SlideShare una empresa de Scribd logo
1 de 102
PROGRAMA EXPERTO EN
DIRECCIÓN COMERCIAL:
Marketing, Ventas y Digital
El Big Data en la dirección comercial:
Market(ing) Intelligence
Alex Rayón Jerez
www.alexrayon.es, alex.rayon@deusto.es
@alrayon
Mayo, 2016. Bilbao.
2
3
4 4
5
Índice de contenidos
●Clarificando conceptos
●Market(ing) Intelligence
●Casos de aplicación
●¿Cómo empezar?
6
Índice de contenidos
●Clarificando conceptos
●Market(ing) Intelligence
●Casos de aplicación
●¿Cómo empezar?
7
Clarificando conceptos
Las 5 V’s del Big Data
Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832
8
Clarificando conceptos
Data Science
Fuente: http://www.slideshare.net/TechnetFrance/rec201-mstechdaysfinal130213033305phpapp02-19779391
9
Clarificando conceptos
Drivers of Big Data
10
Clarificando conceptos
Economía digital
● La sociedad se ha tecnificado, y estamos cada
vez más interconectados
○ Se habla de las redes sociales
● A eso unámosle que el coste computacional es
cada vez menor
○ Menor coste de producción
● Cada vez se están digitalizando más procesos y
actividades de nuestro día a día
○ Generaremos cada vez más datos
11
Clarificando conceptos
Economía digital (II)
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/
12
Fuente: http://www3.weforum.org/docs/WEF_ITTC_PersonalDataNewAsset_Report_2011.pdf
Clarificando conceptos
Economía digital (III)
13
Fuente: http://www.theguardian.com/news/datablog/2014/apr/22/how-much-is-personal-data-worth
Clarificando conceptos
Economía digital (IV)
14
Clarificando conceptos
Big Data vs. Business Intelligence
Business Intelligence
Big Data
15
Clarificando conceptos
Business Intelligence vs. Business Analytics
16
Clarificando conceptos
Business Intelligence vs. Business Analytics (II)
Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
1717
●Estudiar datos tiene dos objetivos principales
o Informar
§ ¿Qué ha ocurrido?
o Predecir
§ ¿Qué podría ocurrir?
Hoy
Business Analytics
Predecir
Business Intelligence
Informar
Clarificando conceptos
Business Intelligence vs. Business Analytics (III)
18
Clarificando conceptos
El valor de la pregunta
●No obtiene respuestas
quién posee los datos, sino
quien sabe hacer las
preguntas
●Una disciplina que tiene un
objetivo a medio plazo
o La herramienta de la estrategia
y de la dirección
o 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/
19
Clarificando conceptos
Resolución de problemas
Problemas
Predictivos
(supervisados)
Descriptivos
(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación
20
Clarificando conceptos
Resolución de problemas (II)
21
Clarificando conceptos
Técnicas de Data Mining
Fuente: http://www.angelbonet.com/2014/05/datamining-como-sacar-oro-al-big-data/
22
Clarificando conceptos
La puesta en valor del dato
Datos Analíticas Puesta en valor
Modelo predictivo de previsión de compras: eficiencia transporte, ahorro portes, evitar roturas stock, etc.
Modelo predictivo de ventas: sugerencia compras, etc.
Rutas óptimas según cargas, productos y zona: en base a pedidos, etc.
Product clustering: incluso, personalización.
Análisis de compras
...“Sensores” para la
captura de datos
Real Time
→ Conocer estado producto en
tiempo real, avisar ruptura stock,
etc.
Marketing
→ Segmentación clientes
Business Intelligence
→ Dashboard hot spots
→ Alertas variaciones (clientes,
productos, zonas, etc.)
→ Detección mermas, robos, etc.
23
Índice de contenidos
●Clarificando conceptos
●Market(ing) Intelligence
●Casos de aplicación
●¿Cómo empezar?
24
Market(ing) Intelligence
Customer Journey
Fuente: https://www.surveygizmo.com/survey-blog/how-to-collect-consumer-insight-with-a-customer-journey-map/
25
Market(ing) Intelligence
Nueva coyuntura
Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20
26
Market(ing) Intelligence
De multicanal a omnicanal
26
27
Market(ing) Intelligence
Estructura organizativa
27
28
Market(ing) Intelligence
La importancia del dato
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
29
Market(ing) Intelligence
La importancia del dato (II)
Estrategia de venta directa: nuevo enfoque
1-2) Gestionar audiencia1-2) Capturar datos
3) Convertir a ventas
30
Market(ing) Intelligence
El impacto en los negocios
● Los beneficios que una empresa puede obtener
son claros:
○ Conocimiento de sus clientes, mercados, productos, etc,
○ Redundando esto en nuevos mercados, nuevos
segmentos
○ Alineamiento de la empresa a los clientes
○ ...
● En definitiva nuevos ingresos y ahorros
31
Market(ing) Intelligence
El impacto en los negocios (II)
Oportunidades que se enmarcan en la era de la
personalización y especialización que demanda un
cliente exigente e informado
Fuente: http://www.luxortec.com/blog/camino-a-una-estrategia-centrada-en-el-cliente/
32
Market(ing) Intelligence
El impacto en los negocios (III)
● La oportunidad de explotar el dato aparece
cuando muchas empresas se dan cuenta que
tienen muchos datos en diferentes sistemas y
archivos (ERP, CRM, hojas de cálculo, redes
sociales, etc), y no lo explotan
● Y aquí el principal problema está en que no hay
una "explotación cerrada"
○ Es decir, no hay un conjunto de utilidades o preguntas
tipo
○ Hay tantos enfoques prácticamente como empresas
33
Market(ing) Intelligence
Pirámide informacional
Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/
34
●El dato por si solo nos aporta poco…
o 2.000 visitantes únicos en mi tienda online
o 1.000 nuevos usuarios en mi aplicación
o 10% nuevos clientes en mi exposición
o 24 conversiones de las campañas de captación
o 3.000 € de incremento del tamaño de la transacción
media de ticket de compra
o ...
Market(ing) Intelligence
Del dato...
35
Falta contexto → circunstancias
Fecha
Dispositivo/canal
Geolocalización
Fuente
Tendencia/Perspectiva
...
Market(ing) Intelligence
Del dato… (II)
36
El dato puesto en valor → inteligencia de negocio
Market(ing) Intelligence
… al conocimiento
Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/
37
Market(ing) Intelligence
Fuentes de datos
Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/
38
Índice de contenidos
●Clarificando conceptos
●Market(ing) Intelligence
●Casos de aplicación
●¿Cómo empezar?
39
1) Ganar más dinero
2) Evitar perderlo
3) Optimizar procesos
Casos de aplicación
¿Esto para qué sirve?
40
Casos de aplicación
1) Ganar más dinero
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/
41
Casos de aplicación
1) Ganar más dinero (II)
●Se trata de analizar los datos:
o Contextuales de una compra → momento, lugar,
composición de la cesta de la compra
o Lo enmarcamos en perspectiva → frecuencia, tiempo
entre última compra, etc.
o Analizamos el cliente → si lo hace con tarjeta de
fidelización, edad y perfil sociodemográfico, si viene
incentivado por un descuento, etc.
o Y el canal por el que entra → online -tienda online,
landing page, redes sociales, etc- u offline
●… y preguntarnos cosas como...
42
● Uso de datos en el mundo comercial
o Customer profiling: hábitos, necesidades, valor,
potencial → Know Your Customer (KYC)
o 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.
o Estrategias omnicanal y de Social CRM: findability, social
Casos de aplicación
1) Ganar más dinero (III)
43
● Uso de datos en el mundo comercial
o Brand Intelligence: valor de una marca, influencia de la
marca en la oferta y demanda, valoración de marca, etc.
o Marketing experiencial: Customer Experience
Management, Customer journey, Indicadores de
Experiencia de Cliente (NPS, etc.)
o Del marketing masivo al marketing one2one: Event-
based marketing, marketing en tiempo real (retargeting),
retargeting personalizado (Right Offer, Right PersoN),
estrategias de cross y up-selling
Casos de aplicación
1) Ganar más dinero (IV)
44
● Uso de datos en el mundo comercial
o Inbound marketing: engagement con contenidos,
capturando datos de touchpoints, relación con clientes,
etc.
o Social Media Intelligence: Social Business, Social Media
Analytics, análisis de medios sociales y conversión, etc.
o Geomarketing: Sistemas de Información Geográfica (GIS)
o Producto: nichos de mercado, nuevos productos y
servicios, pricing inteligente, etc.
Casos de aplicación
1) Ganar más dinero (V)
45
● Uso de datos en el mundo comercial
o Fidelización de clientes: programas de fidelización,
técnicas de fidelización (endógena y exógena)
o 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
o etc.
Casos de aplicación
1) Ganar más dinero (VI)
4646
Casos de aplicación
1) Ganar más dinero (VII)
47
Casos de aplicación
1) Ganar más dinero (VIII)
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
48
Perfil de cliente
Quiénes son: tipo de cliente, características, cómo se
comunican, etc.
Dónde viven/qué lugares frecuentan: comportamiento
geográfico
Qué compran: productos que consumen, frecuencia, valor,
etc.
Interacciones: cliente activo, índice de contacto,
interacciones positivas o negativas, etc.
Casos de aplicación
1) Ganar más dinero (IX)
49
Casos de aplicación
1) Ganar más dinero (X)
50
Casos de aplicación
1) Ganar más dinero (XI)
51
Casos de aplicación
1) Ganar más dinero (XII)
52
Quién (influenciadores) o qué (drivers de compra)
influye más en la decisión de compra de un cliente
→ drivers
Fuente: http://www.marketing4food.com/la-distribucion-espanola-y-su-comprador-razones-para-elegir-una-ensena/
Casos de aplicación
1) Ganar más dinero (XIII)
53
Qué relación de
productos permite
modelizar el perfil
de cliente
Fuente: http://www.elmundodeladc.com/cual-es-tu-perfil-online/
Casos de aplicación
1) Ganar más dinero (XIV)
54
¿Cuál es la estructura de mi marca?
Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext
Casos de aplicación
1) Ganar más dinero (XV)
55
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/
Casos de aplicación
1) Ganar más dinero (XVI)
56
Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921
Casos de aplicación
1) Ganar más dinero (XVII)
57
Planteamos cuatro problemas
1. Relación entre Relación entre Ingresos por usuario y
Búsqueda en Tienda de Productos
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?
Casos de aplicación
1) Ganar más dinero (XVIII)
58
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Casos de aplicación
1) Ganar más dinero (XIX)
59
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
Casos de aplicación
1) Ganar más dinero (XX)
60
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
Casos de aplicación
1) Ganar más dinero (XXI)
61
¿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/
Casos de aplicación
1) Ganar más dinero (XXII)
62
●Mediciones: Nodos (cont.)
o Centralidad
Fuente: http://historiapolitica.com/redhistoria/2013/02/8n-en-twitter/
Casos de aplicación
1) Ganar más dinero (XXIII)
63
●Mediciones: Nodos (cont.)
o Centralidad
Fuente: http://slideplayer.es/slide/19335/
Casos de aplicación
1) Ganar más dinero (XXIV)
64
●Mediciones: Nodos (cont.)
Casos de aplicación
1) Ganar más dinero (XXV)
65
Las campañas son costosas y además muchos
clientes no responden
Solución: Right Person
Predecir quienes van a responder a una oferta
Tecnología: Modelos de propensión
Se está saturando a los clientes con múltiples
ofertas
Solución: Right Offer
Elegir los clientes que tengan más propensión en cada
momento
Controlar la periodicidad de los envíos
Casos de aplicación
1) Ganar más dinero (XXVI)
66
1
Escuchar
Gestionar
Decidir
Hablar
2
3
4
- Analizar datos
- Identificar oportunidades
- Almacenar la historia de las
interacciones
- Escuchar puntos de contacto:
conversaciones sociales, web,
teléfono, landing page, etc. - Construir perfiles
- Elaborar propensiones
- Establecer estrategias: Right
Person y Right Offer
- Entregar el mensaje y la oferta
adecuada en el momento más
oportuno
- Repetir esto, una y otra vez, para millones de interacciones con miles de clientes
- Automatizar la multi/omnicanalidad, y medir beneficios a largo plazo
Casos de aplicación
1) Ganar más dinero (XXVII)
67
Twitter
followers
Web Campaña SEO (On y Off) Facebook fans...
Elegible
- Opt outs
Scoring
Top deciles
Canal
Facebook
Broadcast
Twitter SMS Adwords
Lista email
suscriptores
...
A la hora de hacer retargeting, habrá que
variar el contenido del primer mensaje
Criterios
- Right offer
- Right person
Evaluar las campañas y las acciones
por el ROI y la efectividad.
Proyecto en marcha
Externo
Interno
Web
A la hora de impactar dentro de la
web, se tendrá en consideración el
comportamiento del usuario
Casos de aplicación
1) Ganar más dinero (XXVIII)
68
Segmento elegible Oferta recomendada Score Canal
Tarjeta de lealtad
Envío gratuito por categoría oro 98
Suma 50 puntos adicionales 60
Ciclo de vida de producto y
cliente
Cuenta registrada nueva 5
Lanzamiento producto nuevo 20
Extensión de garantías 15
Basado en evento
Empaquetar oferta de
productos
68
Ofertas basadas en abandono
de carritos
75
Oferta de temporada estacional 89
Casos de aplicación
1) Ganar más dinero (XXIX)
69
Casos de aplicación
2) Evitar perderlo
● En segundo lugar, las
empresas también
queremos evitar perder
clientes
● Ya conocemos el famoso
mantra de la importancia
que tiene mantener
clientes por el coste que
tiene adquirir nuevos
o Y esto es más posible que
nunca gracias al análisis
masivo de datos
Fuente: http://javiermegias.com/blog/2012/04/el-motor-de-tu-modelo-de-negocio-coste-de-adquisicion-y-valor-del-
cliente/
70
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Casos de aplicación
2) Evitar perderlo (II)
71
Casos de aplicación
2) Evitar perderlo (III)
72
Casos de aplicación
2) Evitar perderlo (IV)
73
Casos de aplicación
2) Evitar perderlo (V)
74
Casos de aplicación
2) Evitar perderlo (VI)
75
Fuente: http://www.imanet.org/docs/default-source/maq/2009maq_spring_kumar-pdf.pdf?sfvrsn=0
Casos de aplicación
2) Evitar perderlo (VII)
76
Fuente: http://www.imanet.org/docs/default-source/maq/2009maq_spring_kumar-pdf.pdf?sfvrsn=0
Casos de aplicación
2) Evitar perderlo (VIII)
77
Fuente: http://www.imanet.org/docs/default-source/maq/2009maq_spring_kumar-pdf.pdf?sfvrsn=0
Casos de aplicación
2) Evitar perderlo (IX)
78
●Los modelos de propensión pueden ser:
o Compra (cross-sell y up-sell)
o Fuga (si pudiera dejar de ser nuestro cliente)
o Riesgo de impago (que no pague lo que adeuda)
o Fraude
o Sensibilidad al precio (descuentos)
o etc.
●Son modelos que estiman la probabilidad de
que se produzca esa conducta (compra, fuga,
etc.) para cada uno de nuestros clientes
o Permite generar modelos predictivos para poder tomar
decisiones de negocio en tiempo real
Casos de aplicación
2) Evitar perderlo (X)
79
● Construir relaciones duraderas y sostenibles en
el tiempo entre las empresas y sus clientes,
permiten:
o Incrementar el índice de satisfacción
o La involucración y la optimización del marketing de
compromiso
● Por lo tanto, contactar a los más propensos a
fugarse da buenos resultados a una empresa
● Buscamos clientes prescriptores
Casos de aplicación
2) Evitar perderlo (XI)
80
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Casos de aplicación
2) Evitar perderlo (XII)
81
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Casos de aplicación
2) Evitar perderlo (XIII)
82
Fuente: https://bigml.com/user/czuriaga/gallery/model/53a071d4c8db6379930014f6
Fuente: http://www.vladislav.lazarov.pro/files/research/papers/churn-prediction.pdf
Casos de aplicación
2) Evitar perderlo (XIV)
83
Fuente: http://www.retentionscience.com/the-top-4-reasons-customers-churn-and-how-to-prevent-it
Fuente: http://www.forentrepreneurs.com/customer-success/
Casos de aplicación
2) Evitar perderlo (XV)
84
● Para predecir el
consumo que tendrá
el Cliente el próximo
año
● A partir de ese gasto
futuro estimado, se
calcula el valor
esperado del cliente
pudiendo determinar
si éste será rentable o
no
Fuente: http://mod-keynesiano.blogspot.com.es/p/modelo-keynesiano.html
Casos de aplicación
2) Evitar perderlo (XVI)
85
● Se realiza un análisis de sensibilidad al precio de
los clientes, identificando aquellos grupos de
usuarios más sensibles a un cambio en el precio
Fuente. http://planuba.orientaronline.com.ar/tag/costos/
Casos de aplicación
2) Evitar perderlo (XVII)
86
Lead generation, Nurturing and Scoring
Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/
Casos de aplicación
2) Evitar perderlo (XVIII)
87
Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
Casos de aplicación
2) Evitar perderlo (XIX)
88
●Recency
o Cuán reciente es la última compra del cliente
●Frequency
o Con cuánta frecuencia compra el cliente
●Monetary
o 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
Casos de aplicación
2) Evitar perderlo (XX)
89
Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
Casos de aplicación
2) Evitar perderlo (XXI)
90
Casos de aplicación
3) Optimizar procesos
Creación de
modelos
que
permitan
ahorrar
esfuerzo
económico
en
diferentes
procesos
Fuente:
http://www.indiana.edu/~hmathmod/modelmodel.html
Mathematical models
+
Statistical methods
91
Casos de aplicación
3) Optimizar procesos (II)
●Supongamos la logística o la gestión de una
central de compras
●Si yo integro todas las transacciones de compras,
y analizo frecuencia, proveedores, descuentos,
etc., podemos hacer un modelo que nos
seleccione en tiempo real el mejor proveedor o
distribuidor por descuentos que viene haciendo
históricamente, considerando lo que ahora
quiera comprar
92
Índice de contenidos
●Clarificando conceptos
●Market(ing) Intelligence
●Casos de aplicación
●¿Cómo empezar?
93
¿Cómo empezar?
Estrategia de trabajo
Data-Driven Attribution
Necesitamos concretar el ROI
Necesitamos explotar datos con mucho detalle
Necesitamos disponer de modelos analíticos para hacer el
scoring de cada uno de los candidatos
94
¿Cómo empezar?
Metodología EMANA
95
¿Cómo empezar?
Solución: Arquitectura integrada
Tarjeta de fidelización
ON
OFF
Extraños Visitantes Leads Clientes Promoters
ATRAER CONVERTIR CERRAR DESLUMBRAR
Estrategias omnicanal para el fortalecimiento de la marca
Sistema de gestión para la captura del dato en los diferentes canales on, off e híbridos (tarjeta de fidelización), que permita su
explotación posterior para la mejora de la toma de decisiones estratégicas en el negocio
Híbrido
Promociones y
descuento
Ofertas
personalizadas
Reglas + cross y
upselling
Marketing de
atención
Blog
Keywords
Social Media
Formularios
Calls-To-
Action
Landing Pages
Email
Señales
Workflows
Eventos
Social Inbox
Smart Content
96
¿Cómo empezar?
Solución: 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
97
¿Cómo empezar?
Data-Driven Organization
Roadmap to Data-Driven Organization advantage
Fuente: http://www.ibmbigdatahub.com/blog/observations-transformations-and-conversations-ibm-chief-data-officer-summit
98
¿Cómo empezar?
Data-Driven Organization (II)
99
¿Cómo empezar?
Data-Driven Organization (III)
Fuente: http://www.forbes.com/sites/piyankajain/2012/06/22/what-is-your-organizations-analytics-maturity/#55ada95c58f2
100
¿Cómo empezar?
Maturity model
Fuente: https://www.gartner.com/doc/713210
Copyright (c) 2016 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/
Alex Rayón Jerez
Mayo 2016
PROGRAMA EXPERTO EN
DIRECCIÓN COMERCIAL:
Marketing, Ventas y Digital
El Big Data en la dirección comercial:
Market(ing) Intelligence
Alex Rayón Jerez
www.alexrayon.es, alex.rayon@deusto.es
@alrayon
Mayo, 2016. Bilbao.

Más contenido relacionado

La actualidad más candente

Introduction to Ethics of Big Data
Introduction to Ethics of Big DataIntroduction to Ethics of Big Data
Introduction to Ethics of Big Data
28 Burnside
 
Digital transformation sweet spot: Business operations
Digital transformation sweet spot: Business operationsDigital transformation sweet spot: Business operations
Digital transformation sweet spot: Business operations
Marcel Santilli
 
Digital Strategy Framework
Digital Strategy FrameworkDigital Strategy Framework
Digital Strategy Framework
Monique Terrell
 
Monitizing Big Data at Telecom Service Providers
Monitizing Big Data at Telecom Service ProvidersMonitizing Big Data at Telecom Service Providers
Monitizing Big Data at Telecom Service Providers
DataWorks Summit
 
Digitalisation strategies
Digitalisation strategiesDigitalisation strategies
Digitalisation strategies
Suprabha B
 

La actualidad más candente (20)

Introduction to Ethics of Big Data
Introduction to Ethics of Big DataIntroduction to Ethics of Big Data
Introduction to Ethics of Big Data
 
Digital transformation sweet spot: Business operations
Digital transformation sweet spot: Business operationsDigital transformation sweet spot: Business operations
Digital transformation sweet spot: Business operations
 
Smart Data Slides: Data Science and Business Analysis - A Look at Best Practi...
Smart Data Slides: Data Science and Business Analysis - A Look at Best Practi...Smart Data Slides: Data Science and Business Analysis - A Look at Best Practi...
Smart Data Slides: Data Science and Business Analysis - A Look at Best Practi...
 
Digital Marketing Audit
Digital Marketing AuditDigital Marketing Audit
Digital Marketing Audit
 
Business and Revenue Models in E-Commerce
Business and Revenue Models in E-CommerceBusiness and Revenue Models in E-Commerce
Business and Revenue Models in E-Commerce
 
Graph Databases – Benefits and Risks
Graph Databases – Benefits and RisksGraph Databases – Benefits and Risks
Graph Databases – Benefits and Risks
 
Chapter 2 - Retail Sales
Chapter 2 - Retail Sales Chapter 2 - Retail Sales
Chapter 2 - Retail Sales
 
Digital transformation strategy
Digital transformation strategyDigital transformation strategy
Digital transformation strategy
 
Presentación Sem
Presentación SemPresentación Sem
Presentación Sem
 
How to Monetize Your Data Assets and Gain a Competitive Advantage
How to Monetize Your Data Assets and Gain a Competitive AdvantageHow to Monetize Your Data Assets and Gain a Competitive Advantage
How to Monetize Your Data Assets and Gain a Competitive Advantage
 
FouAnalytics DIY site media analytics fraud detection baked in
FouAnalytics DIY site media analytics fraud detection baked inFouAnalytics DIY site media analytics fraud detection baked in
FouAnalytics DIY site media analytics fraud detection baked in
 
Visionary Process Roadmap
Visionary Process RoadmapVisionary Process Roadmap
Visionary Process Roadmap
 
Digital Strategy Framework
Digital Strategy FrameworkDigital Strategy Framework
Digital Strategy Framework
 
Content Hub Strategy - Overview
Content Hub Strategy - OverviewContent Hub Strategy - Overview
Content Hub Strategy - Overview
 
Monitizing Big Data at Telecom Service Providers
Monitizing Big Data at Telecom Service ProvidersMonitizing Big Data at Telecom Service Providers
Monitizing Big Data at Telecom Service Providers
 
Digitalisation strategies
Digitalisation strategiesDigitalisation strategies
Digitalisation strategies
 
Commercial Strategy Plan
Commercial Strategy PlanCommercial Strategy Plan
Commercial Strategy Plan
 
DataEd Webinar: Reference & Master Data Management - Unlocking Business Value
DataEd Webinar:  Reference & Master Data Management - Unlocking Business ValueDataEd Webinar:  Reference & Master Data Management - Unlocking Business Value
DataEd Webinar: Reference & Master Data Management - Unlocking Business Value
 
IT8005_EC_Unit_II_Building_ECommerce
IT8005_EC_Unit_II_Building_ECommerceIT8005_EC_Unit_II_Building_ECommerce
IT8005_EC_Unit_II_Building_ECommerce
 
Product marketing org structure + interlocks
Product marketing org structure + interlocksProduct marketing org structure + interlocks
Product marketing org structure + interlocks
 

Destacado

Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...
Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...
Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...
MongoDB
 

Destacado (20)

Utilizando Google Drive y Google Docs en el aula para trabajar con mis estudi...
Utilizando Google Drive y Google Docs en el aula para trabajar con mis estudi...Utilizando Google Drive y Google Docs en el aula para trabajar con mis estudi...
Utilizando Google Drive y Google Docs en el aula para trabajar con mis estudi...
 
El Big Data en mi empresa ¿de qué me sirve?
El Big Data en mi empresa  ¿de qué me sirve?El Big Data en mi empresa  ¿de qué me sirve?
El Big Data en mi empresa ¿de qué me sirve?
 
Búsqueda, organización y presentación de recursos de aprendizaje
Búsqueda, organización y presentación de recursos de aprendizajeBúsqueda, organización y presentación de recursos de aprendizaje
Búsqueda, organización y presentación de recursos de aprendizaje
 
La economía del dato: transformando sectores, generando oportunidades
La economía del dato: transformando sectores, generando oportunidadesLa economía del dato: transformando sectores, generando oportunidades
La economía del dato: transformando sectores, generando oportunidades
 
Enterprise Reporting with MongoDB and JasperSoft
Enterprise Reporting with MongoDB and JasperSoftEnterprise Reporting with MongoDB and JasperSoft
Enterprise Reporting with MongoDB and JasperSoft
 
Deusto Knowledge Hub como herramienta de publicación y descubrimiento de cono...
Deusto Knowledge Hub como herramienta de publicación y descubrimiento de cono...Deusto Knowledge Hub como herramienta de publicación y descubrimiento de cono...
Deusto Knowledge Hub como herramienta de publicación y descubrimiento de cono...
 
El Big Data y Business Intelligence en mi empresa: ¿de qué me sirve?
El Big Data y Business Intelligence en mi empresa: ¿de qué me sirve?El Big Data y Business Intelligence en mi empresa: ¿de qué me sirve?
El Big Data y Business Intelligence en mi empresa: ¿de qué me sirve?
 
Introducción al software libre y open source
Introducción al software libre y open sourceIntroducción al software libre y open source
Introducción al software libre y open source
 
Fomentando la colaboración en el aula a través de herramientas sociales
Fomentando la colaboración en el aula a través de herramientas socialesFomentando la colaboración en el aula a través de herramientas sociales
Fomentando la colaboración en el aula a través de herramientas sociales
 
Marketing intelligence con estrategia omnicanal y Customer Journey
Marketing intelligence con estrategia omnicanal y Customer JourneyMarketing intelligence con estrategia omnicanal y Customer Journey
Marketing intelligence con estrategia omnicanal y Customer Journey
 
Las competencias digitales como método de observación de competencias genéricas
Las competencias digitales como método de observación de competencias genéricasLas competencias digitales como método de observación de competencias genéricas
Las competencias digitales como método de observación de competencias genéricas
 
Aplicación del Big Data a la mejora de la competitividad de la empresa
Aplicación del Big Data a la mejora de la competitividad de la empresaAplicación del Big Data a la mejora de la competitividad de la empresa
Aplicación del Big Data a la mejora de la competitividad de la empresa
 
Optimización de procesos con el Big Data
Optimización de procesos con el Big DataOptimización de procesos con el Big Data
Optimización de procesos con el Big Data
 
Análisis de Redes Sociales (Social Network Analysis) y Text Mining
Análisis de Redes Sociales (Social Network Analysis) y Text MiningAnálisis de Redes Sociales (Social Network Analysis) y Text Mining
Análisis de Redes Sociales (Social Network Analysis) y Text Mining
 
Cómo crecer, ser más eficiente y competitivo a través del Big Data
Cómo crecer, ser más eficiente y competitivo a través del Big DataCómo crecer, ser más eficiente y competitivo a través del Big Data
Cómo crecer, ser más eficiente y competitivo a través del Big Data
 
Procesamiento y visualización de datos para generar nuevo conocimiento
Procesamiento y visualización de datos para generar nuevo conocimientoProcesamiento y visualización de datos para generar nuevo conocimiento
Procesamiento y visualización de datos para generar nuevo conocimiento
 
Customer Lifetime Value Management con Big Data
Customer Lifetime Value Management con Big DataCustomer Lifetime Value Management con Big Data
Customer Lifetime Value Management con Big Data
 
Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...
Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...
Advanced Reporting and ETL for MongoDB: Easily Build a 360-Degree View of You...
 
Big Data: the Management Revolution
Big Data: the Management RevolutionBig Data: the Management Revolution
Big Data: the Management Revolution
 
Herramientas y metodologías Big Data para acceder a datos no estructurados
Herramientas y metodologías Big Data para acceder a datos no estructuradosHerramientas y metodologías Big Data para acceder a datos no estructurados
Herramientas y metodologías Big Data para acceder a datos no estructurados
 

Similar a El Big Data en la dirección comercial: market(ing) intelligence

Marketing: la función comercial de la empresa
Marketing: la función comercial de la empresaMarketing: la función comercial de la empresa
Marketing: la función comercial de la empresa
Pablo Dueñas Izquierdo
 
Mercado, demanda de mercado y entorno de marketing
Mercado, demanda de mercado y entorno de marketingMercado, demanda de mercado y entorno de marketing
Mercado, demanda de mercado y entorno de marketing
gestioncomercial2009
 
Tendencias en Internet 2013
Tendencias en Internet 2013Tendencias en Internet 2013
Tendencias en Internet 2013
Tirso Maldonado
 

Similar a El Big Data en la dirección comercial: market(ing) intelligence (20)

Cómo optimizar mi estrategia de marketing a través del big data
Cómo optimizar mi estrategia de marketing a través del big dataCómo optimizar mi estrategia de marketing a través del big data
Cómo optimizar mi estrategia de marketing a través del big data
 
Estrategias omnicanal para la mejora de los procesos de comunicación y marke...
	Estrategias omnicanal para la mejora de los procesos de comunicación y marke...	Estrategias omnicanal para la mejora de los procesos de comunicación y marke...
Estrategias omnicanal para la mejora de los procesos de comunicación y marke...
 
Marketing: la función comercial de la empresa
Marketing: la función comercial de la empresaMarketing: la función comercial de la empresa
Marketing: la función comercial de la empresa
 
Mejorando la experiencia de cliente a través del Big Data
Mejorando la experiencia de cliente a través del Big DataMejorando la experiencia de cliente a través del Big Data
Mejorando la experiencia de cliente a través del Big Data
 
Engagement en redes sociales
Engagement en redes socialesEngagement en redes sociales
Engagement en redes sociales
 
Marketing intelligence: Optimizando la estrategia a través del Big Data
Marketing intelligence: Optimizando la estrategia a través del Big DataMarketing intelligence: Optimizando la estrategia a través del Big Data
Marketing intelligence: Optimizando la estrategia a través del Big Data
 
Diagnóstico comercial triangular.pptx
Diagnóstico comercial triangular.pptxDiagnóstico comercial triangular.pptx
Diagnóstico comercial triangular.pptx
 
Mercado, demanda de mercado y entorno de marketing
Mercado, demanda de mercado y entorno de marketingMercado, demanda de mercado y entorno de marketing
Mercado, demanda de mercado y entorno de marketing
 
Senior Management Program in Digital Sales
Senior Management Program in Digital SalesSenior Management Program in Digital Sales
Senior Management Program in Digital Sales
 
Ultrapersonalización en la Web
Ultrapersonalización en la WebUltrapersonalización en la Web
Ultrapersonalización en la Web
 
Introducción al Big Data y el Business Intelligence
Introducción al Big Data y el Business IntelligenceIntroducción al Big Data y el Business Intelligence
Introducción al Big Data y el Business Intelligence
 
Tendencias en Internet 2013
Tendencias en Internet 2013Tendencias en Internet 2013
Tendencias en Internet 2013
 
DKS GeoSmart ejemplo Retail
DKS GeoSmart ejemplo RetailDKS GeoSmart ejemplo Retail
DKS GeoSmart ejemplo Retail
 
Métricas de marketing intelligence: midiendo y evaluando para mejorar el mark...
Métricas de marketing intelligence: midiendo y evaluando para mejorar el mark...Métricas de marketing intelligence: midiendo y evaluando para mejorar el mark...
Métricas de marketing intelligence: midiendo y evaluando para mejorar el mark...
 
La transformación digital del sector financiero
La transformación digital del sector financieroLa transformación digital del sector financiero
La transformación digital del sector financiero
 
Analytics, coolhunting y sentiment
Analytics, coolhunting y sentimentAnalytics, coolhunting y sentiment
Analytics, coolhunting y sentiment
 
Marketing Educativo 3.0. La magia del Inbound. Eduketing 2016
Marketing Educativo 3.0. La magia del Inbound. Eduketing 2016Marketing Educativo 3.0. La magia del Inbound. Eduketing 2016
Marketing Educativo 3.0. La magia del Inbound. Eduketing 2016
 
TFM sobre Modelos de Aprendizaje Automático en Ecommerce
TFM sobre Modelos de Aprendizaje Automático en Ecommerce TFM sobre Modelos de Aprendizaje Automático en Ecommerce
TFM sobre Modelos de Aprendizaje Automático en Ecommerce
 
Final final 5 solo para cuates
Final final 5 solo para cuatesFinal final 5 solo para cuates
Final final 5 solo para cuates
 
Tema 2 (anexo 01).- SIM.pptx
Tema 2 (anexo 01).- SIM.pptxTema 2 (anexo 01).- SIM.pptx
Tema 2 (anexo 01).- SIM.pptx
 

Más de Alex Rayón Jerez

Más de Alex Rayón Jerez (9)

Modelos de propensión en la era del Big Data
Modelos de propensión en la era del Big DataModelos de propensión en la era del Big Data
Modelos de propensión en la era del Big Data
 
El poder de los datos: hacia una sociedad inteligente, pero ética
El poder de los datos: hacia una sociedad inteligente, pero éticaEl poder de los datos: hacia una sociedad inteligente, pero ética
El poder de los datos: hacia una sociedad inteligente, pero ética
 
Profesiones de mañana para trabajar hoy
Profesiones de mañana para trabajar hoyProfesiones de mañana para trabajar hoy
Profesiones de mañana para trabajar hoy
 
Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...
Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...
Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...
 
Visual analytics: poniendo en valor el dato a través de la visualización
Visual analytics: poniendo en valor el dato a través de la visualizaciónVisual analytics: poniendo en valor el dato a través de la visualización
Visual analytics: poniendo en valor el dato a través de la visualización
 
Yo como persona emprendedora
Yo como persona emprendedoraYo como persona emprendedora
Yo como persona emprendedora
 
Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...
Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...
Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...
 
Marketing digital para la captación de más clientes
Marketing digital para la captación de más clientesMarketing digital para la captación de más clientes
Marketing digital para la captación de más clientes
 
Las competencias digitales en mi empresa: ¿en qué me pueden ayudar?
Las competencias digitales en mi empresa: ¿en qué me pueden ayudar?Las competencias digitales en mi empresa: ¿en qué me pueden ayudar?
Las competencias digitales en mi empresa: ¿en qué me pueden ayudar?
 

Último

Profecia 2300 dias explicada, Daniel 8:14
Profecia 2300 dias explicada, Daniel 8:14Profecia 2300 dias explicada, Daniel 8:14
Profecia 2300 dias explicada, Daniel 8:14
KevinBuenrostro4
 

Último (20)

Sesión de clase: Luz desde el santuario.pdf
Sesión de clase: Luz desde el santuario.pdfSesión de clase: Luz desde el santuario.pdf
Sesión de clase: Luz desde el santuario.pdf
 
Cerebelo Anatomía y fisiología Clase presencial
Cerebelo Anatomía y fisiología Clase presencialCerebelo Anatomía y fisiología Clase presencial
Cerebelo Anatomía y fisiología Clase presencial
 
La historia de la vida estudiantil a 102 años de la fundación de las Normales...
La historia de la vida estudiantil a 102 años de la fundación de las Normales...La historia de la vida estudiantil a 102 años de la fundación de las Normales...
La historia de la vida estudiantil a 102 años de la fundación de las Normales...
 
Seguridad y virus informáticos 12°B 2024
Seguridad y virus informáticos 12°B 2024Seguridad y virus informáticos 12°B 2024
Seguridad y virus informáticos 12°B 2024
 
1 CARTILLA DE CATEQUESIS año biblico 2023-2024.pdf
1 CARTILLA DE CATEQUESIS año biblico 2023-2024.pdf1 CARTILLA DE CATEQUESIS año biblico 2023-2024.pdf
1 CARTILLA DE CATEQUESIS año biblico 2023-2024.pdf
 
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
11.NEOLIBERALISMO: que es, ventajas, desventajas, consecuenciaspptx
 
DESCRIPCIÓN-LOS-DILEMAS-DEL-CONOCIMIENTO.pptx
DESCRIPCIÓN-LOS-DILEMAS-DEL-CONOCIMIENTO.pptxDESCRIPCIÓN-LOS-DILEMAS-DEL-CONOCIMIENTO.pptx
DESCRIPCIÓN-LOS-DILEMAS-DEL-CONOCIMIENTO.pptx
 
ACERTIJO LA RUTA DE LAS ADIVINANZAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ACERTIJO LA RUTA DE LAS ADIVINANZAS OLÍMPICAS. Por JAVIER SOLIS NOYOLAACERTIJO LA RUTA DE LAS ADIVINANZAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ACERTIJO LA RUTA DE LAS ADIVINANZAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
 
Power Point: Luz desde el santuario.pptx
Power Point: Luz desde el santuario.pptxPower Point: Luz desde el santuario.pptx
Power Point: Luz desde el santuario.pptx
 
METODOS DE EXTRACCIÓN E IDENTIFICACIÓN - 2024.pdf
METODOS DE EXTRACCIÓN E IDENTIFICACIÓN - 2024.pdfMETODOS DE EXTRACCIÓN E IDENTIFICACIÓN - 2024.pdf
METODOS DE EXTRACCIÓN E IDENTIFICACIÓN - 2024.pdf
 
Vínculo afectivo (labor expositivo de grupo )
Vínculo afectivo (labor expositivo de grupo )Vínculo afectivo (labor expositivo de grupo )
Vínculo afectivo (labor expositivo de grupo )
 
📝 Semana 09 - Tema 01: Tarea - Aplicación del resumen como estrategia de fuen...
📝 Semana 09 - Tema 01: Tarea - Aplicación del resumen como estrategia de fuen...📝 Semana 09 - Tema 01: Tarea - Aplicación del resumen como estrategia de fuen...
📝 Semana 09 - Tema 01: Tarea - Aplicación del resumen como estrategia de fuen...
 
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIALA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
LA GEOMETRÍA Y LOS SISTEMAS ANGULARES, APRENDER LEYENDO LA BIBLIA
 
Profecia 2300 dias explicada, Daniel 8:14
Profecia 2300 dias explicada, Daniel 8:14Profecia 2300 dias explicada, Daniel 8:14
Profecia 2300 dias explicada, Daniel 8:14
 
RubénSaaRamos_PrácticasPedagogía_Educación y Sociedad
RubénSaaRamos_PrácticasPedagogía_Educación y SociedadRubénSaaRamos_PrácticasPedagogía_Educación y Sociedad
RubénSaaRamos_PrácticasPedagogía_Educación y Sociedad
 
Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)
 
Proceso de gestión de obras - Aquí tu Remodelación
Proceso de gestión de obras - Aquí tu RemodelaciónProceso de gestión de obras - Aquí tu Remodelación
Proceso de gestión de obras - Aquí tu Remodelación
 
Revista Faro Normalista 6, 18 de mayo 2024
Revista Faro Normalista 6, 18 de mayo 2024Revista Faro Normalista 6, 18 de mayo 2024
Revista Faro Normalista 6, 18 de mayo 2024
 
ACERTIJO SOPA DE LETRAS OLÍMPICA. Por JAVIER SOLIS NOYOLA
ACERTIJO SOPA DE LETRAS OLÍMPICA. Por JAVIER SOLIS NOYOLAACERTIJO SOPA DE LETRAS OLÍMPICA. Por JAVIER SOLIS NOYOLA
ACERTIJO SOPA DE LETRAS OLÍMPICA. Por JAVIER SOLIS NOYOLA
 
PROBLEMAS DE GENÉTICA CON ÁRBOLES GENEALÓGICOS.pdf
PROBLEMAS DE GENÉTICA  CON ÁRBOLES GENEALÓGICOS.pdfPROBLEMAS DE GENÉTICA  CON ÁRBOLES GENEALÓGICOS.pdf
PROBLEMAS DE GENÉTICA CON ÁRBOLES GENEALÓGICOS.pdf
 

El Big Data en la dirección comercial: market(ing) intelligence

  • 1. PROGRAMA EXPERTO EN DIRECCIÓN COMERCIAL: Marketing, Ventas y Digital El Big Data en la dirección comercial: Market(ing) Intelligence Alex Rayón Jerez www.alexrayon.es, alex.rayon@deusto.es @alrayon Mayo, 2016. Bilbao.
  • 2. 2
  • 3. 3
  • 4. 4 4
  • 5. 5 Índice de contenidos ●Clarificando conceptos ●Market(ing) Intelligence ●Casos de aplicación ●¿Cómo empezar?
  • 6. 6 Índice de contenidos ●Clarificando conceptos ●Market(ing) Intelligence ●Casos de aplicación ●¿Cómo empezar?
  • 7. 7 Clarificando conceptos Las 5 V’s del Big Data Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832
  • 8. 8 Clarificando conceptos Data Science Fuente: http://www.slideshare.net/TechnetFrance/rec201-mstechdaysfinal130213033305phpapp02-19779391
  • 10. 10 Clarificando conceptos Economía digital ● La sociedad se ha tecnificado, y estamos cada vez más interconectados ○ Se habla de las redes sociales ● A eso unámosle que el coste computacional es cada vez menor ○ Menor coste de producción ● Cada vez se están digitalizando más procesos y actividades de nuestro día a día ○ Generaremos cada vez más datos
  • 11. 11 Clarificando conceptos Economía digital (II) 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. 14 Clarificando conceptos Big Data vs. Business Intelligence Business Intelligence Big Data
  • 16. 16 Clarificando conceptos Business Intelligence vs. Business Analytics (II) Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
  • 17. 1717 ●Estudiar datos tiene dos objetivos principales o Informar § ¿Qué ha ocurrido? o Predecir § ¿Qué podría ocurrir? Hoy Business Analytics Predecir Business Intelligence Informar Clarificando conceptos Business Intelligence vs. Business Analytics (III)
  • 18. 18 Clarificando conceptos El valor de la pregunta ●No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas ●Una disciplina que tiene un objetivo a medio plazo o La herramienta de la estrategia y de la dirección o 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/
  • 19. 19 Clarificando conceptos Resolución de problemas Problemas Predictivos (supervisados) Descriptivos (no supervisados) Clasificación Regresión Análisis correlacional Agrupamiento Reglas asociación
  • 21. 21 Clarificando conceptos Técnicas de Data Mining Fuente: http://www.angelbonet.com/2014/05/datamining-como-sacar-oro-al-big-data/
  • 22. 22 Clarificando conceptos La puesta en valor del dato Datos Analíticas Puesta en valor Modelo predictivo de previsión de compras: eficiencia transporte, ahorro portes, evitar roturas stock, etc. Modelo predictivo de ventas: sugerencia compras, etc. Rutas óptimas según cargas, productos y zona: en base a pedidos, etc. Product clustering: incluso, personalización. Análisis de compras ...“Sensores” para la captura de datos Real Time → Conocer estado producto en tiempo real, avisar ruptura stock, etc. Marketing → Segmentación clientes Business Intelligence → Dashboard hot spots → Alertas variaciones (clientes, productos, zonas, etc.) → Detección mermas, robos, etc.
  • 23. 23 Índice de contenidos ●Clarificando conceptos ●Market(ing) Intelligence ●Casos de aplicación ●¿Cómo empezar?
  • 24. 24 Market(ing) Intelligence Customer Journey Fuente: https://www.surveygizmo.com/survey-blog/how-to-collect-consumer-insight-with-a-customer-journey-map/
  • 25. 25 Market(ing) Intelligence Nueva coyuntura Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20
  • 28. 28 Market(ing) Intelligence La importancia del dato 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
  • 29. 29 Market(ing) Intelligence La importancia del dato (II) Estrategia de venta directa: nuevo enfoque 1-2) Gestionar audiencia1-2) Capturar datos 3) Convertir a ventas
  • 30. 30 Market(ing) Intelligence El impacto en los negocios ● Los beneficios que una empresa puede obtener son claros: ○ Conocimiento de sus clientes, mercados, productos, etc, ○ Redundando esto en nuevos mercados, nuevos segmentos ○ Alineamiento de la empresa a los clientes ○ ... ● En definitiva nuevos ingresos y ahorros
  • 31. 31 Market(ing) Intelligence El impacto en los negocios (II) Oportunidades que se enmarcan en la era de la personalización y especialización que demanda un cliente exigente e informado Fuente: http://www.luxortec.com/blog/camino-a-una-estrategia-centrada-en-el-cliente/
  • 32. 32 Market(ing) Intelligence El impacto en los negocios (III) ● La oportunidad de explotar el dato aparece cuando muchas empresas se dan cuenta que tienen muchos datos en diferentes sistemas y archivos (ERP, CRM, hojas de cálculo, redes sociales, etc), y no lo explotan ● Y aquí el principal problema está en que no hay una "explotación cerrada" ○ Es decir, no hay un conjunto de utilidades o preguntas tipo ○ Hay tantos enfoques prácticamente como empresas
  • 33. 33 Market(ing) Intelligence Pirámide informacional Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/
  • 34. 34 ●El dato por si solo nos aporta poco… o 2.000 visitantes únicos en mi tienda online o 1.000 nuevos usuarios en mi aplicación o 10% nuevos clientes en mi exposición o 24 conversiones de las campañas de captación o 3.000 € de incremento del tamaño de la transacción media de ticket de compra o ... Market(ing) Intelligence Del dato...
  • 35. 35 Falta contexto → circunstancias Fecha Dispositivo/canal Geolocalización Fuente Tendencia/Perspectiva ... Market(ing) Intelligence Del dato… (II)
  • 36. 36 El dato puesto en valor → inteligencia de negocio Market(ing) Intelligence … al conocimiento Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/
  • 37. 37 Market(ing) Intelligence Fuentes de datos Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/
  • 38. 38 Índice de contenidos ●Clarificando conceptos ●Market(ing) Intelligence ●Casos de aplicación ●¿Cómo empezar?
  • 39. 39 1) Ganar más dinero 2) Evitar perderlo 3) Optimizar procesos Casos de aplicación ¿Esto para qué sirve?
  • 40. 40 Casos de aplicación 1) Ganar más dinero 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/
  • 41. 41 Casos de aplicación 1) Ganar más dinero (II) ●Se trata de analizar los datos: o Contextuales de una compra → momento, lugar, composición de la cesta de la compra o Lo enmarcamos en perspectiva → frecuencia, tiempo entre última compra, etc. o Analizamos el cliente → si lo hace con tarjeta de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc. o Y el canal por el que entra → online -tienda online, landing page, redes sociales, etc- u offline ●… y preguntarnos cosas como...
  • 42. 42 ● Uso de datos en el mundo comercial o Customer profiling: hábitos, necesidades, valor, potencial → Know Your Customer (KYC) o 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. o Estrategias omnicanal y de Social CRM: findability, social Casos de aplicación 1) Ganar más dinero (III)
  • 43. 43 ● Uso de datos en el mundo comercial o Brand Intelligence: valor de una marca, influencia de la marca en la oferta y demanda, valoración de marca, etc. o Marketing experiencial: Customer Experience Management, Customer journey, Indicadores de Experiencia de Cliente (NPS, etc.) o Del marketing masivo al marketing one2one: Event- based marketing, marketing en tiempo real (retargeting), retargeting personalizado (Right Offer, Right PersoN), estrategias de cross y up-selling Casos de aplicación 1) Ganar más dinero (IV)
  • 44. 44 ● Uso de datos en el mundo comercial o Inbound marketing: engagement con contenidos, capturando datos de touchpoints, relación con clientes, etc. o Social Media Intelligence: Social Business, Social Media Analytics, análisis de medios sociales y conversión, etc. o Geomarketing: Sistemas de Información Geográfica (GIS) o Producto: nichos de mercado, nuevos productos y servicios, pricing inteligente, etc. Casos de aplicación 1) Ganar más dinero (V)
  • 45. 45 ● Uso de datos en el mundo comercial o Fidelización de clientes: programas de fidelización, técnicas de fidelización (endógena y exógena) o 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 o etc. Casos de aplicación 1) Ganar más dinero (VI)
  • 46. 4646 Casos de aplicación 1) Ganar más dinero (VII)
  • 47. 47 Casos de aplicación 1) Ganar más dinero (VIII) 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
  • 48. 48 Perfil de cliente Quiénes son: tipo de cliente, características, cómo se comunican, etc. Dónde viven/qué lugares frecuentan: comportamiento geográfico Qué compran: productos que consumen, frecuencia, valor, etc. Interacciones: cliente activo, índice de contacto, interacciones positivas o negativas, etc. Casos de aplicación 1) Ganar más dinero (IX)
  • 49. 49 Casos de aplicación 1) Ganar más dinero (X)
  • 50. 50 Casos de aplicación 1) Ganar más dinero (XI)
  • 51. 51 Casos de aplicación 1) Ganar más dinero (XII)
  • 52. 52 Quién (influenciadores) o qué (drivers de compra) influye más en la decisión de compra de un cliente → drivers Fuente: http://www.marketing4food.com/la-distribucion-espanola-y-su-comprador-razones-para-elegir-una-ensena/ Casos de aplicación 1) Ganar más dinero (XIII)
  • 53. 53 Qué relación de productos permite modelizar el perfil de cliente Fuente: http://www.elmundodeladc.com/cual-es-tu-perfil-online/ Casos de aplicación 1) Ganar más dinero (XIV)
  • 54. 54 ¿Cuál es la estructura de mi marca? Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext Casos de aplicación 1) Ganar más dinero (XV)
  • 55. 55 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/ Casos de aplicación 1) Ganar más dinero (XVI)
  • 56. 56 Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921 Casos de aplicación 1) Ganar más dinero (XVII)
  • 57. 57 Planteamos cuatro problemas 1. Relación entre Relación entre Ingresos por usuario y Búsqueda en Tienda de Productos 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? Casos de aplicación 1) Ganar más dinero (XVIII)
  • 59. 59 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 Casos de aplicación 1) Ganar más dinero (XX)
  • 60. 60 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 Casos de aplicación 1) Ganar más dinero (XXI)
  • 61. 61 ¿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/ Casos de aplicación 1) Ganar más dinero (XXII)
  • 62. 62 ●Mediciones: Nodos (cont.) o Centralidad Fuente: http://historiapolitica.com/redhistoria/2013/02/8n-en-twitter/ Casos de aplicación 1) Ganar más dinero (XXIII)
  • 63. 63 ●Mediciones: Nodos (cont.) o Centralidad Fuente: http://slideplayer.es/slide/19335/ Casos de aplicación 1) Ganar más dinero (XXIV)
  • 64. 64 ●Mediciones: Nodos (cont.) Casos de aplicación 1) Ganar más dinero (XXV)
  • 65. 65 Las campañas son costosas y además muchos clientes no responden Solución: Right Person Predecir quienes van a responder a una oferta Tecnología: Modelos de propensión Se está saturando a los clientes con múltiples ofertas Solución: Right Offer Elegir los clientes que tengan más propensión en cada momento Controlar la periodicidad de los envíos Casos de aplicación 1) Ganar más dinero (XXVI)
  • 66. 66 1 Escuchar Gestionar Decidir Hablar 2 3 4 - Analizar datos - Identificar oportunidades - Almacenar la historia de las interacciones - Escuchar puntos de contacto: conversaciones sociales, web, teléfono, landing page, etc. - Construir perfiles - Elaborar propensiones - Establecer estrategias: Right Person y Right Offer - Entregar el mensaje y la oferta adecuada en el momento más oportuno - Repetir esto, una y otra vez, para millones de interacciones con miles de clientes - Automatizar la multi/omnicanalidad, y medir beneficios a largo plazo Casos de aplicación 1) Ganar más dinero (XXVII)
  • 67. 67 Twitter followers Web Campaña SEO (On y Off) Facebook fans... Elegible - Opt outs Scoring Top deciles Canal Facebook Broadcast Twitter SMS Adwords Lista email suscriptores ... A la hora de hacer retargeting, habrá que variar el contenido del primer mensaje Criterios - Right offer - Right person Evaluar las campañas y las acciones por el ROI y la efectividad. Proyecto en marcha Externo Interno Web A la hora de impactar dentro de la web, se tendrá en consideración el comportamiento del usuario Casos de aplicación 1) Ganar más dinero (XXVIII)
  • 68. 68 Segmento elegible Oferta recomendada Score Canal Tarjeta de lealtad Envío gratuito por categoría oro 98 Suma 50 puntos adicionales 60 Ciclo de vida de producto y cliente Cuenta registrada nueva 5 Lanzamiento producto nuevo 20 Extensión de garantías 15 Basado en evento Empaquetar oferta de productos 68 Ofertas basadas en abandono de carritos 75 Oferta de temporada estacional 89 Casos de aplicación 1) Ganar más dinero (XXIX)
  • 69. 69 Casos de aplicación 2) Evitar perderlo ● En segundo lugar, las empresas también queremos evitar perder clientes ● Ya conocemos el famoso mantra de la importancia que tiene mantener clientes por el coste que tiene adquirir nuevos o Y esto es más posible que nunca gracias al análisis masivo de datos Fuente: http://javiermegias.com/blog/2012/04/el-motor-de-tu-modelo-de-negocio-coste-de-adquisicion-y-valor-del- cliente/
  • 71. 71 Casos de aplicación 2) Evitar perderlo (III)
  • 72. 72 Casos de aplicación 2) Evitar perderlo (IV)
  • 73. 73 Casos de aplicación 2) Evitar perderlo (V)
  • 74. 74 Casos de aplicación 2) Evitar perderlo (VI)
  • 78. 78 ●Los modelos de propensión pueden ser: o Compra (cross-sell y up-sell) o Fuga (si pudiera dejar de ser nuestro cliente) o Riesgo de impago (que no pague lo que adeuda) o Fraude o Sensibilidad al precio (descuentos) o etc. ●Son modelos que estiman la probabilidad de que se produzca esa conducta (compra, fuga, etc.) para cada uno de nuestros clientes o Permite generar modelos predictivos para poder tomar decisiones de negocio en tiempo real Casos de aplicación 2) Evitar perderlo (X)
  • 79. 79 ● Construir relaciones duraderas y sostenibles en el tiempo entre las empresas y sus clientes, permiten: o Incrementar el índice de satisfacción o La involucración y la optimización del marketing de compromiso ● Por lo tanto, contactar a los más propensos a fugarse da buenos resultados a una empresa ● Buscamos clientes prescriptores Casos de aplicación 2) Evitar perderlo (XI)
  • 84. 84 ● Para predecir el consumo que tendrá el Cliente el próximo año ● A partir de ese gasto futuro estimado, se calcula el valor esperado del cliente pudiendo determinar si éste será rentable o no Fuente: http://mod-keynesiano.blogspot.com.es/p/modelo-keynesiano.html Casos de aplicación 2) Evitar perderlo (XVI)
  • 85. 85 ● Se realiza un análisis de sensibilidad al precio de los clientes, identificando aquellos grupos de usuarios más sensibles a un cambio en el precio Fuente. http://planuba.orientaronline.com.ar/tag/costos/ Casos de aplicación 2) Evitar perderlo (XVII)
  • 86. 86 Lead generation, Nurturing and Scoring Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/ Casos de aplicación 2) Evitar perderlo (XVIII)
  • 88. 88 ●Recency o Cuán reciente es la última compra del cliente ●Frequency o Con cuánta frecuencia compra el cliente ●Monetary o 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 Casos de aplicación 2) Evitar perderlo (XX)
  • 90. 90 Casos de aplicación 3) Optimizar procesos Creación de modelos que permitan ahorrar esfuerzo económico en diferentes procesos Fuente: http://www.indiana.edu/~hmathmod/modelmodel.html Mathematical models + Statistical methods
  • 91. 91 Casos de aplicación 3) Optimizar procesos (II) ●Supongamos la logística o la gestión de una central de compras ●Si yo integro todas las transacciones de compras, y analizo frecuencia, proveedores, descuentos, etc., podemos hacer un modelo que nos seleccione en tiempo real el mejor proveedor o distribuidor por descuentos que viene haciendo históricamente, considerando lo que ahora quiera comprar
  • 92. 92 Índice de contenidos ●Clarificando conceptos ●Market(ing) Intelligence ●Casos de aplicación ●¿Cómo empezar?
  • 93. 93 ¿Cómo empezar? Estrategia de trabajo Data-Driven Attribution Necesitamos concretar el ROI Necesitamos explotar datos con mucho detalle Necesitamos disponer de modelos analíticos para hacer el scoring de cada uno de los candidatos
  • 95. 95 ¿Cómo empezar? Solución: Arquitectura integrada Tarjeta de fidelización ON OFF Extraños Visitantes Leads Clientes Promoters ATRAER CONVERTIR CERRAR DESLUMBRAR Estrategias omnicanal para el fortalecimiento de la marca Sistema de gestión para la captura del dato en los diferentes canales on, off e híbridos (tarjeta de fidelización), que permita su explotación posterior para la mejora de la toma de decisiones estratégicas en el negocio Híbrido Promociones y descuento Ofertas personalizadas Reglas + cross y upselling Marketing de atención Blog Keywords Social Media Formularios Calls-To- Action Landing Pages Email Señales Workflows Eventos Social Inbox Smart Content
  • 96. 96 ¿Cómo empezar? Solución: 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
  • 97. 97 ¿Cómo empezar? Data-Driven Organization Roadmap to Data-Driven Organization advantage Fuente: http://www.ibmbigdatahub.com/blog/observations-transformations-and-conversations-ibm-chief-data-officer-summit
  • 99. 99 ¿Cómo empezar? Data-Driven Organization (III) Fuente: http://www.forbes.com/sites/piyankajain/2012/06/22/what-is-your-organizations-analytics-maturity/#55ada95c58f2
  • 100. 100 ¿Cómo empezar? Maturity model Fuente: https://www.gartner.com/doc/713210
  • 101. Copyright (c) 2016 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/ Alex Rayón Jerez Mayo 2016
  • 102. PROGRAMA EXPERTO EN DIRECCIÓN COMERCIAL: Marketing, Ventas y Digital El Big Data en la dirección comercial: Market(ing) Intelligence Alex Rayón Jerez www.alexrayon.es, alex.rayon@deusto.es @alrayon Mayo, 2016. Bilbao.