Si eres fan de Marvel, conocerás las dificultades que tuvieron los conocidos Iron Man, Thor y Capitán América con las gemas del infinito. La peculiaridad de estas gemas tan poderosas era que no podían ser tocadas por cualquiera y mucho menos unificadas. De ahí surgió el guante de Thanos (el malo malísimo) para unirlas todas y obtener todo su poder de manera conjunta. Estas piedras, al igual que los datos, eran muy poderosas de manera individual pero cuando se juntaban el poder era infinito.
Algo así sucede a día de hoy en los departamentos de marketing a la hora de unificar los datos. De manera individual tienen valor pero al unificarlos todos y obtener esa visión 360º del cliente, el valor… también es infinito.
Según un informe de Salesforce, solo el 47% de los marketers tienen una vista completamente unificada de las fuentes de datos de los clientes, lo que significa que el 53% restante no está aprovechando completamente los datos para impulsar el crecimiento de sus ingresos y optimizar el gasto en publicidad.
En el caso de los CMOs, existen diversas aplicaciones de negocio atractivas para sacar partido a los datos, incluidas las iniciativas de personalización que aumentan el lifetime value del cliente, los modelos de atribución que revelan cuánto contribuye cada clic del cliente a una compra o conversión, y los algoritmos de machine learning que mejoran las experiencias del cliente. Pero si las organizaciones de marketing no consiguen unificar los datos de sus clientes desde un inicio, no podrán alcanzar ninguno de estos objetivos a la larga.
A continuación, os desvelaremos las cinco mejores prácticas para ayudar a unificar los datos de marketing y hacerlos procesables para las iniciativas de marketing estratégicas. Estos son los tips que los marketers necesitan saber para adentrarse por completo en una cultura data-driven:
Aplicar una estrategia holística de datos en lugar de abordarlos de uno en uno. Identificar qué fuentes de datos son esenciales y establecer métodos óptimos de integración.
Almacenar los datos en una plataforma que pueda soportar todas las necesidades de análisis y de customer engagement, y dar acceso a los equipos a una única fuente de verdad.
Asegurar que los datos de marketing sean accesibles para los trabajadores no técnicos de toda la empresa en lugar de limitar el acceso a los científicos y analistas de datos.
Determinar qué iniciativas data-driven son las más importantes y asegurar que la organización esté alineada con ellas.
#1: Desarrolla una estrategia integral de Datos
Las organizaciones de marketing de todas las industrias están aumentando sus inversiones en iniciativas data-driven.
Según una investigación de la Oficina de Publicidad Interactiva (IAB) y Winterberry Group, las empresas gastaron 7.800 millones de dólares en 2019 en soluciones para apoyar la recopilación, gestión, segmentación, análisis y despliegue de datos de audiencias, lo que supone un aumento del 8,1% respecto al año anterior.
A pesar de que los gastos en los datos y sus análisis aumentan, muchas organizaciones de marketing carecen todavía de una estrategia integral. En su lugar, utilizan sistemas débilmente integrados en un esfuerzo por introducir los datos en sus operaciones. Por ejemplo, los analistas suelen exportar las bases de datos al formato CSV y luego realizan análisis en Excel para extraer información del ad targeting. Procesos como estos son soluciones provisionales, que causan un trabajo manual repetitivo. Además, los conjuntos de datos permanecen en silos separados y no se puede acceder a ellos ni consultarlos en tiempo real, lo que impide que avancen las iniciativas de personalización, los modelos de atribución y otras aplicaciones de aprendizaje automático.
Teniendo en cuenta que, en las organizaciones de marketing, una estrategia de datos es clave para la correcta gestión de estos y los análisis, esta debe abordar cinco áreas esenciales:
Objetivos: ¿Quiénes necesitan acceder a los datos y qué es lo que intentan conseguir? (¿Son los product managers que intentan mejorar la experiencia del cliente, por ejemplo, o los brand marketers que necesitan ajustar rápidamente la comunicación para mejorar el rendimiento de la campaña?) También es importante establecer cómo se medirá el éxito de las iniciativas basadas en datos, ya sea en términos de optimización de la publicidad, mejora de la experiencia del cliente, aumento del margen o cualquier otro parámetro.
Personal: En las organizaciones de marketing sin una estrategia integral de datos, los equipos de datos suelen dedicar la mayor parte de su tiempo a tareas rutinarias y repetitivas de preparación de datos, como el proceso de transformar los datos en bruto para poder utilizarlos posteriormente. Si estas organizaciones quisieran centrarse en los datos, tendrían que contratar a científicos y analistas de datos altamente capacitados, así como a IT managers para poner los datos de los clientes a disposición de estas personas. Otra cuestión que hay que abordar en cuanto a la distribución de los recursos es o bien crear un equipo de datos centralizado o distribuir a los científicos y analistas en diferentes áreas funcionales.
Tecnología: Las organizaciones de marketing deben identificar las fuentes de datos que necesitan, aspecto que analizaremos con más detalle en la siguiente sección. También necesitan claridad en cuanto a los requisitos de almacenamiento, seguridad y accesibilidad para respaldar la forma en la que utilizan los datos. Por último, deben elegir entre construir su propia customer data platform o comprar una solución out-of-the-box para activar los datos de sus clientes. Esta elección dependerá del tamaño de su empresa, la complejidad de la información de sus clientes, y sus prioridades de negocio.
Operaciones: Para mantener los dashboards y las consultas suficientemente actualizadas en función de las necesidades específicas de sus usuarios, las empresas deben determinar qué grado de velocidad de acceso a los datos necesitan. Si se pretende utilizar los datos para potenciar la experiencia de los clientes se debe también asegurar que la infraestructura proporcione un servicio de calidad teniendo como referencia el sitio web. Además, las empresas deben establecer una estrategia para hacer accesibles los datos en tiempo real con la seguridad y la gobernanza adecuadas.
Integración: ¿Están los datos del CRM, ERP, puntos de venta o cadenas de suministro aislados y fuera de control del departamento de Marketing? Si es así, el plan debe abordar la viabilidad y la logística de unificar diferentes tipos de datos en una plataforma.
Establecer una estrategia que aborde todos estos temas puede parecer abrumador, pero las organizaciones de marketing no necesitan tener una respuesta inmediata a todas estas cuestiones. Lo importante es hacer las preguntas adecuadas, especialmente si las organizaciones acaban de empezar a invertir en análisis de marketing. Si ya han construido un área funcional de gestión de los datos y sus análisis, una estrategia integral puede ayudar a asegurar que los equipos, la tecnología y las operaciones que han puesto en marcha estén alineados con sus objetivos principales.
#2: Identifica tus fuentes de Datos clave y aprende a ingestarlas
Los marketers, a día de hoy, cuentan con grandes cantidades de datos de clientes al alcance de su mano, incluyendo los datos de compras, puntos de venta, CRM, programas de fidelización, tráfico de sitios web, uso de productos y datos de email y aplicaciones móviles. Además, las plataformas de administración de datos y otros intermediarios de terceros ofrecen datos demográficos, datos de comportamiento y más, que pueden ayudar a perfeccionar los perfiles de los clientes y mejorar la focalización, especialmente cuando se combinan con datos propios de la empresa.
Si las empresas se basan en las fuentes de datos útiles para la consecución de sus objetivos, evitarán la complejidad y los gastos de lidiar con más datos de los que realmente necesitan. Por ejemplo, es posible que las empresas no necesiten los datos del flujo de clics de Google Analytics si están utilizando Adobe Analytics u otro producto para medir el comportamiento en el sitio web; la toma de datos de ambas fuentes sería redundante y los datos podrían entrar en conflicto.
Algunos datos de clientes, como el historial de compras, se almacenan en bases de datos internas, pero la mayoría deben extraerse de su fuente original, lo que puede requerir considerables recursos de ingeniería durante semanas o incluso meses para extraer los datos de una sola fuente. Para evitar cargar a los ingenieros con el mantenimiento continuo de los datos, las organizaciones de marketing necesitan una herramienta ETL con conectores pre construidos a las fuentes de datos. Estas herramientas extraen datos de la fuente original (por ejemplo, Facebook o Adobe Analytics), los limpian o los cambian a un formato útil para los fines de la empresa (como convertir direcciones completas en códigos postales) y los añaden al almacén de datos de la empresa.
Cuando las empresas eligen una herramienta ETL, pueden optar por una solución centralizada de tipo empresarial, como Talend, Informatica o Matillion, o una herramienta out-of-the-box como Fivetran o Stitch. Estarían eligiendo en realidad entre un mayor control y configurabilidad frente a un menor coste de mantenimiento. Una solución específica para tu empresa permite aprovechar todo el poder de tus datos, pero requiere de altos costes de configuración y mantenimiento continuo. Una herramienta out-of-the-box, por otro lado, es más intuitiva pero mucho menos configurable. Solo permite tomar los datos de fuentes conocidas y será imposible construir dashboards y flujos de interacción avanzados o personalizados.
En el proceso de evaluación de las soluciones de ETL, las organizaciones de marketing también deberían considerar qué porcentaje de sus fuentes de datos están respaldadas por conectores pre construidos y si los usuarios pueden añadir nuevas fuentes sin necesidad de ayuda de ingeniería.
#3: Unificar los Datos para crear una única fuente fiable
Una vez tenemos los datos de marketing, es necesario almacenarlos en una plataforma única que pueda soportar datos semiestructurados, como JSON de un sitio web, y datos estructurados, como las entradas en los campos de CRM, los datos de localización y el historial de compras. La infraestructura de la plataforma debe ser lo suficientemente flexible y escalable como para permitir la integración de datos casi en tiempo real, lo cual es necesario para las iniciativas de personalización, los modelos de atribución, y el machine learning avanzado. También debe proporcionar una única fuente fiable, es decir, conjuntos de datos limpios y combinados que puedan utilizar diversos equipos.
Las empresas que unifican sus datos, necesitan ser capaces de soportar cargas de trabajo simultáneas, lo que resulta difícil si cuentan con un número fijo de servidores. Si los recursos informáticos están limitados, el trabajo de los científicos y analistas de datos se verá paralizado.
La solución es una plataforma de datos en la nube que pueda aumentar al instante su capacidad para ofrecer más potencia según la demanda.
La elasticidad instantánea elimina las preocupaciones de planificación y de agrupación de datos, permitiendo a los científicos de datos manejar modelos complejos y a los usuarios no técnicos acceder a los dashboards siempre que lo necesiten.
La solución es una plataforma de datos en la nube que pueda aumentar al instante su capacidad para ofrecer más potencia según la demanda. La elasticidad instantánea elimina las preocupaciones de planificación y de agrupación de datos, permitiendo a los científicos de datos manejar modelos complejos y a los usuarios no técnicos acceder a los dashboards siempre que lo necesiten.
Por último, el aislamiento de la carga de trabajo es esencial para que los trabajos de toma de datos no interfieran con los dashboards de los usuarios o, lo que es más importante, con la experiencia del cliente si se construye sobre la plataforma de datos.
#4: Habilita los Datos a los usuarios no técnicos
Para obtener el máximo ROI de su plataforma de datos en la nube, las empresas necesitan pensar más allá de la productividad de los científicos de datos. Su plataforma debería ser accesible a un gran número de trabajadores menos técnicos de todas las áreas de negocio, incluidas las de Operaciones, Legal, Producto, Desarrollo de Negocio, Partnerships y, por supuesto, Marketing.
Existen numerosas formas de usar la plataforma de datos en Cloud que pueden ayudar a los trabajadores fuera del departamento de Marketing. Por ejemplo, para el trabajo de los compliance managers que deben cumplir con la GDPR identificando y eliminando toda la información relativa a los clientes a petición de los mismos, se simplifica drásticamente cuando todos los datos de los clientes se encuentran en el mismo lugar. Además, los supply chain managers pueden predecir futuras necesidades de inventario cuando disponen de datos en tiempo real sobre los pedidos, lo que permite a la empresa ahorrar dinero en el stock almacenado.
Si queremos que una plataforma de datos abarque numerosos casos de uso y sea adoptada por toda la empresa, ya sean marketing, supply chain, departamento financiero, o departamento legal o cualquier otra necesidad de datos, estos deben ser unificados y gestionados mediante una correcta gobernanza de estos. Los sólidos controles de acceso para evitar el mal uso de los datos son fundamentales cuando se trabaja con información confidencial, como el rendimiento financiero de la empresa o la información personal del cliente.
Es importante tener en cuenta que los métodos tradicionales para mover datos entre los distintos equipos, como copiar archivos via FTP o conjuntos de datos en la nube y construir y mantener APIs, tienen muchos problemas de accesibilidad y usabilidad. También pueden ser inseguros, propensos a errores y costosos de mantener. Los analistas de datos encargados de proporcionar informes a usuarios no técnicos también pueden convertirse en un cuello de botella, ya que tienen un gran volumen de solicitudes que atender.
Si dispones de una única versión de los datos actualizada en tiempo real residente en una plataforma de datos en la nube con capacidad para compartir información de forma segura, no será necesario mover o copiar los datos. Esto elimina los retrasos y permite la entrega de los datos antes de que estén obsoletos. Además, esta plataforma puede estar disponible para todos los equipos y su acceso se podrá controlar e incluso revocar.
Para evitar problemas de accesibilidad, los datos deben tener un esquema de alta calidad que permita que sean fáciles de abordar, comprender y manipular y no requieran de uniones complejas en las operaciones diarias. Para que la colaboración entre los equipos y sus funciones sea eficaz, también es esencial contar con una única fuente de verdad; cada usuario debe analizar los mismos datos a fin de evitar resultados contradictorios y problemas de confianza en los datos. Por ejemplo, los esfuerzos por cumplir con la GDPR podrían verse obstaculizados si varias copias de datos se encuentran en diferentes silos, lo que expondría a la empresa a acciones legales o multas.
Para garantizar que los usuarios no técnicos dispongan de la información necesaria, las empresas deben establecer de manera proactiva una estrategia de autoservicio que ponga a su disposición herramientas de visualización. Las organizaciones de marketing necesitan específicamente una plataforma analítica de BI, como Tableau o Power BI, que pueda proporcionar análisis de self-service a la mayoría de los miembros del equipo.
En general, la regla «80/20» se aplica a la realización de self-service analytics para usuarios no técnicos. Si el 80% del tiempo pueden acceder rápidamente a los datos que necesitan por su cuenta, el esfuerzo habrá merecido la pena. (El otro 20% del tiempo, pueden requerir la ayuda de un analista, por ejemplo, para escribir una consulta compleja ad hoc).
Para lograr un equilibrio 80/20, los equipos de análisis deben colaborar estrechamente con los usuarios de negocio para comprender qué dashboards operativos y conjuntos de datos necesitan e identificar cómo realizar solicitudes self-service a través dashboards o consultas predefinidas.
#5: Prioriza las áreas donde la analítica avanzada pueda tener mayor impacto
Una vez que las empresas logran tener una visión 360 de sus clientes a través de una fuente unificada de los datos actualizados en tiempo real, pueden impulsar el engagement para así aumentar el lifetime value del cliente, optimizar el gasto en publicidad, reducir la rotación de personal y más. Es importante centrarse primero en los resultados y después comunicar esas decisiones a toda la organización de marketing para asegurar que la energía colectiva se canalice en la dirección correcta.
A continuación, veremos tres de las aplicaciones más impactantes del Advanced Analytics en Marketing:
Acelerando la comprensión de clientes y prospects
Las organizaciones de marketing pueden aprovechar los análisis avanzados para comprender las características únicas de sus mejores clientes, para a su vez poder realizar «modelos look-alike” y encontrar más prospects con características similares a las de sus mejores clientes.
Los análisis de marketing podrían revelar, por ejemplo, que la descarga de una aplicación es un indicador mucho mejor para lifetime value que la frecuencia de compra, o que los clientes que llegan por primera vez a un sitio web desde un motor de búsqueda son más valiosos a la larga que los que hacen clic en un anuncio para llegar al sitio web. Al realizar análisis más profundos sobre los atributos y comportamientos de los mejores clientes, los marketers pueden entender mejor qué factores y comportamientos se correlacionan más directamente con una mayor retención y lifetime value y así priorizar las campañas en consecuencia.
Creando experiencias personalizadas más relevantes
Las iniciativas de personalización bien ejecutadas pueden dar lugar a saltos significativos en la fidelización, la retención y, en última instancia, el lifetime value del cliente.
Según McKinsey, la personalización puede aumentar los ingresos entre un 5% y un 15% e incrementar la eficiencia del gasto en marketing entre un 10% y un 30%.
La personalización también puede mejorar la experiencia del cliente. Mediante inversiones en machine learning, las empresas pueden construir motores de recomendación que adapten las sugerencias de los productos a cada usuario, aumentando el tamaño de la cesta.
Optimizando el gasto en publicidad
Los análisis avanzados se pueden usar para refinar el targeting y hacer más eficiente el gasto en publicidad. Específicamente, arroja luz sobre qué mensaje se debe dirigir a cada cliente y cómo debe ser ajustado a través de un canal. Este ajuste mejora la efectividad de las ofertas por la búsqueda de keywords, la puntuación de los leads y otras tácticas, lo que lleva a una compra de medios más inteligente y a un mayor rendimiento de los medios de pago.
Una vista 360 de los clientes y prospects también habilita los modelos de atribución, que permiten a las organizaciones de marketing repartir el crédito por comercial o conversiones entre todos los clics a lo largo del proceso de compra en lugar de otorgar el mérito completo al primer o último clic, una práctica anticuada que no refleja la forma en que la gente realmente compra online.
Las empresas pueden entonces aumentar o disminuir el gasto en cada uno de los respectivos canales de comunicación en función de cuanto contribuyan al ratio de conversión.
Al facilitar la toma de decisiones en tiempo real, la analítica avanzada también permite que las personas sean más eficientes y productivas. Con información actualizada sobre el rendimiento de las campañas, por ejemplo, los gerentes de marca pueden reasignar rápidamente el gasto en publicidad a los canales de mejor rendimiento y cambiar los parámetros de orientación hacia los clientes potenciales con ratios de conversión más altos.
Para que una organización de marketing se base al completo en una cultura data-driven, se requiere una inversión significativa tanto en tecnología como en gestión del cambio. Si el esfuerzo está bien planificado y ejecutado, el crecimiento de los ingresos y la reducción de los costes justificarán la inversión en curso. Pero antes de que las empresas puedan desarrollar algoritmos que optimicen el gasto en publicidad o personalicen el contenido, tienen que planificar cuidadosamente y asegurarse de que se pueda acceder a los datos de los clientes de forma rápida, fácil y segura.
Referencias: Todos los derechos reservados a Snowflake