Soluciones de Customer Intelligence | Artyco

Customer Intelligence

Extraemos la información relevante, la analizamos y sacamos conclusiones,
para que tomes decisiones en base a los datos, no en suposiciones.

Dispones de una gran cantidad de información sobre tus clientes, almacenada en tu CRM, pero más allá de lanzar comunicaciones, no sabes cómo sacarla partido. En Artyco disponemos de un equipo especializado en Customer Intelligence, el cual te ayudará a sacar provecho a esos datos, enriqueciendo la información que ya dispones, utilizando técnicas de análisis predictivo, y en definitiva, ayudando a crear relaciones más fluidas y fuertes entre el cliente y la empresa.

¿Qué podemos hacer?

barra-250

  • Obtener un modelo analítico.
  • Extraer conocimiento de los datos.
  • Clasificar mejor a los clientes por su valor actual y futuro.
  • Medir el resultado de las acciones.
  • Afinar y optimizar la estrategia de contacto.
  • Predecir compra e identificar leads.
  • Reconocer oportunidades.
  • Estudiar comportamientos similares para anticiparse.
  • Aplicar técnicas de Retención de clientes.
  • Perfeccionar la estrategia de negocio.

Identifica oportunidades con Customer analytics

Te analizamos las campañas, identificamos y sacamos los Kpi`s más adecuados en función de tus objetivos, te creamos unos dashboards para que puedas ver los resultados, y te creamos un reporting con las conclusiones.

Optimiza tus campañas con Customer Value

El Customer Value te permite crear segmentaciones y clusters de tus clientes y potenciales, crear modelos de adquisión, de up selling y cross selling, y obtener ratios fundamentales como el CLV, RFM, Crurn…

Construye tu estrategia de Social CRM con Social Customer Intelligence

Análisis de sentimiento, análisis predictivo, next product, recommendation, machine learning… son algunas de las cosas con las que podemos ayudarte si te interesa sacarle mayor partido a las acciones que estás realizando en las redes sociales.

¿Te gustaría que aplicáramos Customer Intelligence en tu negocio?

Nuestro equipo de Customer Intelligence utiliza una Plataforma de BI flexible, segura y escalable, para ofrecer a cada cliente lo que necesite en función del volumen o tipo de información, de la complejidad de los procesos de análisis o de la necesidad para trabajar en tiempo real.

Colaborativa, con funciones de autoservicio para el usuario final, multi-dispositivo, haciendo hincapié en la rapidez de la obtención de los resultados, con integración de distintas fuentes de datos, ya sean estructurados o no estructurados, con gran capacidad analítica, en Real Time y con un alto grado de personalización.

Gracias a la plataforma de BI de Microsoft, con la que trabajamos, el Big Data se convierte en Small Data, siendo accesible para cualquier tipo de empresa. Con esta plataforma y con herramientas de minería de datos, podemos realizar complejos análisis predictivos y aplicarlos con rapidez al negocio, optimizando procesos y maximizando resultados.

¿Quieres ver qué hacemos de customer intelligence para el Grupo Mahou San Miguel?

Últimos posts de Customer Intelligence

barra-250

Qué son los modelos de atribución y cuáles utilizar

Has realizado tu plan de marketing, tienes definidas perfectamente tus estrategias y cada una de las acciones necesarias para poder conseguir los objetivos que te has marcado. El año avanza y poco a poco vas cumpliendo con los tiempos previstos, las acciones, y vas recogiendo los resultados. Sin embargo, ¿eres perfectamente consciente de cuáles de tus acciones están llevando a la conversión a tus clientes? ¿sabes en qué medida? Y ¿en qué fase del customer journey? Parece complicado ¿verdad? Todo esto se realiza con lo que se llama, modelos de atribución. ¿Quieres saber más sobre ellos? Allá vamos.

Si nos montamos en nuestra máquina del tiempo particular y nos trasladamos a los años 60, por ejemplo, era sencillo conocer qué canales de venta influían en una conversión. La publicidad en TV, la radio, prensa o PLV luchaban entre si para atribuirse los méritos de la venta final. Con sencillos tests y estudios de mercado, podíamos conocer qué medios y qué canales eran los que mejor nos funcionaban y así poder dirigir más inversión sobre estos en años siguientes.

Por desgracia o fortuna, depende de quién lo mire, todo esto ha cambiado. Con la entrada de los medios digitales, los canales y los medios han aumentado. El customer journey de cualquier consumidor se ha vuelto terriblemente complejo, y por tanto, para los profesionales del marketing, se nos ha complicado en gran medida la posibilidad de medir a cuál de nuestros partners atribuir el mérito de haber conseguido la conversión final.

Vamos a hacer un rápido repaso ¿Qué canales tenemos que tener ahora en cuenta? Estos:

  • Canales offline o tradicionales:
  • Televisión.
  • Radio.
  • Prensa.
  • Call Center.
  • Publicidad Exterior.
  • SMS.
  • Marketing Directo.
  • PLV
  • Marketing Promocional.
  • Canales online:
  • Email Marketing.
  • SEO.
  • Display.
  • SEM.
  • Enlaces directos.
  • Marketing de Afilización.
  • Comparadores online.
  • Medios Sociales.
  • Marketing de Influenciadores.

 

Los modelos de atribución sirven para poder asignar la conversión a un partner o al menos poder atribuir un porcentaje de atribución de la conversión final.

Seguro que a ti también te ha ocurrido que una mañana al levantarte tras haber estado la noche anterior viendo la televisión, y tras quedarte hipnotizado con el último spot del último Smartphone, mientras desayunas, decides coger tu móvil y buscarlo en Google para volver a verlo y saber más sobre él. Sin embargo, ves la hora y te das cuenta que llegas tarde al trabajo. Bloqueas el móvil y lo dejas aparcado para otro momento. En un descanso, entras en Facebook y te aparece un contenido patrocinado, donde te hablan sobre el nuevo modelo de ese mismo Smartphone y la comparativa respecto al anterior modelo. Te interesa, y entras. Te lo lees por encina, te gusta, pero tienes que seguir con tu trabajo. Al cabo de unos días, te llega un email en el que te anuncian el nuevo lanzamiento de ese Smartphone que tanto te gusta. Decides ir al punto de venta para tocarlo, ver su velocidad y que te resuelvan alguna duda. Allí te terminan de convencer y lo compras. ¿A qué partner debería la marca atribuir tu compra?

Los modelos de atribución no hacen otra cosa que permitir valorar los partners que hacen avanzar al consumidor en su customer journey.

Por tanto, podemos decir que un modelo de atribución es un conjunto de reglas por las cuales se asigna un determinado valor a los distintos canales por los que un usuario ha pasado antes de realizar una acción que interpretamos como una conversión.

Como hemos visto, los modelos de atribución van íntimamente ligados al Customer Journey, por tanto, lo primero que debes hacer es definir cuál es el customer journey en tu industria y los tiempos de este. Piensa que no es lo mismo el journey de un coche, en el cual tienes que pensarlo muy bien, recabar información de cada vehículo, visitar los concesionarios, estudiar los catálogos y preguntar a tu cuñado que sabe mucho de coches, hasta que te decides. Mientras que el journey de una camisa en un eCommerce, es mucho más rápido. Esto influirá a la hora de definir qué modelo de atribución utilizar.

A continuación, te muestro los principales modelos de atribución, los cuales se establecen en función de en qué momento de la interacción aplicas el mérito de la conversión.

 

Tipos de modelos de atribución

Modelos de atribución

Los principales modelos de atribución, ya preconcebidos, que se suelen utilizar son estos:

  1. Modelo de última interacción. Este se basa en que el último impacto que recibe el consumidor es el que le hace convertir. Este es el que te viene por defecto en cualquier herramienta de analítica web, y la verdad es que es demasiado simple. Puede que en algunos negocios sea así, pero parece demasiado obvio pensar que cualquier usuario convierte con la última interacción que tiene.

Modelo de última interacción

Modelo de última interacción

 

  1. Modelo de último clic indirecto. En este caso, se atribuye la conversión a la última campaña, previa a la conversión, teniendo en cuenta como campaña a todo aquello que atrae tráfico, a excepción del tráfico directo a la página web. Este modelo de atribución, desde mi punto de vista no tiene mucho sentido, ya que no tiene en cuenta todo el esfuerzo de branding realizado anteriormente, así como todas las campañas cuyo objetivo es crear tráfico directo, basadas también en el posicionamiento de marca y el recuerdo de esta, sin tener en cuenta todo el trabajo de fidelización. Podría valer para eCommerces que están comenzando y realizan acciones muy puntuales en el tiempo, sabiendo que en su mayor parte, las conversiones generadas vendrán a partir de esa acción que lleva al consumidor a la conversión final.

Modelo último clic indirecto

Modelo último clic indirecto

 

  1. Modelo de último clic de Google Ads. Lógicamente este modelo es sólo para tiendas online que les interesa medir la atribución de sus anuncios en Google Ads a sus conversiones. Como te habrás dado cuenta, este modelo no tiene en cuenta nada más, sirviendo exclusivamente para valorar este tipo de campañas.

Modelo de último clic de Google Ads

Modelo de último clic de Google Ads

 

  1. Modelo de primera interacción. Este modelo es justamente lo contrario al primero que hemos visto. En este caso se atribuye el 100% de la conversión al primer clic que hace el usuario en la conversión. Si el primero (última interacción) tenía poco sentido, este tiene aún menos, ya que en este caso no se tiene en cuenta todo lo demás que hace el usuario. Por así decirlo, en este modelo se piensa que la primera vez que entra en contacto el consumidor con nuestro eCommerce es decisivo para su conversión final. Para mi ese es un momento muy importante, pero para nada creo que sea el momento para atribuir la conversión final, ya que no tiene en cuenta el journey lógico de cualquier consumidor hoy día.

Modelo de primera interacción

Modelo de primera interacción

 

  1. Modelo lineal. Este modelo da el mismo peso a cualquier acción que se esté haciendo con el usuario para que llegue a la conversión. Desde mi punto de vista, utilizar este modelo y no utilizar ninguno es lo mismo, ya que no te arroja ninguna información que sea de valor para asignar cómo te están funcionando las campañas que realmente llevan a la conversión a tus clientes. Normalmente se utiliza para cuando una tienda online necesita mantener un contacto continuo con sus clientes, y más o menos tiene determinado que cada campaña influye de una manera muy similar en la conversión final. Si es tu caso utilízalo, pero ya te digo que desde mi punto de vista no es muy práctico.

Modelo lineal

Modelo lineal

 

  1. Modelo de deterioro del tiempo. Este modelo puede tener bastante sentido. Lo que hace es dar cada vez mayor peso a las acciones y contactos con la tienda online, a medida que se acercan a la conversión. Es decir, aquellas campañas que estén más alejadas en el tiempo a la conversión, menos valor tendrán. En Google Analytics, el tiempo predeterminado entre acción y acción es de 7 días. Esto quiere decir que un impacto que pase los 7 días de la conversión, tendrá la mitad de valor que uno que haya sido el día antes de la conversión. Estos días los podemos ajustar en el apartado de “Ventana al pasado”. Para saber qué tiempos poner, una buena idea es hacerlo en base al lapso de tiempo de los “Embudos multicanal”.

Modelo de deterioro en el tiempo

Modelo de deterioro en el tiempo

 

  1. Modelo según la posición. Este modelo es el que yo llamo, “ni para ti, ni para mi”. Este determina que tanto la primera interacción como la última son las más importantes en la misma proporción, pero además, no resta importancia a las interacciones que surgen entre ambas, pero a estas las atribuyen mucho menos valor. Este modelo puede tener su lógica, ¿verdad? Normalmente en una conversión, la primera interacción es básica, ya que cuando entras en el eCommercer por primera vez a través de una campaña, es porque realmente ha despertado tu interés. Esta primera interacción abarca la fase de awareness y consideración, y es fundamental para seguir recorriendo ese customer journey. La final, para mi, es también básica, ya que sin ella quizás no se llegara a convertir. Es cuando ya el cliente está en su fase de decisión, y esa última campaña dirigida a ese momento, es la que empuja a la venta final. Por supuesto, entre medias están otra serie de acciones que son fundamentales para dirigir a ese cliente potencial hacia esa fase de decisión, las cuales no tenemos que infravalorar. Aquí entra en juego el lead nurturing, el remarketing, etc, las cuales, sin ellas no podríamos llegar a la fase final de decisión. Sin embargo, es cierto que hay negocios en los que este modelo no se llega a ajustar tampoco a sus prioridades, ya que las fases intermedias son las que más importancia tienen en la venta de productos más racionados y de venta más a largo plazo.

Modelo según la posición

Modelo según la posición

 

  1. Modelo de atribución personalizado. Este tipo de modelos sólo están disponibles si disponemos de una herramienta de monitorización más potente, la cual nos permita definir en función de nuestra idiosincrasia el modelo de atribución exacto. Para saber cómo configurar y determinar qué modelo de atribución es el más adecuado a nuestras necesidades, lo ideal es comenzar trabajando con el modelo de deterioro en el tiempo. Este modelo nos irá dando información, la cual nos ayude a ir ajustando ese modelo de atribución más adaptado a nosotros.

 

Hay que tener en cuenta que crear un modelo de atribución para nuestro eCommerce es algo realmente complejo, el cual tendremos que estar tocando de vez en cuando, ya que necesita ajustarse en función de la experiencia con otros modelos y las estrategias y campañas que vayamos utilizando.

¿Te interesaría crear tus modelos de atribución para tu tienda online? Si quieres probar con ellos en Google Analytics, la ruta para llegar a ellos es esta: Administrar (icono de la rueda, abajo a la izquierda) > Vista > Y en Herramientas y elementos personales, Modelos de atribución. Para comenzar, tendrás que hacer clic en “+Modelo de atribución”.

En Artyco ayudamos a nuestros clientes a mejorar el conocimiento de lo que ocurre en su eCommerce, analizando su Data, creando Dashboards de Web Analytics y creando modelos de atribución adecuados para poder optimizar las campañas y la conversión en la tienda online. Un equipo de Business Intelligence ayuda a nuestros clientes a sacar provecho de todo esto y a crear modelos predictivos que hagan de tu tienda online una tienda mucho más eficiente. ¿Quieres aprovecharte tú también de ello? ¿Hablamos?

¿Quieres mejorar tu analítica web?

Te ayudamos a conocer al detalle lo que pasa en tu eCommerce y te añadimos modelos de atribución que te permitan optimizar tus campañas.

Data Warehouse y Data Lake. Qué son y para qué sirven

Internet y las nuevas tecnologías han provocado el acceso y el almacenamiento desmesurado de información de los clientes y potenciales. Las empresas son cada vez más conscientes de la importancia que tienen esos datos para conocer mejor a los usuarios y así poder ofrecerles aquello que realmente piden, y no lo que nosotros pensamos que necesitan. Esto es lo que se llama, aplicar estrategias customer centric. Para ello se necesita gestionar altos volúmenes de datos, tanto en tiempo real como organizados. Para ello, no hay nada mejor que un Data Warehouse o un Data Lake. Si no sabes exactamente en qué consisten, no te preocupes, en este post te cuento de una manera sencilla, qué son, para qué sirven y las principales ventajas, ¿vamos a por ello?

El término de Data Warehouse fue acuñado por Bill Inmon, traduciéndose literalmente como Almacén de Datos. Sin embargo, si fuera meramente un almacén de datos, no solucionaría el principal problema por el que se creó, estructurar de una manera lógica la información, con el objetivo de poder construir consultas que aporten información de valor al analista de datos.

Según lo definió el propio Bill Inmon, el Data Warehouse se compone de las siguientes características:

  • Los datos almacenados en el Data Warehouse deben integrarse en una estructura consistente. La información, además, debe estructurarse en diferentes niveles, adecuándose a las necesidades de cada uno de los usuarios.
  • Los datos se deben de organizar por temas para facilitar su acceso y entendimiento por parte de los usuarios. Por ejemplo, todos los datos sobre ventas, deben de estar almacenados en el mismo sitio, de tal modo que al realizar la consulta sobre ventas, sea más sencillo.
  • Los datos suelen representar una situación en un momento presente, sin embargo, el Data Warehouse debe de cargarse con los distintos valores que toma una variable en el tiempo para permitir analizar las tendencias y crear un histórico.
  • La información que se almacena en un Data Warehouse es permanente y no debe ser modificada. Se deben de incorporar nuevos valores de las mismas variables, sin realizar ninguna acción sobre las ya existentes. De este modo podemos sacar conclusiones.

Sin embargo, el objetivo último del Data Warehouse, no es otro que facilitar el procesamiento de datos, con el fin de analizar dicha información desde diferentes puntos de vista y a gran velocidad.

Para ello, es fundamental poder realizar un análisis multidimensional. De este modo, si queremos conocer el número de ventas del modelo de zapatillas X, color azul, de la tienda de la calle Real, en La Coruña, del año 2016 al año 2018, disponiendo de un Data Warehouse, el proceso es sencillo, ya que previamente hemos realizado una jerarquización de la información y creado diferentes dimensiones.

Otra característica importante del Data Warehouse, son los metadatos, ¿qué es esto? Muy sencillo. Imagínate que tienes una serie de datos almacenados, pero no sabes de dónde proceden, cuándo se incluyeron, su fiabilidad, la forma de calcularlos… Con los metadatos tienes toda esa información. Estos metadatos son también los responsables de que se puedan construir consultas, informes o análisis.

Ahora que sabes qué es un Data Warehouse, vamos a ver cuáles son sus principales ventajas.

 

Principales ventajas del uso de un Data Warehouse

Ventajas del Data Warehouse

Estas son las principales ventajas que se pueden encontrar en la implantación de un Data Warehouse en el proceso de gestión del dato en tu negocio:

  • Facilita la toma de decisiones basadas en datos, en cualquier área funcional de la empresa, ya que te proporciona información integrada y global del negocio.
  • La información se convierte en un valor añadido para cualquier negocio, gracias a que permite aplicar técnicas estadísticas de análisis y modelización que ayudan a encontrar relaciones ocultas entre los datos almacenados.
  • Te permite de manera sencilla aprender de los datos del pasado y predecir situaciones futuras para diferentes escenarios.
  • Simplifica la implantación de sistemas de gestión integral de la relación con el cliente, dentro de la empresa.
  • Supone una optimización tecnológica y económica en entornos de Centro de Información, estadística o de generación de informes con retornos de la inversión espectaculares.
  • Es un sistema especialmente útil para el medio y el largo plazo.
  • Aumenta la productividad de las empresas de manera muy sustancial.
  • Te permite realizar planes de una manera mucho más efectiva.
  • Permite la integración de todas las herramientas corporativas. Por ejemplo, nosotros en Artyco integramos toda la información que recogemos a través de todas nuestras aplicaciones (monitorización web, crm, wifi tracking, campañas…) en un Data Warehouse, de donde sacar la información necesaria ante consultas determinadas.
  • Para trabajar de manera correcta un Data Warehouse, es preciso que todos los componentes de la organización hablen el mismo lenguaje, es decir, que todos llamen a las cosas por su nombre. De este modo, gracias al Data Warehouse se pueden unificar conceptos.

 

Qué es un Data Lake y para qué sirve

Que es un data lake

Un Data Lake no es otra cosa que un gran almacén de datos en bruto, los cuales se mantienen tal cual han llegado, y hasta que se necesitan para su uso. La principal diferencia con el Data Warehouse, está en la jerarquía y el almacenamiento de los datos en ficheros y carpetas que utiliza este, frente a la arquitectura plana del Data Lake. Podríamos decir que el Data Lake se nutre de Big Data y datos en tiempo real, tanto estructurados como no estructurados, en una amalgama plana, sobre la cual puedes recoger aquella información que necesites.

Las principales características de un Data Lake son estas:

  • Permite una fácil y rápida búsqueda de datos. El Data Lake está asociado al Big Data, en el sentido de que es el recipiente donde descansan todos esos datos. Al no estar organizados como en el Data Warehouse, se hace necesaria una búsqueda eficiente de la información que en este se contiene. Esta búsqueda se realiza básicamente a través de machine learning
  • Un Data Lake inteligente permite analizar eficazmente el grado de protección de la información que se guarda en los diferentes silos. Con la nueva normativa europea GDPR, esta seguridad en la privacidad de los datos se ve asegurada.
  • El Data Lake te permite ser rápido y disponer de datos en tiempo real. Además, te permite preparar y compartir rápidamente datos que son fundamentales para ofrecer analíticas competitivas.
  • Te permite guardar pasos de preparación de datos y luego reproducir rápidamente esos pasos dentro de procesos automatizados. Es decir, muchas veces los analistas repiten las mismas actividades en la preparación de datos. Con un Data Lake inteligente, puedes acceder a esos procesos y reducir tiempos y esfuerzos.

¿Vamos bien? Pues veamos cuáles son los principales beneficios que tiene el implantar un Data Lake en tu empresa.

 

Principales beneficios de un Data Lake

Ventajas de un Data Lake

Un Data Lake tiene muchas ventajas. Las más destacables son estas:

  • El Data Lake permite centralizar todos los datos en un mismo lugar, vengan de la fuente que vengan. Una vez incluidas en su silo correspondiente de información, pueden ser procesadas a través de herramientas de Big Data. Muchas veces, en esa disparidad de información, habrá datos que requieran un tratamiento especial en cuanto a seguridad. Gracias al Data Lake, este aspecto se puede solventar.
  • Puede que la fuente original del dato esté obsoleta o se haya desactivado, sin embargo, su contenido puede que siga siendo valioso para el análisis. A través del Data Lake, puedes acceder a dicha información.
  • Todo dato que llegue al Data Lake puede ser normalizado y enriquecido.
  • Los datos se preparan en función de la necesidad del momento. Esto permite reducir considerablemente los costes y los tiempos. En el Data Warehouse, por ejemplo, es necesaria dicha preparación.
  • Se puede acceder a la información y enriquecerla desde cualquier punto del planeta, por cualquier usuario autorizado por el Data Lake. Esto ayuda a la organización a recopilar más fácilmente los datos necesarios para la toma de decisiones.
  • Un Data Lake pone la información en manos de un mayor número de personas dentro de cualquier organización, aprovechándose mejor la empresa de ese conocimiento que adquieren dichos individuos.

 

Diferencias entre Data Warehouse y Data Lake

Diferencias Data Warehouse Data Lake

Podemos resumirlas en cinco grandes diferencias.

  • Un Data Lake conserva todos los datos, no sólo los que podrían utilizarse actualmente, sino también aquello que podrían necesitarse en un futuro. En frente, está el Data Warehouse que estudia muy bien qué datos incluir, cuáles son las fuentes de los datos. Además, se necesita dedicar tiempo para entender el negocio y así perfilar los datos. El Data Warehouse al final, contiene un modelo de datos altamente estructurado, diseñado para la generación de informes. El Data Lake utiliza un hardware muy diferente al del Data Warehouse. En el Data Lake, la ampliación a terabytes y petabytes es mucho más económico que en el caso del Data Warehouse. Es por eso, que en este último se mira tanto qué datos son necesarios para conservar, y cuales eliminar, ya que supone un costoso almacenamiento.
  • Un Data Lake soporta todos los tipos de datos, es decir, en este se guardan todos los datos, independientemente de la fuente y la estructura, y además, se mantienen en su forma bruta, transformándolos sólo cuando van a ser utilizados. En el Data Warehouse los datos almacenados son muchos más críticos para el negocio y la realización de informes. Por ejemplo, los datos de imágenes, comentarios en redes sociales, textos, etc, no suelen ser tenidos en cuenta, ya que, como he comentado, su almacenamiento es muy costoso.
  • Los Data Lakes son más flexibles que los Data Warehouses. Uno de los mayores problemas que presenta un Data Warehouse, está en el momento que se necesita realizar un cambio importante. Todo cambio se convierte en una tarea realmente difícil, ya que adaptar un Data Warehouse supone invertir mucho tiempo en el desarrollo de la estructura del almacén. Hoy día, las organizaciones demandan respuestas rápidas a sus preguntas comerciales, y en muchos casos, no pueden esperar a que el Data Warehouse se adapte. En cambio, el Data Lake, al almacenar todos los datos en bruto, permite el acceso de cualquier usuario para que los explote y analice en función de sus necesidades, encontrando la manera de responder a sus preguntas a su ritmo.
  • El Data Warehouse te proporciona unos resultados más limpios, estructurados y fiables. Sin embargo, en el Data Lake, al disponer de datos en bruto y sin estructurar, al hacer las consultas, usuarios no demasiado cualificados, recibirán información rápida, pero no del todo precisa, tal y como la obtendrían de un Data Warehouse. Normalmente, para usuarios de perfil Data scientist, este problema no existe en el Data Lake, ya que ellos crean sus reglas y estructuran la información para preparar sus análisis y modelos. El verdadero problema reside en el 80% del resto de usuarios, quienes simplemente buscan tener acceso a ciertos kpis diarios.

Tanto los Data Warehouses como los Data Lakes están destinados a convivir en las empresas que deseen basar sus decisiones en datos. Como habrás podido entender, ambos son complementarios, no sustitutivos, pudiendo ayudar a cualquier negocio a conocer mejor el mercado y el consumidor, de cara a poder realizar estrategias basadas en el conocimiento de estos, con comunicaciones cada vez más personalizadas, es decir, ser más customer centric.

En Artyco trabajamos con estos sistemas de cuidado, almacenamiento y análisis de datos, apoyado por desarrolladores especialistas y un equipo de data scientists y data analysts que ayudan a nuestros clientes a tomar las decisiones adecuadas. ¿Quieres que hagamos lo mismo con tu empresa?, ¿hablamos?

¿Ves que necesitas un Data Warehouse?

Ponte en contacto con nosotros y te explicaremos cómo sacar valor a toda aquella información que tienes de tus clientes y potenciales.

4 principales criterios para la segmentación de clientes

Antes de lanzarte a realizar cualquier plan de marketing o acción, es necesario que dividas a tus clientes en segmentos, los cuales te permitan afinar lo máximo posible en tu comunicación, principalmente por su homogeneidad en cuanto a diferentes criterios claves para tu negocio. Hay una gran variedad de criterios y cada sector, industria o empresa, puede manejar unos y otros, sin embargo, todos ellos pueden englobarse en 4 básicos. ¿Quieres saber cuáles? Entonces no dejes de leer este post.

Todos sabemos que uno de los principales motivos del éxito de una campaña de marketing radica en la capacidad de personalización del mensaje. Que el receptor de tu mensaje sienta que le estás hablando directamente a él, con su problemática actual y le ofrezcas la solución que anda buscando, como si fuera a medida, hace que la ratio de conversión de dicha acción suba bastante. Pero ¿cómo conseguir esa personalización?

El primer paso para personalizar un mensaje, cuando tienes una gran base de datos con perfiles diferentes, de ámbitos geográficos dispares y con posibilidades económicas e intereses de todo tipo, es segmentándolos. Lógicamente, ante una base de datos comunicable de 150.000 individuos, o incluso de 100, es materialmente imposible comunicarte con cada uno de ellos de manera personal, sin embargo, puedes lograrlo agrupándolos.

Pero ¿cómo crear esos grupos? ¿en base a qué? Estos grupos deben cumplir las siguientes características:

  • Ser identificables fácilmente para la empresa. Los segmentos deben de responder de forma diferente a los productos que ofrece la compañía.
  • Sustanciales, es decir, deben de tener un número suficiente de personas para ser rentables.
  • Diferentes entre sí en cuanto al comportamiento de compra.
  • Accesibles para la empresa, es decir, que ese segmento pueda comprar los productos o servicios que ofrece la empresa.

Para crear estos grupos o segmentos, es fundamental utilizar una serie de criterios de segmentación, o variables que definan a cada uno de esos grupos. Estos pueden ser, bien por razones sociodemográficas, como de comportamiento ante la compra. Estos criterios, se pueden clasificar siguiendo dos características:

1. Criterios generales o específicos. Los generales estarían relacionados con aquello que no tienen nada que ver con el tipo de producto o servicio que vayamos a vender. Siendo indiferente que vendamos helados o persianas. En cambio, los específicos son aquellos que tienen mucho que ver con el producto o servicio.

2. Criterios objetivos o subjetivos. Los objetivos son aquellos que son cuantificables, es decir, que se pueden medir. En cambio, los subjetivos son las variables más cualitativas.

De este modo, si combinamos estas clasificaciones, obtendríamos 4 criterios de segmentación de clientes para comenzar a realizar nuestras campañas de manera óptima.

 

Criterios para la segmentación de clientes

criterios segmentación de clientes

Teniendo en cuenta todo lo anterior y sabiendo que en función de la industria pueden surgir otros muchos criterios, a grandes rasgos, estos serían los 4 principales criterios para la segmentación de clientes.

1. Criterios generales objetivos.

Siguiendo la clasificación anterior, estos criterios corresponderían a variables independientes del producto o servicio que se venda, y cuantificables. Algunas de las variables de este tipo más usadas son:

  • Variables demográficas: edad, sexo, estado civil, tamaño del hogar…
  • Variables geográficas: región de residencia, si es un hábitat urbano o rural, clima…
  • Variables socioeconómicas: nivel de ingresos, nivel de educación y estudios, clase social, profesión…

2. Criterios generales subjetivos.

En este caso son los que corresponden a variables independientes del producto o servicio, y cualitativos o difícilmente medibles. Algunas de las más representativas en este sentido son:

  • La personalidad: Esta es muy difícil de medir, sin embargo, es fundamental a la hora de cómo toma decisiones de compra, así como la importancia que tiene, ya que es duradera en el tiempo. Ser optimista o pesimista, seguro o inseguro… es fundamental para muchas empresas, sin embargo, ¿cómo lo medirías?
  • El estilo de vida: Se refiere a cómo vive esa persona. Normalmente se tienen en cuenta tres características a la hora de clasificarlo:
    • A qué dedica el tiempo libre.
    • Intereses y gustos.
    • Opiniones de sí mismo y del mundo que le rodea.

3. Criterios específicos objetivos.

En este caso, sí están muy relacionados con el tipo de producto o servicio que vendas, y además, son perfectamente cuantificables y medibles. Normalmente, las variables que se tienen en cuenta para definir estos criterios son:

  • Cómo se usa el producto. Es interesante crear grupos en función de quién y cómo usan tu producto o servicio. Siempre se suele contar en este caso, lo que le ocurrió a Johnson & Johnson y su champú específico para niños. En un principio dirigido a estos, pero tras analizar su uso, descubrieron que las madres lo utilizaban también. Tras esto, tuvieron que crear un nuevo criterio de segmentación formado por madres y niños.
  • Situación de consumo. Es cuando segmentas en función de la situación en la que consume el mercado tu producto. Por ejemplo, un fabricante de azúcar puede segmentar su mercado y por tanto su producto, si va dirigido al consumo de un hogar, en cuyo caso sería con un packaging grande, un consumo industrial, con un packaging extragrande o un consumo en un bar, el cual vendría en paquetes individuales.
  • Categoría de usuario. Para esta variable, se suelen utilizar tres variables:
    • Clientes potenciales, es decir, aquellos que no nos han comprado, pero tienen la capacidad de hacerlo y están interesados en ello.
    • Exclientes, es decir, aquellos que nos compraron, pero han dejado de hacerlo.
    • Clientes regulares o aquellos que de forma regular compran nuestro producto.
  • El lugar de compra. Se puede segmentar el mercado en función de dónde adquieren tu producto. Por ejemplo, una fabricante de electrodomésticos puede segmentar su mercado en función de si compran la lavadora en hipermercados, en tiendas especializadas o a contratistas o reformistas de cocinas, entre otros.
  • El grado de lealtad o fidelidad hacia tu producto o marca. En este aspecto es fundamental tener bien medida la lealtad a través del Net Promoter Score o NPS. Si quieres saber más, te recomiendo que leas este post sobre métricas para la fidelización de clientes. En este caso, se pueden clasificar los clientes en 3 tipos:
    • Aquellos que son leales a la marca y que podrían actuar como embajadores de la misma.
    • Son los clientes satisfechos, pero que no han llegado a un nivel de entusiasmo tal que les haga recomendarnos.
    • Son los clientes insatisfechos y por tanto con riesgo real de verter opiniones negativas de la marca a terceros.

4. Criterios específicos subjetivos.

Estos son aquellos que tienen relación con el producto o servicio, pero que no son cuantificables y, por tanto, son difíciles de medir. Las variables a tener en cuenta son:

  • Las ventajas o beneficios buscados en el producto. En un mismo producto, los compradores pueden comprarlo buscando diferentes beneficios. Por ejemplo, los productos de soja, los cuales unos lo buscarán por salud al ser intolerantes a la lactosa, otros por cuidar la línea, otros por preferir los productos vegetales u otros por su sabor.
  • La percepción que tengan de tu producto o servicio. Tus consumidores pueden percibirte como una marca de lujo o como de nivel medio. Esa percepción influirá mucho en cómo comunicarte con esa tipología de consumidor.

 

Si has llegado hasta aquí, es porque realmente te interesa y te gustaría poner en práctica técnicas de segmentación de clientes. Una vez que ya tienes claro qué criterios utilizar en tu segmentación, la disposición de un CRM que te facilite las cosas va a ser clave. En Artyco llevamos más de dos décadas gestionando el CRM de empresas de primer nivel, ayudándoles a segmentar a sus clientes, con el objetivo de personalizar al máximo sus comunicaciones. ¿Hablamos?

 

¿Quieres segmentar tu base de datos?

En Artyco llevamos más de dos décadas ayudando a nuestros clientes a crear segmentaciones que les ayuden en sus comunicaciones.

¿Buscas aumentar el conocimiento sobre tus clientes y crear modelos predictivos?

SOBRE NOSOTROS

Somos un equipo de profesionales compuesto por 100 personas, preocupados por los datos, nuestros clientes y cómo hacer que estos lancen campañas más eficaces centradas en el usuario. Somos intelligence customer centric, innovación y tecnología. #SomosArtyco

MADRID

C/ Playa de Liencres 2. Edif. Londres Oficina 3 – 1º piso, Parque Europa Empresarial, 28230 Las Rozas (Madrid)

SALAMANCA

Parque científico universidad de Salamanca. Edificio M3 – Oficina P107 37185 Villamayor (Salamanca)

hola@artyco.com

91 640 41 50

Share This