Inicio
>
Tecnología e internet
>
Transformación digital
>
Customer Analytics: el secreto de las gigantes del e-commerce
Customer Analytics: el secreto de las gigantes del e-commerce
11 Septiembre 2020 11:37
Blog
Blog
Tan pronosticada como inesperada. La red de redes ha deconstruido formas y contenidos, tumbado teorías y abierto puertas inimaginables en el pasado. Ni el poder de los medios cincelado por el estructuralismo funcionalista de Lasswell, ni la manipulación unidireccional de la aguja hipodérmica, ni ninguna otra teoría ha sobrevivido a la revolución de Internet.
La información ahora está más democratizada que nunca, y los medios y agencias ya no ostentan el poder de antaño. Ese cambio ha permitido al comercio abandonar su despotismo burniano para adoptar enfoques más pragmáticos y cualitativos.
Ahora bien, la red no llegó como una poción mágica. Su alimento fue y están siendo los datos. De ellos nació la concienciación del target y la primavera de la reputación y la Responsabilidad Social Corporativa. En la próxima década moldeará las bases del Customer Analytics.
Un cliente entra en una tienda, se da un paseo, coge algunas prendas y termina metiéndose en el probador. De su recorrido, de las piezas que termine comprando y de las que acabe dejando, la empresa podrá extraer una información muy valiosa para analizar tendencias, aciertos y errores.
La deslocalización de Internet impide a la misma empresa saber en qué está pensando o cuáles son los gustos del comprador. Para sortear dicha barrera, la única herramienta capaz de arrojar algo de transparencia es la analítica; las cookies, el tiempo de permanencia en la web, el porcentaje de rebote, la conversión de leads y la lectura de otras métricas.
En un establecimiento retail, “el departamento de Visual Merchandising observa que los clientes analizan los lineales de arriba a abajo, de modo que concluyen que la zona de calor es la parte más alta de los estantes, así que es en dicho lugar en el cual colocan los artículos en promoción”, explican desde DataCentric.
Un negocio e-commerce traslada dicha práctica al procesamiento de un mapa de calor de la web. “Observa dónde hacen click los visitantes y hasta que punto hacen scroll hacia abajo para tomar decisiones en cuanto al diseño de sus landing page”.
Ante unas generaciones con prioridades más alejadas de lo material y comercial, unos mercados saturados y la caducidad inherente a Internet, la obsesión por descifrar al público no ha hecho más que crecer. Es decir, que las empresas ya no venden un producto, sino una experiencia única, alineada con necesidades que el consumidor ni siquiera conoce.
El marketing analítico se ha convertido en una disciplina propia, y las inversiones de los departamentos asociados se están viendo atraídos por el efecto centrípeto de la analítica de datos. Pero ¿qué significa todo esto para las startups y las pequeñas y medianas empresas del e-commerce?
Tanto los medios como las voces prescriptoras insisten una y otra vez en el dogma del Big Data; en la importancia de los datos y la planificación matemática asociada a los procesos detectivescos de la analítica. Sin embargo, un emprendedor con presupuesto limitado puede seguir triunfando con una metodología utilitaria no necesariamente apoyada en los datos.
Kantar estima que para 2025 el e-commerce ya supondrá el 10% del mercado de consumo y que genere unos 170.000 millones de dólares en todo el mundo. Fenómeno que podría estar más originado por el FOMO de los incesantes informes sobre el futuro, que por el acercamiento cliente-empresa propiciado por el Customer Analytics.
Así, las disciplinas relacionadas con este campo solo habrían de ser entendidas como un agregado de valor capaz de optimizar los recursos de la empresa. Nada que ver con el tíquet de obligado pago que algunos expertos enarbolan para entrar a formar parte del comercio electrónico.
Y es que, el error de sumarse a la moda de los datos está llevando a multitud de negocios a recopilar información sin tener claro cómo extraer valor o aplicar medidas consecuentes con los objetivos. Para evitarlo hay que ir un paso más allá de la manida “manipulación del público”.
Ser la empresa con más capacidad de recolección no te convierte en la líder de ningún mercado. Si Google no fuera capaz de procesar los miles de toneladas de información que recibe cada día estaría igual de ciega que la tienda de proximidad de toda la vida.
No extraña que, de acuerdo con datos del estudio Big Data and AI Executive Survey, firmado por NewVantage Partners, para el 81% de las empresas mejorar la capacidad analítica de datos es una prioridad capital. Es el conocido data driven que concentra el cambio cultural, la organización de recursos, los perfiles profesionales y otras áreas ulteriores al negocio.
Las organizaciones son conscientes de la importancia de la analítica, y sin embargo no todos se arriesgan para potenciarla. Así lo constataba McKinsey en un estudio en el que preguntaba a más de 700 CMOs por el mencionado Customer Analytics.
La consultora descubrió que, aunque el empleo de estas técnicas es cada vez más recurrente en todos los sectores, la percepción de los implicados es contraria al optimismo. “Es considerada como menos importante para el desempeño que otras áreas de marketing y ventas”.
Así, en la muestra realizada en 2013 el Customer Analytics aparecía en quinta posición en términos de importancia frente a 13 cuestiones, y en 2015 bajaba hasta la octava posición. ¿Significa que la disciplina no es valiosa? No exactamente. El error podría estar en la comunicación interna más que en los efectos competitivos objetivos.
“Las empresas que hacen un uso extensivo del CA tienen más probabilidades de reportar un desempeño superior al de sus competidores en las métricas clave de desempeño, ya sea en cuanto a ganancias, ventas, crecimiento de las ventas o retorno de la inversión”.
Son los grandes referentes del e-commerce los que mejor encajan con este pensamiento; los que reducen la dependencia en terceros y los que marcan las tendencias a seguir para el resto del mercado.
Uno de sus secretos es el manejo de todos los modelos existentes. “Vital es una cultura que no se centra puramente en temas de IT y analíticos, sino que aborda el análisis del cliente de forma holística”, añade McKinsey.
Lo que se conoce tradicionalmente como consecuencialismo. Si A entonces B. Se alcanza observando a lo largo del tiempo comportamientos, y suponiendo sucesos asimilados por la experiencia.
Este modelo es el que le permitió a Andrew Pole, Data Scientist de la americana Target, crear un modelo que calculaba con exactitud más del 80% si las consumidores estaban embarazadas y cuándo darían a luz.
Eran cuestiones privadas que de otra forma no hubiera podido obtener, y que se incluían en la estrategia de Customer Analytics de la compañía; recolectar todos y cada uno de los artículos adquiridos por los consumidores con códigos identificadores únicos.
"Si usas una tarjeta de crédito o un cupón, o rellenas una encuesta, o envías por correo un reembolso, o llamas a ATC, o abres un correo electrónico que te hemos enviado o visitas nuestro sitio web, lo grabaremos y lo vincularemos a tu ID de invitado", confesaba. "Queremos saber todo lo posible".
Es el siguiente paso al esquema predictivo. Esto es, la toma de decisiones consecuente con la predicción. “Si en verano siempre crece la demanda de aires acondicionados, entonces ofreceremos ofertas especiales para esa gama de productos”.
Podría parecer una apuesta arriesgada que dar por hecho determinados efectos sin estar del todo seguros, pero el modelo prescriptivo suele centrarse en respuestas de carácter neurológico e inmutable; la reacción ante determinados colores, bajadas de precios o estilos de fotografías.
“Los hábitos no representan el destino, pueden ser ignorados, modificados o reemplazados”, apunta Charles Duhigg en The New York Times. “Pero también es cierto que una vez que se establece el bucle y surge un hábito, tu cerebro deja de participar plenamente en la toma de decisiones”.
“Así que a menos que luches deliberadamente contra un hábito - a menos que encuentres nuevas pistas y recompensas - el viejo patrón se desarrollará automáticamente”. La apuesta entonces no es solo segura, sino también recomendable.
Para el marketing digital este es el modelo más recurrente. Bajo él se toman los datos de los consumidores para generar relaciones temáticas y establecer nichos. Es la nueva segmentación que deja de lado los estereotipos y toma rasgos reales a través de la ciencia.
Contextual, demográfica, geográfica, por gustos, Prospecting, Retargeting; todas las técnicas están subyugadas al imperio de los datos, y cuanto mayor es la dependencia, más alto es el índice de éxito del mensaje.
En un contexto saturado y volátil como los marketplaces, las empresas recurren a segmentaciones muy depuradas para afinar el target entre todo el ruido. Para Netflix es la salida más beneficiosa frente a una cartera de consumidores formada por más de 130 millones de usuarios.
Son los cientos de segmentos de la compañía los responsables de las particulares categorías de contenidos de la plataforma. El Customer Analytics permite en este caso saber qué series es más interesante renovar o qué películas deben tener secuelas, en base al porcentaje de suscriptores que han visto el contenido de principio a fin.
Para otras empresas con menos volumen de negocio y menos recursos, la opción más realista para obtener resultados similares es el Data Mining. “Se define como una sofisticada capacidad de búsqueda de datos que utiliza algoritmos estadísticos para descubrir patrones y correlaciones en los datos”, apuntan Chris Rygielski, Jyun-Cheng Wang y David C.Yen en un estudio.
Se abandona el enfoque más holístico que requiere una distribución concienzuda de recursos, y se acude a aplicaciones enfocadas a resolver cuestiones particulares. La minería, sintetizando, consiste en tomar datos de la realidad para construir un modelo ficticio sobre el que testar. Se divide en tres categorías:
Estas tres ramas están enfocadas a la construcción de los mismos arquetipos para resolver obstáculos comerciales: clasificación y regresión como modelos predictivos, y descubrimiento de asociaciones y secuencias como modelos descriptivos.
En el sector retail el data mining se emplea para realizar análisis de afinidad sobre las cestas de compra, para hacer previsión de ventas y optimizar la cadena de distribución, para planificar y asignar mercancías y para conformar bases de datos de los clientes.
Los partícipes del eslabón Fintech aprovechan estos datos para mejorar la rentabilidad de los programas de adquisición y retención, para fijar los precios más alineados con intereses, para prestar un servicio adaptado a cada ciclo de vida del cliente, o para incluso detectar fraudes.
El e-commerce, que tanto depende de la rapidez de entrega y de las políticas de devolución, puede emplear la información del Customer Analytics para permitir a los fabricantes que personalicen los productos de forma eficiente, o para predecir el número de clientes que solicitarán reclamaciones
Los ejemplos son prácticamente infinitos, y se repiten en cada una de las vertientes del comercio electrónico. Tanto es así, que, aunque el papel de la analítica es solo agregador —no fundamental—, todo apunta a que los futuros mercados contarán con un coste de acceso muy concreto.
“Cuanto más interactúen empresas y clientes, más tendrán las segundas que aprovechar el Customer Relationship Managment y las tecnologías relacionadas para capturar y analizar cantidades masivas de información”, recoge el informe Data mining techniques for customer relationship management.
“Sin embargo, las empresas también deben tener en cuenta que tienen que utilizar la tecnología de manera responsable para lograr un equilibrio entre los derechos de privacidad y los beneficios económicos”. Se trata de una misión compleja que desde Yoigo Negocios podemos ayudarte a alcanzar. Llama al 900 676 535 o visita nuestra web para informarte.
