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

Big Data y automoción: un matrimonio de conveniencia.

Según un informe de McKinsey, de hace ya tiempo, en el año 2030 los coches conectados podrían generar un negocio cercano a los 750.000 millones de dólares. En su día no entusiasmó a todos los fabricantes por igual, sin embargo, la tecnología ha evolucionado, el coche conectado es una realidad, y el uso y tratamiento de altas cantidades de datos es ahora posible gracias a esa evolución tecnológica, propiciando nuevos negocios. Ya son muchas las marcas que están utilizando el Big Data para su negocio, como para, por ejemplo, acercar más a los gustos reales de las personas, las configuraciones de los nuevos modelos. ¿Quieres saber cómo se puede utilizar el Big Data en un sector tan complejo como el de la automoción? Aquí te lo cuento.

Ya no tenemos dudas de que los vehículos se van a convertir en los próximos años, en grandes contenedores de datos. La información que recogerán, almacenarán y enviarán, además, no será nada despreciable, ya que servirá, por ejemplo, no sólo para evitar y reducir la siniestralidad de los vehículos, sino también para crear diferentes tipologías de los conductores en función de determinados patrones de conducta en su día a día como conductores. Esta información, será utilizada por la marca o por terceros, para ofrecer a dichos usuarios, productos o servicios nuevos o más personalizados.

El coche conectado generará millones de datos, pero hay otras muchas fuentes que harán crecer y crecer esa base de datos. Esta gran cantidad de información sería inútil para cualquiera, si no fuera por las tecnologías de Big Data y los expertos en tecnología que ayudan a clasificar, extraer y analizar esos grandísimos volúmenes de información. ¡Y muchos de ellos en tiempo real!

Como entenderás, el coche conectado interesa y mucho al sector de la automoción, sin embargo, se enfrentarán a un importante reto, ya que “las marcas están acostumbradas a ciclos de producción de siete años, a tener un control sobre toda la cadena de valor y a tener poca interacción con el cliente final. Además, suelen entregar productos y servicios con capacidades digitales limitadas”, según dice McKinsey en su informe.

Para solucionar todo ello, el Big Data puede ser un poderoso aliado. Antes de continuar, hablemos de lo que es el Big Data y cuáles son sus usos y aplicaciones. Breve y directo. Allá va.

 

Big Data: usos y aplicaciones

Usos y aplicaciones del Big Data en Automoción

Big Data es el conjunto de datos, tanto estructurados como no estructurados, y la combinación del conjunto de estos, cuyo volumen, complejidad y velocidad de crecimiento dificultan no sólo su procesamiento, sino también su almacenamiento y su recogida. Para hacer esto de manera eficaz, se hace imprescindible disponer de tecnología específica diseñada para ello.

Entre los ejemplos de uso del Big Data más conocidos, podríamos citar la optimización de la distribución, el establecimiento de políticas de precios, el análisis de riesgo, la detección de fraude, o el análisis de campañas y retención de clientes. Sin embargo, todo esto va mucho más allá.

Gracias al Big Data y toda la gran cantidad de datos de la que se puede disponer, es posible crear modelos predictivos, de por ejemplo catástrofes como tsunamis, o modelos para otras más habituales, como la predicción de congestiones de tráfico.

En el caso de Big Data y automoción, este puede ayudar a las marcas a comparar los modelos actuales con los anteriores similares, así como los diferentes colores, complementos, etc. Esta información se puede cruzar con las ventas de los concesionarios por zonas geográficas, tanto al nivel nacional como internacional. Para continuar, deberíamos incluir el análisis de la evolución de esas ventas, con el fin de determinar qué tipo de vehículos, de qué características y con qué complementos se venden más en unos sitios u otros y así asignar la comunicación y la logística, así como la estrategia comercial en función de ello. Este simple ejemplo, sólo se podría llevar a cabo a través del Big Data.

Sin embargo, el Big Data puede tener otras muchas aplicaciones, basadas en otras variables más complejas como pueden ser la conducta de los consumidores. Dos de los usos más importantes respecto a esto serían para:

  • La detección y prevención del fraude.
  • La creación de modelos predictivos relacionados con el abandono de clientes.

Para trabajar sobre ellas, es necesario manejar un alto nivel de datos no estructurados, los cuales sólo se pueden controlar a través de tecnología de Big Data.

Ahora que ya nos podemos hacer una idea de qué es y qué nos puede aportar, vamos a centrarnos más en el sector que nos ocupa: el de la automoción.

 

El Big Data en el sector de la automoción

Usos del Big Data en Automoción

Está claro que las nuevas tecnologías han propiciado y ayudado a la recogida de datos. La implantación de robots y sistemas digitalizados, a su vez, han potenciado también la posibilidad de obtener más información, más precisa y en tiempo real, creando ese entorno de Big Data del que estamos hablando.

El sector del automóvil, además, por sus características no es sólo una industria más que se podrá aprovechar del Big Data, sino que es una industria que puede ser referente en cuanto a la explotación y aprovechamiento de esta información.

Entre las principales aplicaciones de uso del Big Data y automoción, destacan los siguientes:

 

#1. En el proceso industrial.

El proceso industrial en la automoción ha alcanzado unos niveles óptimos de automatización, los cuales son la antesala del almacenamiento de datos, no solo por su inmenso volumen, sino por la capacidad para integrar conocimiento de modo fiable y sistemático. Los robots de las plantas de montaje llevan años almacenando datos relacionados con el control de calidad y utilizando el Big Data para prever la durabilidad de las distintas piezas que componen el automóvil. Según el Instituto Fraunhofer IFA, la industria automovilística podría ahorrar hasta un 20% de sus costes de mantenimiento si utilizara modelos predictivos para anticipar el desgaste de las piezas.

 

#2. En el proceso de diseño de nuevos modelos.

Internet es uno de los grandes generadores de datos, y los medios sociales la gran fuente inacabable de datos no estructurados. Sabiendo recoger la información plasmada por los consumidores en dichos medios, almacenándola y sabiéndola analizar, a través de sistemas de Big Data, se podría ordenar correctamente dicha información de manera que sea útil para poder determinar a través de modelos predictivos que utilicen dicha información, qué acabados se venderían más, qué complementos demanda más el usuario, qué tipo de vehículo puede ser el más vendido, en función del segmento, etc.

 

#3. En el proceso de fidelización de clientes.

En esta fase Big Data y automoción tienen mucho que ver, ya que gestionando grandes cantidades de información relacionadas con nuestros clientes, y cruzándola con información geográfica, social, de estilo de vida o incluso emocional, podemos crear modelos que nos ayuden a conocer en qué momento cambiará de vehículo y cuál es el tipo de coche más probable que busque, incluso de qué color y características, con el objetivo de anticiparnos a ello y lanzarle al usuario una comunicación que haga que se plantee repetir con nuestra marca.

 

#4. En el servicio posventa.

Todos somos conscientes de que cuanto más conoces a tu cliente, más posibilidades tienes de satisfacerle. En este caso, la tecnología aplicada a la economía de servicios puede dar un importante salto hacia una experiencia positiva, gracias al conocimiento preciso de las exigencias de los consumidores. Además, gracias al Big Data se podrá prever los fallos del coche, ya que este permanecerá conectado con el taller, pudiendo concertar una cita, incluso antes de que ocurra dicho fallo, ayudando a reducir significativamente la siniestralidad.

 

#5. En la creación de nuevos servicios.

Los coches conectados, así como los coches autónomos propiciarán un aumento en el número de datos. Se estima que los vehículos conectados podrían emitir cerca de 5 TB en datos en una sola hora, según Automotive World. Esa cantidad de información va a propiciar su utilización no sólo por las marcas, sino también por terceros, llegando a decirse que un usuario acabará consumiendo un servicio en lugar de un coche.

Por ejemplo, los seguros de coche se aprovecharían de toda esta data de cara a ofrecer un producto personalizado a cada conductor en función de su estilo de conducción. Todos estos datos serían lógicamente recogidos por el vehículo.

Lo cierto es que está más cerca de lo que pensamos. Se estima que para el 2020 el 90% de los coches serán conectados. En este sentido, la marca Tesla ya está creando alianzas estratégicas con empresas como Telefónica, con el fin de poder gestionar toda esta información. Otras, sin embargo, lo que han hecho es inscribirse a la CNMC (Comisión Nacional de los Mercados y la Competencia) con el objetivo de poder prestar, en este sentido, servicios telemáticos en España. En lo relativo a todo este tema, tendremos que ver cómo evoluciona paralelamente el marco legal relacionado con la protección de datos, y el nuevo reglamento e-privacy. Este no es otra cosa que una nueva propuesta que ha sido impulsada por los organismos europeos y que tiene por objeto, proteger el contenido de las comunicaciones electrónicas y por lo tanto de la privacidad en Internet.

 

Como conclusión, podemos apuntar que los usuarios cada vez dejamos más rastros de todo lo que hacemos en forma de datos. Por dónde navegamos, qué nos interesa, qué nos gusta hacer en nuestro tiempo libre, qué grado de emotividad tenemos, además de los clásicos datos socio demográficos y de clase social. A todo ello, en un corto plazo uniremos datos sobre estilo de conducción, cuánto solemos tardar en llegar al trabajo, por qué gasolineras pasamos habitualmente, o por qué centros comerciales, así como otra mucha información más.

Como decía el famoso claim de la marca Pirelli, “La potencia sin control no sirve de nada”, y es que en el mundo de los datos, la cantidad de datos no sirven de nada, si no tenemos una tecnología de Big Data con la que sacarle provecho.

Hoy día el reto es precisamente este, disponer de la tecnología, que la hay, de los profesionales y expertos en data que puedan trabajarla, que los hay, de los algoritmos y métodos que permitan analizar los datos, que los hay, y las ganas de sacar provecho de verdad del Big Data en la industria del automóvil, lo cual creo que está comenzando a haberlo.

En Artyco llevamos dos décadas trabajando para Mercedes Benz España, más de 12 años para FCA, así como muchos años para el retail de Renault en España. Todos y cada uno de nuestros clientes saben de la importancia de esos datos para su negocio, y nosotros se lo reafirmamos día a día con nuestro trabajo. ¿Hablamos?

¿Quieres aprovechar la Data que genera tu negocio?

A través de nuestra tecnología en Data Warehouse y Big Data, así como nuestro departamento de BI llegarás al nivel que buscas.

Del Business Intelligence al Marketing Intelligence. Principales desafíos para implantarlo

La inteligencia de negocio en función del tipo de empresa, puede vivir independientemente o bien puede estar integrada dentro de otro departamento. Pero lo que está claro es que esta tiene mucho en común con los sistemas de gestión de relaciones con el cliente, o lo que llamamos CRM. El avance de la tecnología, el desarrollo del machine learning y la IA, han potenciado enormemente esta disciplina, integrándose inevitablemente con los departamentos de marketing, creando lo que se llama el Marketing Intelligence, pero ¿están los Data Scientists preparados para este reto?, ¿son capaces los profesionales del marketing de manejar tal cantidad de datos? En este post te pondré en situación de hacia donde se tiende, así como de cuáles son los retos que deben superar las empresas para conseguirlo.

El CRM se compone de tres elementos fundamentales: el operativo, el cual es el responsable de los procesos de contacto con el cliente; el analítico, en el que se analizan los datos que de este se desprenden; y el comunicativo, centrado en todas las acciones necesarias para mantener un diálogo con el cliente (email marketing, SMS, teléfono…). Por lo general, la inteligencia de negocio está integrada dentro de la mayoría de CRMs, aportando analítica que permita sacar insights y conclusiones.

El trato personal con los clientes se ha reducido muchísimo en casi todos los negocios, debido a la popularización de Internet como medio de información y compra, entrando en juego, por tanto, otros medios de comunicación directa relacionados con este sistema digital. Uno de ellos, es sin duda el móvil, a través de los Smartphones.

Este hecho ha supuesto que los departamentos de marketing dispongan de mucha más información de la tenían hace una década. Esta se ha venido gestionando a través de Data Warehouses, sin embargo, los profesionales del marketing no disponían de la capacidad suficiente como para poder auto-gestionar dicha información con dichos sistemas, entrando en juego nuevos perfiles en el ecosistema de marketing. Perfiles más técnicos, expertos en bases de datos, y perfiles que supieran sacar conclusiones de grandes cantidades de datos.

Durante este tiempo, el experto en Data, el Data Scientist y el Marketing Specialist han convivido gracias a la inmadurez respecto al dato del sector y de las empresas. Sin embargo, esto está cambiando, y el mercado está exigiendo un salto de calidad al tratamiento de datos. Este salto de calidad iría más dirigido a los insigths y conclusiones sacadas a través de los datos. Insigths que muchas veces los analistas no son capaces de sacar debido a su falta de visión de marketing y de negocio, a la vez que los profesionales del marketing no consiguen verlos, debido a su escasa formación en estadística y lectura de datos.

Como he comentado, el mercado está madurando, y pide avances. A continuación, te cuento cuáles son los principales retos o desafíos con los que se va a encontrar cualquier empresa que quiera basar su negocio en los datos. Ha llegado el momento del Marketing Intelligence.

 

Principales desafíos para implantar una estructura de Marketing Intelligence

Marketing Intelligence

El paso de una estructura Business Intelligence clásica a otra Marketing Intelligence que te permita poder obtener verdadero conocimiento que te ayude a conocer mejor a tus consumidores, crear estrategias más eficaces, y realizar propuestas de valor realmente interesantes para la sociedad a la que te diriges, pasa por los siguientes desafíos.

DESAFÍO #1. El Big Data.

Tradicionalmente, en un sistema de Business Intelligence, las bases de datos que se utilizaban eran bases de datos relacionales, en las que los datos se organizan en base a tablas con filas (registros) y columnas (campos), las cuales están ligadas a través de relaciones en los casos en que contienen el mismo tipo de información. Para realizar consultas se hace a través de queries las cuales filtran los datos y dan al emisor de la consulta la información buscada. Todo esto se hace a través de un lenguaje llamado SQL.

Pues bien, todo esto se ha roto a consecuencia de la irrupción del Big Data, debido fundamentalmente a tres variables:

  1. El volumen de datos. El Big Data se caracteriza por la gran cantidad de datos que almacena y maneja. Tal es la cantidad de datos que pueden llegar a almacenar algunas compañías, que estos tienen que estar guardados en diferentes servidores. La solución actual a este problema, hoy por hoy, es Hadoop, que no es otra cosa que un framework de opensource que permite almacenar una gran cantidad de información, permitiendo realizar procesamientos y tareas de manera prácticamente ilimitada. Entre las principales ventajas que tiene un Hadoop están la capacidad de almacenamiento, el poder de procesamiento, la tolerancia a fallos, la flexibilidad, el bajo coste que supone y su escalabilidad.
  2. La velocidad. Fundamentalmente debido a la aparición del IoT (Internet of Things), en el cual es necesario recoger datos y gestionarlos en tiempo real, la velocidad en las bases de datos se hace muy necesaria. Esto se consigue almacenando los datos in-Memory, es decir, es como tenerlos en una memoria RAM, la cual permite acceder a ellos instantáneamente y realizar procesamientos extremadamente rápidos, ayudando así a analizar rápidamente grandes volúmenes masivos de datos en tiempo real a velocidades muy altas, y detectar patrones.
  3. La variedad. Los datos recogidos hoy día no son sólo numéricos o textuales, sino que además pueden ser, por ejemplo, imágenes. Al entrar las redes sociales en nuestras vidas, este elemento se ha convertido en primordial para muchas empresas en todo lo relacionado con el análisis y creación de perfiles, ya que las imágenes se han convertido en un elemento de comunicación primordial para los usuarios (véase el caso de Instagram).

En definitiva, la irrupción del Big Data ha supuesto que se dejen atrás las bases de datos relacionales SQL y se abran los brazos a otros sistemas no basados en el SQL, más anárquicos, pero a la vez más flexibles y rápidos, los cuales utilizan otro tipo de tecnología, como pueden ser los Data Lakes (Si quieres saber qué son los Data Lakes, te recomiendo que eches un vistazo a este post sobre “Dara Warehouse y Data Lake. Qué son y para qué sirven”). Aquí se abre una problemática importante para cualquier empresa, y es que es muy complicado encontrar a profesionales expertos en estos nuevos sistemas, los cuales puedan tener una visión de empresa y de marketing que puedan ayudar a sacar verdaderos insigths.

DESAFÍO #2. La visualización de los informes.

Un sistema tradicional de Business Intelligence está acostumbrado a tratar una serie de datos y acabar realizando informes sobre las conclusiones sacadas tras sus análisis. Estos los hacían en un principio a través de extensas presentaciones de Power Point, las cuales al final perdían su objetivo de informar, ya que el receptor de las mismas, se ahogaba en un “sinfín” de datos, números y gráficos de todo tipo. Debido a este hecho, se crearon los Dashboards o paneles a través de los cuales tener una visión general de lo que quieres conocer, de una manera más abreviada y visual. Soluciones como Tableau, Qlik o Power BI te ayudan a crear diagramas, mapas y una gran variedad de recursos sin necesidad de saber programar.

El reto para llegar a un Marketing Intelligence está en que esas personas que desarrollan este trabajo, generalmente estadísticos y matemáticos sin conocimientos de Marketing, sepan priorizar qué datos son los que verdaderamente se necesitan para sacar conclusiones realmente importantes para la toma de decisiones en marketing.

Uno de los principales errores que se suele cometer respecto a este asunto es que los Data Analysts plasman de manera automática lo que analizan, perdiendo en muchos casos evidencias o rastros que no dejarían atrás si tuvieran los conocimientos necesarios sobre el mercado, la marca, el porqué de ciertas estrategias de marketing y el porqué de las acciones realizadas.

Ese dashboard del futuro para obtener un verdadero Marketing Intelligence, debe ir más acorde con unos objetivos marcados por la dirección de marketing, unas kpi`s para cada objetivo y unas conclusiones que permitan tomar decisiones rápidas y eficaces.

DESAFÍO #3. La evolución del Marketing Digital.

Todos somos conscientes de los cambios que ha experimentado el Marketing Online en los últimos años. Sin duda, la irrupción de las redes sociales es uno de los hitos más importantes, tanto por crear una nueva manera comunicación con los usuarios, sino también como una nueva fuente de información de estos. El mobile marketing, es otra área la cual está llevando a otro salto hacia esta industria. El avance en el uso de Apps, el incremento de la navegación a través de este dispositivo, su uso como método de pago, son algunas de las características que están haciendo plantearse a las empresas sus anteriores estrategias.

En todo este proceso, el uso de un CRM que incluye el aspecto social, así como que permita automatizar acciones, se ha vuelto imprescindible para cualquier negocio que quiera crecer con su tiempo. En este avance, el inbound marketing y el uso de la publicidad nativa tienen mucho que decir, ya que ambos necesitan disponer de información precisa y en tiempo real de lo que está haciendo el usuario con la marca en el entorno online, de cara a captarle, nutrirle, convertirle y fidelizarle.

Ya son muchas las empresas, las que invierten cada vez más en estrategias de fidelización, y no sólo en captación, viendo como una estrategia de contenidos personalizados a clientes que ya conocen, puede ayudarles a fidelizarlos, a aumentar el gasto medio de ese cliente, y a que estos ayuden en la captación al actuar como prescriptores.

Todo este nuevo ecosistema y tendencia en las estrategias, es necesario conocerlo de cara a poder realizar una labor adecuada de marketing intelligence.

Y la verdad es que la mayor parte de toda esta responsabilidad actualmente la están soportando los equipos de Data Science. Estos equipos para pasar a ser Marketing Intelligence, deben de tener, además de las características habituales, las siguientes:

  • Ser capaces de plantear las preguntas adecuadas, ya que esto va a determinar que tiene los conocimientos técnicos y la capacidad de ver el problema, pudiendo traducir la visión estadística en recomendaciones para quién visualizará el informe.
  • Debe ser capaz de comunicar utilizando lo que se llama un storytelling. El Data Scientist debe ser consciente que debe salir de la abstracción matemática y dirigir los resultados a un fin o una acción. Debe saber que todos esos datos y resultados matemáticos sólo tienen sentido si conducen a una acción.
  • Debe tener amplios conocimientos de herramientas y técnicas estadísticas y de machine learning para la resolución de problemas.
  • Conocimientos de R y Phyton, pero además, conocimientos de distributed computing (computación distribuida), se hacen cada vez más necesarios debido al auge que va a tener en el futuro el procesamiento en paralelo utilizando un gran número de ordenadores.

 

¿Quieres hacer Marketing Intelligence? En Artyco contamos con un departamento de Data Analysts y Data Scientists acostumbrados a saber leer entre datos y sacar conclusiones para ayudar en la toma de decisiones de nuestros clientes. A través de nuestro CRM o el que utilice nuestro cliente, una estructura propia de Data Warehouse y herramientas analíticas y de visualización como Power BI, podemos ayudarte a conocer y sacar de los datos todo el partido que necesitas. ¿Hablamos?

¿Decisiones basadas en datos?

Nuestro equipo de Data Scientists te ayudan a sacar esos insights y conclusiones que necesitas para realizar campañas más eficaces y tomar decisiones más acertadas.

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.

¿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