Este documento describe cómo las empresas pueden mejorar su comprensión de los clientes mediante el análisis de grandes cantidades de datos internos y externos sobre los clientes. Esto permite segmentar mejor a los clientes, predecir su comportamiento y recomendar productos personalizados para aumentar las ventas y la retención de clientes.

1. Caso de uso: Customer Centric

2. Solving Big Data Issues 2
LA JUSTIFICACIÓN DE CUSTOMER CENTRIC
Conocer mejor al cliente
§ No existe el contacto
Ingestar información
§ Interna y externa
§ Estructurada y no estructurada
Perfilar mejor al cliente
§ Microperfilado / hiper-perfilado
(Ingresar más) Vender más y mejor
§ Catálogo de Productos y
servicios adecuado al cliente
§ Canal
§ Mensaje
(Gastar menos) Disminuir el
esfuerzo comercial
§ Fidelizando al cliente
§ Disminuyendo el abandono
§ Permitiendo la planificación
OBJETIVO
Mejorar el
Balance
-Ganar dinero-
-Visión 360º del cliente-

3. Solving Big Data Issues 3
EVOLUCIÓN
De los pueblos y las ciudades, al mundo virtual: analítica imprescindible
MUNDO PASADO MUNDO VIRTUAL
Aquí nos conocemos todos, o
podríamos hacerlo. El proveedor elige o
el cliente, como ocurría en los pueblos.
Aquí no tenemos contactos físicos,
hay que conocer al cliente por medio
de otros canales

4. Solving Big Data Issues 4
EJEMPLO: FUENTES DE DATOS PARA ALIMENTAR UN DATALAKE
Sistemas de Back Office
Transacciones
Operaciones
ERP
Data WareHouse
Datos Externos
Proveedores especializados
de datos inteligentes
Sistemas Externos
Información mercantil
Asociaciones empresariales
Actividad del cliente y
de la compañía Canales no asistidos
Customer Website
Mobile Server and Online
Apps
Campañas
Mail
Web
Social Media
CRM Canales asistidos
Service Desk
Social Data
BIG DATA LAKE CUSTOMER CENTRIC
DMP
Gestor de campañas
Call CenterOrganismos públicos
FUENTESEXTERNAS
FUENTESINTERNAS

5. Solving Big Data Issues 5
EJEMPLOS DE CASOS DE USO: ANÁLISIS MATEMÁTICO AL SERVICIO DEL NEGOCIO
Machine Learning
Conjunto de técnicas estadístico-
matemáticas que permiten
aprender a sistemas
informáticos las características
de usuarios, procesos,
fenómenos… para
Predecir
Anticiparse a tendencias, decisiones o
demandas del mercado/clientes a partir
de un modelo y unas entradas
predefinidas
Clasificar
Reconocer el grupo/clase de individuos,
sucesos o eventos para responder/
gestionarlos de forma más eficiente
Sistemas de recomendación
Aprendizaje contínuo para
adaptar sugerencias,
presentación de productos, etc.
que permite amoldarse
automáticamente a gustos/
necesidades del cliente

6. Solving Big Data Issues 6
EJEMPLOS DE CASOS DE USO : CUSTOMER CENTRIC
Sensibilidades en redes sociales -
Community manager.
Predicciones
• Predicción del comportamiento de clientes.
Se ajusta el proceso de venta.
• Descubrimiento del proceso de compra
• Senda de abandono ⊂ Prevención de Fugas
• Definición de mecanismos / acciones de
retención
• Idem de Recomendación
Alternativas al relleno de cuestionarios
de satisfacción:
Analizando opiniones y el
reconocimiento del sentimiento.
Enriquecimiento de la agenda
comercial:
• Mediante la ingestión de información
de diversas fuentes.
• Creando actividades a los gestores
desde las herramientas predictivas.
• Haciendo seguimiento más preciso.

7. Solving Big Data Issues 7
EJEMPLOS DE CASOS DE USO: CUSTOMER CENTRIC
Definición de campañas:
Mediante una segmentación de clientes
más precisa y perfeccionando
consiguientemente el catálogo de
productos y servicios.
• Seleccionar clientes objetivo de un producto servicio
y el mejor canal de acceso.
• Definir productos y servicios objetivo para un
segmento de clientes.
• Definir el proceso para que un cliente pase de
canales asistidos a no asistidos.
Apoyo al Call center
Construcción en tiempo real de los
árboles de preguntas en función de
como discurra la entrevista.
• Analizando voces.
• Tonos
• Semántica
Préstamos, créditos y avales.
• Mejora de los modelos de admisión /
originación para asignar un mejor
precio y ser más precisos en la
aceptación / denegación de la
operación.
• Hay un porcentaje alto de clientes de
declina a la formalización. Por grupos,
se puede enunciar la causa que le lleva
al cliente a tomar tal decisión

8. Solving Big Data Issues 8
EJEMPLOS DE CASOS DE USO: ANÁLISIS MATEMÁTICO AL SERVICIO DEL NEGOCIO
Predicción de la demanda/consumo
En sectores como retail, energía o industria
se aplican/entrenan modelos predictivos
alimentados en tiempo real por
arquitecturas Big Data para maximizar la
eficiencia: facturación, recursos consumidos,
soporte a la toma de decisiones…
Sistema recomendación canal bancario
Recomendación de productos
complementarios en canales bancarios.
El conocimiento automático del usuario
activa sugerencias de servicios
(bancarios o no) en los momentos más
apropiados vía sucursal o multicanal
Maximizar el feedback del cliente
Modelado matemático y NLP
(procesado de lenguaje natural) de
interacciones con clientes para
aumentar la tasas de respuesta:
• Aprendizaje automático por sectores
Mayor feedback: conocimiento más
profundo del cliente
Medios de transporte pseudoaleatorios
Predicción de ETA (estimated time of arrival)
mediante sistemas adaptativos que
aprenden continuamente. Los usuarios
perciben un servicio de más calidad:
• La predicción no se basa solo en horarios
• Tiene en cuenta las variaciones continuas del
entorno
• Aprende de la historia pasada

9. Calle Virgilio 25
Edificio Ayessa I, Bajo D
Pozuelo de Alarcón
28223 Madrid
@keedioinfo@keedio.comwww.keedio.com keedio