Business Intelligence Archivos - artyco | the data driven company
91 640 41 50 hola@artyco.com
Cómo elegir las herramientas de datos adecuadas: 5 pasos.

Cómo elegir las herramientas de datos adecuadas: 5 pasos.

Cómo elegir las herramientas de datos adecuadas: 5 pasos.

La tecnología es útil hoy día en multitud de áreas, entre ellas en la del dato, a través de la cual podemos manejar esa gran cantidad de información. Algo que sin ella sería totalmente imposible. Todas las empresas son conscientes de la importancia que tienen esos datos para poder ser negocios más precisos y eficientes, y por tanto, son también conscientes de lo crítico que es la elección de la tecnología adecuada para conseguir el éxito. En este post te cuento cómo elegir esas herramientas de datos, a través de 5 pasos. ¿Vamos a ello?

El aumento en el uso de la inteligencia artificial (IA) está trayendo una nueva ola de datos a las empresas, de volúmenes extremadamente grandes. Todos estos datos son muy útiles para los negocios, pero muchas compañías no saben cómo interpretar o analizar cantidades tan grandes de información.

El uso y la gestión eficaz de los datos, así como el análisis, son fundamentales para mantener a las empresas activas hasta el 2025, según un informe de NTT Data y Oxford Economics. La mayoría de los 500 ejecutivos encuestados estuvieron de acuerdo en que los datos eran necesarios para el desempeño financiero, el crecimiento, la experiencia del cliente, la experiencia del empleado y la competitividad general en la industria de una organización, según el informe.

Uno de los mayores desafíos en el análisis de datos, sin embargo, es averiguar qué herramientas analíticas utilizar. Y es que, a medida que se lanzan nuevas herramientas analíticas, las empresas tienen mayores dificultades para decidir cuál es la mejor opción para ellos. Además, hay que tener en cuenta que es muy importante que todos los equipos de una empresa usen las mismas herramientas de datos. Otro factor fundamental, es la supervisión de esas herramientas. Sin ninguna supervisión o estandarización en las herramientas analíticas, las empresas se desarticularían y los datos no se utilizarían. Por tanto, introduce la supervisión del uso de las herramientas de datos, una vez implantadas. Algo que muy pocas compañías ponen en práctica hoy día.

Muchas veces caemos en el error de centrarnos en la materia prima, es decir, el dato. Buscamos fuentes de datos, lugares donde almacenarlos, gestionarlos…, pero perdemos de vista la tecnología que pueda transformar esa materia prima en algo de valor. En este caso, transformar el dato y la información, en conocimiento para las personas.

Es en este espacio en donde la tecnología cobra importancia, siendo un medio para facilitar a los expertos en analítica, su proceso hasta convertir esa información en un verdadero activo de valor de negocio para la compañía.

Pero la dificultad también llega a la hora de poder decidir la herramienta más adecuada para unas necesidades concretas, una industria exacta o una compañía con unas especificaciones “x”. Es por eso lo importante que es crear una metodología acertada que te ayude a seleccionar de manera exitosa la herramienta más adecuada.

Estos pasos que te presento no son invención mía, ni invención de artyco. Son una metodología desarrollada por dos expertos norteamericanos llamados Levy y Wells, quienes se reunieron con un gran número de líderes empresariales, a los que les preguntaron acerca de sus necesidades de negocio. Tras ello, les llevó un tiempo crear un proceso que los ejecutivos pudieran entender, con datos empíricos para respaldar estas decisiones. Ambos querían crear una metodología que se pudiera utilizar en varias situaciones diferentes, con diferentes organizaciones, para diferentes propósitos. Y surgió esto.

Los 5 pasos para elegir las herramientas de análisis de datos adecuadas de Levy y Wells.

Levy y Wells dedicaron muchas horas, entrevistas y prototipos hasta que crearon estos cinco pasos. Fundamentales para poder decidir con éxito un elemento tan crítico para una empresa como es la herramienta de análisis de datos que aportará conocimiento a los científicos de datos a la hora de sacar conclusiones. Los 5 pasos son estos:

#1. Investigación y descubrimiento

Antes de nada, se debe determinar el estado actual de la implementación de herramientas analíticas y las capacidades analíticas dentro de la empresa. Para hacerlo, se deben realizar entrevistas en profundidad con las partes interesadas clave, incluidos los desarrolladores de Business Intelligence, los administradores y los ejecutivos de IT. Esencialmente, se debe entrevistar a las personas que usarán y se beneficiarán de las herramientas analíticas.

Estas entrevistas, ayudan a comprender los detalles de quiénes usan esas herramientas, qué están usando, cuáles son las que utilizan en ese momento para desarrollar su trabajo, qué no les permiten hacer esas herramientas de datos y si están siendo utilizadas correctamente. ¿Se están utilizando estas herramientas al máximo de sus capacidades? ¿Tienen los conocimientos internos necesarios para aprovechar al máximo su cartera de software?

2. Panorama del estado actual

El segundo paso implica hacer un inventario de las herramientas analíticas actuales del mercado y separarlas en diferentes clases. Estas clases de herramientas incluyen redactores de informes, herramientas de informes de capa semántica, herramientas de consulta MDX / Cube, herramientas de visualización y descubrimiento de datos, herramientas de informes y BI integradas, herramientas de modelado y ciencia de datos, así como herramientas basadas en casos de uso de aprendizaje automático e inteligencia artificial.

¿A dónde se dirige la próxima ola? ¿Cómo es el panorama en términos de los diversos proveedores y las herramientas de datos que ofrecen? Y según las necesidades que encontraste en el primer paso, vas detectando qué herramienta podría funcionar.

3. Árbol de capacidades

El tercer paso utiliza un árbol de capacidades para comparar los resultados del paso uno y el paso dos, de modo que se mira las clasificaciones del inventario actual de la empresa con el inventario del mercado en general.

El árbol de capacidades es útil porque las empresas pueden ver las áreas en las que les está yendo bien o en las que tienen carencias, según las herramientas de datos que son importantes en el mercado.

4. Matriz de decisiones

La matriz de decisión es dónde para cada una de estas clases o conjuntos de herramientas, o si se está haciendo una selección de proveedor específico, para cada uno de estos proveedores, se ingresa y se califica las diversas capacidades. La puntuación se basará en las necesidades de la empresa, dando más peso a las capacidades más importantes para el negocio.

Por ejemplo, ciencia de datos. Se sabe por experiencia que una herramienta de ciencia de datos es realmente buena para la creación de algoritmos avanzados, pero quizás no tan buena para mostrar cuadros de mando. Se puede utilizar la experiencia de cada uno para calificar las distintas clases según las capacidades que se definieron.

5. Herramienta de decisión

Finalmente, la empresa utiliza una herramienta de decisión para hacer coincidir la mejor herramienta con cada capacidad empresarial.

Una herramienta de decisión es una combinación del árbol de capacidades y la matriz de decisiones, en el sentido de que se sopesa cada una de las capacidades de acuerdo con lo que es más importante para la compañía o para cualquier proyecto en particular que se esté emprendiendo. Lo que se debe de hacer es sopesar las diversas capacidades, y la herramienta de decisión debería arrojar la puntuación ponderada de todas estas capacidades, diciéndote cuál es la herramienta adecuada.

Independientemente de estos pasos, los directivos de la empresa deben dedicar mucho tiempo a estudiar su propia empresa y averiguar dónde se necesita más ayuda. Ninguna de las herramientas de datos será útil si ninguna de ellas resuelve las brechas y los problemas reales dentro de la organización.
En artyco disponemos de un equipo de profesionales expertos en MarTech y aplicaciones para Business Intelligence, el cual recogemos en lo que denominamos como IPS (Infrastructure, Platform & Software), abordando las necesidades de nuestros clientes en cuanto a gestión y analítica de datos, de cara a implantarles la herramienta más adecuada a sus necesidades. ¿Hablamos?

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 leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

hola@artyco.com

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Qué son los KPI inteligentes

Qué son los KPI inteligentes

Qué son los KPI inteligentes

Los indicadores clave de rendimiento o KPI son un elemento fundamental en toda organización, para conocer si se han logrado los objetivos acordados, así como para la toma de decisiones. En una compañía data driven, las personas, los procesos y la tecnología se organizan en torno a unas métricas y a estos KPI. Sin embargo, estos KPI tal y como los conocíamos están evolucionando. Por ello, en este tipo de empresas, las prioridades de datos y analíticas, así como la autoridad de la toma de decisiones, se están redefiniendo a lo que ahora se llaman KPI inteligentes. ¿Quieres saber lo que son? En este post te lo cuento a través de un ejemplo. ¿Te van los datos? Entonces te va este post.

Si estás leyendo este post, es porque perteneces a una empresa sofisticada o estás en proceso de convertir tu negocio en uno en el que los datos no son un elemento más, sino una herramienta con la que mejorar y optimizar procesos, ventas y beneficios.

Con la llegada de la tecnología y su aprovechamiento por parte de la inteligencia artificial, muchos procesos y herramientas de management que teníamos asumidas se han visto revueltas, renaciendo versiones 2.0 de muchas de ellas. Este es el caso del KPI.

Todos sabemos qué es un KPI, ¿quién no los usa a menudo en su negocio? Sin embargo, seguramente tal y como los estás usando en tu empresa ahora mismo, no es la manera que se usará en el futuro más próximo. Por qué no decirlo… en la manera en la que se está usando hoy día en las empresas más punteras tecnológicamente y empresas data driven.

Esta nueva manera de utilizar el KPI, es lo que se denomina como KPI inteligente. No, no lo busques en Internet, ya que no encontrarás apenas referencias a este concepto, ya que es un término extremadamente novedoso, el cual, si lo aprovechas ahora mismo, es decir, a partir de hoy, podrás adelantarte decisivamente a tu competencia.

Un KPI inteligente es ir al segundo nivel, pasar a ese ‘next level’ al que toda empresa quiere llegar.

¿Quieres saber qué es un KPI inteligente? Vamos a por ello.

Habitualmente, los KPI se utilizan como medida de control de objetivos relevantes para el negocio. Un KPI inteligente, sin embargo, en un entorno de trabajo de Big Data e Inteligencia Artificial, no se queda en el simple hecho de ayudar a entender a posteriori qué ha sucedido. Un KPI inteligente te ayuda a predecir para prevenir proactivamente.

Por tanto, podríamos decir que una empresa que comience a utilizar KPI inteligentes pasaría de ser una compañía reactiva a otra muy diferente: una empresa proactiva. ¿Verdad que te gusta?

Sin embargo, conseguir esto no es nada fácil. Para lograr un KPI más anticipatorio y prescriptivo se necesita que este “aprenda” de él mismo. Para ello es necesario formar una maquinaria de Data Management que permita a la organización llevar a cabo este proyecto.

Dentro del Data Management, el gobierno del dato se convierte en un elemento fundamental para el éxito, así como la arquitectura del dato sobre el que se soportará toda la información necesaria.

Vamos a ver un ejemplo claro de cómo conseguir un KPI inteligente. En este caso con la tasa de abandono. Vamos allá

 

Cómo convertir la tasa de abandono en un KPI inteligente

Tasa de abandono como KPI inteligente

Muchas veces en otros posts relacionados he escrito que, el coste aproximado de adquirir nuevos clientes puede resultar entre cinco y veinticinco veces más caro que mantener los actuales.

En base a este dato, se establece el objetivo vital para muchas organizaciones, de aumentar la retención de sus clientes o reducir al mínimo la tasa de abandono.

Esta retención de clientes es crítica para cualquier negocio, si quiere garantizar la rentabilidad del mismo. Sin embargo, son las empresas de suscripción SaaS, financieras o de telecomunicaciones las que son especialmente sensibles a ello, siendo una prioridad estratégica reducir esa tasa de abandono.

Vamos a ver cómo empezamos… Lo primero de todo es comenzar con el gobierno de los datos. Este es realmente clave, ya que debemos distinguir entre la supuesta tasa de cancelación de clientes, o cuando un cliente deja de interactuar con la marca, y la tasa de cancelación de clientes absoluta, es decir, cuando un cliente cierra una cuenta o deja de usar un servicio.

Como hemos hecho con esto, habría que hacerlo con otras tasas como la reactiva y la prospectiva, las cuales determinan si un cliente se ha perdido por una mala experiencia, un cargo inesperado, un mal servicio, etc. Todo esto es más complicado de predecir, no obstante, es necesario poder correlacionar las experiencias negativas de los clientes con la propensión a la tasa de cancelación de clientes. De este modo, conoceríamos cuál es el comportamiento gradual que lleva a un cliente a la deconexión definitiva con la marca.

A través de analítica, de este modo, se podrían identificar diferentes grupos y segmentos que representen un mayor riesgo de fuga y así poder invertir en acciones sobre ellos.

Es habitual en estos casos, una vez tenemos una tasa de cancelación de clientes predictiva, alinearla con el KPI de CLV (Customer Lifetime Value), ya que suele ser necesario incorporar el valor de los ingresos a largo plazo y el potencial de ganancias que ese cliente aportaría.

Con esta incorporación, conseguimos alinear la urgencia del conocimiento circunstancial con la aspiración estratégica a largo plazo.

Para lograr esto, entra en juego otro elemento de Data Management que es imprescindible: la arquitectura de datos. Estos procesos de arquitectura de datos nos ayudan a conectar digitalmente el KPI, los datos, y la toma de decisiones estratégicas. Empresas como Amazon, Google o Netflix tienen esto muy claro, utilizándolo en su día a día, gracias a la gran digitalización de su negocio.

Gracias a esa arquitectura del dato y el gobierno de los mismos (si quieres saber más sobre ello, te invito a leer el post que escribí sobre: “Qué es el Data Governance”) se logra convertir los datos en un recurso estratégico.

 

La importancia del Data Governance para generar KPI inteligentes y decisiones automatizadas

El Data Governance en los KPI inteligentes

Si has leído hasta aquí, te habrás dado cuenta de que el gobierno correcto de los datos es fundamental para poder manejar de una manera óptima un KPI inteligente, ya que este es un importante medio para facilitar el KPI final.

El gobierno de datos amplía y recoge los análisis. En otras palabras, la finalidad y calidad de los análisis (sean regresiones crudas o clasificaciones de los tipos de aprendizaje profundo más sofisticados) dependen de la calidad, la cantidad, la exactitud y el origen de los datos, entre otros factores.

Y es que, cuando disponemos de un Data Governance correcto, y funcionamos con KPI inteligentes, los cuales son dinámicos, debemos pensar en una toma de decisiones que vaya a la misma velocidad que los KPI, es decir, una toma de decisiones automatizada, a través de máquinas. Te explico un poco a qué me refiero.

Una vez entras en la Era del KPI inteligente, debes poner la mente si o si en la toma de decisiones automatizada, es decir, aspirar a optimizar los KPI otorgando derechos de decisión a los algoritmos basados en datos que, técnicamente, aprenden más rápido, mejor, más barato y con más escalabilidad que cualquier ser humano.

Es más, una toma de decisión genera a su vez más datos, cambiando de nuevo la forma de medir el rendimiento. Todo ello en un ciclo infinito y cada vez más ágil.

Volviendo al caso de ejemplo anterior de la tasa de abandono, podremos definir cuándo realizamos una acción de manera automatizada y cuando a través del factor humano, en función de los resultados que nos de ese KPI inteligente. Por ejemplo, para perfiles de alto valor potencial, se pueden personalizar de una manera más dedicada de como lo podría hacer una máquina, algo que no haríamos en el caso de un perfil de valor más bajo.

 

Como ves, el dato, la tecnología y la inteligencia artificial están generando nuevas maneras de entender los procesos de negocio. Lo que ahora mismo suena complicado, en unos pocos años estará perfectamente asumido por cualquier empresa que quiera liderar su mercado, siendo necesario contar con un socio estratégico y operativo que permita afrontar los retos del dato y las decisiones basadas en información o data driven.

Si estás buscando dar ese salto, te invitamos a que te pongas en contacto con nosotros y llevarte hacia el mundo data driven.

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 leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

hola@artyco.com

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Qué es la analítica aumentada y por qué deberías comenzar a utilizarla

Qué es la analítica aumentada y por qué deberías comenzar a utilizarla

Qué es la analítica aumentada y por qué deberías comenzar a utilizarla

El término de analítica aumentada surgió a raíz del informe anual Hype Cycle de la empresa de estudios de mercado Gartner, en 2017. A partir de entonces, en el ámbito del Business Intelligence no se ha dejado de hablar sobre ello, sin embargo, no ha trascendido demasiado, ¿por qué? En este post quiero contarte qué es la analítica aumentada, por qué la llaman “el futuro del análisis de datos”, qué ventajas tiene, y por qué deberías de comenzar a utilizarla. ¿Te interesa? Vamos a ello.

La analítica aumentada o Augmented Analytics, lo define Gartner en su documento Magic Quadrant for Analytics and Business Intelligence Platforms como “un paradigma que incluye consultas de lenguaje natural y narrativo, preparación aumentada de datos, análisis avanzado automatizado y capacidades de descubrimiento de datos visuales”. En ese mismo documento, inciden en la importancia que tendrá la Analítica Aumentada en el 2020, actuando como impulsor del Business Intelligence, el Data Science y el Machine Learning.

 

Gráfico Hype Cycle 2017 de Gartner

Gartner Hype-Cycle for emerging technologies, 2017

 

Quizás, todo esto te pueda sonar a chino… o no. En ambos casos, sólo te puedo decir que la analítica aumentada no aporta ninguna novedad. Lo realmente innovador es la vuelta de tuerca que le da en cuanto a la extracción de conocimiento de las diferentes fuentes de datos que posee un negocio. Esta vuelta de tuerca se sustenta bajo estos 3 pilares:

  • La Inteligencia Artificial (IA). Te recomiendo que eches un vistazo el post que escribí sobre “Cómo hacer Customer Intelligence con Inteligencia Artificial” para que puedas tener una visión más amplia de su utilización a día de hoy en Business Intelligence.
  • El Machine Learning. Es decir, un método de análisis de datos que automatiza la construcción de modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que los sistemas pueden aprender de datos, identificar patrones y tomar decisiones con mínima intervención humana.
  • El Procesamiento de Lenguaje Natural (NLP). Es decir, un campo de conocimiento de la Inteligencia Artificial el cual se encarga de investigar la manera de comunicarse las máquinas con las personas a partir de lenguas naturales, como el español, el inglés o el francés.

La importancia real de este enfoque radica en que la combinación de estas 3 ramas de la analítica, posibilitan la extracción de información de forma automatizada. Pero lo mejor de todo, es que puede realizarse sin necesidad de disponer de unos grandes conocimientos técnicos. La introducción del NPL, hace que cualquier consulta sea tan sencilla como preguntar a Siri o Alexa qué tiempo va a hacer mañana.

Hasta ahora, existe una gran variedad de sistemas que permiten recoger datos, normalizarlos y analizarlos. La gran diferencia está en que hasta este momento, sólo las grandes empresas o aquellas especializadas en el dato, disponían del personal y las herramientas necesarias.

Este tipo de analítica va a suponer, por tanto, la introducción a la analítica avanzada para empresas que no pueden disponer hoy día de un equipo completo de científicos de datos, debido al alto coste y la dificultad de encontrar profesionales adecuados. Empresas de tamaño medio que no puedan permitirse soluciones y desarrollos a medida, así como grandes empresas con la necesidad de poner en valor sus datos en tiempo récord, van a obtener en la analítica aumentada un socio perfecto.

Con la Analítica Aumentada se lograría, por tanto, la democratización del dato, pero sobre todo, la democratización de la conversión de los conocimientos que ofrecen los datos, en insights, algo muy valorado por cualquier departamento de negocio y de marketing de cualquier empresa.

En estos momentos, la herramienta más conocida y la que más está trabajando en analítica aumentada, es IBM Watson Analytics, aunque ya hay otras trabajando en el mismo sentido. Tableau Insights y Qlik Sense son otras herramientas que están apostando por ello. No obstante, se tiene previsto que conforme avance la Inteligencia Artificial habrá más players en el mercado de plataformas.

 

Ventajas de la Analítica Aumentada

Ventajas de la analítica aumentada

Como podrás suponer, la Analítica Aumentada te ofrece unas ventajas muy directas relacionadas, sobre todo, con la accesibilidad del dato a todo tipo de empresas y tamaños. Las principales ventajas serían estas:

  1. Cualquier usuario de analítica aumentada, con un mínimo de conocimiento sobre cómo funciona y qué aporta, podrá obtener relaciones e insigths de valor, procedentes de los datos almacenados por la compañía. A diferencia de quienes no la utilicen, que tendrán que optar por acudir a profesionales especializados en ciencia de datos con perfiles muy técnicos.
  2. La Analítica aumentada permite disponer de cuadros de mando de manera automática y comprensible, así como de enfoques descriptivos y predictivos con la misma sencillez.
  3. Esta es especialmente potente en la elaboración de predicción de tasas de abandono de clientes, análisis de resultados empresariales, detección de anomalías en las cuentas de la empresa, identificación de fraudes, creación e identificación de patrones de consumo, y en definitiva, en la mejora en el conocimiento del cliente.
  4. A la hora de realizar consultas, ya no será necesario utilizar lenguaje SQL, tal y como se viene haciendo. Gracias al PLN (Procesamiento de lenguaje natural), sólo con decir “Muéstrame la variación de gastos por línea de negocio en el último año” será suficiente para obtener el resultado de la consulta. Facilitando tremendamente el trabajo para “No Data Scientists”.

Después de ver las principales ventajas que supone la analítica aumentada, quiero convencerte aún más con las principales razones por las que tu empresa debería comenzar a utilizarla.

 

Razones para comenzar a utilizar ya la Analítica Aumentada

Puesta en Marcha de la Analítica Aumentada

Si has intentado abordar un proyecto de Business Intelligence en tu negocio, te habrás dado cuenta que el mayor problema es lo costoso que es ponerlo en marcha, si no hablamos de la dificultad de encontrar perfiles adecuados a ese trabajo.

El tiempo de implantación también es una barrera importante. Y una vez implantado, mucho trabajo es manual, entrando en juego la posibilidad del error humano. Además, al ser realizado por personas, puedes cometer el riesgo de que el resultado final esté sesgado.

Con la analítica aumentada, en cambio:

  • Los análisis y las predicciones que se realicen serán totalmente imparciales, obteniendo, además, un resultado preciso.
  • Este tipo de analítica ofrece una gran variedad de automatizaciones, agilizando por tanto cualquier proceso de recogida, extracción y análisis de datos.
  • Una compañía con un equipo de Business Intelligence, está continuamente analizando los datos que genera la compañía. Sin embargo, mucha de esta data no proporciona información de valor que pueda contribuir a los ingresos o a un retorno de inversión de la compañía. Además, el porcentaje de datos que es analizado, es una mínima cantidad de datos de todo lo que generan diariamente las compañías. Con la analítica aumentada los especialistas pueden abarcar mucho más, ofreciendo más y mejores insights.
  • En definitiva, todas estas ventajas para tu empresa se traducen en que la toma de decisiones tiene un coste menor.

 

Con esta técnica, las empresas podrán disponer de información más confiable, más variada, más puntual y más útil para sus estrategias de negocio.

En Artyco llevamos años ayudando a nuestros clientes en el campo del Business Intelligence, a través de nuestro equipo de Data Scientists, Marketing Intelligence y Data Analists, pero también a través de soluciones tecnológicas que propicien la generación de insigthts verdaderamente útiles para los negocios de nuestros clientes. ¿Hablamos?

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 leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

hola@artyco.com

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Qué es 1st Party Data y qué ventajas aporta a tu estrategia de marketing

Qué es 1st Party Data y qué ventajas aporta a tu estrategia de marketing

Qué es 1st Party Data y qué ventajas aporta a tu estrategia de marketing

First, second y third Party Data. Seguro que has oído hablar de cada una de ellas, pero ¿cuál es más importante para tu empresa? La Data puede venir de múltiples canales, así como en función de qué información sea, tener diferente influencia sobre tu estrategia. En este post, te cuento qué es el First Party Data, su diferencia con las otras dos y qué ventajas aporta a tu estrategia de marketing para convertirte en una Data-Driven-Marketing Company. ¿Te interesa? Vamos a por ello.

Se considera First Party Data a aquellos datos que la empresa obtiene de primera mano, es decir, aquella información que recopila a través de sus propias fuentes, como su página web, las redes sociales, el CRM, su servicio de contact center…

Esta información, generalmente incluye datos sobre los gustos de tus clientes, comportamiento con tu marca y con tu empresa en el entorno online, entre otros muchos. Estos son usuarios que en alguna ocasión han dejado sus datos a la marca para recibir algún tipo de información, pudiendo rastrear desde entonces la empresa, cuál es su comportamiento con ella, así como otras muchas cosas más.

La principal ventaja que tienen estos datos de primera parte, es que son gratuitos para la empresa, ya que no tiene que pagar a un tercero para obtenerlos.

Ahora que ya sabes que es el 1st Party Data, vamos a por las otras dos.

 

Qué son el Second y el Third Party Data.

2nd Party Data y 3rd Party Data

Una vez conocemos qué es el First Party Data, vamos a entender qué son el Second y el Third Party Data.

El 2nd Party Data o datos de segunda mano, es toda aquella información que es obtenida mediante intercambio con otra empresa. Normalmente, este intercambio de información suelen realizarla empresas complementarias, las cuales han llegado previamente a un acuerdo de intercambio para favorecer ambos negocios.

Por ejemplo, una web de ropa para recién nacidos podría compartir información con otra que vende productos de limpieza y cuidado de bebés.

Este tipo de información es un complemento perfecto para la información de primera mano o First Party Data, ya que te ayuda a ampliar tu audiencia, saliendo de la información que recoges por tus medios a través de usuarios y clientes que ya te conocen, enfocándote a nuevos consumidores, quienes te resultaría más complicado alcanzar de otra manera.

Si ves interesante este tipo de Data, debes de tener en cuenta la nueva normativa sobre la GDPR o RGPD (si no la conoces muy bien, te dejo este post sobre “7 Tips para que tu CRM cumpla con éxito la GDPR”) la cual indica que la única manera de poder compartir información sobre tus usuarios con terceros, es si el usuario ha expresado de manera activa su consentimiento a la empresa. Como te imaginarás, tras esto, es complicado encontrar buena información de segunda mano en Europa.

La 3rd Party Data, por el contrario, es toda aquella información obtenida a través de proveedores de datos externos. La principal ventaja que tienen estos datos, es que puedes adquirirlos a gran escala y ya segmentados, normalizados y testados. A través de ellos puedes conseguir una amplia cobertura en relación a tu público objetivo, pero ten en cuenta que tu competencia también tiene fácil acceso a ellos, habiéndolos utilizado ya probablemente. Si estos datos no disponen de “un tiempo de barbecho” entre campaña y campaña del mismo sector o afín, es probable que su eficacia no sea la esperada, bajando considerablemente la conversión.

Si quieres saber un poco más sobre este tipo de datos, y cómo se regulan en España, te recomiendo echar un vistazo a La Guía Legal Tratamiento de Datos de Terceros del IAB.

 

Cómo sacarle partido a tu First Party Data.

Cómo sacar partido al First Party Data

Tal y como ya sabes, el First Party Data o datos de primera mano, son aquellos que obtienes tú como empresa a través de tus canales de comunicación con los clientes, y los cuales recoges en un DMP o un Data Warehouse.

Tras la evolución del Marketing Digital de los últimos años, los datos se han convertido en uno de los principales activos de cualquier empresa, siendo uno de los objetivos de aquellas más punteras, convertirse en Data Driven Marketing Company, es decir, una empresa que toma sus decisiones de marketing en base a los datos que va recogiendo de sus clientes.

El uso de Internet, así como las compras online, hasta hoy nunca habían sido tan elevadas. Este hecho ha impulsado, junto con las nuevas tecnologías y el IoT, la adquisición de datos relevantes sobre el comportamiento de los consumidores. Para poder sacarle el mayor de los partidos a estos datos de primera mano, te recomiendo que hagas lo siguiente:

#1. Convierte la recopilación de datos, en un pilar básico en tu estrategia de marketing.

Cuantos más datos recojamos a través de nuestros diferentes activos, más información podremos sacar de nuestros clientes y del entorno por el que se mueve nuestra empresa. Ten en cuenta todos los canales a través de los cuales puedes obtener datos, y haz una estrategia de recogida y almacenamiento para cada uno de ellos. Algunos de los canales de donde puedes obtener más información pueden ser:

  • Tu página web.
  • Tus redes sociales.
  • Tu publicidad online.
  • Tu CRM.
  • Tus vendedores.
  • Tu servicio de atención al cliente.

Cuanta más información recojamos, mayores y mejores conclusiones obtendremos de cara a desarrollar mejores estrategias de marketing.

#2. No pierdas nunca de vista la GDPR.

Desde mayo de 2018 las empresas están obligadas a pedir el consentimiento expreso de los usuarios para ceder sus datos o a que sean utilizados para campañas de marketing. Este hecho ha limitado mucho el margen de actuación respecto a los datos, por parte de las empresas. De ahora en adelante, ten en cuenta este hecho y no olvides incorporar en cada canal en el que vayas a recoger información, el aviso legal para que los usuarios expresen su consentimiento o denegación.

#3. Centraliza la información en un mismo contenedor.

Para que todos esos datos tengan sentido y puedas sacar provecho de ellos, es necesario que los tengas recogidos en una misma plataforma o (Data Warehouse Data Lake, …), la cual te permita agrupar tanto datos estructurados como no estructurados. Gracias a este recipiente, podrás hacer las consultas necesarias de cara a sacar conclusiones sobre tus consumidores, y así tomar decisiones Data Driven Marketing.

#4. Pon en marcha la maquinaria del Business Intelligence.

Los datos sin alguien detrás que sepa sacarlos, analizarlos e interpretarlos, no sirven de nada. Puedes haber realizado muy bien tu trabajo a la hora de captación de datos de primera mano y almacenamiento, pero si no sabes qué hacer con ese Big Data, toda esa labor no valdrá para nada.

Para poder sacar conclusiones, crear clusteres, segmentos y crear modelos predictivos que te ayuden a tomar mejores decisiones de marketing, y crear campañas más efectivas, es necesaria una capa de business intelligence.

 

Como ves, los datos de primera mano son muy útiles, pero necesitan de un proceso planificado y una metodología de trabajo. Si piensas que quizás conllevan muchos recursos y que no merece la pena, a continuación, te cuento por qué debes cambiar de opinión.

 

Principales ventajas del 1st Party Data

Ventajas del First Party Data

Los beneficios que generan los datos de primera mano son muchos. A continuación, te cuento los más relevantes. Son estos:

  1. La recopilación de una gran cantidad de datos de calidad 1st Party Data, te ayuda a obtener una visión mucho más real y precisa de lo que está sucediendo en tu entorno online, por poner un ejemplo. Lo que nos va a ayudar a tomar mejores decisiones y optimizar nuestras estrategias data driven.
  2. Los datos de primera mano son propiedad de la empresa, y esto es muy importante. Con la entrada de la RGPD, es fundamental tener en orden los consentimientos de los usuarios, y tener muy claro a quién pertenecen los datos realmente, es decir, a los usuarios. Si nosotros como empresa disponemos de la propiedad de esa información, todo será mucho más sencillo de gestionar.
  3. Permite actualizar la data en función de las circunstancias de la empresa. Un negocio puede cambiar de objetivos. Un segmento de clientes puede cambiar de hábitos. Con el First Party Data, la empresa puede controlar los períodos de recolección de datos, manteniéndolos al día si es necesario. De este modo, la empresa no dispondrá de información desfasada o no útil para el negocio.
  4. Te permite targetizar y segmentar a tus clientes y usuarios en función de tus necesidades, y no bajo los criterios de proveedores de información, a través de los cuales hayas obtenido esos datos.

 

Como habrás podido ver, tener una 1st Party Data te da la posibilidad de activarla para aquellas necesidades que tenga tu empresa, personalizando su relación con cada cliente en cada momento dentro del journey de este.

En Artyco somos expertos en trabajar con First Party Data, ayudándote a ampliar la información de este con Third Party Data que haga darte una visión mucho más global del problema. A través de nuestros departamentos de Digital & CRM, así como de Business Intelligence, ayudamos a nuestros clientes a convertir ese Data en insights. ¿Quieres que hagamos lo mismo contigo? ¿Hablamos?

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 leido?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

hola@artyco.com

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Cómo utilizar la analítica en el sector Retail

Cómo utilizar la analítica en el sector Retail

Todos hemos leído u oído acerca del continuo cierre de tiendas físicas. De hecho, en USA debido al sobredimensionamiento de estas respecto a la relación tienda-número de habitante, está suponiendo que esto se esté dando cada vez más. Todo esto, está implicando que muchos de estos retailers estén derivándose hacia el mundo online, pero no les terminan de salir los números. ¿Por qué? Porque están utilizando métricas anticuadas para valorar la conveniencia o no de sus puntos de venta. En este post os voy a contar qué está sucediendo y qué analítica utilizar para ser un Retail inteligente.

En el año 2017 se cerraron un total de 7.000 tiendas en Estados Unidos. ¿Retail Apocalipse? Nada más lejos de la realidad. El número de tiendas por persona en Estados Unidos está entre 15 y 20 veces por encima de la de cualquier otro mercado desarrollado mundial. La economía de mercado ha actuado y por tanto ha ajustado el número de puntos de venta a la cantidad idónea, pero ¿se están cerrando las tiendas físicas adecuadas?

Lo cierto es que el tráfico de clientes a los Centros Comerciales ha ido decreciendo a lo largo de los últimos años. Del mismo modo, también han ido decreciendo los márgenes.

Con estos datos, el justificar la continuidad de tiendas que no cumplen con las expectativas de venta, se complica. La consecuencia, el cierre de aquellos puntos de venta que no son a priori rentables.

Sin embargo, y por desgracia, la decisión de qué tienda cerrar, suele ser muy desafortunada, incidiendo de manera directa en el negocio del retailer, y afectando de manera negativa, aún más que si la mantuvieran.

Esto es debido a que la mayoría de las empresas del sector están utilizando métricas anticuadas para valorar si una tienda debe cerrarse o mantenerse abierta. La mayoría de ellas siguen usando los análisis de tendencias, y la rentabilidad de esa tienda, sin tener en cuenta variables de negocio generales y la influencia que pudiera tener esta en otros canales de venta, como el online.

También, y debido a todo esto, pasan por alto oportunidades valiosas para expandir su presencia en el mercado y desbloquear la falta de crecimiento.

¿Por qué empezó a cambiar todo?

 

Internet como impulsor de un nuevo paradigma en el Retail

Internet nuevo paradigma Retail

Internet lo cambió y lo está cambiando todo. Quizás en la industria del Retail se ha experimentado más paulatinamente, fundamentalmente por la falta de confianza inicial de los usuarios en la compra online. Sin embargo, ahora, después de los últimos datos sobre eCommerce que hemos obtenido en España, todo hace suponer que el sector va a experimentar un profundo cambio.

Y uno de esos cambios está en el modo en el que los usuarios interactúan con los puntos de venta. Existe una tendencia cada vez mayor de ir a las tiendas físicas a ver los productos, como si fuera un show room, para luego adquirirlos tranquilamente y sin esperar colas desde casa a través del ordenador. Esto es lo que se conoce como showrooming.

Por otro lado, también existen otro tipo de individuos que actúan de modo inverso. Es decir, ven los productos de manera online, como si fuera un catálogo virtual, para luego ir a probárselo y comprarlo a la tienda física. A este concepto se le denomina webrooming.

Estos y otros muchos hechos, deberían hacer recapacitar a los retailers para cambiar sus métricas de medición enfocadas a decidir si una tienda debe seguir o si ha llegado el momento de cerrarla.

Algunos retailers más avanzados ya están trabajando en ello al darse cuenta que los canales han variado y que los customer journeys han evolucionado. Son algunos los que están intentando a través de la analítica y herramientas sofisticadas de recogida de datos y análisis, encontrar el recorrido real que hacen los diferentes consumidores desde que ven su marca, hasta que la compran.

Para ello, están incidiendo poderosamente en nuevas métricas, metodologías y estudios como:

  1. Customer Journey Maps.

El diseño y construcción de Customer Journey Maps (si no sabes lo que son, te recomiendo que eches un vistazo a este post que escribí sobre Qué es y cómo diseñar un Customer Journey Map), permite conocer al detalle cómo se comportan sus clientes con su marca en todo el proceso de compra, así como su experiencia de compra. Esta metodología les está permitiendo conocer de qué manera interactúa el consumidor con la marca y con los diferentes players relacionados con la compra de sus productos o servicios a lo largo de todo el journey. De este modo, no se cierran en la única posibilidad de que, por ejemplo, por haber sucedido una compra en el mundo online, sea este el que ha generado todo el proceso de compra, o al revés.

  1. Modelos de atribución.

Otro método que se utiliza, son los modelos de atribución, los cuales te ayudan a conocer o asignar la conversión a un partner o atribuir en qué porcentajes han influido las diferentes acciones en la conversión final. Si quieres profundizar un poco más en los modelos de atribución, te dejo este post sobre “Qué son los modelos de atribución y cuáles utilizar”.

  1. Analítica geoespacial.

Muchos retailers se han percatado de la particularidad que puede tener un punto de venta concreto, más allá de la cuenta de resultados propia de la tienda, y están desarrollando estudios diferenciados por tienda física en los que se tiene en cuenta una gran cantidad de factores, cobrando protagonismo el factor omnicanal entre todos los demás. Para ello, la analítica geoespacial ha adquirido una gran importancia.

La analítica geoespacial, no es otra cosa que un análisis de datos profundo a través de polígonos espaciales geográficos, es decir, la ubicación. Mas adelante te contaré un poco más sobre ello. Antes, vamos a ver qué sucederá y cómo aplicar esta analítica.

 

El futuro del Retail y cómo hacer uso de la analítica

El futuro del Retail y su analitica

Como podrás suponer tras la lectura, estamos muy lejos del Retail Apocalypse. Sin embargo, si que estamos inmersos en un profundo cambio en el que habrá que redefinir la estructura que se consideraba lógica del sector. Ahora intervienen muchos más players, más canales, y mucho más complejos.

Se estima que en Estados Unidos el 75-85% de las ventas, seguirán siendo a través de las tiendas físicas en el 2025. Este dato no hace otra cosa que confirmar que las tiendas físicas no desaparecerán como mucha gente predice. Sin embargo, las tiendas físicas se tendrán que transformar en otro tipo de espacio, quizás no focalizado en la venta inmediata, y sí en crear experiencias y facilitar la venta a través del canal en el que se sienta más cómodo el consumidor. Para ello es necesario definir estrategias customer centric y esto sólo se puede conseguir a través de una cultura profunda del dato, sabiéndolo recoger, posibilitando su transformación en información, y lograr convertirlo en un mayor conocimiento del consumidor.

De este modo, la tienda física será un continente de experiencias relacionadas con la marca, un punto de recogida de compras online, y de devoluciones, un lugar en el que grupos de amigos pasen el rato, prueben productos y se hagan selfies los cuales compartan en el momento en las redes sociales, o un destino para aquellos que busquen inspiración. Con este nuevo concepto de tienda, es imposible realizar un análisis centrado en el simple hecho de si la tienda obtiene beneficios o no, ya que esta contribuye de otra manera a la marca, y a las ventas generales de la compañía.

Los nuevos avances respecto a analítica y Big Data, nos están permitiendo conocer cuál es la repercusión global, tanto positiva como negativa de la tienda en cuestión, así como saber de qué manera influye una tienda determinada en el negocio general de la compañía.

A continuación, puedes ver un gráfico ilustrativo de ejemplo sobre cómo intervienen los diferentes canales en las ventas de un retail tipo. Datos que se deben tener en cuenta para conocer la repercusión que tiene ese punto de venta.

Analítica en Retail

Todos sabíamos que una tienda física de por sí, ya es un elemento de marketing similar a un spot publicitario (véase el caso de Zara), ya que está transmitiendo un concepto de marca a una audiencia, representada por todas aquellas personas que entran en el espacio físico, y aquellas que pasan por delante de él. Sin embargo, hasta ahora, no se habían aventurado a conocer cuál podía llegar a ser su repercusión, ya que era difícil de medir.

Sin embargo, con la llegada de internet, y la venta online ya madura en la mayoría de la sociedad desarrollada, no es tan necesario conocer medidas entorno al branding y el awareness, como saber hacia qué otros canales de venta dirigen dichas tiendas físicas, y viceversa.

Una investigación de McKinsey sugiere que “el halo de comercio electrónico de una tienda puede representar del 20 al 40% de su valor económico total”.

Durante décadas, los retailers disponían de diferentes métricas, tales como ventas, información demográfica, tendencias del mercado e información sobre satisfacción de sus clientes. Hoy día, gracias a los nuevos sistemas de recogida y análisis de datos, los retailers disponen de información sobre comportamiento, intereses y hábitos de sus consumidores, como nunca antes hubieran imaginado.

Los diferentes medios sociales, o el Marketing WiFi, son algunas de las vías a través de las cuales se puede conseguir este tipo de información de los consumidores.

Retailers mucho más avanzados están comenzando a utilizar datos geoespaciales, con el objetivo de tener un análisis mucho más profundo de todo lo que ocurre alrededor del punto de venta. Estos datos son propiedad de una tercera empresa, la cual sirve a través de una herramienta de explotación, dicha información para su análisis. Los datos que ofrecen incluyen desde información relacionada con el marketing, hasta de ventas o finanzas, la cual permite al retail hacer un análisis mucho más profundo de quién hay alrededor de su punto de venta, cómo se comporta, cómo compra y cuál es su capacidad.

La combinación de técnicas geoespaciales avanzadas y machine learning, aplicadas a datos de vanguardia sobre el comportamiento del consumidor, está desatando nuevas y poderosas perspectivas para los minoristas. En particular, está ayudando a los retailers a tomar mejores decisiones sobre la expansión o la contratación de sus redes de tiendas.

Por ejemplo, si hay un punto de venta en concreto que está funcionando especialmente bien, a través de estos análisis geoespaciales, se busca un gemelo (un lugar en el que se reúnan las mismas condiciones que en el punto de venta objeto de éxito), y se estudia la posibilidad de abrir una tienda allí.

También les ayuda a desarrollar planes de acción a nivel de tienda para mejorar el rendimiento. Además, algunos minoristas están usando estas ideas para movilizar a su fuerza de ventas y priorizar sus inversiones.

El análisis geoespacial funciona de tal forma: Un equipo de Data analysts crea un modelo analítico ad-hoc para la problemática y los objetivos de la marca, juntando además, información externa e interna. Tras testar cientos de variables, se utilizan técnicas de machine-learning geoespacial para identificar cuáles son los principales factores positivos y negativos que afectan a las ventas del punto de venta, en función del código postal.

Basándose en esos datos, se podría crear un modelo predictivo para conocer cuáles serían las ventas en función del código postal o sección censal de implantación de una tienda y comparar la potencialidad de venta. ¿Analítica del futuro? No, analítica real y que se está utilizando hoy día.

 

En Artyco creemos firmemente en los datos, y estamos convencidos que estos datos sólo tienen sentido si son para convertirlos en información útil y esta información en conocimiento válido para poder tomar decisiones de negocio. ¿Hablamos?

¿Quieres crear una analítica para tu Retail?

Te ayudamos a definir tus métricas y KPIs y los sistemas más modernos de analítica para que puedas tomar decisiones.