Cada churn es un mundo y ocurre por una razón. Como hablábamos en nuestro post anterior, una pareja no se despierta un día y decide poner fin a la relación así porque sí. Existen señales y síntomas que se van acumulando que indican que algo no funciona y es importante identificarlos para poder solucionarlo a tiempo.
El modelo predictivo de tipo churn es uno de esos indicadores: alerta de qué clientes tienen más probabilidad de marcharse. Sí, esta información es realmente útil, pero puede quedarse algo escasa. Imagínate que en vez de saber únicamente de qué tipo de cliente se trata, tuvieses una visión 360º de ese consumidor y de su experiencia con tu empresa que te permitiese saber todo sobre él. Sería como si pudieses leerle la mente a tu pareja y saber cómo se siente, así sería mucho más fácil arreglar los problemas, ¿verdad?
Cuanta más y mejor información tengas sobre un cliente, más sencillo te resultará interactuar con él de una manera más personalizada y entender sus patrones de comportamiento.
Los modelos predictivos de tipo de churn resultan muy útiles de cara a potenciar las estrategias de retención y fidelización de clientes. Sin embargo, si aislamos este caso de uso solo tendríamos un pequeño fragmento de puzzle entero perdiendo seguramente parte del contexto actual del cliente.
Por ello, en Keyrus nos gusta experimentar combinando diferentes fuentes de datos y casos de uso que puedan tener mayor impacto en tu organización para obtener esa visión 360º tan deseada de un cliente.
Datos internos y externos
Lo primero que debes hacer es recopilar los diferentes datos procedentes de las diferentes fuentes con las que cuente tu organización:
Sistemas de interacción con el cliente: navegación web/app (usuarios únicos, visitas a tu página web, descargas, interacciones, compras...) correos electrónicos, llamadas telefónicas, servicio de atención al cliente, chats intercambiados con el consumidor que proporcionan información en múltiples formatos: vídeos, imágenes, clics, mensajes… Más adelante hablaremos en profundidad de dos casos de uso muy potentes como el Market Basket Analysis y la propensión a la compra.
Redes sociales: fans o seguidores, likes, reseñas, cantidad de contenidos compartidos, demografía de los usuarios…
Sistemas relacionales (CRM): clientes potenciales o leads, resultados de campañas o productos más demandados, etc.
Registro de las transacciones (ERP, BPM): información de las transacciones de la compañía, compras y devoluciones, productos más vendidos, ventas por cliente, tipos de transacciones…
Recuerda que para poder crear un perfil 360 lo más afinado y real posible debes trackear cada interacción de tus clientes con tus diferentes canales.
Además, siempre recomendamos enriquecer la información propia con datos externos de cara a sesgar lo menos posible la información. Estos datos son generados por otros individuos, negocios o sensores (IOT) y tienen su origen en diversas fuentes, por ejemplo:
Comportamiento online: búsquedas en otras webs, geolocalizaciones, tráfico web, redes sociales, uso de aplicaciones…
Datos personales de los usuarios: categoría socio-profesional, edad, género, intereses, afinidades, etc.
Negocios: publicidad, precios, valoraciones y opiniones, ubicación de otras tiendas...
Datos agregados: IoT, rastreadores web, B2B, datos públicos como el INE, catastro o la meteorología, calendario de festivos, etc.
Eventos: oficios, satélites y meteorología, detección de eventos…
Datos comprados a terceros: Data Brokers, Social Data…
El CDP: la solución para unificar toda esta información
Como hemos visto en el apartado anterior, existen muchas fuentes y tipos de información en distintos formatos y volúmenes que pueden llegar a ser difíciles de manejar y entender. La pregunta es cómo puedes combinar toda esta información para que sea realmente valiosa.
La mayor dificultad es que muchas de las herramientas de marketing que recogen esta información (como el CRM, correo electrónico, Marketing Automation, bases de datos, redes sociales, ecommerce, etc.), lo hace en forma de silo y no conectan los datos entre sí, por lo que mucha información queda inutilizada o fragmentada. De esta forma generar una visión única de los datos es muy complicado y, en consecuencia, analizarlos y utilizarlos todavía más. Es aquí donde aparece el CDP.
Un Customer Data Platform es una plataforma de datos de clientes. Se trata de un ecosistema que unifica toda la información disponible en una misma base de datos, conectando todos los sistemas entre sí en tiempo real, limpiando los datos para que sean de calidad, eliminando aquellos duplicados o incorrectos y generando así un enriquecimiento de la información muy potente. De esta forma, se consiguen romper los silos y se genera una única fuente de la verdad de perfiles únicos, completos y coherentes de los clientes.
Ahora que ya tenemos un lugar donde se encuentra toda la información unificada y organizada, es momento de analizar y observar qué nos dicen los datos.
Modelos de tipo churn y...
Como decíamos anteriormente, los modelos de tipo churn nos dan información muy útil de cara a activar acciones de retención y fidelización pero, ¿y si le sacamos más partido al Data Analytics?
Ya tenemos identificada toda la información interna y la externa que hemos considerado interesante (y dentro de nuestras posibilidades económicas), la tenemos recogida en un CDP y hemos podido obtener nuestros primeros insights al preguntar a los datos. En este punto, es muy interesante explotar y profundizar en diferentes casos de uso que enriquezcan esos insights y nos ayuden a conseguir los objetivos que se hayan planteado al principio del proyecto. Por ejemplo:
1. Análisis del carrito de la compra
El análisis del carrito de la compra es un caso de uso muy potente para entender el comportamiento de tus clientes. Este análisis te va a ayudar, de forma medible y concreta, a definir las estrategias de cross-selling y upselling de productos dentro de la misma u otras categorías.
El análisis del carrito de la compra, a través de técnicas de análisis de asociación, nos permite contar con una visión de correlación de las ventas y obtener un overview del histórico y comportamiento del cliente.
Este tipo de análisis nos dice que si un usuario adquiere un determinado grupo de productos, es más probable que compre el producto Y, es decir, permite encontrar asociaciones en los datos. Estas reglas de asociación pueden revelarnos cuestiones como cuáles son los artículos que se suelen comprar al mismo tiempo, en qué medida la compra de un artículo provoca la compra de un segundo, etc. Por ejemplo, una persona que compre crema de cacahuete y pan tostado tiene muchas más probabilidades de también querer comprar mermelada.
Esta información es muy útil para implementar estrategias de venta cruzada, realizar recomendaciones a los clientes sobre productos relacionados, mejorar la selección de surtido por tienda y distribuir los productos cercanos con alto nivel de conexión en páginas web, catálogos o en la estantería de un establecimiento. Todo ello conducirá a un incremento del ticket medio de forma natural y, por tanto, ¡ingresos UP!
2. Modelos de propensión a la compra
El objetivo está claro: quieres conocer más y mejor a tus clientes, detectar quién puede abandonar tus servicios y fidelizar a tus mejores usuarios. Gracias al Data Analytics, en Keyrus estamos ayudando a empresas como la tuya a profundizar en toda esa información de los consumidores de cara a entender mejor su comportamiento y hábitos de compra.
Con la aplicación de modelos predictivos, puedes basarte en datos reales del histórico de cada uno de tus clientes obteniendo patrones reales y no hipotéticos con un único objetivo: hiperpersonalizar la oferta.
Así, podrás extraer información de los datos contextuales de una compra (momento, lugar o la composición de la cesta de la compra), la perspectiva (frecuencia de compra, tiempo que ha pasado desde la última compra, etc.), observar a tus clientes al detalle (si lo hace con tarjeta de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento. . .) y conocer a través de qué canal interactúan con tu empresa (online-web, landing pages, redes sociales, etc- u offline).
A incluir estas variables en el modelo predictivo de propensión a la compra podremos conocer de antemano qué grupo de clientes es más susceptible de invertir dinero en nosotros y con ello activar diferentes acciones como podría ser el cross selling, upselling, e incluso algún tipo de táctica de fidelización por recomendación.
3. Social Analytics
Los modelos algorítmicos son capaces de simplificar los datos de decenas de redes sociales, millones de personas y una gran variedad de acciones. Este tipo de datos no estructurados no son sencillos de analizar, ya que implican un análisis del sentimiento de los consumidores, que puede ser algo abstracto. Por ello el Social Analytics es tan útil, ya que gracias a esta simplificación se obtiene un conocimiento más profundo del comportamiento, opinión, preferencias e intención de los usuarios aportando insights de valor accionables.
Este análisis permite a las empresas saber qué opina su audiencia sobre ellos o la competencia, si lo están haciendo bien o no e identificar oportunidades y tendencias emergentes y con todo ello, pueden mejorar la efectividad de sus estrategias digitales en redes sociales.
4. Segmentación, clusterización e hiperpersonalización
Otros casos de uso totalmente recomendables serían la segmentación y la clusterización.
La segmentación divide a una audiencia en grupos homogéneos basados en características similares como la edad, sexo, ingresos, geografía, etc. Cada segmento representa un grupo de clientes con necesidades y preferencias similares.
La clusterización va un paso más allá: se basa en la identificación de patrones y la agrupación de objetos similares en función de su comportamiento. Encuentra las variaciones más pequeñas entre los clientes dentro de cada grupo.
A diferencia de la segmentación, que se basa en categorías predefinidas para realizar la agrupación, la clusterización se encarga de identificar las semejanzas entre los distintos objetos de los conjuntos de datos y así agruparlos en base a las características que las hacen comunes entre sí.
Si combinas la información de estos dos casos de uso estarías dotando a tus equipos de marketing de insights de mucho valor de cara a diseñar estrategias hiper-personalizadas por y para cada uno de los perfiles de tus consumidores.
Así, por un lado, se puede sacar el máximo partido de los clientes de alto valor que sean más propensos a la compra (incentivándoles con una oferta personalizada) y, por otro lado, se puede detectar a tiempo a los consumidores que empiecen a mostrar síntomas de posible abandono o insatisfacción. Para cada uno de estos segmentos se llevará a cabo una estrategia específica más efectiva.
Antes de terminar, queremos darte un consejo: llevamos todo el artículo hablando de datos y más datos y de lo importante que es utilizarlos para marcar la diferencia y obtener esa visión 360º de tus clientes. Sin embargo, es todavía más importante que primero tengas en cuenta que cantidad no es igual a calidad: más no es mejor. Mejor es mejor. Puedes tener muchísimos datos y que no sirvan absolutamente para nada porque estén totalmente desfasados.
Es vital que antes de ponerte a analizar, tus datos sean de calidad, que estén enriquecidos con datos externos para reducir los sesgos y, sobre todo, que cuentes con una plataforma donde poder mezclar todas esas fuentes de datos para entender realmente qué valor te están aportando o te podrían aportar. Una vez empieces a recibir respuestas de esos datos, ya podrás empezar a actuar. Sin embargo, si quieres sacarles el máximo partido y jugar en la Champions League del Data Analytics, además de contar con datos de calidad, siempre recomendamos priorizar y aplicar los casos de uso que tengan más sentido y potencial para tu departamento o compañía.