91 640 41 50 hola@artyco.com
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 leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Del Business Intelligence al Marketing Intelligence. Principales desafíos para implantarlo

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

Qué son los modelos de atribución y cuáles utilizar

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

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

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

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

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

 

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

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

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

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

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

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

 

Tipos de modelos de atribución

Modelos de atribución

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

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

Modelo de última interacción

Modelo de última interacción

 

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

Modelo último clic indirecto

Modelo último clic indirecto

 

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

Modelo de último clic de Google Ads

Modelo de último clic de Google Ads

 

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

Modelo de primera interacción

Modelo de primera interacción

 

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

Modelo lineal

Modelo lineal

 

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

Modelo de deterioro en el tiempo

Modelo de deterioro en el tiempo

 

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

Modelo según la posición

Modelo según la posición

 

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

 

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

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

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

¿Quieres mejorar tu analítica web?

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

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

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

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

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

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

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

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

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

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

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

 

Principales ventajas del uso de un Data Warehouse

Ventajas del Data Warehouse

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

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

 

Qué es un Data Lake y para qué sirve

Que es un data lake

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

Las principales características de un Data Lake son estas:

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

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

 

Principales beneficios de un Data Lake

Ventajas de un Data Lake

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

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

 

Diferencias entre Data Warehouse y Data Lake

Diferencias Data Warehouse Data Lake

Podemos resumirlas en cinco grandes diferencias.

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

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

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

¿Ves que necesitas un Data Warehouse?

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

Usos y aplicaciones de la Inteligencia Artificial en el Marketing

Usos y aplicaciones de la Inteligencia Artificial en el Marketing

Para quienes no estén demasiado introducidos en el tema, les parecerá que la Inteligencia Artificial es terreno de la ciencia ficción, sin embargo, desde que IBM Deep Blue jugó aquella partida de ajedrez con Kasparov, allá por mediados de los noventa, lo cierto es que esta, está en el día a día de nuestras vidas. La realidad es que la AI toma decisiones más rápida y eficientemente que los seres humanos, y está determinando el futuro de sectores como el Marketing, el Retail y la vida en las ciudades. ¿Quieres saber un poco más sobre esta y cómo se está aplicando? Entonces sigue leyendo.

Vivimos en una sociedad que se caracteriza por la abundancia y movimiento de datos, tanto personales como de comportamiento, generados a través de los medios sociales, el Internet de las Cosas, la navegación online o la información generada como consumidores en las diferentes marcas. El tratamiento de toda esta cantidad de datos se antoja imposible si no es a través de máquinas, siendo la Inteligencia Artificial de un valor fundamental para poder extraer conclusiones y hacer de estos datos, insights válidos para la toma de decisiones.

Como supondrás, es precisamente en el tratamiento de esos datos y su análisis, en donde la Inteligencia Artificial tiene su mayor aplicación en el marketing. Estos son los usos más frecuentes hoy día, de la inteligencia artificial en el marketing:

1. El Data Driven Marketing. Seguro que habrás leído sobre el Data Driven Marketing y cómo tomar decisiones en base a los datos y no en intuiciones como se venía haciendo hasta ahora. Precisamente es aquí, en el análisis de ese Big Data y con la creación de análisis predictivos, en donde la Inteligencia Artificial tiene mucho que decir, facilitando enormemente la visión de esos datos y el poder tomar decisiones basadas precisamente en eso, en datos, y no en intuiciones.

2. Automatización de procesos. Este es otro campo en el que cobra gran importancia la AI, ayudando para personalizar más y mejor las comunicaciones a los clientes y potenciales. En este caso, la utilización de herramientas de automatización que recojan datos de un CRM son muy necesarias. Los vídeos con campos dinámicos que tiran del CRM para que estos sean únicos en función de la información que se tiene del cliente en el CRM, son un claro ejemplo de acción de marketing que está revolucionando el año 2018.

3. Interacción personalizada. Precisamente en la búsqueda por segmentar, personalizar y automatizar procesos con los clientes, la inteligencia artificial ha propulsado la creación de los conocidos Chatbots. Estos han demostrado en los últimos tiempos su utilidad, siendo cada vez más utilizados por grandes compañías con un nivel de atención al cliente máximo. Actualmente se está trabajando en conseguir que los chatbots ofrezcan respuestas más emocionales, logrando empatizar con el usuario, con el fin de ofrecer un servicio mucho más humano y real, y por tanto, más satisfactorio.

4. Creación de contenidos. Existen redes neuronales artificiales capaces de replicar la estructura sináptica básica de un cerebro humano. A través de estas redes en sus fases más avanzadas, han logrado crear piezas originales de música y pintura, de una excelente calidad. El futuro prevé una creación de contenidos aplicados para el marketing, creados por dichas redes neuronales, así como piezas publicitarias que tengan en cuenta datos y respuestas emocionales de los clientes a los que se desea impactar.

5. Publicidad programática. Este tipo de publicidad no podría darse sin algoritmos predictivos, que permiten la automatización de las pujas PPC. Gracias al machine learning, estos algoritmos son capaces de aprender y mejorar de manera constante, con la consecuente optimización de la inversión publicitaria.

Si quieres conocer en profundidad qué es la Inteligencia Artificial y más usos en el marketing y el campo del Customer Intelligence, te recomiendo que eches un vistazo al post que escribí sobre Cómo hacer Customer Intelligence con Inteligencia artificial.

Estos son los campos más evidentes de uso de la inteligencia artificial en el mundo del marketing, sin embargo, hay otros que están empezando a revolucionar, sobre todo el sector Retail, y que me gustaría contaros.

 

Cómo la Inteligencia Artificial está revolucionando el sector Retail. El caso de Amazon Go.

Inteligencia Artificial en Amazon Go

Uno de los sectores que más estoy siguiendo últimamente por la revolución que está llevando a cabo y la “ruptura de esquemas” que ha supuesto a muchos “iluminados” del sector, es el del Retail.

Seguro que habrás oído hablar del “Retail Apocalypse” del cual se viene escribiendo hace ya tiempo. Este aboga por el fin de la tienda física, y la hegemonía de la venta online. Sin embargo, los datos nos dicen otra cosa. En el último año, los movimientos de los gigantes del comercio online van en una dirección inesperada para muchos. Estos están dirigiéndose hacia la tienda física, adoptando una estrategia O2O (online to offline). Tales son los casos de Amazon o Alibaba, como ejemplos más conocidos.

Según Laureano Turienzo Esteban, reconocido experto en Retail Internacional y Speaker, alrededor de un millón de tiendas están ya bajo la franquicia de JD.com y de Alibaba. Lo curioso de esto, es que su estrategia es local, ya que cada tienda recoge insigths locales, como por ejemplo, si en esa zona hay muchos bebés, o por el contrario, es una zona con muchas parejas sin hijos, pero con perro. Esto lo hacen de cara a personalizar su oferta relacionada con las necesidades de su ámbito geográfico. Estos puntos de venta además, están diseñados para hacer los pedidos de manera online a través de los Smartphones y recogerlos en su tienda de barrio. Toda esa inteligencia de negocio, ¿cómo la hacen? ¡Has acertado!

Este movimiento del online al offline (O2O), ha llevado, según el mismo autor, a que Amazon opere ya 600 tiendas físicas. ¿Te parecen muchas? Recuerda el dato que te acabo de dar en el párrafo anterior. ¡Alibaba opera ya en 600.000 tiendas físicas y JD.com 400.000! Es un hecho que la tendencia será a complementar lo online con el offline como una experiencia de compra diferente, pero que mantenga en cierto modo la forma de actuación del entorno online al que están acostumbrados los nuevos clientes que vienen: los clientes verdaderamente nativos digitales. Para ello, se convierte en necesaria la automatización, procesamiento de datos y análisis de cara a conocer mejor qué ofrecer, a qué clientes, y en qué momento.

Todo responsable de marketing debe tener siempre en cuenta, que los avances tecnológicos y científicos tan grandes que estamos experimentando en las últimas décadas, están consiguiendo que los cambios de generación sean cada vez más diferentes y significativos. De este modo, los Milenials (1982-2001) tienen menos que ver con la Generación Z (2001 a la fecha), que los Baby Boomers (1946-1960) con la Generación X (1961-1981), por ejemplo. Es por eso que estos avances tecnológicos y sociales se verán mucho más afectados por factores como:

  • El 5G, el cual se prevé hasta 100 veces más rápido que el 4G, alterando nuestra manera de navegar en cualquier sitio.
  • El Big Data. Como ya he comentado, cada vez se moverán más y más datos sobre las personas, su comportamiento, intereses, hábitos…
  • El Cloud. Al disponer de todo en una nube, afectará la manera de trabajar, de compartir contenidos…
  • El Internet de las Cosas nos reportará más y más data, el cual se podrá utilizar desde un punto de vista comercial, pero también desde un punto de vista de optimización de recursos personales y predicción.
  • La Inteligencia artificial, haciendo que todo lo anterior sea manejable y que reporte unas conclusiones de cara a tomar decisiones de valor.

Siguiendo esa visión y la estrategia de O2O, es muy interesante estudiar el caso de Amazon Go. Te lo cuento a continuación.

Aproximadamente hace dos años, Amazon abrió su primera librería física en un centro comercial de Seattle, siguiéndola otras tres más, en San Diego, Portland y Oregón. Sin embargo, el punto de inflexión lo dio hace relativamente poco, cuando abrió en los bajos de sus oficinas en Seattle, Amazon Go. Este movimiento de Amazon vino causado por la creencia desde la compañía de que hay ciertos productos que interesa más a los clientes buscarlos en las estanterías. Pero también es probable, que la empresa esté detrás de que la experiencia de cliente sea lo más parecida a “grab and go”, eliminando el proceso de pago, así como el tiempo de entrega típico del comercio online. La esencia de Amazon Go, según ellos es: “Hace cuatro años, comenzamos a preguntarnos: ¿Cómo serían las compras si pudieras entrar a una tienda, conseguir lo que quieres y simplemente irte?” Ante esta pregunta, se propusieron eliminar el cuello de botella que existe en todo establecimiento, el momento de pagar. En ciudades en las que el tiempo es más que oro, en las que pasas tu vida en el trabajo, en atascos y en colas para pagar, eliminar este hecho supone una gran ventaja para el público en general.

Amazon ha sabido leer el hecho de que, por primera vez en la historia, vive más gente en entorno urbanos que rurales. Según un estudio de Bank Of America Merrill Lynch, que analiza el auge de las ciudades inteligentes y su impacto en las economías de los países, alrededor del 55% de la población vive en ciudades, suponiendo una actividad económica de 53,56 billones de euros, estimando que para el 2050 aumentará hasta el 70% de la población.

Con estos datos detrás y el interés de unir cada vez más lo online con lo offline, Amazon se lanzó a esta aventura singular. ¿Cómo lo hizo? Para eliminar ese cuello de botella, es necesario establecer una nueva forma de pago. La solución era simple: cargándolo a la cuenta de Amazon de cada consumidor. Pero la facturación automática de los productos a una cuenta de Amazon implica rastrear los artículos y seguir el proceso de compra hasta su fin. Esto es, comporta el seguimiento de cada una de las personas que acceden a la tienda, de sus movimientos y elecciones, con las que ponen de manifiesto sus necesidades, gustos o preferencias. Esta manera de proceder conlleva también, una serie de costes en tecnología que permita monitorizar el espacio físico, a la vez que entrar en el ámbito privado del consumidor.

¿Cómo funciona Amazon Go? En definitiva, el modelo de tienda de Amazon Go está pensado para que el usuario/consumidor pasee por el establecimiento, coja los productos que desee y se marche sin más interacción. El pago, como he comentado, se hace de manera automática y digital, cargando a su cuenta, gracias a su smartphone. Para ello, el establecimiento cuenta con un sistema de pago que se activa nada más entrar el usuario en el establecimiento. Como es lógico, el usuario sólo necesita tener descargada la aplicación en su teléfono móvil.

Ahora viene lo realmente interesante. Para llevar a cabo todo este proceso que parece sencillo, se necesita un complejo sistema de Inteligencia Artificial, interviniendo el eye tracking o visión computarizada orientada al reconocimiento facial, el deep learning o los sensores de movimiento, entre otros.

Estos sensores, además de obtener la información necesaria para realizar los cobros, extraen pautas acerca del comportamiento de los consumidores. Un dato relevante en el análisis del modelo, ya que provee a la empresa de información valiosa para poder mejorar su servicio y llevar a cabo diferentes estrategias y acciones con el fin de aumentar sus ventas futuras. De hecho, de acuerdo a algunas estimaciones, Amazon obtiene un tercio de sus ganancias a través de productos que la gente compra por su sistema de recomendaciones, que no es otra cosa que inteligencia artificial basada en el uso de datos masivos.

Seguro que conoces que, hasta ahora, algunas tiendas utilizaban la inteligencia artificial, pero sólo para hacer pronósticos de demanda de productos. Amazon Go convierte la AI en el eje de toda la experiencia de compra. Te lo explico mejor. Es habitual encontrarnos con puntos de venta con detectores en la entrada, los cuales hacen un conteo de los clientes que entran en el establecimiento. Amazon Go además de contar de manera automática las personas que entran en su establecimiento, identifica a través de la aplicación de los dispositivos móviles, qué usuario ha entrado, registrando sus movimientos en el establecimiento e incorporándolo a su CRM, enriqueciendo la información que ya tiene registrada del cliente, como gustos, preferencias, histórico y posibles necesidades, con lo que haga en el espacio físico. Así, y de manera automática, se relaciona en la nube la información recabada sobre el cliente presencial con la de su perfil “social”, creado a través de referencias online y de otros métodos más tradicionales como las tarjetas de fidelización o los cupones descuento.

 

Sin duda, todos vivimos un momento especial, un momento en el que los avances tecnológicos pueden ayudar mucho a la personalización de la oferta, llegando a presentar a nuestros clientes aquello que necesitan, incluso antes de que estos sean conscientes de ello. Aquí, la Inteligencia Artificial y los equipos de Customer Intelligence orientados a negocio, tendrán una importante función. En Artyco contamos con un equipo de más de 8 personas trabajando para nuestros clientes. ¿Hablamos?

¿Quieres predecir tus ventas?

Te ayudamos a conocer el comportamiento de tus clientes, a fidelizarlos y a predecir sus ventas maximizando tus resultados.