de sus figuras, vamos a ver cómo dibujar uno.

Cómo dibujar un árbol de decisiones

dibujar árbol de decisiones
Para dibujar un árbol de decisión puedes optar por hacerlo manualmente o bien a través de una aplicación. De cualquiera de las formas, su desarrollo es el mismo.

Empieza por la decisión principal. Dibuja un cuadrado pequeño y traza hacia la derecha, a través de líneas, las posibles soluciones o acciones. Estas deben de estar correctamente etiquetadas y ofrecer el coste que supone tomar un camino u otro.
Es el momento de añadir nodos de decisión y probabilidad, los cuales harán crecer el árbol. Para ello, debes de seguir el siguiente razonamiento:
- Si otra decisión es necesaria, dibuja otro cuadrado.
- Si el resultado es incierto, dibuja un círculo (los círculos representan nodos de probabilidad).
- Si el problema está resuelto, déjalo en blanco (por ahora).
Como ves, desde cada nódulo de decisión, debes de poner soluciones posibles, mientras que desde cada nódulo de probabilidad, debes de incluir los resultados posibles. Para poder basarte en datos, lo ideal es que incluyas en cada línea de decisión, el coste de esa acción, o el ingreso. De igual forma, en cada nódulo de probabilidad, debes de incluir tus opciones de forma numérica, a través de la probabilidad.
Continúa expandiendo tu árbol hasta que no haya más decisiones que tomar, y este llegue a su fin. El final representa que no hay más decisiones posibles o resultados probables que considerar. Una vez hayas asignado un valor a cada resultado posible, bien a través de una puntuación abstracta o un valor financiero, agrega triángulos que determinen los extremos.

final árbol de decisiones
Ahora, con el árbol listo, ya estás preparado para analizar la decisión a la que te enfrentas.

Cómo realizar un análisis en un árbol de decisión

analisis arbol de decisiones
Diseñar el árbol de decisión es útil sobre todo para plasmar sobre el papel las alternativas y para visualizar todas las opciones que tienes. Sin embargo, no está completo hasta que no realizas un análisis como tal.

Para ello, tienes que realizar el cálculo final esperado de cada decisión. Este cálculo te aportará una minimización del riesgo y una maximización de la probabilidad de obtener el resultado esperado.

Para sacar ese dato, sólo tienes que restar el costo de esa decisión a los beneficios esperados. Así de fácil. Ten en cuenta que los beneficios esperados son iguales al valor total de todos los resultados que puedan derivar de esa decisión, y cada valor se multiplica por la probabilidad de que ocurra. A continuación, te muestro cómo se calcularían estos valores para el ejemplo descrito anteriormente.
analisis árbol decisiones

Al identificar cuál es el resultado más deseable, es importante tener en cuenta las preferencias de utilidad del encargado de tomar la decisión. Por ejemplo, algunos prefieren opciones de bajo riesgo, mientras que otros están dispuestos a correr riesgos si el beneficio es mayor.

Al usar tu árbol de decisión acompañado por un modelo de probabilidad, puedes emplearlo para calcular la probabilidad condicional de un evento o la probabilidad de que suceda, en el caso de que otro evento ocurra. Para hacerlo, simplemente empieza con el evento inicial, luego sigue la ruta desde ese evento hasta el evento objetivo, y multiplica la probabilidad de cada uno de esos eventos juntos.

De este modo, un árbol de decisión se puede emplear como un diagrama de árbol tradicional, que traza las probabilidades de determinados eventos, como lanzar una moneda dos veces.

probabilidad evento árbol de decisiones

Como puedes suponer, los árboles de decisión ofrecen muchas ventajas, pero también alguna que otra desventaja. Vamos a verlas.

Ventajas y desventajas del uso del árbol de decisión

ventajas y desventajas árbol de decisiones
Las principales ventajas de utilizar en tu proceso de decisión, este tipo de diagrama, son evidentes y seguro que la mayoría de ellas ya se te han pasado por la cabeza:

Los árboles de decisión son simples de entender y de interpretar.
Si el diagrama no es demasiado grande, puede visualizarse de un vistazo y eso facilita mucho el entendimiento del proceso.
No requiere que prepares unos datos excesivamente complejos.
Es válido tanto para variables cuantitativas como para cualitativas.
Se pueden agregar nuevas opciones a los árboles existentes.
Son fácilmente combinables con otras herramientas de tomas de decisiones.
Utiliza un modelo de caja blanca: la respuesta del algoritmo es fácilmente justificable a partir de la lógica booleana implementada en él.

Por otro lado, hay una serie de desventajas, las cuales quizás no sean tan evidentes, aunque seguro que muchas de ellas se te hayan pasado por la cabeza. Principalmente son estas:

Son inestables: cualquier pequeño cambio en los datos de entrada puede suponer un árbol de decisión completamente diferente.
No se puede garantizar que el árbol generado sea el óptimo.
Hay conceptos que no son fácilmente aprendidos pues los árboles de decisión no son capaces de expresarlos con facilidad (como el operador XOR).
Los principiantes crean árboles sesgados, sobre todo si una de las personas que interviene es dominante respecto al resto.
Un árbol de decisión puede llegar a ser demasiado complejo con facilidad, perdiendo su utilidad.

Por lo que puedes suponer, esta herramienta es muy útil en las empresas Data Driven, las cuales, sólo toman decisiones en base a los datos. A continuación, paso a contarte por qué es tan útil para este tipo de empresas.

Los diagramas de árbol de decisión en el Data Driven

árbol de decisiones y data driven

Hoy día, las empresas más modernas están siendo regidas por los datos. Los años en los que se tomaban las decisiones en función de la experiencia personal del más veterano, o la intuición del empleado de más éxito, terminaron.

Gracias a los datos, una empresa Data Driven es capaz de multiplicar el número de ventas fácilmente, así como de fidelizar a sus clientes y de ahorrar costes, entre otras muchas cosas.

Para lograrlo, es necesario crear una cultura y una filosofía entorno al dato, pero también entorno a la mejor manera de tomar decisiones basadas en estos.

En este sentido, el diagrama de árbol de decisión es una excelente herramienta para lograr tomar decisiones basadas en datos.

Pero no sólo eso, los árboles de decisión son, además, potentes herramientas de visualización que ayudan a los responsables precisamente en esa toma de decisiones, realizando los movimientos correctos en el momento adecuado.

Cada vez más sectores los utilizan hoy en día con el fin de sacarles todo el provecho y aumentar su negocio, utilizándolos para optimizar estrategias, predecir los resultados o la probabilidad de eventos.

En próximos posts profundizaremos más en esta herramienta, hablando de árboles más avanzados como el de regresión o el de clasificación y cómo pueden entrar en juego en la Inteligencia artificial, a través del machine learning. No te lo pierdas.

¿Quieres convertir tu empresa en una compañía Data Driven?

Emilio Fernández Lastra

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

+34 916 404 150

Política de Calidad y Seguridad - Política de Privacidad y Cookies