Con "big data" podemos lograr un cambio importante en como funcionan nuestras empresas, podemos conocer todo de nuestros clientes por ejemplo, pero así como big data nos da gran poder, también implica una gran responsabilidad. Esta es la parte 1 de la ecuación: gran poder.

2. El
éxito
en
los
negocios
está
en
saber
algo
que
los
demás
desconocen.
Aristóteles
Onassis

3. Lo
esencial
es
invisible
para
los
ojos,
Solo
con
información
se
puede
ver
bien.

4. Yo soy yo y mi circunstancia (Unamuno)
Tal
como
la
tui@é
y
pos@é
en
facebook

5. Adaptado
de
How
Companies
Learn
Your
Secrets
-­‐
NYTimes.com

6. Redefinamos Big Data
• Big Data se suele definir en términos del volumen, velocidad y
variedad de la data que almacenan las empresas, o en términos de
modelos predictivos o herramientas de software
• Para ser relevante, Big Data debe definirse en función de valor
(táctico) y transformación del negocio (estratégico)
• Big Data es un viaje, no un destino
– Empecemos con Small Data para un impacto inmediato
– Construyamos capacidades y aprendamos de éxitos y errores
• Pensemos en el ejemplo del caso de Target. Que ha logrado?
– Impacto directo en el trafico y rentabilidad de sus tiendas
– Establecer una relación con el shopper ofreciendo productos
relevantes en el momento correcto
– Lograr un cambio de comportamiento duradero, no en una transacción
(no caer en la trampa promocional)

8. Analy&cs
La
Estrategia
Analytics, Big Data, Data Mining
Data
Mining
Las
Herramientas
Cambio
Organizacional
El
metodo
Big
Data
El
Insumo

11. •
1.44MB
1 GB
20 PB
1 TB
Exabyte
Zettabyte
Yottabyte
Xenottabyte
1 PB

12. Colaboración de The Retail Factory,
especialistas en shopper marketing desde la “a” a la “z”
MM

14. 1986
2007
Volumen
3
exabytes
295
exabytes
Variedad
99%
análoga
94%
digital
Procesamiento
0.001
billones
de
MIPS
6,380
billones
de
MIPS

15. 2009 – la información digital creció 62%, 800 billones de
gigabytes (800 Exabytes = 0.8 Zettabytes)
2010 – 1.2 Zettabytes producidos, equivalen a:
• La informacion creada por cada ser humano tuiteando
continuamente durante 100 años
• 75 billones de iPad 16Gb (llenarían más de 40 estadios
grandes)
Si toda esta info se imprimiera y se apilara, llegaría a
Plutón 16 veces !

16. Para el 2020, la información se
habrá multiplicado 44 veces.
En el 2020, el 30% de esta
información estará en la nube.
70% de la info es generada por
individuos, pero almacenada
principalmente por empresas.
hVp://www.emc.com/leadership/digital-­‐universe/index.htm

17. Velocidad, Variedad y Volumen sin
precedentes
• Gracias a la Data Social y Movil ahora podemos saber:
– Donde estas?
– Donde has estado?
– Donde podrias ir?
– Con quien has estado?
– A quien llamas?
– Quien te llama?
– A quien conoces?
– Que estas haciendo?
– Que apps y juegos usas?
– Que musica escuchas?
– Que series ves?
– Que lees?
– Que productos compras?
– Que opiniones tienes?
– ………

20. ?Y dónde está el
Valor

22. Aplicaciones
Site Location
Segmentación
Category Management
Campaign Management
Ejecución fuera de tienda

24. Generando valor
• Macy’s aplica Pricing en tiempo real para 73 millones de SKUs, basado
en patrones de demanda e inventario
• Tipp24 AG, una plataforma de apuestas y loterías, analiza miles de
millones de transacciones y cientos de atributos de clientes para
personalizar ofertas de marketing “al vuelo”
• Wal-Mart Stores Inc. utiliza un motor de data semántica para analizar
textos, buscar sinónimos y simplificar la búsqueda de productos en
linea; esto ha logrado que los clientes incrementen el cierre de sus
pedidos en 10-15%
• Una cadena de comida rápida entreno sus cámaras en el drive-trough
para medir el trafico; cuando las colas son largas ofrece productos
fáciles de preparar, y cuando son cortas ofrece productos mas
elaborados de mayor margen
• Tesco PLC recolecto 70 millones de datos relacionados con sus
refrigeradores para medir la performance de sus equipos de frio,
optimizar su calibramiento y hacer mantenimiento proactivo. Espera
ahorrar US$34MM al año en costos de energía y reducir su huella de
carbono en 50%
Extracto
de
la
presentación
de
Doug
Laney
(Gartner)

25. Algunos Ejemplos Locales
• Un Supermercado desarrollo un modelo para detectar fraude en las
cajas a partir del comportamiento inusual de canjes y devoluciones,
que representaban 6% de la venta total. Combinando SAP y QlikView
se creo un sistema de mintoreo, 6 meses después los canjes y
devoluciones habían bajado a la mitad.
• Un Banco declara que el 80% de sus ventas provienen de oportunidades
identificadas por sus modelos analíticos.
• Una empresa de consumo masivo incremento la productividad de que
equipos de frio en 80% combinando data mining con modelos de
Location Intelligence
• Una empresa de venta por catalogo multiplico x6 sus tasas de
respuesta y x 4 su pedido promedio al aplicar modelos predictivos a
sus campañas de marketing directo
• Una entidad de microempresa estima que la productividad de su
fuerza de ventas se incrementara en 50% al cambiar su método de
prospección actual (barrido de zonas comerciales) a otro que combina
una aplicación móvil, seguimiento con Google y la compra de
prospectos precalificados a Experian

26. 1991
1995
2000
2005
2010
Piloto
con
basket
data
de
14
@endas
Show me the Money
Bigger
Data,
Bigger
Decisions.
Tim
McGuire,
McKinsey
&
Co
Lanzamiento
de
Clubcard
Primer
estado
de
cuenta
Segmentacion
de
sensibilidad
al
precio
Iden@ficar
gaps
en
Canastas
Tesco
baby
club,
Tesco
wine
club
Tesco
Finanzas
Personales
Tesco.com
Segmentacion
de
es@lo
de
vida
Herramienta
de
Mix
de
Productos
₤1
billon
en
premios
acumulados
Se
recorta
25%
de
las
promociones,
percepcion
del
programa
mejora
Relanzamiento
de
Clubcard
Op@mizacion
de
espacio
Programa
se
lanza
fuera
de
UK
Panel
de
clientes
100
675
Margen
Neto
(1991
=
100)

28. Aplicaciones
Site Location

29. Site Selection

30. Big Data en Geo
• La Informacion de sus clientes, ademas:

31. Mapa de Oportunidad
• Objetivo: Identificar las áreas de oportunidad para la venta de
productos que sirvan como base para el despliegue de sus tiendas.
• La naturaleza del Mapa de Oportunidad estará condicionado por la
naturaleza de la Ocasión de Compra
Consumo
Residencial
Trafico
Peatonal
Trafico
Vehicular

32. Distribución Geográfica de Segmentos por
Conos y Distritos

33. Segmento 05: Clase Media Típica
DISTRITO
LA
PERLA
Nivel
socioeconómico
medio,
presencia
significaFva
de
viviendas
en
departamentos,
alta
densidad
de
trabajadores
empleados
y
pequeñas
empresas.

34. Micro mercados y Canibalizacion
Alta
densidad
Densidad
Media
(oportunidad)
Periféricos

35. El Peru no es Lima

36. Aplicaciones
Mix de Productos, Layout de tienda

37. Colaboración de The Retail Factory,
Especialistas en shopper marketing desde la “a” a la “z”
EL PENTÁGONO
DIFERENCIACIÓN
Estrategias diferenciadoras que generan tráfico en la tienda

38. EYE TRACKING TECHNOLOGY
Funcionamiento y beneficios
Alinea
movimiento
del ojo con
análisis del
SW
Shopper hace
su recorrido
normal por la
tienda
Codifica
movimiento
entre áreas
en espacio
Retail
Codifica
movimien-
to ocular en
zonas clave
Colaboración de The Retail Factory,
Especialistas en shopper marketing desde la “a” a la “z”

39. EYE TRACKING TECHNOLOGY
Funcionamiento y beneficios
Análisis de
Conversión
de Categorías
Análisis
recorrido
shopper por
tienda
Análisis de
tiempos de
compra
Análisis de
efectivi-
dad de
materiales
in-store
Colaboración de The Retail Factory,
Especialistas en shopper marketing desde la “a” a la “z”

40. Aplicaciones
Segmentacion de Clientes

41. Metodos de segmentacion
Eres
lo
que
ganas
NSE
(todavia
se
usa
mucho
en
publicidad)
Eres
lo
que
dices
de
@
mismo
Cues@onario
de
es@lo
de
vida.
Interesantes
pero
caros
de
mantener
y
poco
confiables
Eres
Donde
Vives
Geo
Marke@ng
(se
usa
mucho
en
marke@ng
directo)
Eres
lo
que
haces
Relevante

42. Segmentos de Valor
Entendiendo el QUE

43. Valor
y
Tendencia
(Reciencia,
Frecuencia
y
Valor)
Comportamiento/
Necesidad
• Compra
Regularmente
• Compra
marca
• Paga
precio
normal
• Pide
Delivery
• Usa
Tarjetas
de
Crédito/Debito
Comportamiento
Life
stage
Valor
y
Tendencia
• Compro
en
las
2
ul@mas
semanas
• Compra
4
veces
por
mes
• Alto
@cket
promedio
Familia
Joven
• 20-­‐40
años
• Compra
productos
para
niños
y
bebes
Busca
Calidad
Premium
Fuentes
• Lifestage:
DNI
(Edad,
Sexo),
Transacciones
• Valor
y
Lealtad:
data
de
transacciones
Club
• Comportamiento/Necesidad:
data
de
transacciones
IClub
Segmentos de Comportamiento
Entendiendo el QUIEN

44. Segmentos de Comportamiento
Entendiendo el QUIEN
• El objetivo es agrupar a los clientes en un número de grupos con
perfiles y necesidades distintos, basados en variables como:
• Delivery
o
presencial?
• Marca
o
Genérico?
• Recurrencias/Crónicas
• Valor
y
Frecuencia
• Tendencia
• Contado
o
crédito?
• Usa
Seguro?
• Prescripción
u
OTC?
• Compra
de
categorías
• Productos
galénicos
• Productos
naturales
• Perfumería
• Familiares
(accesorios
para
bebes,
leches,
panales)
• Geriátricos
Crónicos
Bebes
Delivery
Cuidado
Personal
Geriátricos
Ofertas
y
Genéricos

45. DIFERENCIACIÓN
Misiones de compra identifican need-states de los shoppers en formatos retail
CASO MEJORAMIENTO DEL HOGAR
Colaboración de The Retail Factory,
Especialistas en shopper marketing desde la “a” a la “z”

46. ATRIBUTOS DE TIENDA
1. La tienda tiene stock del
producto que necesito
2. La tienda queda cerca
3. Puedo obtener lo que
quiero rápidamente
COMPRA
URGENTE
GRANDES
CANTIDADES
COMPRAS
REGULARES
OBTENER
IDEAS
1. La tienda tiene stock del
producto que necesito
2. La tienda ofrece precios
bajos
3. Sé que esta tienda tiene
lo que necesito
1. Sé que esta tienda tiene
lo que necesito
2. La tienda ofrece precios
bajos
3. La tienda maneja
productos de calidad
1. Puedo elegir entre
diferentes modelos del
producto que quiero
2. 2. La tienda maneja lo
último en productos
3. Sé que esta tienda tiene
lo que necesito
Cadenas de tiendas
pequeñas
Cash & Carry o
Barraca con tiendas
de gran surtido
Tienda
independiente,
de barrio
Gran superficie con
tiendas muy
grandes
CASO MEJORAMIENTO DEL HOGAR
DIFERENCIACIÓN
Cada misión de compra necesita formato retail diferente para satisfacerse
Colaboración de The Retail Factory,
Especialistas en shopper marketing desde la “a” a la “z”

47. Aplicaciones
Category Management

48. Netflix
• Netflix esta comprometido en saber exactamente que es lo que quieren
sus clientes
• Para ello ha categorizado todas las peliculas y series de su catalogo en
categorías especificas, algunas de ellas tan especificas como:
hVp://www.theatlan@c.com/technology/archive/2014/01/how-­‐neqlix-­‐reverse-­‐engineered-­‐hollywood/282679/

49. Tesco
• Cada producto que se vende en Tesco se califica en una serie de
dimensiones para describir sus principales atributos como:
– paquete pequeño o grande,
– de larga duración o perecederos;
– vegetarianos;
– Bajo/alto precio
– Requiere cocinarse
• Mirando los artículos en la canasta de la compra de cualquier
cliente, y sus puntuaciones de dimensiones asociadas, al cliente
puede asignarse a un segmento de estilo de vida o "ADN".
• Las lecturas "ADN" de cada cliente se utilizan como los insumos
para crear un perfil del cliente, que es una forma de agrupar los
clientes que tienen características y necesidades similares.

50. Dos
vistas
de
la
data

51. Colaboración de The Retail Factory,
especialistas en shopper marketing desde la “a” a la “z”
ROLES DE TIENDAS
Comparación de roles definidos con performance en la sala
Aberturas
Ampolletas Y Tubos
Automotor Baños Y Cocinas
Construccion
Electricidad
Electro Hogar
Ferreteria
Flooring
Herramientas
Iluminacion
Jardin Y Mascotas
Maderas Menaje Y Deco
Muebles
Organizadores
Outdoor
Pinturas
Plomería
Textil Hogar
GeneracióndeTrafico
Aporte a la rentabilidad
Comportamiento
de Rutina
Comportamiento
de Destino
Comportamiento
de Conveniencia
Comportamiento
de Complemento
Destino
Rutina
Estacional
Roles Definidos

52. Para proyectos
en Madera
Para proyectos de
Interior/Exterior
Para proyectos
Especiales
IMPERMEABILIZANTE
PINTURA PARA TECHOS
ANTIOXIDO
ANTICORROSIVO
BARNIZ AL AGUA
BARNIZ MARINO
BARNIZ POLIURETANO
PINTURA PARA PISCINA
PINTURA PARA PISOS
PROTECTOR DE MADERA
SPRAY
TINTAS
VITRIFICANTE
SELLADORES
ESMALTE AL AGUA
ESMALTE SINTÉTICO
LACAS
LATEX
OLEO BRILLANTE
OLEO SEMIBRILLO
OLEO OPACO
PASTA MURO
TEXTURA GRANO
Para Impermeabilizar
Para pintar en los exteriores del hogar
Para pintar los interiores del hogar
Para proyectos completos (pintar un departamento, casa, local, etc)
Para superficies de madera
Para pintar sin utilizar otros accesorio (brochas, rodillos, etc)
Para uso artístico (murales, grafitis, etc)
Para pintar pisos de cemento
Para pintar mueblería y carpintería
Para texturizar muros y superficies
Para terminación y protección de puertas, ventanas, etc, de madera
Para que los muros y superficie tengan una textura diferente
Prevenir la formación de hongos y bacterias
Busco renovar, proteger y cambiar el aspecto de una fachada
Busco renovar y embellecer el color de los elementos metálicos
expuestos a la intemperie
Busco evitar que el polvo y la suciedad se instalen en la superficie
Busco protección y resistencia para maderas expuestas al desgaste ambiental y decoloración
Busco decorar
Busco sellar y proteger maderas
Busco economía (poder pintar yo)
Busco proteger superficies expuestas a la humedad
Busco proteger el deterioro de las planchas en
techo y accesorios (canaletas)
Busco renovar el cielo
Busco mayor higiene y facilidad de limpieza
Busco mejorar las condiciones del muro/
superficies antes de pintar
Busco lacar elementos y muebles de madera en interiores
Ocasiones de Uso
Producto
Motivaciones de Uso
Para proyectos
pequeños
DIFERENCIACIÓN
EJEMPLO CREACIÓN MUNDOS DE CONSUMO PINTURAS (CHILE)
Cómo el shopper relaciona tipos de pinturas a diferentes ocasiones y motivaciones de uso
Colaboración de The Retail Factory,
Especialistas en shopper marketing desde la “a” a la “z”

53. ROLES DE TIENDAS
Entender las misiones de compra para definir los roles de tienda (ejemplo)
% Misión 11% 35% 7% 15% 10% 14% 7%
% Gasto 20% 43% 4% 8% 7% 14% 1%
Panadería
Abarrotes
Higiene
personal
Embutidos
Panadería
Nabs
Abarrotes
Frutas y
verduras
Panadería
Frutas y
verduras
Nabs
Higiene personal
Frutas y verduras
Panadería
Nabs
Abarrotes
Panadería
Nabs
Higiene personal
Frutas y
verduras
Abarrotes
Nabs
Panadería
Frutas y
verduras
Nabs
Panadería
Comidas
preparadas
Categorías
Cliente
Otras
Categorías
Galletas
Cereales
Leche
evaporada
Leche evaporada
Galletas
Cereales
Leche evaporada
Galletas
Salsas
Leche evaporada
Galletas
Cereales
Leche evaporada
Galletas
Cereales
Galletas
Leche evaporada
Chocolates
Galletas
Chocolates
Gasto Promedio 86,9 59,5 27,5 26,2 36,4 48,2 11,0
Gasto Cliente 5,69 5,71 4,38 5,1 6,92 4,95 3,6
Visita al menos
1x semana 83% 85% 97% 90% 81% 82% 93%
Abastecimiento Faltantes Compra
múltiple
UrgenciasCompra –
Restaurant
Ofertas Antojos
Vine a
comprar
productos
para
abastecerme
Vine a
comprar
productos
que me
faltaban
Vine a
comprar
comida lista
para comer
hoy
Vine a
comprar
varios para
consumo
diario
Vine a una
compra
puntual de
urgencia
Aproveché a
comprar ya
que habían
ofertas
Vine a
comprar
antojos
Colaboración de The Retail Factory,
Especialistas en shopper marketing desde la “a” a la “z”

54. Aplicaciones
Campaign Management

55. Targeting de Campañas
• Los ciclos tradicionales de marketing directo son muy largos. Alguien
en alguna parte ya esta planeando la Navidad del 2014
• El éxito de una campaña se basa en 4 factores
1. La oferta (que ofrecer)
2. La lista de clientes seleccionados (a quienes)
3. Timing (cuando)
4. Creatividad/mensaje (como)
• Los retailers exitosos aplican Analytics para optimizar y automatizar
los tres primeros componentes y produciendo
– Cientos de campañas por año
– Retornos 2x a 6x superiores

56. Canasta de Compras
Familia Objetivo Ferreteria Familia Objetivo Joyeria
Familia Asociada Confianza Lift Index Familia Asociada Confianza Lift Index
Equipos 42% 1.54 Cosmeticos 22% 1.55
Electronicos 32% 1.39 Ropa 19% 1.39
Cosmeticos 46% 1.19 Ropa deportiva 19% 1.35
Accesorios para el hogar 43% 1.10 Juguetes 17% 1.22
Juguetes 42% 1.06 Deportes 15% 1.06
Enseres 41% 1.04 Equipos 15% 1.05
Ropa 40% 1.02 Electronicos 13% 0.95
Ropa deportiva 38% 0.96 Accesorios para el hogar 13% 0.90
Deportes 37% 0.96 Enseres 12% 0.87
Joyeria 36% 0.92 Ferreteria 11% 0.79

57. Caso de negocio de promociones
personalizadas - Shufersal
• Más de 2 000 000 miembros del club de fidelización son
responsables de alrededor del 75% de las ventas de la cadena
• Ventas generadas en más de 200 puntos de venta en todo Israel,
sitio Web y central de llamadas
• Ingresos anuales (2011) mayores de 2000 millones de euros
• Shufersal implementó GSTAT Next Best Offer como solución
automatizada de cupones personalizados
• Objetivos:
– Pasar de cupones fijos a cupones personalizados en base al análisis de
comportamiento de compra de los clientes
– Permitir que los analistas sin experiencia ni conocimientos estadísticos
ejecuten modelos de DM

58. Caso de negocio de promociones
personalizadas - La solución
• Solución
– El proyecto de implementación llevó 4 meses, con
resultados piloto en 2 meses
– La solución asigna a cada cliente, en base a
algoritmos de optimización, los 10 cupones
adecuados seleccionados de un conjunto de 200
cupones que cambian cada mes
– Las recomendaciones de GSTAT se envían a la
imprenta y se distribuyen al domicilio de los clientes
• Resultados
– El % de canje total pasa de 1% a 4%-6%
– Alrededor del 15% de los clientes canjean al menos
un cupón por mes
– El % de canje de cupones personalizados es 300%
mayor que el canje entre clientes que reciben
cupones fijos
– Los clientes que reciben promociones personalizadas
extienden su gasto mensual en un 2% promedio en
comparación con los clientes que reciben cupones
fijos

59. Aplicaciones
Ejecucion fuera de la tienda

60. Creación de
tareas
Visión de tareas Priorizar tareas,
aceptarlas, generar
ruta óptima, ver
detalles de cliente
Ruteo para Delivery
Ruta óptima
tracks para la
ruta

61. Planeamiento de Rutas

62. Informar a los clientes

63. Como Empiezo?

64. Obtén
toda
la
info
que
puedas,
ya
luego
veremos
para
que
nos
sirve.

65. El camino equivocado
Hágalo
todo
al
mismo
@empo
Hágalo
todo
Ud.
mismo
Ponga
toda
su
data
en
las
aplicaciones
Almacene
toda
la
data
en
sus
servidores
Conre
al
100%
en
Hadoop

67. Escalabilidad
Performance
Disponibilidad
Diversidad
Administración
Seguridad
Costos

69. Los retos
Big
Data
1.
Compar@r
información
2.
Como
ges@onar
VVV
3.
Qué
data
u@lizar
para
qué
4.
Generar
confianza
en
los
modelos
5.
Personal
adecuado
6.
Compromiso
C-­‐level
7.
Herramientas
de
presentación
8.
Procesos
op@mos
9.
Donde
concentrar
las
inversiones
10.
Qué
hacer
con
los
resultaos

70. Ecosistema
de
Datos
Iden@ficar
partners
con
los
cuales
colaborar
y
compar@r
data
Crear
una
cultura
de
apertura
y
soporte
al
uso
de
informacion
Motor
de
Datos
Construir
sistemas
de
datos
escalables,
eficientes
y
flexibles
Desarrollar
capacidades
para
capturar,
analizar
e
interpretar
datos
Uso
de
Datos
Construir
una
cultura
de
innovación
y
experimentación
Establecer
la
confianza
del
consumidor
para
permi@r
el
uso
de
sus
datos
Big
Data
Transformacion
del
Negocio
Fuente:
The
Boston
Consul@ng
Group

71. Cultura de Aprendizaje Continuo
RRHH
–
Organizacion
-­‐
Procesos
Desarrollar
insights
de
clientes
y
entender
el
mercado
Segmentar
clientes
para
atender
necesidades
Lanzar
campañas
personalizadas
Medir
y
monitorear
performance
▪ Recolectar
data
▪ Análisis
descrip@vo
de
clientes
y
transacciones
– Cuan@ta@va
– Cualita@va
(*)
▪ Benchmarks
▪ Definir
los
economics
de
CRM
▪ Segmentacion
de
clientes
– Valor
– Necesidades
▪ Definicion
de
segmentos
obje@vo
▪ Programas
y
campañas
personalizadas
– Campañas
por
perfil/life
stage
– Servicio
diferenciado
– Cross/up
selling
– Retención
▪ Ejecución
de
campañas
por
dis@ntos
canales
▪ Definir
criterios
de
exito,
– KPI
– ROI
por
campana,
segmento
o
canal
▪ Medir
performance
vs
obje@vos
▪ Presupuesto
e
inversion
IT

72. Adaptado
de
How
Companies
Learn
Your
Secrets
-­‐
NYTimes.com

73. To
be
con@nued
…