SlideShare una empresa de Scribd logo
1 de 10
Descargar para leer sin conexión
1
2
Resumen Ejecutivo
“Cerca del 80 % de la información relevante para el desarrollo de negocio de una
compañía tiene una connotación espacial”. 1
1 Del libro “Potential of Geo-Marketing-Tools for the development of advanced Online-Marketing business models”
• Si a esta afirmación añadimos las oportunidades que ofrece el Big Data aportando mayor conocimiento a
esa información, estaremos generando una ventaja competitiva tomando decisiones basadas en
información.
• Este White Paper tiene una clara orientación de negocio, especialmente para las áreas de Marketing,
Ventas y Expansión. Por otra parte, es importante mencionar que este documento no trata los detalles
técnicos de las fuentes de información, ni de cómo obtenerlos, ni transformarlos. Se da por hecho que
existen proveedores especialistas en este tipo de servicios.
• El enfoque de este White Paper, como la mayoría del contenido del blog, es inminentemente práctico,
donde las dos entidades: clientes y puntos de venta son geo localizadas, enriquecidas y analizadas usando
fuentes Open Data y tratándolas en función del eje geográfico.
• Creo que el principal aporte de este White Paper (WP) está en ver más el “para qué”, que el “cómo”. El
“para qué” nos permite enfocarnos en los beneficios en vez de valorar las funcionalidades del Big Data.
Estos beneficios los veremos en dos casos de negocio:
o Caso 1 – Ratio de penetración de un punto de venta. Conocer esta métrica permite responder a la
pregunta ¿A qué parte del público objetivo al que accede mi punto de venta le interesa mi oferta?
o Caso 2- Cuota de mercado de un punto de venta. Esta métrica permite conocer qué parte del
mercado potencial monetizado representa la facturación del punto de venta.
3
Introducción
2 Estudio realizado por IBM Business Value y la Universidad de Oxford a más 1.100 profesionales de negocio y tecnología
Según el estudio “Analytics: el uso de big data en el mundo real” 2 se extraen cinco recomendaciones clave para
que las empresas puedan avanzar en sus iniciativas de Big Data y obtener el máximo valor para el negocio:
1. Dedicar los esfuerzos iniciales a obtener resultados centrados en el cliente.
2. Desarrollar un plan de Big Data para toda la empresa.
3. Comenzar con datos ya existentes para lograr resultados a corto plazo.
4. Desarrollar capacidades analíticas sobre la base de prioridades de negocio.
5. Crear un caso de negocio sobre la base de resultados cuantificables.
En línea con buscar iniciativas centradas en el cliente y orientadas a mejorar los resultados del negocio, este White
Paper tiene como principales propósitos:
Presentar de forma práctica cómo
generar métricas que permitan
conocer el performance comercial
de un punto de venta
Mostrar cómo usando la
información interna más la
información externa se puede
mejorar el conocimiento comercial.
Mostrar una metodología de
trabajo básica, pero muy práctica
para desmontar la percepción que
es necesario gastarse centenares
de miles de euros para contar con
beneficios de Big Data.
4
Situación de partida
(capítulo no disponible en este documento)
Suscríbete para acceder
al contenido completo
(21 páginas)
5
Enfoque de los casos de negocio – White Paper “Big Data + Clienting”
© Derechos Reservados - Ninjaclienting.com
Enfoque de la solución
Data Quality Geo-Localización Fuentes Big Data Áreas de influencia
Caso 1
Ratio de Penetración
Caso 2
Cuota de Mercado
Normaliza y de-
duplica la
información. Evita el
“basura entra-basura
sale” (tras in – trash
out)
Geo localiza clientes
(demanda) y oferta
propia y de la
competencia
Generación de
variables con alto
componente geo
(catastro, Puntos de
Interés, Renta, etc.)
Definición de los
anillos donde el PdV
ejerce influencia.
Capacidad de generar
tráfico
“De las x personas que
pueden comprarme,
¿cuántas me compran?”
“Del mercado potencial
monetizado, ¿cuánto me
estoy llevando?”
1 2 3 4
El enfoque aplicando Big Data a clientes y PdV para desarrollar los dos casos de negocio se muestra a
continuación:
6
Enfoque de la solución - Data Quality
1 Data Quality
Consideremos que la empresa en cuestión cuenta con la información de sus clientes ya sea mediante el contrato de alta
(por ejemplo un producto bancario), un club de fidelización, una aplicación móvil o alguna otra forma que le permita a
la empresa conocer la dirección del cliente.
El maestro de clientes puede contener los siguientes campos:
• Nombre y apellidos
• Dirección
• Datos de contacto: email, teléfono fijo, teléfono móvil, etc.
Es probable que la información de estos clientes tenga deficiencias como por ejemplo: registros duplicados, registros
con campos en blanco o con información desactualizada. Por tanto, es necesario que la información deba pasar por
procesos de cualificación que mejoren la información de clientes.
Existen varias empresas que dan este tipo de servicios. Sin entrar en detalles técnicos, a la tabla de clientes se le deben
aplicar los siguientes procesos:
Normalización
De duplicación
También llamada estandarización, aplica principalmente a nombres y direcciones. El objetivo es
que la información de los campos se ajuste a una regla. Para el caso de las direcciones lo que
hacen los algoritmos son separar un campo tipo dirección postal en varios campos con: tipo de
vía (calle, avenida, etc.), nombre de vía, número de vía, etc.
Existen varios criterios para seleccionar el registro/campo válido y los registros/campos
duplicados. A modo de ejemplo, ante registros duplicados podríamos definir que el registro
válido (“el que manda”) es el de la compra más reciente o el de mayor facturación y, por tanto, se
descartan las otras direcciones y se asigna la dirección del registro válido al cliente en cuestión
7
Enfoque de la solución – Geo localización
2. Geo Localización
La geolocalización es el proceso de asignación de coordenadas (latitud y longitud) a partir de una dirección postal. En el
caso del maestro de clientes, cada hogar se debe geo localizar. El proceso de geolocalización también aplica a la red de
puntos de venta.
En función de la dirección, los procesos de geolocalización pueden tener como salidas los siguientes niveles de precisión
(ordenados de mayor a menor precisión):
Precisión de un hogar en función de su dirección Nivel de Precisión
Número de vía Precisión alta
Número de vía, centroide de parcela catastral Precisión alta
Interpolación de número de vía Precisión alta
Número contiguo de vía Precisión alta
Número próximo de vía Precisión media
Centroide de vía Precisión media
Mínimo número de vía Precisión media
Sección Censal Precisión baja
Código Postal Precisión baja
Población Precisión baja
Municipio Precisión baja
+
-
Precisión
8
Enfoque de la solución – Fuentes Big Data
3. Fuentes Big Data
A continuación se muestra el esquema de fuentes de información externa (Big Data) que se pueden
asociar a perfiles de clientes (demanda) y a los puntos de venta de la competencia (oferta).
Población
Residentes
Población
Flotante
Trabajadores Turistas
Punto de Venta
Competidores
Comprende a las
personas que residen
habitualmente en la
zona. También se le
conoce como
población de
derecho.
Población que realiza
más de 14
pernoctaciones al año
en la zona. Pueden
ser trabajadores,
estudiantes, etc.
Personas que
trabajan en la zona y
por tanto pueden
comprar en el PdV.
Personas que no
residen en la zona y
que se desplaza fuera
de su territorio de
origen o de su
residencia habitual
Pueden ser PdV que
dan los mismos
servicios/productos o
sustitutivos.
Fuentes Big Data por demanda (perfiles de clientes) y oferta (competidores)
Demanda Oferta
• Censo
• Catastro
• Listados
telefónicos
• …
• Ministerio Fomento
• Censo
• Catastro
• …
• Registro
Mercantil
• Catastro
• …
• Puntos de Interés
(monumentos,
teatros, museos,
etc.)
• Alojamientos
(hoteles, camping,
etc.)
• …
• Descarga de las
páginas web de
competidores
• Trabajo de
campo
(observación)
• …
Fuentes de información
9
Briefing
(capítulo no disponible en esta presentación)
White Paper – Big Data + Clienting – Dos casos prácticos aplicados a una cartera de clientes y tiendas
Áreas de
influencia
Briefing
Caso 1 - Ratio
de penetración
Caso 2 – Cuota
de Mercado
Conclusiones y
Recomendaciones
Recursos
adicionales
Resumen
ejecutivo
Introducción
Enfoque de la
solución
Situación
de partida
Fuentes Big Data
Suscríbete para acceder
al contenido completo
(21 páginas)
10

Más contenido relacionado

Destacado

Destacado (11)

Enfoque estrategico de CRM
Enfoque estrategico de CRMEnfoque estrategico de CRM
Enfoque estrategico de CRM
 
Incremento de cartera de clientes
Incremento de cartera de clientesIncremento de cartera de clientes
Incremento de cartera de clientes
 
APM en IE Business School - Competir con los mejores
APM en IE Business School - Competir con los mejoresAPM en IE Business School - Competir con los mejores
APM en IE Business School - Competir con los mejores
 
Clasificación de Productos, OTC, OTX, Etc.
Clasificación de Productos, OTC, OTX, Etc.Clasificación de Productos, OTC, OTX, Etc.
Clasificación de Productos, OTC, OTX, Etc.
 
Segmentación Farmacéutica
Segmentación FarmacéuticaSegmentación Farmacéutica
Segmentación Farmacéutica
 
Ponencia: Estrategias innovadoras para ampliar tu cartera de clientes
Ponencia: Estrategias innovadoras para ampliar tu cartera de clientesPonencia: Estrategias innovadoras para ampliar tu cartera de clientes
Ponencia: Estrategias innovadoras para ampliar tu cartera de clientes
 
Presentación retencion de clientes
Presentación retencion de clientesPresentación retencion de clientes
Presentación retencion de clientes
 
Curso APM / Estrategia Social Viajes El Corte Ingles
Curso APM / Estrategia Social Viajes El Corte InglesCurso APM / Estrategia Social Viajes El Corte Ingles
Curso APM / Estrategia Social Viajes El Corte Ingles
 
Apm - Secretos De Compradores V010
Apm -  Secretos De Compradores   V010Apm -  Secretos De Compradores   V010
Apm - Secretos De Compradores V010
 
medicamentos Éticos y OTC
 medicamentos Éticos y OTC medicamentos Éticos y OTC
medicamentos Éticos y OTC
 
Marketing Relacional
Marketing RelacionalMarketing Relacional
Marketing Relacional
 

Similar a Big Data Clienting - 2 casos prácticos clientes tiendas

Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negociosjarmendipg
 
Cómo sacar provecho de la explosión de datos smart big data
Cómo sacar provecho de la explosión de datos smart big dataCómo sacar provecho de la explosión de datos smart big data
Cómo sacar provecho de la explosión de datos smart big dataAlet & CO
 
Toma de decisiones en la gestión comercial
Toma de decisiones en la gestión comercialToma de decisiones en la gestión comercial
Toma de decisiones en la gestión comercialMsC. Alec Vinent
 
El uso de los sistemas de información para la toma de decisiones estratégicas
El uso de los sistemas de información para la toma de decisiones estratégicasEl uso de los sistemas de información para la toma de decisiones estratégicas
El uso de los sistemas de información para la toma de decisiones estratégicasEgdares Futch H.
 
Inteligencia de Negocios presentacion
Inteligencia de Negocios presentacionInteligencia de Negocios presentacion
Inteligencia de Negocios presentacionClinica Internacional
 
Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...
Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...
Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...Aurora López García
 
201510_TransformacionBigData
201510_TransformacionBigData201510_TransformacionBigData
201510_TransformacionBigDataRaul Gomez
 
Presentacion business analytics
Presentacion business analyticsPresentacion business analytics
Presentacion business analyticsDatKnoSys
 
BIG DATA Transformando las industrias
BIG DATA Transformando las industriasBIG DATA Transformando las industrias
BIG DATA Transformando las industriasRollup Consulting
 
CRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.comCRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.comJorge Pueyo Pons
 
Final final 5 solo para cuates
Final final 5 solo para cuatesFinal final 5 solo para cuates
Final final 5 solo para cuatesMoises Cielak
 
Ecommerce Benchmark Spain
Ecommerce Benchmark SpainEcommerce Benchmark Spain
Ecommerce Benchmark SpainLluis Serra
 
Mi proyecto de Big Data
Mi proyecto de Big DataMi proyecto de Big Data
Mi proyecto de Big DataPilarParedes9
 
Presentación DKS GeoSmart
Presentación DKS GeoSmartPresentación DKS GeoSmart
Presentación DKS GeoSmartDatKnoSys
 
MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS 2022
MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS  2022MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS  2022
MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS 2022RameshAliBojorges1
 
Diapositivas tics
Diapositivas ticsDiapositivas tics
Diapositivas ticsAlejandra95
 

Similar a Big Data Clienting - 2 casos prácticos clientes tiendas (20)

Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Mejoras de uyuna
Mejoras de uyuna Mejoras de uyuna
Mejoras de uyuna
 
Cómo sacar provecho de la explosión de datos smart big data
Cómo sacar provecho de la explosión de datos smart big dataCómo sacar provecho de la explosión de datos smart big data
Cómo sacar provecho de la explosión de datos smart big data
 
Toma de decisiones en la gestión comercial
Toma de decisiones en la gestión comercialToma de decisiones en la gestión comercial
Toma de decisiones en la gestión comercial
 
El uso de los sistemas de información para la toma de decisiones estratégicas
El uso de los sistemas de información para la toma de decisiones estratégicasEl uso de los sistemas de información para la toma de decisiones estratégicas
El uso de los sistemas de información para la toma de decisiones estratégicas
 
Inteligencia de Negocios presentacion
Inteligencia de Negocios presentacionInteligencia de Negocios presentacion
Inteligencia de Negocios presentacion
 
Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...
Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...
Soluciones de Geomarketing 2014 - Vender más y producir mejor - Aurora López ...
 
201510_TransformacionBigData
201510_TransformacionBigData201510_TransformacionBigData
201510_TransformacionBigData
 
Presentacion business analytics
Presentacion business analyticsPresentacion business analytics
Presentacion business analytics
 
Bayes forecast
Bayes forecastBayes forecast
Bayes forecast
 
BIG DATA Transformando las industrias
BIG DATA Transformando las industriasBIG DATA Transformando las industrias
BIG DATA Transformando las industrias
 
CRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.comCRM y BI como facilitador en aprendemas.com
CRM y BI como facilitador en aprendemas.com
 
RA24020150012 TICS
RA24020150012 TICSRA24020150012 TICS
RA24020150012 TICS
 
Final final 5 solo para cuates
Final final 5 solo para cuatesFinal final 5 solo para cuates
Final final 5 solo para cuates
 
Ecommerce Benchmark Spain
Ecommerce Benchmark SpainEcommerce Benchmark Spain
Ecommerce Benchmark Spain
 
Mi proyecto de Big Data
Mi proyecto de Big DataMi proyecto de Big Data
Mi proyecto de Big Data
 
Presentación DKS GeoSmart
Presentación DKS GeoSmartPresentación DKS GeoSmart
Presentación DKS GeoSmart
 
MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS 2022
MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS  2022MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS  2022
MISTERGIS GEOMARKETING ALIANZAS ESTRATEGICAS 2022
 
PREGUNTAS ACT.pdf
PREGUNTAS ACT.pdfPREGUNTAS ACT.pdf
PREGUNTAS ACT.pdf
 
Diapositivas tics
Diapositivas ticsDiapositivas tics
Diapositivas tics
 

Big Data Clienting - 2 casos prácticos clientes tiendas

  • 1. 1
  • 2. 2 Resumen Ejecutivo “Cerca del 80 % de la información relevante para el desarrollo de negocio de una compañía tiene una connotación espacial”. 1 1 Del libro “Potential of Geo-Marketing-Tools for the development of advanced Online-Marketing business models” • Si a esta afirmación añadimos las oportunidades que ofrece el Big Data aportando mayor conocimiento a esa información, estaremos generando una ventaja competitiva tomando decisiones basadas en información. • Este White Paper tiene una clara orientación de negocio, especialmente para las áreas de Marketing, Ventas y Expansión. Por otra parte, es importante mencionar que este documento no trata los detalles técnicos de las fuentes de información, ni de cómo obtenerlos, ni transformarlos. Se da por hecho que existen proveedores especialistas en este tipo de servicios. • El enfoque de este White Paper, como la mayoría del contenido del blog, es inminentemente práctico, donde las dos entidades: clientes y puntos de venta son geo localizadas, enriquecidas y analizadas usando fuentes Open Data y tratándolas en función del eje geográfico. • Creo que el principal aporte de este White Paper (WP) está en ver más el “para qué”, que el “cómo”. El “para qué” nos permite enfocarnos en los beneficios en vez de valorar las funcionalidades del Big Data. Estos beneficios los veremos en dos casos de negocio: o Caso 1 – Ratio de penetración de un punto de venta. Conocer esta métrica permite responder a la pregunta ¿A qué parte del público objetivo al que accede mi punto de venta le interesa mi oferta? o Caso 2- Cuota de mercado de un punto de venta. Esta métrica permite conocer qué parte del mercado potencial monetizado representa la facturación del punto de venta.
  • 3. 3 Introducción 2 Estudio realizado por IBM Business Value y la Universidad de Oxford a más 1.100 profesionales de negocio y tecnología Según el estudio “Analytics: el uso de big data en el mundo real” 2 se extraen cinco recomendaciones clave para que las empresas puedan avanzar en sus iniciativas de Big Data y obtener el máximo valor para el negocio: 1. Dedicar los esfuerzos iniciales a obtener resultados centrados en el cliente. 2. Desarrollar un plan de Big Data para toda la empresa. 3. Comenzar con datos ya existentes para lograr resultados a corto plazo. 4. Desarrollar capacidades analíticas sobre la base de prioridades de negocio. 5. Crear un caso de negocio sobre la base de resultados cuantificables. En línea con buscar iniciativas centradas en el cliente y orientadas a mejorar los resultados del negocio, este White Paper tiene como principales propósitos: Presentar de forma práctica cómo generar métricas que permitan conocer el performance comercial de un punto de venta Mostrar cómo usando la información interna más la información externa se puede mejorar el conocimiento comercial. Mostrar una metodología de trabajo básica, pero muy práctica para desmontar la percepción que es necesario gastarse centenares de miles de euros para contar con beneficios de Big Data.
  • 4. 4 Situación de partida (capítulo no disponible en este documento) Suscríbete para acceder al contenido completo (21 páginas)
  • 5. 5 Enfoque de los casos de negocio – White Paper “Big Data + Clienting” © Derechos Reservados - Ninjaclienting.com Enfoque de la solución Data Quality Geo-Localización Fuentes Big Data Áreas de influencia Caso 1 Ratio de Penetración Caso 2 Cuota de Mercado Normaliza y de- duplica la información. Evita el “basura entra-basura sale” (tras in – trash out) Geo localiza clientes (demanda) y oferta propia y de la competencia Generación de variables con alto componente geo (catastro, Puntos de Interés, Renta, etc.) Definición de los anillos donde el PdV ejerce influencia. Capacidad de generar tráfico “De las x personas que pueden comprarme, ¿cuántas me compran?” “Del mercado potencial monetizado, ¿cuánto me estoy llevando?” 1 2 3 4 El enfoque aplicando Big Data a clientes y PdV para desarrollar los dos casos de negocio se muestra a continuación:
  • 6. 6 Enfoque de la solución - Data Quality 1 Data Quality Consideremos que la empresa en cuestión cuenta con la información de sus clientes ya sea mediante el contrato de alta (por ejemplo un producto bancario), un club de fidelización, una aplicación móvil o alguna otra forma que le permita a la empresa conocer la dirección del cliente. El maestro de clientes puede contener los siguientes campos: • Nombre y apellidos • Dirección • Datos de contacto: email, teléfono fijo, teléfono móvil, etc. Es probable que la información de estos clientes tenga deficiencias como por ejemplo: registros duplicados, registros con campos en blanco o con información desactualizada. Por tanto, es necesario que la información deba pasar por procesos de cualificación que mejoren la información de clientes. Existen varias empresas que dan este tipo de servicios. Sin entrar en detalles técnicos, a la tabla de clientes se le deben aplicar los siguientes procesos: Normalización De duplicación También llamada estandarización, aplica principalmente a nombres y direcciones. El objetivo es que la información de los campos se ajuste a una regla. Para el caso de las direcciones lo que hacen los algoritmos son separar un campo tipo dirección postal en varios campos con: tipo de vía (calle, avenida, etc.), nombre de vía, número de vía, etc. Existen varios criterios para seleccionar el registro/campo válido y los registros/campos duplicados. A modo de ejemplo, ante registros duplicados podríamos definir que el registro válido (“el que manda”) es el de la compra más reciente o el de mayor facturación y, por tanto, se descartan las otras direcciones y se asigna la dirección del registro válido al cliente en cuestión
  • 7. 7 Enfoque de la solución – Geo localización 2. Geo Localización La geolocalización es el proceso de asignación de coordenadas (latitud y longitud) a partir de una dirección postal. En el caso del maestro de clientes, cada hogar se debe geo localizar. El proceso de geolocalización también aplica a la red de puntos de venta. En función de la dirección, los procesos de geolocalización pueden tener como salidas los siguientes niveles de precisión (ordenados de mayor a menor precisión): Precisión de un hogar en función de su dirección Nivel de Precisión Número de vía Precisión alta Número de vía, centroide de parcela catastral Precisión alta Interpolación de número de vía Precisión alta Número contiguo de vía Precisión alta Número próximo de vía Precisión media Centroide de vía Precisión media Mínimo número de vía Precisión media Sección Censal Precisión baja Código Postal Precisión baja Población Precisión baja Municipio Precisión baja + - Precisión
  • 8. 8 Enfoque de la solución – Fuentes Big Data 3. Fuentes Big Data A continuación se muestra el esquema de fuentes de información externa (Big Data) que se pueden asociar a perfiles de clientes (demanda) y a los puntos de venta de la competencia (oferta). Población Residentes Población Flotante Trabajadores Turistas Punto de Venta Competidores Comprende a las personas que residen habitualmente en la zona. También se le conoce como población de derecho. Población que realiza más de 14 pernoctaciones al año en la zona. Pueden ser trabajadores, estudiantes, etc. Personas que trabajan en la zona y por tanto pueden comprar en el PdV. Personas que no residen en la zona y que se desplaza fuera de su territorio de origen o de su residencia habitual Pueden ser PdV que dan los mismos servicios/productos o sustitutivos. Fuentes Big Data por demanda (perfiles de clientes) y oferta (competidores) Demanda Oferta • Censo • Catastro • Listados telefónicos • … • Ministerio Fomento • Censo • Catastro • … • Registro Mercantil • Catastro • … • Puntos de Interés (monumentos, teatros, museos, etc.) • Alojamientos (hoteles, camping, etc.) • … • Descarga de las páginas web de competidores • Trabajo de campo (observación) • … Fuentes de información
  • 9. 9 Briefing (capítulo no disponible en esta presentación) White Paper – Big Data + Clienting – Dos casos prácticos aplicados a una cartera de clientes y tiendas Áreas de influencia Briefing Caso 1 - Ratio de penetración Caso 2 – Cuota de Mercado Conclusiones y Recomendaciones Recursos adicionales Resumen ejecutivo Introducción Enfoque de la solución Situación de partida Fuentes Big Data Suscríbete para acceder al contenido completo (21 páginas)
  • 10. 10