Si eres un analista de marketing, sabes demasiado bien las expectativas que hay en torno a la toma de decisiones data-driven de forma ágil. La presión para proporcionar una comprensión más rápida de la eficacia de las campañas recae directamente sobre tus hombros, lo que incluye permitir una toma de decisiones ágil para que las campañas puedan ser optimizadas. Pero… ¿Por qué no están los analistas de Marketing analizando? ¿No trabajan lo suficiente? ¿Se pasan el día haciendo Snowboard, jugando a pádel o teletrabajando con su serie favorita de fondo?
La realidad es que se pasan la gran mayoría de los días (y noches) dedicados a informar sobre los resultados, no a asesorar sobre futuras oportunidades. Aunque el acceso rápido a la información y a los conocimientos es muy valioso, muchas empresas están tan ocupadas recogiendo, mezclando y limpiando datos que no tienen tiempo para actuar en base a esos datos.
Con tanto tiempo dedicado a la preparación y mezcla de datos, aquellas empresas capaces de racionalizar y automatizar la generación y el análisis de informes no sólo disfrutarán de una ventaja competitiva, sino que liberarán a los analistas de datos para que dediquen más tiempo a generar insights de valor en lugar de estar perdiendo el tiempo con los datos.
El Día a Día de un Analista de Marketing
Vamos a sumergirnos en lo que podría ser el día a día de un analista de Marketing:
7:50 AM: Comienzas el día temprano para reunir algunos números para un informe de datos agregados que el equipo de directivos necesita en su reunión de las 10 am.
8:30 AM: Te das cuenta de que una métrica clave para tu informe está en manos de alguien en otro departamento, y no llega hasta las 9:00, si tienes suerte.
9:59 AM: Con un minuto de sobra, envías la información al equipo de directivos. El CMO responde inmediatamente, preguntando si puedes unirte a la reunión para explicarles tus hallazgos. «No te preocupes, no llevará mucho tiempo».
12:00 PM: La reunión del equipo directivo finalmente terminó. Les encantaron tus métricas, donde decías cómo proceder basándoos en los datos… y ahora vas con dos horas de retraso.
12:10 PM: Te dedicas a tu principal tarea del día: un informe general mensual de performance. Estás preparado para pasar las próximas horas extrayendo datos de hojas de cálculo, Google Analytics, Kissmetrics, una base de datos personalizada y algún sitio más.
2:00 PM: Notas algunas similitudes basadas en la localización en los datos. Si pudieras superponer fácilmente los datos geoespaciales, este informe pasaría de impresionante a estelar, pero también te supondría invetir tres días más usando tu proceso actual, así que tienes que saltarte ese sistema de geolocalización inteligente por ahora y volver a la masificación de datos.
4:00 PM: Hablas con un stakeholder porque sus métricas indican una versión diferente de la verdad que tus datos. Para identificar el problema, tienes que reunirte con ella en diferentes slots libres del día que ya estaba hasta arriba de reuniones. Finalmente, tras tres calls y media determinas dónde está el error y vuelves a importar sus datos.
5:00 PM: Haces un seguimiento con los Data Scientist internos sobre un modelo predictivo que no está dando el resultado esperado. Sin saber cómo codificar, no puedes identificar el problema.
5:45 PM: Después de una explicación del Data Scienctist, tienes una mejor comprensión del modelo y de cómo aplicarlo esta vez, pero no serías capaz de replicarlo en el futuro.
7:00 PM: Te das cuenta de un error de etiquetado en una hoja de cálculo de Excel, lo que implica que todos los datos de una fuente son erróneos en dos filas. Tus datos no están limpios, y tienes que rehacer el informe.
9:15 PM: Terminaste. El informe mensual está finalmente listo pero te quedas, como cada mes, con un sabor agridulce. Tu informe podría haber sido mucho mejor si la mayor parte de tu tiempo no se hubiera consumido en la preparación y mezcla de datos. Te preguntas una y otra vez ¿Y si pudiera producir mejores análisis, de forma más ágil y con menos dolores de cabeza?
¿Qué os está frenando a los analistas de Marketing? ¿Por qué pasas más tiempo “enredando” con los datos que obteniendo insights accionables?
1) Torrentes de Datos que No Sabes Manejar
Los marketers se enfrentan a un flujo de datos que les llegan de fuentes cada vez más diversas, como Social Media, Google Analytics, remarketing, Nielsen, eventos y otras innumerables fuentes para obtener de datos.
Cada hora, las transacciones de los clientes de Walmart proporcionar a la empresa unos 2,5 petabytes de datos.
A medida que la tecnología evoluciona, el volumen de datos recogidos de los clientes y usuarios continuará incrementándose, dando lugar a una riqueza de datos sin precedentes. Los analistas de marketing ya están luchando por aprovechar los datos de manera efectiva para la toma de decisiones; ¿qué sucede cuando el volumen de datos crece de forma exponencial? Según un estudio de IDC, es probable que la creación de datos se multiplique por diez hasta llegar a los 163 zettabytes (zb) anuales en 2025.
Lo preocupante no es solo el volumen de los datos; la complejidad de estos es también un enorme desafío. Ha habido un aumento significativo en la creación de datos no estructurados como vídeos o audios, y todos ellos deben ser almacenados y medidos.
Además, la creciente cantidad de datos se encuentra en sistemas dispares y en múltiples servicios. Los datos actualmente viven en todas partes, incluyendo la nube, los medios sociales, los proveedores de terceros, las bases de datos internas y los silos en diferentes departamentos de la misma organización. Incluyendo las bandejas de entrada de cientos de tus compañeros de trabajo.
Basándonos en estos datos caóticos y lejanos, se espera que los marketers conozcan a los clientes y prospects para tomar decisiones sobre las estrategias de comunicación, los presupuestos de las campañas y las métricas de rendimiento. Ah, por cierto… ¡la reunión empieza en 30 minutos!
¡Repaso rápido sobre el tipo de Datos!
Datos Estructurados
Los datos estructurados incluyen un contenido claramente definido -piensa en los caracteres alfanuméricos y numéricos- y tradicionalmente se almacenan en un formato de registro ordenado.
Datos Semiestructurados
Los datos semiestructurados incluyen números o caracteres ligeramente formateados, situados en un campo que en sí mismo no está estructurado y no es tan fácil de procesar como los datos estructurados. Por ejemplo, un Tweet o un comentario de un usuario publicado en una página web.
Datos No Estructurados
Los datos no estructurados se refieren a los datos que no encajan claramente en la estructura tradicional de filas y columnas de las bases de datos relacionales. Algunos ejemplos de datos no estructurados son: correos electrónicos, vídeos, archivos de audio, páginas web y mensajes de medios sociales.
2) Análisis Self- Service
Al comienzo de la era del marketing data-driven, la obtención de conocimientos a través de datos relevantes era de alcance limitado, solía ser una función del departamento IT y requería de conocimientos especializados de programación, a menudo en Python o SQL, para manipular y comprender los datos relevantes. Las expectativas eran menores, porque los stakeholders sabían que los conocimientos se obtenían a partir de conjuntos de datos limitados que a veces tomaban un tiempo considerable en ser analizados.
La edad de la inocencia ha terminado. La tecnología ha madurado desde entonces; las compañías esperan obtener rápidamente una poderosa comprensión de los datos. Además, los clientes esperan que sus interacciones sean personalizadas, en el sentido de que el sistema con el que se relacionan ya debería conocer información básica, si no detallada, sobre ellos.
Este incremento del marketing acelerado y centrado en los datos ha impulsado a los departamentos de marketing a transformarse en potencias en el análisis de datos. Los negocios deben tomar decisiones basadas en métricas que conecten con los consumidores, hacer un uso prudente de los presupuestos y obtener resultados rápidos en todo momento.
Para cumplir con estas expectativas de los clientes, las agencias necesitan ofrecer análisis de marketing avanzados que se basen en información actualizada. Y, las compañías de integración de datos que colaboran con esas agencias también deben ser capaces de ofrecer análisis avanzados bajo demanda.
Los marketers -y los proveedores de datos que trabajan con ellos- se enfrentan a un reto urgente: se necesitan mejores formas y más rápidas de actuar sobre la información para seguir siendo competitivos, sin necesidad de depender de especialistas en IT.
3) Los marketers necesitáis la historia completa de los Datos
A menudo, los datos que se aprovechan presentan solo una imagen parcial, debido a las lagunas en la capacidad de una empresa para obtener la información necesaria. Incluso cuando los analistas de marketing tienen acceso a tantos recursos de datos como creen necesario, los métodos para extraer el significado de esos datos pueden variar ampliamente dentro de la empresa, con resultados igualmente variados.
Para lograr la diferenciación y mejorar los productos, servicios y experiencias de los clientes, es necesario comprender la narrativa más profunda creada por las conexiones entre los múltiples conjuntos de datos de los clientes, incluidos los datos geoespaciales.
Hubo un momento, donde los Data Lakes, conjuntos masivos de datos almacenados, parecía ser la panacea. Sin embargo, estas colecciones estáticas hacen que la gobernanza y el cumplimiento de la normativa sean un reto. En los últimos años, el rápido acceso a los datos se ha convertido en el objetivo principal de muchas empresas.
El hecho de ver las narrativas de los datos desde múltiples perspectivas permite a los analistas y Data Scientists realizar un análisis profundo de esos datos y obtener una comprensión más completa de sus clientes. Con esa comprensión integral viene la capacidad de forjar asociaciones más duraderas y mejorar la fidelidad de los clientes.
Esto se convierte en un reto cuando algunos datos deben ser analizados por otros departamentos de la misma organización. Los marketers tienen la responsabilidad de tomar decisiones basadas en datos sobre los que tienen poco control.
El 62% de los analistas de datos dependen de otros actores dentro de su organización para realizar al menos algunos pasos en el proceso de análisis
El hecho de ver las narrativas de los datos desde múltiples perspectivas permite a los analistas y Data Scientists realizar un análisis profundo de esos datos y obtener una comprensión más completa de sus clientes. Con esa comprensión integral viene la capacidad de forjar asociaciones más duraderas y mejorar la fidelidad de los clientes.
4) ¿Obtienes resultados o simplemente sobrevives?
Muchos analistas de marketing todavía pasan el 80% de su tiempo preparando datos manualmente. Si esto te suena, entonces solo el 20% de tu tiempo está disponible para el análisis real, lo que se traduce en la obtención de resultados que pueden representar un cuadro incompleto. Según una Encuesta de Análisis de Marketing de Gartner, casi la mitad de los 500 líderes encuestados reportan que algunos de sus analistas de datos más caros y experimentados pasan la mayor parte de su tiempo preparando datos para ser analizados en lugar de analizándolos.
A los trabajadores de la información estancados en ese escenario les encantaría hacer un mejor uso de la información que extraen de Google Analytics, DoubleClick y otras fuentes, incluyendo los datos de geolocalización. En cambio, los enfoques anticuados disponibles para la preparación y mezcla de datos obligan a los analistas a dedicar más tiempo a la generación de informes que a su comprensión.
Gartner continúa aclarando que, aunque los equipos de análisis han crecido significativamente en comparación con los de hace unos años, siguen dedicando la mayor parte de su tiempo a la preparación de datos, junto con el formateo y la integración de los mismos.
69% de los analistas de datos no están satisfechos con la calidad del resultado final.
¿Por qué los Analistas de Marketing no Tenéis Tiempo de Analizar?
Posiblemente, más de uno de estos puntos te suene:
Inviertes mucho tiempo buscando datos que sabes que existen, pero no sabes dónde
Empleas mucho tiempo en normalizar los datos para que sean consistentes y puedan ser fácilmente comparados
Te pasas mucho tiempo esperando que personas o equipos te proporcionen datos, acceso a ellos o algún otro componente del proceso de depuración de datos.
Dependes de sistemas propensos a causar confusión o duplicación, por ejemplo, compartir datos de marketing en correos electrónicos separados en lugar de hacerlo a través de un espacio de colaboración centralizado.
Si la preparación de datos de marketing llevase menos tiempo de lo que actualmente exigen los procesos tradicionales, los analistas de datos podrían aplicar sus conocimientos de forma meditada, usando test A/B y las estrategias de compra por distintos medios. Podrías emplear el tiempo recuperado en obtener análisis más minuciosos, como la hora del día y la relevancia del vecindario, para aprovechar una comprensión más profunda y obtener procesos creativos, impactantes y dirigidos y una mejor planificación general.
5) Alta rotación debido a un fallo de enfoque
La mentalidad de «condenar a los que te retrasan» se centra en enfoques ineficientes de preparación y mezcla de datos, y contribuye a un alto grado de insatisfacción y de rotación de los analistas de datos. Este alto nivel de rotación de trabajadores solo entorpece el cumplimiento de los objetivos de la empresa, porque incorporar al nuevo personal lleva tiempo y es difícil mantener la paridad de habilidades entre los trabajadores nuevos y los actuales.
6) Un Océano de Soluciones Donde te Perderás con Facilidad
Con frecuencia, las organizaciones obtienen datos de múltiples sistemas que dependen unos de otros, con diversos grados de éxito. Sin una plataforma unificadora, los equipos de análisis no pueden abordar resultados más avanzados. Por ejemplo, utilizando la programación SQL para extraer datos, Python para limpiarlos, Excel para vlookups, SAS para el modelado predictivo, GIS para el mapeo y Tableau para la visualización. No sólo es raro tener todas estas habilidades, sino que cada herramienta requiere mover los datos de un lugar y formato a otro. Esto lleva mucho tiempo y requiere una supervisión considerable para gestionarlo correctamente.
Los marketers que no estén al día en las herramientas y técnicas del mercado para unificar datos de manera eficiente, aplicar analítica avanzada y sacar insights accionables antes que la competencia, estarán en medio de la nada.
Referencias: Todos los derechos reservados a Alteryx