Este documento presenta información sobre métricas de marketing intelligence. Explica conceptos clave como el marketing, método del caso, métricas e indicadores y aplicaciones de marketing intelligence. Luego profundiza en cada uno de estos temas, definiendo conceptos, mostrando ejemplos y detallando el uso de métricas y datos en el marketing. El objetivo final es mostrar cómo las organizaciones pueden analizar datos para tomar mejores decisiones de negocio en áreas como segmentación de clientes, desarrollo de productos y evaluación de campañas.

1. Programa Big Data y
Business Intelligence
M3.1. Business Analytics
M3.1.03.5. Métricas de Marketing Intelligence
David Ruiz Uceta y Alex Rayón Jerez
druiz@smartup.es y alex.rayon@deusto.es
25 de Septiembre de 2015
Bilbao

2. Guión de la sesión
2

3. 3

4. 4

5. Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
5

6. Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
6

7. El marketing
¿Qué es?
Marketing
=
Mercado
+
Oferta
7

8. El marketing
¿Qué es? (II)
8
Mercado
RAE: “7. m. Conjunto de consumidores capaces de
comprar un producto o servicio.”
Oferta
RAE: “6. f. Econ. Conjunto de bienes o mercancías
que se presentan en el mercado con un precio
concreto y en un momento determinado.”

9. El marketing
¿Qué es? (II)
9
Fuente: http://www.profesionalesmarketing.es/2015/02/marketing-online-para-hoteles-5-claves-para-posicionar-tu-hotel-en-internet/

10. El marketing
¿Qué es? (III)
10
En la era de Internet,
dentro del mundo
del marketing, el
usuario tiene el
poder
Búsquedas
Recomendaciones
Quién, qué, cómo,
cuándo, cuánto, etc.
Fuente: http://moisesnaim.com/es/books/el-fin-del-poder/

11. El marketing
¿Qué es? (IV)
11
El marketing no es solo publicidad
La publicidad es el impacto para llegar al
mercado
No tiene el valor añadido de la experiencia, del
contenido, etc.
Fuente: http://www.revistasumma.com/la-publicidad-que-quieren-que-veamos-sin-darnos-cuenta/

12. El marketing
Drivers of Big Data
12

13. El marketing
Economía digital
13
En la actividad digital,
todo genera un dato
Tarjetas de crédito
Teléfonos móviles
Redes sociales
Proveedores de Internet
Tarjeta de fidelización
de mercado
...
Fuente: http://www.privacidadlogica.es/2012/05/31/modelo-de-informe-sobre-sistema-de-control-horario-basado-en-
huella-digital/

14. El marketing
Economía digital (II)
14

15. El marketing
La importancia del dato
15
En la economía digital, captar datos de
clientes es cada vez más crítico
De
1º Vender
2º Capturar el dato
A
1º Capturar el dato
2º vender

16. El marketing
La importancia del dato (II)
16
Estrategia de venta directa: nuevo enfoque
1-2) Gestionar audiencia1-2) Capturar datos
3) Convertir a ventas

17. El marketing
La importancia del dato (III)
17
1) Gestionar audiencia
Fijar público objetivo
Identificar espacios digitales donde
encontrarlos
Crear espacios propios para captar
datos y crear la Base de Datos
Definir líneas editoriales y métodos de
captación

18. El marketing
La importancia del dato (IV)
18
2) Captar datos
Creación landing page para captar dato
Pedir datos necesarios y clasificarlos
Realizar seguimiento

19. El marketing
La importancia del dato (V)
19
3) Convertir a venta
Segmentación de usuarios
Personalización de la oferta
Planificar acciones
Realizar seguimiento

20. El marketing
Evolución: Las Tres Olas
20

21. El marketing
Nueva coyuntura
21

22. El marketing
Nueva coyuntura (II)
22
Las marcas ya no se anuncian, se relacionan

23. El marketing
Nueva coyuntura (III)
23
Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20

24. El marketing
De multicanal a omnicanal
24

25. El marketing
Aproximación digital
25

26. El marketing
Aproximación digital: Datos estructuras y no estructurados
26

27. El marketing
Aproximación digital: Mayor número de variables
27

28. El marketing
Aproximación digital: Proceso casi en tiempo real
28
Event-Based Marketing

29. El marketing
Aproximación digital: Mayor profundidad de datos
29

30. El marketing
Estructura organizativa
30
Para que esto funcione...
Fuente: http://blogs.icemd.com/blog-customer-centric-customer-experience/tag/estrategia-omnicanal/page/2/

31. El marketing
Estructura organizativa (II)
31

32. El marketing
Customer Journey
32

33. El marketing
Findability
33

34. El marketing
Soportes digitales
34

35. El marketing
Soportes digitales (II)
35

36. El marketing
Puntos de contacto y experiencia de usuario
36

37. Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
37

38. Método del caso
38
Definición del problema
Criterios
Decisión
Plan de
acción
Evaluar
alternativas
Generar
alternativas
SíntesisSíntomas
Análisis
1
2
3 4 5 7
6

39. Método del caso
39
Fuente: http://www.brandemia.org/magazine
Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921

40. Método del caso
1) Definición del problema
40
Definición de objetivos
Necesidad de información
Antecedentes
Nuevas oportunidades
Mejora toma de decisiones
…
Datos disponibles
Alcance

41. Método del caso
1) Definición del problema (II)
41
Modelo de datos
Transacción
Cliente
Promoción
Producto/Servicio
Proveedor
Tienda
Web
Analytics
Identidad
digital
Social
Media
Analytics
Lead
Tarjeta
fidelización
- Atributos
personales
- online/offline
- localización
- tamaño
- secciones
- fecha apertura
...
referencias
Empleado
- id
- precio
- categoría
- tamaño
- marca
- fecha introducción
- fecha retiro
- estado
...
- fecha
- hora
- medio de pago
- día/mes/mes del año
...
- fecha inicio
- fecha fin
...
Grupo
Acción
marketing
visita
Categoría
Tiempo

42. Método del caso
1) Definición del problema (III)
42
Modelo de datos

43. Método del caso
1) Definición del problema (IV)
43
Estudiar datos tiene dos objetivos
principales
Informar
¿Qué ha ocurrido?
Predecir
¿Qué podría ocurrir?

44. Método del caso
1) Definición del problema (V)
44
Modelo de datos

45. Método del caso
1) Definición del problema (VI)
45
Planteamos cinco problemas
1.Relación entre CAC y Margen Unitario
2.Predecir cifra de ventas a partir de la cantidad y
grupo de promoción
3.¿Qué productos son comprados a una
determinada hora del día?
4.¿Qué compras siguen un patrón parecido?
5.Reducir a dos dimensiones la matriz de datos
Artículo Alex

46. Método del caso
1) Definición del problema (VII)
46
Categorías de problemas
Problemas
Predictivos
(supervisados)
Descriptivos
(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación

47. Método del caso
1) Definición del problema (VIII)
47
Categorías de problemas
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)

48. Método del caso
1) Definición del problema (IX)
48

49. Método del caso
1) Definición del problema (X)
49
Para estudiar la correlación
Se escogen dos o más variables entre las que se
hipotetizar una relación causal
Se pone a prueba mediante técnicas estadísticas
(test chi2, etc.)
¿Cómo identificar qué variables son las
que explican (son independientes)?
Por los métodos de control
Método experimental

50. Uso de datos en el mundo del marketing
Customer profiling: hábitos, necesidades, valor,
potencial → Know Your Customer (KYC)
Customer Intelligence: targeting, modelos de
cliente (ciclo de vida relacional y existenciales),
modelos de producto (propensiones),
segmentación, análisis del Valor Cliente
(Customer Lifetime Value), análisis patrones de
compra (Market Basket Analysis), métrica RFM
(Recency, Frequency, Monetary), etc.
Estrategias omnicanal y de Social CRM:
Método del caso
1) Definición del problema (XI)
50

51. Uso de datos en el mundo del marketing
Brand Intelligence: valor de una marca,
influencia de la marca en la oferta y demanda,
valoración de marca, etc.
Marketing experiencial: Customer Experience
Management, Customer journey, Indicadores de
Experiencia de Cliente (NPS, etc.)
Del marketing masivo al marketing one2one:
Event-based marketing, marketing en tiempo
real (retargeting), retargeting personalizado
(Right Offer, Right PersoN), estrategias de cross y
Método del caso
1) Definición del problema (XII)
51

52. Uso de datos en el mundo del marketing
Inbound marketing: engagement con contenidos,
capturando datos de touchpoints, relación con
clientes, etc.
Social Media Intelligence: Social Business, Social
Media Analytics, análisis de medios sociales y
conversión, etc.
Geomarketing: Sistemas de Información
Geográfica (GIS)
Producto: nichos de mercado, nuevos productos y
Método del caso
1) Definición del problema (XIII)
52

53. Uso de datos en el mundo del marketing
Fidelización de clientes: programas de
fidelización, técnicas de fidelización (endógena y
exógena)
Marketing ROI & optimización del presupuesto
de marketing: CLV vs. CAC, modelos de
atribución, modelo analítico de atribución,
evaluación de las acciones, campañas,
segmentos y audiencias, optimización de la
inversión
etc.
Método del caso
1) Definición del problema (XIV)
53

54. Método del caso
2) Análisis
54
Necesidad de información
Entidad/entidades
Conceptos medibles
Atributos
Métricas
Indicadores → KPIs
Ejemplo

55. Método del caso
3) Síntesis
55
Resumen de indicadores
Categoría de indicadores
Mercado
Oferta
Producto
Acciones de marketing
Cuadro de Mando Integral

56. Método del caso
4) Generar alternativas
56
Oportunidades de mejora
Experimentos orientados a la mejora de
resultados
Para los cuatro problemas planteados,
vamos a construir:
Clasificación/clusterización
Modelo de regresión
Reglas de asociación
Análisis de Componentes Principales

57. Método del caso
5) Evaluar alternativas
57
Fuente: http://globalo2.es/satisfaccion-clientes/

58. Método del caso
6) Decisión
58
Toma de la decisión considerando KPIs
Fuente: https://actitudinternacionaluca.wordpress.com/author/intacuca/page/9/

59. Método del caso
7) Plan de acción
59Fuente: http://www.sedputumayo.gov.co/sedputumayo/SITIO/site/index.php?option=com_k2&view=item&id=679:plan-de-acci%C3%B3n-secretaria-de-educaci%C3%B3n-departamental-a%C3%B1o-2014

60. Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
60

61. Métricas
Introducción
Beneficios de la medición/evaluación
Analizar, comprender (los atributos de un ente)
Controlar (la calidad del producto, etc.)
Predecir (el tiempo y coste de un proyecto)
Mejorar (la calidad de un servicio, proceso, etc.)
Conceptos medibles (factores)
Calidad, calidad de uso, productividad, coste,
eficiencia de una acción, etc.
61

62. Métricas
Introducción (II)
“Metrics are welcome when they are
clearly needed and easy to collect and
understand” (Pfleeger)
“Indicators are ultimately the foundation
for interpretation of information needs
and decision-making”
62

63. Métricas
Utilidades
Medición objetiva antes que subjetiva
Especificar en el mundo formal, la
correspondencia de un atributo del
mundo empírico
Servir de base a métodos cuantitativos de
evaluación o predicción
La métrica no puede interpretar por sí sola
un concepto medible → necesitamos
indicadores 63

64. Métricas
Métodos de evaluación
Categorías
Testing
Inspección
Consulta (inquiry)
Modelo analítico
Simulación
Los métodos y técnicas a aplicar son
Cuantitativos vs. cualitativos
64

65. Métricas
Conceptos asociados a métricas
65
Entidad
Atributo
Concepto medible
Modelo conceptual
Métrica (Medición, medida)
Método
Escala y unidad

66. Métricas
Entidad
66
Un objeto que va a ser caracterizado
mediante la medición de sus atributos
Puede ser física -tangible- o abstracta -intangible-
Objetos de interés para el marketing:
Servicio
Producto
Acción
Campaña

67. Métricas
Atributo
67
Propiedad mensurable, física o abstracta,
de una entidad
Puede ser interno o externo de la entidad
El atributo se puede medir (cuantificar)
por medio de una métrica directa o
indirecta

68. Métricas
Concepto medible
68
Una relación abstracta entre atributos de
una o más entidades, y una necesidad de
información
Fuente: https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_medida

69. Métricas
Modelo conceptual
69
El conjunto de subconceptos y las
relaciones entre ellos, que sirven de base
para una posterior evaluación o
estimación
Ejemplo: características y sus relaciones que
proveen las bases para modelar la calidad
Una característica puede estar conformada por
subcaracterísticas y atributos

70. Métricas
Modelo conceptual (II)
70

71. Métricas
Métrica
71
El método de medición definido y la
escala de medición (ISO 14598-1:1999)
Medición
Actividad que usa la definición de la métrica para
producir el valor de una medida
Medida
Número o categoría asignada a un atributo de una
entidad mediante una medición (ISO 14598-1:1999)

72. Métricas
Métrica (II)
72
Es la correspondencia de un dominio
empírico (mundo real) a un mundo
formal, matemático
La medida incluye el valor numérico o nominal
asignado al atributo de un ente por medio de
dicha correspondencia (Fenton)

73. Métricas
Métrica (III)
73
Juan es más alto que María si y sólo si M(Juan) > M(María)

74. Métricas
Métrica (IV)
74
Pueden ser
Métricas directas
Una métrica de un atributo que no depende de ninguna
métrica de otro atributo
Métricas indirectas
Una métrica de un atributo que se deriva de una o más
métricas de otros atributos
Se formaliza por medio de una función de medición
(fórmula, ecuación)
Función de medición: un algoritmo o cálculo que permite
combinar dos o más métricas

75. Métricas
Método
75
Secuencia lógica de operaciones y
potenciales heurísticas, expresadas de
forma genérica, que permite la
realización de una descripción de
actividad
El tipo de método de medición va a depender de la
naturaleza de las operaciones utilizadas para
cuantificar el atributo
Subjetivo: cuando la cuantificación supone un juicio
realizado por un ser humano.

76. Métricas
Escala
76
Un conjunto de valores con propiedades
definidas (ISO 14598-1)
Escala numérica (continua o discreta)
Escala categórica
Tipos de escala
Nominal
Ordinal
Intervalo

77. Métricas
Escala (II)
77

78. Métricas
Ejemplo
78
Necesidad de información
Evaluar la confianza de los enlaces en una web
Entidad
Website
Concepto medible
Confiabilidad de los enlaces
Atributos

79. Métricas
Ejemplo (II)
79
Métrica posible 1
#IBL
Unidad: enlace
Escala: numérica, enteros
Tipo de escala: absoluta
Tipo de método de medición: objetivo
Métrica posible 2
%IBL = (#IBL/#TL) * 100
Unidad: normalizada a porcentaje

80. Métricas
Indicador
80
El método de cálculo y la escala definidos,
además del modelo y criterios de decisión
con el fin de proveer una evaluación o
estimación de un concepto medible con
respecto a una necesidad de
información
Las métricas no pueden interpretar por
sí solas un concepto medible
Se necesitan indicadores

81. Métricas
Indicador (II)
81
Criterio de decisión
“Thresholds, targets or patterns used to determine
the need for action or further investigation, or to
describe the level of confidence in a given results”
(ISO 15939)
Ejemplo
No satisfactorio: de 0 a 40
Marginal: entre 40 y 60
Satisfactorio: más de 60

82. Métricas
Indicador (III)
82

83. Métricas
Estrategia medición: claves

84. Métricas
Estrategia medición: Esquema

85. Métricas
Estrategia medición: Elementos
¿Qué necesitamos para llevar a cabo esta
estrategia?
Conocimientos del negocio
Objetivos de negocio
Estrategias de marketing digital
Formación analítica digital
Conocimientos técnicos

86. Métricas
Estrategia medición: Objetivos
eCommerce
Cualificación de leads
Engagement
Compromiso y fidelización

87. Métricas
Estrategia medición: Objetivos (II)

88. Métricas
Estrategia medición: Objetivos (III)

89. Métricas
Estrategia medición: Objetivos (IV)

90. Ventas
Ventas por hora, día, semanales, mensuales,
trimestrales y anuales
Compra media (ticket medio de venta)
Margen medio
Ratio conversión ventas respecto a usuarios
% Carritos abandonados
% de nuevos pedidos respecto pedidos de usuarios
recurrentes
Métricas
Estrategia medición: KPI

91. eCommerce
Unique visitors
Total visits
Page views
New visitors
New customers
Total orders per day, week, month
Time on site per visit
Page views per visit
Métricas
Estrategia medición: KPI (II)

92. Marketing
Site traffic
Unique visitors vs. returning visitors
Time on site
Page views per visit
Traffic source
Newsletter subscribers
Chat sessions initiated
Facebook, Twitter, or Pinterest followers or fans
Métricas
Estrategia medición: KPI (III)

93. Customer service
Customer service email count
Customer service phone call count
Customer service chat count
Average resolution time
etc.
Ahora veamos como pintar este cuadro...
Métricas
Estrategia medición: KPI (IV)

94. Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
94

95. Ciclo Business Intelligence
Introducción
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación
de consumidores, cesta de la compra, etc.) y predictivos
(predicción de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
95

96. Ciclo Business Intelligence
Entendiendo el problema a resolver
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación
de consumidores, cesta de la compra, etc.) y predictivos
(predicción de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
96

97. Ciclo Business Intelligence
Entendiendo el problema a resolver (II)
97
No obtiene respuestas quién
posee los datos, sino quien
sabe hacer las preguntas
Una disciplina que tiene un
objetivo a medio plazo
La herramienta de la estrategia
y de la dirección
Busca dar respuestas a
preguntas concretas y
formuladas a priori
analizando datos
Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/

98. Ciclo Business Intelligence
Entendiendo el problema a resolver (III)
98
Por contra, Big Data, básicamente consiste
en analizar masivamente datos "a ver si
sale algo"
Esto último tiene problemas obvios
Me pueden salir correlaciones o relaciones
espúreas o sin fundamento ni sentido (si
analizamos la aparición del cambio climático y
la desaparición de los piratas, la correlación es
muy alta, y su sentido ninguno)
Un campo que permite aprovechar el dato a corto
plazo buscando patrones, inferencias, etc., entre
los datos, sin ningún objetivo a priori concreto

99. Ciclo Business Intelligence
Entendiendo el problema a resolver (IV)
99

100. Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
100

101. Data-driven marketing
Ganar más dinero
101
Marketing
intelligence
La idea es analizar la parte
más transaccional (de
compra - venta) con las
acciones de marketing
Con este dúo, sacamos
acciones de marketing con
objetivos, personalizado e
hipersegmentado
Fuente: http://www.boats.com/boat-content/2010/page/152/

102. Data-driven marketing
Ganar más dinero (II)
102
Se trata de analizar los datos:
Contextuales de una compra → momento, lugar,
composición de la cesta de la compra
Lo enmarcamos en perspectiva → frecuencia,
tiempo entre última compra, etc.
Analizamos el cliente → si lo hace con tarjeta de
fidelización, edad y perfil sociodemográfico, si
viene incentivado por un descuento, etc.
Y el canal por el que entra → online -tienda
online, landing page, redes sociales, etc- u offline
… y preguntarnos cosas como...

103. Data-driven marketing
Ganar más dinero (III)
103
Segmento y perfil de cliente que más compra a
una hora determinada y en un lugar concreto
Fuente: http://es.slideshare.net/Elife2009/perfil-del-consumidor-de-bebidas-alcohlicas-en-mxico

104. Data-driven marketing
Ganar más dinero (IV)
104
Quién (influenciadores) o qué (drivers de
compra) influye más en la decisión de
compra de un cliente → drivers

105. Data-driven marketing
Ganar más dinero (V)
105
Qué relación de
productos
permite
modelizar el
perfil de cliente

106. Data-driven marketing
Ganar más dinero (VI)
106
¿Cuál es la estructura de mi marca?
Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext

107. Data-driven marketing
Ganar más dinero (VII)
107
Reglas de asociación
de productos como "Si
compra foie, también
adquiere vino crianza",
y así enfocar el cross-
selling o up-selling en
tienda o en
promociones, product
placement, gestión
de inventarios, etc.
Expresión de la
forma
X → Y
{pañales} → {cerveza}
{cerveza} → {pañales}
{pan, leche} → {huevos}
{pan} → {leche, huevos}
Fuente: http://noticias.buscopisocasa.com/category/alimentacion-2/

108. Data-driven marketing
Ganar más dinero (VIII)
108
MROI: Marketing Return on Investment
McKinsey review: “An integrated analytics approach could save up to 15-20%
total budget”
Source: http://www.thecmosite.com/author.asp?section_id=1137&doc_id=234474

109. Data-driven marketing
Ganar más dinero (IX)
109
Clusterizar clientes y productos
Source: http://inside-bigdata.com/2013/12/18/tech-tip-power-pitfalls-clustering/
Source: http://www.cs.bilkent.edu.tr/~saksoy/research.html

110. Data-driven marketing
Ganar más dinero (X)
110
¿Cómo están relacionados mis clientes?
Análisis de Redes Sociales (ARS)
Source: http://rs.resalliance.org/2010/11/03/reading-list-using-social-network-analysis-sna-in-social-ecological-studies/

111. Data-driven marketing
Ganar más dinero (XI)
111
¿Cómo generar lealtad y preferencia hacia
mi producto?

112. Data-driven marketing
Ganar más dinero (XII)
112
Customer Experience
Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/

113. Data-driven marketing
Ganar más dinero (XIII)
113
Lead generation, Nurturing and Scoring
Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/

114. Data-driven marketing
Ganar más dinero (XIV)
114
Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html

115. Data-driven marketing
Ganar más dinero (XV)
115
Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem

116. Data-driven marketing
Ganar más dinero (XVI)
116
Recency
Cuán reciente es la última compra del cliente
Frequency
Con cuánta frecuencia compra el cliente
Monetary
Cuánto gasta el cliente
Esta técnica de análisis está basada en el
axioma de marketing de que el 80% del
negocio procede del 20% de los clientes

117. Data-driven marketing
Ganar más dinero (XVII)
117
Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing

118. Data-driven marketing
Maturity model
118

119. Data-driven marketing
Maturity model (II)
119

120. Data-driven marketing
Maturity model (III)
120
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)

121. Data-driven marketing
Aumentando el valor
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf

122. Data-driven marketing
Visión única del cliente
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf

123. Data-driven marketing
Matriz de estrategias con clientes
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf

124. Data-driven marketing
Marketing digital y Big Data/Business Intelligence
Landing
page
- GIS
- Segmentación
- Dashboard
Cadena de valor del dato en acciones de captación directa
BBDD
Business Intelligence
SEO
Performance
marketing
Social
Media

125. Data-driven marketing
Conozca sus clientes y aumente sus ventas

126. Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
126

127. Experiencias Big Data
Customer Intelligence

128. Experiencias Big Data
Retención de clientes

129. Experiencias Big Data
Estrategias omnicanal

130. Experiencias Big Data
Estrategias omnicanal (II)

131. Experiencias Big Data
Geomarketing

132. Experiencias Big Data
CLV vs. CAC

133. Experiencias Big Data
Mantener un diálogo a lo largo del Ciclo de Vida del Cliente

134. Copyright (c) 2015 University of Deusto
This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative
Commons “Attribution-ShareAlike” License. To view a copy of this license, visit
http://creativecommons.org/licenses/by-sa/3.0/
David Ruiz Uceta y Alex Rayón Jerez
Septiembre 2015

135. Programa Big Data y
Business Intelligence
M3.1. Business Analytics
M3.1.03.5. Métricas de Marketing Intelligence
David Ruiz Uceta y Alex Rayón Jerez
druiz@smartup.es y alex.rayon@deusto.es
25 de Septiembre de 2015
Bilbao