Cómo puedes conocer realmente a tus clientes

por José María López | Sep 2, 2022 | Estrategia, IPS

Cómo puedes conocer realmente a tus clientes

De un tiempo a esta parte, muchas empresas se han interesado o están ya inmersas en estrategias de transformación digital en el seno de las cuales suele tener un protagonismo especial todo lo referido al conocimiento de sus clientes. En este post abordamos este tema tan interesante y de actualidad y te indicamos cómo crear una verdadera y exitosa estrategia de conocimiento de tus clientes.

Bien, pues empecemos…. ¿qué empresa no tiene como objetivo conocer mejor a sus clientes con la finalidad de ofrecerles un mejor servicio, incrementar las ventas y la fidelización, prevenir el abandono y sentirse más unida a ellos para formar una comunidad a largo plazo que funcione a satisfacción y en beneficio de todas las partes?

Pocas, tal vez ninguna, empresa podrán decir que no están interesadas en ello, pero, ¿por dónde empezar? No hay una respuesta universal pues, sin duda, la misma depende de cada caso en particular, pero si podemos decir algo que generalmente es válido para todos los casos y que sería empezar por la implantación de una herramienta CRM (Ya tramamos anteriormente sobre este tema en el post “Tengo un CRM de última generación, pero ¿cómo puedo aprovecharlo?”) aunque con una perspectiva diferente a la que hoy nos ocupa.

¿Por qué un CRM?

que es un crm

Una herramienta CRM es una solución software, normalmente en modalidad SaaS, que nos va a permitir recopilar toda la información de nuestros clientes, entre la que podemos destacar:

Datos generales de la empresa
Datos necesarios para facturación
Datos sobre todas las personas con las que tenemos relación en la empresa
Información sobre todas las ofertas que hacemos con la intención de vender nuestros productos/servicios
Información de todos los pedidos realizados y los contratos en vigor
Información sobre dudas, reclamaciones o quejas relacionados con nuestros productos y servicios
Información sobre las acciones o campañas que realizamos

Aunque la relación anterior es solo un resumen de la información que podemos recoger en el CRM, es fácil pensar que a nada que tengamos un grupo importante de clientes a los que vendamos nuestros productos y servicios desde hace tiempo, el volumen de información que podemos llegar a almacenar es importante, y además, estará en continuo crecimiento.

De la información al conocimiento.

de la información al conocimiento

Este es un concepto simple de explicar y entender pero, a menudo, no tan fácil de llevar a la práctica. Expliquemos un poco… Hemos visto en el punto anterior que dentro de nuestro sistema CRM puede haber un montón de datos en las diferentes líneas sobre las que recopilemos y que, según vaya pasando el tiempo, esta información irá creciendo y esto nos plantea una cuestión importante; ¿cómo podemos convertir toda la información almacenada en conocimiento sobre cada cliente en particular?

Pongamos un ejemplo a modo de caso práctico para entenderlo mejor: Supongamos que una empresa produce aceite de oliva de calidad que, hoy en día, vende a diferentes tipologías de clientes (Canal Horeca, canal distribución, canal gourmet B2c, etc) La empresa empezó hace 10 años produciendo de manera artesanal pequeñas cantidades de aceite que vendía a cuatro supermercados en su ciudad de origen. Pero con el paso del tiempo fue creciendo y hoy en día es una marca de primer nivel con gran penetración en el mercado y con diferentes gamas dirigidas a Horeca, canal distribución e incluso una línea gourmet que vende directamente a cliente final en su propio ecommerce.

La gerencia de la empresa tiene una visión y conocimiento histórico de algunos de los clientes que los han acompañado desde el principio, pero con el paso de los años han ido incrementado su equipo comercial y el número de clientes ha crecido exponencialmente. Así las cosas, ¿puede esta empresa “presumir” de conocer a sus clientes, a todos sus clientes? Difícil pregunta y más difícil aún la respuesta. En el CRM estará mucha de la información de la actividad de cada cliente, pero después de tantos años, ¿qué tiene que hacer una persona que se incorpora nueva y le asignan un grupo de clientes? ¿Tendrá que revisar toda la información acumulada en el CRM para aproximarse a “conocer” a cada cliente?

Pues aquí aparece un primer concepto muy importante: Está muy bien almacenar grandes volúmenes de información en nuestro CRM pero no como fin en sí mismo sino como punto de partida para convertir toda esa información en conocimiento de cliente. Para ello tendremos que aplicar algoritmos capaces de rastrear y analizar toda esa información y tratarla de forma automática para ofrecernos una visión que nos sitúe de forma rápida en un punto de partida óptimo para conocer a nuestro cliente. Evidentemente, en el sistema CRM están todos los detalles si queremos profundizar en algún aspecto concreto.

Del conocimiento al conocimiento accionable.

El conocimiento accionable

Al igual que en el punto anterior, este concepto también es fácil de explicar y entender pero, sin embargo, es difícil y complejo en muchas ocasiones llevarlo a la práctica. Para explicarlo, partamos del punto en el que quedó el ejemplo anterior.

La cuestión es que gracias al sistema CRM hemos conseguido tener de una forma sencilla y eficiente un conocimiento de nuestros clientes, es decir, cuando accedemos al sistema CRM éste nos ofrece de forma automática una visión resumida que nos sitúa y nos pone en contexto de forma rápida en quién y cómo es el cliente que tenemos delante. Hasta aquí, todo bien.

Pero, ¿y si el propio sistema nos permitiera de forma automática poder accionar a partir del conocimiento del cliente? Porque indudablemente está muy bien conocer a nuestros clientes y es el punto de partida básico para que nuestra empresa funcione bien, pero sin embargo esto no es suficiente en sí mismo para garantizar la fidelidad y permanencia de nuestros clientes.

Pongamos un ejemplo para entender esto mejor. Imaginemos que un cliente importante, una cadena de 25 supermercados que tiene un volumen de compra regular importante (y que después de los años se gestiona automáticamente, sin la intervención de nadie de ventas, salvo que haya modificaciones puntuales) ha planteado dos quejas/reclamaciones en el área de atención al cliente (una porque un pedido llegó tarde y tuvo desabastecimiento y otra porque la última factura era errónea). Salvo que el comercial encargado de este cliente esté mirando permanente si hay alguna incidencia abierta, cosa que no suele ocurrir, lo más lógico es que no se entere. Sin embargo, en el otro lado, el cliente, además de las explicaciones que le están dando desde el área de atención al cliente, en el fondo, está esperando alguna “atención” especial desde el área comercial. Y es aquí donde aparece el concepto de conocimiento accionable. Nuestro sistema CRM tiene clasificado a este cliente como categoría A2 (más de n años de antigüedad, más de x volumen de compra recurrente, determinada forma de pago) y ahora ve que hay dos incidencias abiertas. Más allá de un automatismo básico que informe al comercial encargado de la entrada de las incidencias, el sistema podría contar con automatismos para ofrecer, de forma autónoma, un descuento en la siguiente factura, un determinado volumen de producto gratis o cualquier otra acción que seguro que el cliente va a agradecer pero, sobre todo, va a contribuir a hacerle sentirse importante y bien tratado por nuestra compañía lo que va a aumentar su sentido de pertenencia y fidelidad con la marca.

¿Puede mi CRM darme todo el conocimiento que quiero de mis clientes?

Siguiendo con el ejemplo anterior, vamos a necesitar exprimir mucho nuestro CRM para poder tener todo el conocimiento necesario de nuestros clientes. Y el CRM nos podrá ofrecer una parte de la información que necesitamos a través del módulo de informes, pero sin embargo se va a quedar corto o muy corto cuando queremos aplicar estrategias de segmentación y clusterización avanzadas que nos permitan identificar arquetipos de clientes y buyer persona.

Y es aquí donde aparece artyco como una de las empresas más importantes del sector del Business Intelligence (BI). En artyco somos expertos en la utilización de las principales herramientas de BI del mercado, como por ejemplo Power BI, Tableau y Looker. Estas herramientas son el complemento perfecto de los CRM para poder definir y ejecutar las estrategias de segmentación y clusterización que indicábamos en el párrafo anterior.

Creación de modelo relacional, inteligencia y mining y perfilado del consumidor digital para Mahou San Miguel

artyco ha creado, mantiene y explota todo el ecosistema digital de perfilado de clientes B2C de Mahou San Miguel. Puedes ver toda la información en Caso de éxito de Mahou-San Miguel

AUTOR: José María López, Sales Manager | artyco the data driven company

Emilio Fernández Lastra

Chief Marketing Officer

“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?

Si, quiero

+34 916 404 150

Únete

Política de Calidad y Seguridad - Política de Privacidad y Cookies

Política de Calidad y Seguridad

Política de Privacidad y Cookies

Los 6 algoritmos de Clustering que todo Data Scientist debe conocer

por Emilio Fernández Lastra | Jun 7, 2022 | Business Intelligence (BI), CDA

Los 6 algoritmos de Clustering que todo Data Scientist debe conocer

La economía digital actual nos está llevando a ofrecer productos y servicios, así como comunicaciones, cada vez más personalizadas, en lo que se ha venido a llamar como la hiperpersonalización. Para poder lograr esto, es necesario conocer bien a los clientes, y lo que es más importante, agruparlos por características comunes. Aquí, entra en juego lo que se llama clusterización, vital para poder desarrollar un marketing efectivo. En este post, te vamos a contar qué es un cluster y cuáles son los cinco principales algoritmos que se utilizan para realizarlos. Te va a interesar.

Tanto si te dedicas a la ciencia de datos, como si no, es importante conocer qué algoritmos se utilizan a la hora de crear esos clusters que van a permitir a la empresa, poder agrupar a sus clientes para lograr comunicarse con ellos de manera más personalizada.

Pero antes, es necesario que sepas que clustering o análisis de grupos o agrupamiento, consiste en reunir objetos o personas por similitud, en grupos o conjuntos de manera que los miembros que lo componen tengan características comunes entre sí y los grupos sean lo más diferenciados.

Para hacerlo, se utilizan lo que se llama, algoritmos de agrupamiento. Estos, son un procedimiento de agrupación de una serie de vectores de acuerdo con un criterio, que por lo general son la distancia y la similitud.

En Data Science, se utiliza el análisis de agrupamiento para obtener información valiosa de nuestros datos, y ver en qué grupos caen los puntos de datos cuando aplicamos un algoritmo de agrupamiento.

Vamos a ver los algoritmos más populares, así como sus ventajas y sus desventajas. Vamos a ello.

#1. K-Means Clustering

Puede que este sea el algoritmo de agrupación más conocido, ya que es el que primero se enseña en las clases de introducción a la ciencia de datos y en machine learning, además, es muy fácil de implementar.

Algoritmo K-Means clustering

K-means tiene la ventaja de que es bastante rápido, ya que se realizan muy pocos cálculos. Sin embargo, tiene un par de desventajas.

La primera de ellas es, que debes seleccionar cuántos grupos/clases hay. Esto no siempre es trivial e, idealmente, con un algoritmo de agrupamiento, nos gustaría que este los descifrara por nosotros. Otra desventaja podría ser que, K-means comienza con una elección aleatoria de centros de conglomerados y, por lo tanto, puede generar diferentes resultados de conglomerados en diferentes ejecuciones del algoritmo. Por lo tanto, los resultados pueden no ser repetibles y carecer de consistencia. Otros métodos de clusterización son más consistentes.

#2. K-Nearest Neighbours

El algoritmo de k-nearest neighbours, también conocido como KNN o k-NN, es un clasificador de aprendizaje supervisado no paramétrico, que utiliza la proximidad para hacer clasificaciones o predicciones sobre la agrupación de un punto de datos individual. Aunque puede utilizarse tanto para problemas de regresión como de clasificación, normalmente se utiliza como algoritmo de clasificación, partiendo de la base de que se pueden encontrar puntos similares cerca unos de otros.

La principal desventaja de este algoritmo es el incremento de los tiempos de cálculo a medida que aumenta el número de ejemplos y/o predictores. Actualmente, no es un problema grave dada la mejora de recursos de computación existentes.

#3. Mean-Shift Clustering

Este es un algoritmo basado en una ventana deslizante que intenta encontrar áreas densas de puntos de datos. Es un algoritmo basado en el centroide, lo que significa que el objetivo es ubicar los puntos centrales de cada grupo/clase. Funciona actualizando los candidatos para que los puntos centrales sean la media de los puntos dentro de la ventana deslizante. Estas ventanas candidatas luego se filtran en una etapa de pos-procesamiento para eliminar prácticamente todos los duplicados, formando el conjunto final de puntos centrales y sus grupos correspondientes.

Algoritmo Mean Shift Clustering

A diferencia del agrupamiento de K-means, no es necesario seleccionar el número de clusters, ya que el desplazamiento de la media lo descubre automáticamente. Esa es una gran ventaja. El hecho de que los centros de los cúmulos converjan hacia los puntos de máxima densidad también es bastante deseable, ya que es bastante intuitivo de entender y encaja bien en un sentido natural basado en datos. El inconveniente es que la selección del tamaño de ventana/radio “r” puede no ser trivial.

#4. Clustering espacial basado en la densidad de aplicaciones con ruido (DBSCAN)

DBSCAN es un algoritmo agrupado basado en la densidad, similar al mean-shift, pero con un par de ventajas notables.

En primer lugar, no requiere una cantidad determinada de clústeres en absoluto. También identifica los valores atípicos como ruidos, a diferencia del cambio de media, que simplemente los arroja a un grupo incluso si el punto de datos es muy diferente. Además, puede encontrar clústeres de tamaño y forma arbitrarios bastante bien.

El principal inconveniente de DBSCAN es que no funciona tan bien como otros cuando los grupos tienen una densidad variable. Esto se debe a que la configuración del umbral de distancia ε y minPoints para identificar los puntos de vecindad variará de un grupo a otro cuando la densidad varía.

Algoritmo de clustering DBSCAN

#5. EM (Expectation-Maximization) Clustering, usando una mezcla de modelos gausianos.

El algoritmo K-Means es quizás el más utilizado, sin embargo, hay ciertas distribuciones de los datos, sobre los que este algoritmo no es tan eficaz, ya que funciona sobre agrupaciones circulares.

Por ejemplo, en estos casos como el que adjunto, K-Means no puede manejarlo, ya que los valores medios de los grupos están muy juntos. K-Means también falla en los casos en que los clusters no son circulares, nuevamente como resultado de usar la media como centro del cluster.

Algoritmo EM gausiano clustering

Estos modelos de mezcla gausiana, nos ofrecen una mayor flexibilidad que los K-means. Con estos, tenemos dos parámetros para describir la forma de los grupos. De esta manera, los grupos pueden tomar cualquier tipo de forma elíptica.

Este tipo de modelos tiene principalmente 2 ventajas: son mucho más flexibles en términos de covarianza de clúster que K-Means; y que, debido al parámetro de desviación estándar, los grupos pueden adoptar cualquier forma de elipse, en lugar de estar restringidos a círculos, como es el caso de los K-means.

#6. Cluster por jerarquías.

Los algoritmos de agrupamiento jerárquico se dividen en 2 categorías: de arriba hacia abajo o de abajo hacia arriba.

Los algoritmos de abajo hacia arriba tratan cada punto de datos como un único grupo desde el principio y luego fusionan (o aglomeran) sucesivamente pares de grupos hasta que todos los grupos se fusionan en un solo grupo que contiene todos los puntos de datos. Por lo tanto, el agrupamiento jerárquico de abajo hacia arriba se denomina agrupamiento aglomerativo jerárquico o HAC (hierarchical agglomerative clustering). Esta jerarquía de conglomerados se representa como un árbol (o dendrograma). La raíz del árbol es el único racimo que reúne todas las muestras, siendo las hojas los racimos con una sola muestra.

Algoritmo por jerarquías clustering

El agrupamiento jerárquico no requiere que especifiquemos el número de clústeres e incluso podemos seleccionar qué número de clústeres se ve mejor ya que estamos construyendo un árbol. Además, el algoritmo no es sensible a la elección de la métrica de distancia; todos tienden a funcionar igual de bien, mientras que con otros algoritmos de agrupamiento, la elección de la métrica de distancia es crítica. Un caso de uso particularmente bueno de los métodos de agrupación en clústeres jerárquicos es cuando los datos subyacentes tienen una estructura jerárquica y desea recuperar la jerarquía; otros algoritmos de agrupamiento no pueden hacer esto. Estas ventajas del agrupamiento jerárquico tienen el costo de una menor eficiencia, ya que tiene una complejidad temporal de O(n³), a diferencia de la complejidad lineal de K-Means y GMM.

Como ves, existen un gran número de algoritmos de agrupación, los cuales funcionarán mejor o peor en base a tus datos o tus objetivos, por poner un ejemplo. Para tener éxito, es necesario disponer del talento dentro de tu compañía, el cual sea capaz de crear la clusterización adecuada a tus necesidades. ¿Te ayudamos?