SlideShare una empresa de Scribd logo
Marketing Intelligence:
optimizando mi estrategia
de marketing a través del
Big Data
Del Business Intelligence al Business Analytics
Alex Rayón Jerez
alex.rayon@deusto.es
26 de Noviembre de 2015
Bilbao
Guión de la sesión
2
There are those who look at things the way
they are, and ask why.
I dream of things that never were, and ask
why not?
Robert Kennedy
3
4
5
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
6
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
7
El marketing
¿Qué es?
Marketing
=
Mercado
+
Oferta
8
El marketing
¿Qué es? (II)
9
Mercado
RAE: “7. m. Conjunto de consumidores capaces de
comprar un producto o servicio.”
Oferta
RAE: “6. f. Econ. Conjunto de bienes o mercancías
que se presentan en el mercado con un precio
concreto y en un momento determinado.”
El marketing
¿Qué es? (II)
10
Fuente: http://www.profesionalesmarketing.es/2015/02/marketing-online-para-hoteles-5-claves-para-posicionar-tu-hotel-en-internet/
El marketing
¿Qué es? (III)
11
En la era de Internet,
dentro del mundo
del marketing, el
usuario tiene el
poder
Búsquedas
Recomendaciones
Quién, qué, cómo,
cuándo, cuánto, etc.
Fuente: http://moisesnaim.com/es/books/el-fin-del-poder/
El marketing
¿Qué es? (IV)
12
El marketing no es solo publicidad
La publicidad es el impacto para llegar al
mercado
No tiene el valor añadido de la experiencia, del
contenido, etc.
Fuente: http://www.revistasumma.com/la-publicidad-que-quieren-que-veamos-sin-darnos-cuenta/
El marketing
Drivers of Big Data
13
El marketing
Economía digital
14
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/
El marketing
Economía digital (II)
15
El marketing
La importancia del dato
16
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
El marketing
La importancia del dato (II)
17
Estrategia de venta directa: nuevo enfoque
1-2) Gestionar audiencia1-2) Capturar datos
3) Convertir a ventas
El marketing
La importancia del dato (III)
18
1) Gestionar audiencia
Fijar público objetivo
Identificar espacios digitales donde
encontrarlos
Crear espacios propios para captar datos
y crear la Base de Datos
Definir líneas editoriales y métodos de
captación
El marketing
La importancia del dato (IV)
19
2) Captar datos
Creación landing page para captar dato
Pedir datos necesarios y clasificarlos
Realizar seguimiento
El marketing
La importancia del dato (V)
20
3) Convertir a venta
Segmentación de usuarios
Personalización de la oferta
Planificar acciones
Realizar seguimiento
El marketing
Evolución: Las Tres Olas
21
El marketing
Nueva coyuntura
22
El marketing
Nueva coyuntura (II)
23
Las marcas ya no se anuncian, se relacionan
El marketing
Nueva coyuntura (III)
24
Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20
El marketing
De multicanal a omnicanal
25
El marketing
Aproximación digital
26
El marketing
Aproximación digital: Datos estructuras y no estructurados
27
El marketing
Aproximación digital: Mayor número de variables
28
El marketing
Aproximación digital: Proceso casi en tiempo real
29
Event-Based Marketing
El marketing
Aproximación digital: Mayor profundidad de datos
30
El marketing
Estructura organizativa
31
Para que esto funcione...
Fuente: http://blogs.icemd.com/blog-customer-centric-customer-experience/tag/estrategia-omnicanal/page/2/
El marketing
Estructura organizativa (II)
32
El marketing
Customer Journey
33
El marketing
Findability
34
El marketing
Soportes digitales
35
El marketing
Soportes digitales (II)
36
El marketing
Puntos de contacto y experiencia de usuario
37
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
38
Clarificando conceptos
Las 5 V’s del Big Data
Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832
39
Clarificando conceptos
Internet y los datos
“La cantidad de información que
nuestra sociedad genera es difícil de
cuantificar, pero una estimación
sostiene que creamos más data cada
año, que la que ha sido producida en
toda la historia humana anterior”
New York Times
40
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
41
Clarificando conceptos
Big Data vs. Business Intelligence
Business Intelligence
Big Data
42
Clarificando conceptos
Big Data vs. Business Intelligence (II)
No obtiene respuestas quién
posee los datos, sino quien
sabe hacer las preguntas
Una disciplina que tiene un
objetivo a medio plazo
La herramienta de la estrategia y
de la dirección
Busca dar respuestas a preguntas
concretas y formuladas a
Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/
43
Clarificando conceptos
Big Data vs. Business Intelligence (III)
Por contra, Big Data, básicamente consiste
en analizar masivamente datos "a ver si
sale algo"
Esto último tiene problemas obvios
Me pueden salir correlaciones o relaciones espúreas o sin
fundamento ni sentido (si analizamos la aparición del
cambio climático y la desaparición de los piratas, la
correlación es muy alta, y su sentido ninguno)
Un campo que permite aprovechar el dato a corto plazo
buscando patrones, inferencias, etc., entre los datos, sin
ningún objetivo a priori concreto44
Clarificando conceptos
Big Data vs. Business Intelligence (IV)
45
Clarificando conceptos
Business Intelligence
En 1989, Howard Dresner, un investigador de
Gartner Group, popularizó el acrónimo de BI
(Business Intelligence) para indicar
“El conjunto de conceptos y métodos para
mejorar la toma de decisiones en los negocios,
utilizando sistemas de apoyo basado en
hechos”
46
Impacto Big Data
Maturity model
Fuente: https://www.gartner.com/doc/713210
47
Impacto Big Data
Maturity model (II)
48
Impacto Big Data
Maturity model (III)
Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
49
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
50
Método del caso
51
Definición del problema
Criterios
Decisión
Plan de
acción
Evaluar
alternativas
Generar
alternativas
SíntesisSíntomas
Análisis
1
2
3 4 5 7
6
Método del caso
52
Fuente: http://www.brandemia.org/magazine
Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921
Método del caso
1) Definición del problema
53
Definición de objetivos
Necesidad de información
Antecedentes
Nuevas oportunidades
Mejora toma de decisiones
…
Datos disponibles
Alcance
Método del caso
Estrategia medición: Objetivos
eCommerce
Cualificación de leads
Engagement
Compromiso y fidelización
54
...
Método del caso
Estrategia medición: Objetivos (II)
55
Método del caso
Estrategia medición: Objetivos (III)
56
Método del caso
Estrategia medición: Objetivos (IV)
57
Ventas
Ventas por hora, día, semanales, mensuales,
trimestrales y anuales
Compra media (ticket medio de venta)
Margen medio
Ratio conversión ventas respecto a usuarios
% Carritos abandonados
% de nuevos pedidos respecto pedidos de usuarios
recurrentes
Método del caso
Estrategia medición: KPI
58
eCommerce
Unique visitors
Total visits
Page views
New visitors
New customers
Total orders per day, week, month
Time on site per visit
Page views per visit
Método del caso
Estrategia medición: KPI (II)
59
Marketing
Site traffic
Unique visitors vs. returning visitors
Time on site
Page views per visit
Traffic source
Newsletter subscribers
Chat sessions initiated
Facebook, Twitter, or Pinterest followers or fans
Método del caso
Estrategia medición: KPI (III)
60
Customer service
Customer service email count
Customer service phone call count
Customer service chat count
Average resolution time
etc.
Ahora veamos cómo pintar este cuadro...
Método del caso
Estrategia medición: KPI (IV)
61
Método del caso
Métrica
62
El método de medición definido y la
escala de medición (ISO 14598-1:1999)
Medición
Actividad que usa la definición de la métrica para
producir el valor de una medida
Medida
Número o categoría asignada a un atributo de una
entidad mediante una medición (ISO 14598-1:1999)
Método del caso
Métrica (II)
63
Es la correspondencia de un dominio
empírico (mundo real) a un mundo
formal, matemático
La medida incluye el valor numérico o nominal
asignado al atributo de un ente por medio de
dicha correspondencia (Fenton)
Método del caso
Métrica (III)
64
Juan es más alto que María si y sólo si M(Juan) > M(María)
Método del caso
Métrica (IV)
65
Pueden ser
Métricas directas
Una métrica de un atributo que no depende de ninguna
métrica de otro atributo
Métricas indirectas
Una métrica de un atributo que se deriva de una o más
métricas de otros atributos
Se formaliza por medio de una función de medición
(fórmula, ecuación)
Función de medición: un algoritmo o cálculo que permite
combinar dos o más métricas
Método del caso
1) Definición del problema (II)
66
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
Método del caso
1) Definición del problema (III)
67
Modelo de datos
Método del caso
1) Definición del problema (IV)
68
Estudiar datos tiene dos objetivos
principales
Informar
¿Qué ha ocurrido?
Predecir
¿Qué podría ocurrir?
Método del caso
1) Definición del problema (V)
69
Modelo de datos
Método del caso
1) Definición del problema (VI)
70
Planteamos cinco problemas
1.Relación entre CAC y Margen Unitario
2.Predecir cifra de ventas a partir de la cantidad y
grupo de promoción
3.¿Qué productos son comprados a una
determinada hora del día?
4.¿Qué compras siguen un patrón parecido?
5.Reducir a dos dimensiones la matriz de datos
Artículo Alex
Método del caso
1) Definición del problema (VII)
71
Categorías de problemas
Problemas
Predictivos
(supervisados)
Descriptivos
(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación
Método del caso
1) Definición del problema (VIII)
72
Categorías de problemas
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
Método del caso
1) Definición del problema (IX)
73
Método del caso
1) Definición del problema (X)
74
Para estudiar la correlación
Se escogen dos o más variables entre las que se
hipotetizar una relación causal
Se pone a prueba mediante técnicas estadísticas
(test chi2, etc.)
¿Cómo identificar qué variables son las
que explican (son independientes)?
Por los métodos de control
Método experimental
Uso de datos en el mundo del marketing
Customer profiling: hábitos, necesidades, valor,
potencial → Know Your Customer (KYC)
Customer Intelligence: targeting, modelos de
cliente (ciclo de vida relacional y existenciales),
modelos de producto (propensiones),
segmentación, análisis del Valor Cliente
(Customer Lifetime Value), análisis patrones de
compra (Market Basket Analysis), métrica RFM
(Recency, Frequency, Monetary), etc.
Estrategias omnicanal y de Social CRM:
Método del caso
1) Definición del problema (XI)
75
Uso de datos en el mundo del marketing
Brand Intelligence: valor de una marca,
influencia de la marca en la oferta y demanda,
valoración de marca, etc.
Marketing experiencial: Customer Experience
Management, Customer journey, Indicadores de
Experiencia de Cliente (NPS, etc.)
Del marketing masivo al marketing one2one:
Event-based marketing, marketing en tiempo
real (retargeting), retargeting personalizado
(Right Offer, Right PersoN), estrategias de cross y
Método del caso
1) Definición del problema (XII)
76
Uso de datos en el mundo del marketing
Inbound marketing: engagement con contenidos,
capturando datos de touchpoints, relación con
clientes, etc.
Social Media Intelligence: Social Business, Social
Media Analytics, análisis de medios sociales y
conversión, etc.
Geomarketing: Sistemas de Información
Geográfica (GIS)
Producto: nichos de mercado, nuevos productos y
Método del caso
1) Definición del problema (XIII)
77
Uso de datos en el mundo del marketing
Fidelización de clientes: programas de
fidelización, técnicas de fidelización (endógena y
exógena)
Marketing ROI & optimización del presupuesto
de marketing: CLV vs. CAC, modelos de
atribución, modelo analítico de atribución,
evaluación de las acciones, campañas,
segmentos y audiencias, optimización de la
inversión
etc.
Método del caso
1) Definición del problema (XIV)
78
Método del caso
2) Análisis
79
Necesidad de información
Entidad/entidades
Conceptos medibles
Atributos
Métricas
Indicadores → KPIs
Ejemplo
Método del caso
3) Síntesis
80
Resumen de indicadores
Categoría de indicadores
Mercado
Oferta
Producto
Acciones de marketing
Cuadro de Mando Integral
Método del caso
4) Generar alternativas
81
Oportunidades de mejora
Experimentos orientados a la mejora de
resultados
Para los cuatro problemas planteados,
vamos a construir:
Clasificación/clusterización
Modelo de regresión
Reglas de asociación
Análisis de Componentes Principales
Método del caso
5) Evaluar alternativas
82
Fuente: http://globalo2.es/satisfaccion-clientes/
Método del caso
6) Decisión
83
Toma de la decisión considerando KPIs
Fuente: https://actitudinternacionaluca.wordpress.com/author/intacuca/page/9/
Método del caso
7) Plan de acción
84Fuente: http://www.sedputumayo.gov.co/sedputumayo/SITIO/site/index.php?option=com_k2&view=item&id=679:plan-de-acci%C3%B3n-secretaria-de-educaci%C3%B3n-departamental-a%C3%B1o-2014
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
85
Métricas
Introducción
Beneficios de la medición/evaluación
Analizar, comprender (los atributos de un ente)
Controlar (la calidad del producto, etc.)
Predecir (el tiempo y coste de un proyecto)
Mejorar (la calidad de un servicio, proceso, etc.)
Conceptos medibles (factores)
Calidad, calidad de uso, productividad, coste,
eficiencia de una acción, etc.
86
Métricas
Introducción (II)
“Metrics are welcome when they are clearly
needed and easy to collect and
understand” (Pfleeger)
“Indicators are ultimately the foundation
for interpretation of information needs
and decision-making”
87
Métricas
Utilidades
Medición objetiva antes que subjetiva
Especificar en el mundo formal, la
correspondencia de un atributo del
mundo empírico
Servir de base a métodos cuantitativos de
evaluación o predicción
La métrica no puede interpretar por sí sola
un concepto medible → necesitamos
indicadores 88
Métricas
Métodos de evaluación
Categorías
Testing
Inspección
Consulta (inquiry)
Modelo analítico
Simulación
Los métodos y técnicas a aplicar son
Cuantitativos vs. cualitativos
89
Métricas
Conceptos asociados a métricas
90
Entidad
Atributo
Concepto medible
Modelo conceptual
Métrica (Medición, medida)
Método
Escala y unidad
Métricas
Entidad
91
Un objeto que va a ser caracterizado
mediante la medición de sus atributos
Puede ser física -tangible- o abstracta -intangible-
Objetos de interés para el marketing:
Servicio
Producto
Acción
Campaña
Métricas
Atributo
92
Propiedad mensurable, física o abstracta,
de una entidad
Puede ser interno o externo de la entidad
El atributo se puede medir (cuantificar)
por medio de una métrica directa o
indirecta
Métricas
Concepto medible
93
Una relación abstracta entre atributos de
una o más entidades, y una necesidad de
información
Fuente: https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_medida
Métricas
Modelo conceptual
94
El conjunto de subconceptos y las
relaciones entre ellos, que sirven de base
para una posterior evaluación o
estimación
Ejemplo: características y sus relaciones que
proveen las bases para modelar la calidad
Una característica puede estar conformada por
subcaracterísticas y atributos
Métricas
Modelo conceptual (II)
95
Métricas
Método
96
Secuencia lógica de operaciones y
potenciales heurísticas, expresadas de
forma genérica, que permite la
realización de una descripción de
actividad
El tipo de método de medición va a depender de la
naturaleza de las operaciones utilizadas para
cuantificar el atributo
Subjetivo: cuando la cuantificación supone un juicio
realizado por un ser humano.
Métricas
Escala
97
Un conjunto de valores con propiedades
definidas (ISO 14598-1)
Escala numérica (continua o discreta)
Escala categórica
Tipos de escala
Nominal
Ordinal
Intervalo
Métricas
Escala (II)
98
Métricas
Ejemplo
99
Necesidad de información
Evaluar la confianza de los enlaces en una web
Entidad
Website
Concepto medible
Confiabilidad de los enlaces
Atributos
Métricas
Ejemplo (II)
100
Métrica posible 1
#IBL
Unidad: enlace
Escala: numérica, enteros
Tipo de escala: absoluta
Tipo de método de medición: objetivo
Métrica posible 2
%IBL = (#IBL/#TL) * 100
Unidad: normalizada a porcentaje
Métricas
Indicador
101
El método de cálculo y la escala definidos,
además del modelo y criterios de decisión
con el fin de proveer una evaluación o
estimación de un concepto medible con
respecto a una necesidad de
información
Las métricas no pueden interpretar por
sí solas un concepto medible
Se necesitan indicadores
Métricas
Indicador (II)
102
Criterio de decisión
“Thresholds, targets or patterns used to determine
the need for action or further investigation, or to
describe the level of confidence in a given results”
(ISO 15939)
Ejemplo
No satisfactorio: de 0 a 40
Marginal: entre 40 y 60
Satisfactorio: más de 60
Métricas
Indicador (III)
103
Métricas
Estrategia medición: claves
104
Métricas
Estrategia medición: Esquema
105
Métricas
Estrategia medición: Elementos
¿Qué necesitamos para llevar a cabo esta
estrategia?
Conocimientos del negocio
Objetivos de negocio
Estrategias de marketing digital
Formación analítica digital
Conocimientos técnicos
106
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
107
Ciclo de Business Intelligence
Pirámide informacional
Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/
108
El dato por si solo nos aporta poco…
2.000 visitantes únicos en mi tienda online
1.000 nuevos usuarios en mi aplicación
10% nuevos clientes en mi exposición
24 conversiones de las campañas de captación
3.000 € de incremento del tamaño de la
transacción media de ticket de compra
...
Ciclo de Business Intelligence
Del dato...
109
Falta contexto →
circunstancias
Fecha
Dispositivo/canal
Geolocalización
Fuente
Tendencia/Perspectiva
...
Ciclo de Business Intelligence
Del dato… (II)
110
El dato puesto en valor → inteligencia de negocio
Ciclo de Business Intelligence
… al conocimiento
Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/
111
Ciclo de Business Intelligence
Fuentes de datos
Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/
112
Ciclo Business Intelligence
Introducción
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación de
consumidores, cesta de la compra, etc.) y predictivos (predicción
de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
113
Ciclo Business Intelligence
Entendiendo el problema a resolver
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación de
consumidores, cesta de la compra, etc.) y predictivos (predicción
de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
114
● Consiste en hacer una abstracción de un
problema o fenómeno real, para concretarlo, y
hacerlo resoluble y comprensible
● Se trata de un proceso "iterativo" que irá
evolucionando el modelo resultado
Hasta llegar a uno que permita entender el fenómeno
estudiado con la profundidad que requerimos
115
Ciclo Business Intelligence
Modelo analítico: definición conceptual
116
Ciclo Business Intelligence
Modelo analítico: definición conceptual (II)
● Análisis de decisión: nos sirve para evaluar
entre posibles alternativas que se presentan
● Análisis de problemas: nos sirve para
entender un problema escasamente definido e
intentar tener mayor conocimiento sobre el
fenómeno en cuestión.
● Análisis de datos: se emplea para explorar
datos y encontrar respuestas a fenómenos
conocidos y bien definidos.
117
Ciclo Business Intelligence
Modelo analítico: Tipología de análisis
118
Ciclo Business Intelligence
Modelo analítico: enmarcando el problema
1. Determinar si estamos ante un análisis de
DECISIÓN, PROBLEMAS o DATOS.
2. Asumir una serie de inputs, parámetros, variables
y relaciones entre ellas.
3. Definir los outputs (resultados) que se busca
obtener para el propósito buscado y determinar
como lo vamos a medir.
4. Establecer el grado de profundidad del análisis en
función del plazo que tengamos para llegar a una
solución.
5. Establecer el periodo sobre el que queremos
analizar un fenómeno.
119
Ciclo Business Intelligence
Modelo analítico: enmarcando el problema (II)
120
Ciclo Business Intelligence
Modelo analítico: creación de prototipos
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
121
Data-driven marketing
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.
122
Data-driven marketing
Ganar más dinero
123
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/
Data-driven marketing
Ganar más dinero (II)
124
Se trata de analizar los datos:
Contextuales de una compra → momento, lugar,
composición de la cesta de la compra
Lo enmarcamos en perspectiva → frecuencia,
tiempo entre última compra, etc.
Analizamos el cliente → si lo hace con tarjeta de
fidelización, edad y perfil sociodemográfico, si
viene incentivado por un descuento, etc.
Y el canal por el que entra → online -tienda
online, landing page, redes sociales, etc- u offline
… y preguntarnos cosas como...
Data-driven marketing
Ganar más dinero (III)
125
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
Data-driven marketing
Ganar más dinero (IV)
126
Quién (influenciadores) o qué (drivers de
compra) influye más en la decisión de
compra de un cliente → drivers
Data-driven marketing
Ganar más dinero (V)
127
Qué relación de
productos
permite
modelizar el
perfil de cliente
Data-driven marketing
Ganar más dinero (VI)
128
¿Cuál es la estructura de mi marca?
Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext
Data-driven marketing
Ganar más dinero (VII)
129
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/
Data-driven marketing
Ganar más dinero (VIII)
130
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
Data-driven marketing
Ganar más dinero (IX)
131
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
Data-driven marketing
Ganar más dinero (X)
132
¿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/
Data-driven marketing
Ganar más dinero (XI)
133
¿Cómo generar lealtad y preferencia hacia
mi producto?
Data-driven marketing
Ganar más dinero (XII)
134
Customer Experience
Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/
Data-driven marketing
Ganar más dinero (XIII)
135
Lead generation, Nurturing and Scoring
Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/
Data-driven marketing
Ganar más dinero (XIV)
136
Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
Data-driven marketing
Ganar más dinero (XV)
137
Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem
Data-driven marketing
Ganar más dinero (XVI)
138
Recency
Cuán reciente es la última compra del cliente
Frequency
Con cuánta frecuencia compra el cliente
Monetary
Cuánto gasta el cliente
Esta técnica de análisis está basada en el
axioma de marketing de que el 80% del
negocio procede del 20% de los clientes
Data-driven marketing
Ganar más dinero (XVII)
139
Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
Data-driven marketing
Aumentando el valor
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
140
Data-driven marketing
Visión única del cliente
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
141
Data-driven marketing
Matriz de estrategias con clientes
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
142
Data-driven marketing
Marketing digital y Big Data/Business Intelligence
Landing
page
- GIS
- Segmentación
- Dashboard
Cadena de valor del dato en acciones de captación directa
BBDD
Business Intelligence
SEO
Performance
marketing
Social
Media
143
Data-driven marketing
Conozca sus clientes y aumente sus ventas
144
Tabla de contenidos
El marketing
Clarificando conceptos
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
145
Experiencias Big Data
Customer Intelligence
Experiencias Big Data
Retención de clientes
Experiencias Big Data
Estrategias omnicanal
Experiencias Big Data
Estrategias omnicanal (II)
Experiencias Big Data
Geomarketing
Experiencias Big Data
CLV vs. CAC
Experiencias Big Data
Mantener un diálogo a lo largo del Ciclo de Vida del Cliente
Índice de contenidos
El marketing
Clarificando conceptos
Impacto Big Data
Método del caso
Tratamiento y gestión de datos
Ciclo de Business Intelligence
Data-driven marketing
153
Implantación
Esquema general
154
Implantación
Visualización
“La visualización es crítica para el análisis
de datos. Aporta una primera línea de
ataque, revelando estructuras intrincadas
en datos que no pueden ser absorbidas de
otro modo. Descubrimos efectos
inimaginables y cuestionamos aquellos que
han sido imaginados.”
William S. Cleveland en Visualizing Data
155
Implantación
Visualización (II)
“Multidisciplina que representa los datos
transformándolos en información
semántica a través de medios gráficos,
combinando su funcionalidad y estética con
simplicidad y estimulando la participación
de los usuarios”
Mosaic BSDA del blog Ignasi Alcalde
156
“Perfection is achieved not
when there is nothing more to
add, but when there is nothing
left to take away”
Antoine de Saint-Exupery
Implantación
Visualización (III)
157
Narrativa
+
Diseño
+
Estadística
Implantación
Visualización (IV)
158
Implantación
Visualización (V)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef016760ebbbcd970b-550wi159
Implantación
Cuadros de mando analíticos
Fuente: http://www.bi-spain.com/articulos.php?id_seccion=146&opinion=0&esenciales=0
160
Implantación
Cuadros de mando analíticos (II)
Visual
Recursos gráficos de forma inteligente
Todo en una hoja
Concentrar y llamar la atención
Solo factores clave
Ir al grano y enfocar el análisis → optimización
Contener ideas y comentarios
Identificar oportunidades y problemas161
Visualización de la inteligencia en BI
Implantación
Cuadros de mando analíticos (III)
162
Visualización de la inteligencia en BI
Fuente: https://public.tableau.com/s/gallery/diversity-post-secondary-education-us
Implantación
Cuadros de mando analíticos (IV)
163
Implantación
Google Drive Analytics
164
Implantación
Google Drive Analytics (II)
165
Implantación
Google Drive Analytics (III)
166
Implantación
Chartbeat
167
Implantación
Klipfolio
168
Implantación
Klipfolio (II)
169
Implantación
Klipfolio (III)
170
Implantación
Klipfolio (IV)
171
Implantación
Klipfolio (V)
172
Implantación
Klipfolio (VI)
173
En definitiva, el dato al
servicio del negocio … y no
viceversa
Pongamos los datos a trabajar
:-)
174
Copyright (c) 2015 University of Deusto
This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative
Commons “Attribution-ShareAlike” License. To view a copy of this license, visit
http://creativecommons.org/licenses/by-sa/3.0/
Alex Rayón Jerez
Noviembre 2015
Marketing Intelligence:
optimizando mi estrategia
de marketing a través del
Big Data
Del Business Intelligence al Business Analytics
Alex Rayón Jerez
alex.rayon@deusto.es
26 de Noviembre de 2015
Bilbao

Más contenido relacionado

La actualidad más candente

Clase 1, 2 y 3 inteligencia comercial
Clase 1, 2 y 3  inteligencia comercialClase 1, 2 y 3  inteligencia comercial
Clase 1, 2 y 3 inteligencia comercial
09765625
 
Sistemas de apoyo a las decisiones de marketing
Sistemas de apoyo a las decisiones de marketingSistemas de apoyo a las decisiones de marketing
Sistemas de apoyo a las decisiones de marketing
Alberto Jimenez
 
Unidad 2 Sistemas de Información de Mercadotecnia
Unidad 2 Sistemas de Información de MercadotecniaUnidad 2 Sistemas de Información de Mercadotecnia
Unidad 2 Sistemas de Información de Mercadotecnia
conchita_consentyda
 

La actualidad más candente (20)

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
 
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?
 
Big Data: the Management Revolution
Big Data: the Management RevolutionBig Data: the Management Revolution
Big Data: the Management Revolution
 
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
 
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
 
El Big Data en la dirección comercial: market(ing) intelligence
El Big Data en la dirección comercial: market(ing) intelligenceEl Big Data en la dirección comercial: market(ing) intelligence
El Big Data en la dirección comercial: market(ing) intelligence
 
Inteligencia comercial 17 rtrucios
Inteligencia comercial 17 rtrucios Inteligencia comercial 17 rtrucios
Inteligencia comercial 17 rtrucios
 
Análisis y procesamiento de datos para descubrir conocimiento
Análisis y procesamiento de datos para descubrir conocimientoAnálisis y procesamiento de datos para descubrir conocimiento
Análisis y procesamiento de datos para descubrir conocimiento
 
Clase 1, 2 y 3 inteligencia comercial
Clase 1, 2 y 3  inteligencia comercialClase 1, 2 y 3  inteligencia comercial
Clase 1, 2 y 3 inteligencia comercial
 
Mk inteligencia comercial
Mk inteligencia comercialMk inteligencia comercial
Mk inteligencia comercial
 
El scoring bancario en los tiempos del Big Data
El scoring bancario en los tiempos del Big DataEl scoring bancario en los tiempos del Big Data
El scoring bancario en los tiempos del Big Data
 
Curso verano upv_2013_eustat_overalia_guillermo_vilarroig
Curso verano upv_2013_eustat_overalia_guillermo_vilarroigCurso verano upv_2013_eustat_overalia_guillermo_vilarroig
Curso verano upv_2013_eustat_overalia_guillermo_vilarroig
 
Herramientas de inteligencia comercial (CBI)
Herramientas de inteligencia comercial (CBI) Herramientas de inteligencia comercial (CBI)
Herramientas de inteligencia comercial (CBI)
 
Sistemas de apoyo a las decisiones de marketing
Sistemas de apoyo a las decisiones de marketingSistemas de apoyo a las decisiones de marketing
Sistemas de apoyo a las decisiones de marketing
 
Inteligencia de negocios
Inteligencia de negociosInteligencia de negocios
Inteligencia de negocios
 
Unidad 2 Sistemas de Información de Mercadotecnia
Unidad 2 Sistemas de Información de MercadotecniaUnidad 2 Sistemas de Información de Mercadotecnia
Unidad 2 Sistemas de Información de Mercadotecnia
 
Presentación Corporativa 2014
Presentación Corporativa 2014Presentación Corporativa 2014
Presentación Corporativa 2014
 
Business Intelligent
Business IntelligentBusiness Intelligent
Business Intelligent
 
Analytics, coolhunting y sentiment
Analytics, coolhunting y sentimentAnalytics, coolhunting y sentiment
Analytics, coolhunting y sentiment
 
Herramientas para hacer investigacion de mercados online
Herramientas para hacer investigacion de mercados onlineHerramientas para hacer investigacion de mercados online
Herramientas para hacer investigacion de mercados online
 

Destacado

Casos dee marketing
Casos dee marketingCasos dee marketing
Casos dee marketing
medolscom
 

Destacado (20)

Marketing Intelligence
Marketing IntelligenceMarketing Intelligence
Marketing Intelligence
 
Marketing intelligence
Marketing intelligenceMarketing intelligence
Marketing intelligence
 
Estrategias de marketing en la era digital
Estrategias de marketing en la era digitalEstrategias de marketing en la era digital
Estrategias de marketing en la era digital
 
Casos dee marketing
Casos dee marketingCasos dee marketing
Casos dee marketing
 
Smart Bilbao: Los datos al servicio de la ciudad (Big Data, Open Data, etc.)
Smart Bilbao: Los datos al servicio de la ciudad (Big Data, Open Data, etc.)Smart Bilbao: Los datos al servicio de la ciudad (Big Data, Open Data, etc.)
Smart Bilbao: Los datos al servicio de la ciudad (Big Data, Open Data, etc.)
 
OMExpo-2015_casoVenca
OMExpo-2015_casoVencaOMExpo-2015_casoVenca
OMExpo-2015_casoVenca
 
Marketing en la era digital
Marketing en la era digital Marketing en la era digital
Marketing en la era digital
 
¿Cómo crear, enviar, medir y optimizar tus campañas de Email Marketing?
¿Cómo crear, enviar, medir y optimizar tus campañas de Email Marketing?¿Cómo crear, enviar, medir y optimizar tus campañas de Email Marketing?
¿Cómo crear, enviar, medir y optimizar tus campañas de Email Marketing?
 
Guía técnica para la contratación de marketing y Publicidad
Guía técnica para la contratación de marketing y PublicidadGuía técnica para la contratación de marketing y Publicidad
Guía técnica para la contratación de marketing y Publicidad
 
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
 
Master en Marketing Intelligence & CRM
Master en Marketing Intelligence & CRMMaster en Marketing Intelligence & CRM
Master en Marketing Intelligence & CRM
 
Marketing en la era de Internet
Marketing en la era de InternetMarketing en la era de Internet
Marketing en la era de Internet
 
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
 
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...
 
Publicidad on line
Publicidad on linePublicidad on line
Publicidad on line
 
DATAWAREHOUSE
DATAWAREHOUSEDATAWAREHOUSE
DATAWAREHOUSE
 
CRM: Conceptos - Usos - Aplicaciones
CRM: Conceptos - Usos - AplicacionesCRM: Conceptos - Usos - Aplicaciones
CRM: Conceptos - Usos - Aplicaciones
 
Social CRM: qué es realmente. Retos y oportunidades
Social CRM: qué es realmente. Retos y oportunidadesSocial CRM: qué es realmente. Retos y oportunidades
Social CRM: qué es realmente. Retos y oportunidades
 
Introducción a Big Data. HDInsight - Webcast Technet SolidQ
Introducción a Big Data. HDInsight - Webcast Technet SolidQIntroducción a Big Data. HDInsight - Webcast Technet SolidQ
Introducción a Big Data. HDInsight - Webcast Technet SolidQ
 
Tesis creacion departamento de marketing
Tesis creacion departamento de marketingTesis creacion departamento de marketing
Tesis creacion departamento de marketing
 

Similar a Marketing intelligence: Optimizando la estrategia a través del Big Data

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
 

Similar a Marketing intelligence: Optimizando la estrategia a través del Big Data (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...
 
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
 
SESION 2.pptx
SESION 2.pptxSESION 2.pptx
SESION 2.pptx
 
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
 
Digital Marketing and Big Data Webinar
Digital Marketing and Big Data Webinar Digital Marketing and Big Data Webinar
Digital Marketing and Big Data Webinar
 
Fundamentos de Mercadeo / GCR
Fundamentos de Mercadeo / GCRFundamentos de Mercadeo / GCR
Fundamentos de Mercadeo / GCR
 
Marketing Digital Marketing Integrado
Marketing Digital Marketing IntegradoMarketing Digital Marketing Integrado
Marketing Digital Marketing Integrado
 
Taller bibliotic
Taller biblioticTaller bibliotic
Taller bibliotic
 
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
 
LA ANALÍTICA WEB Y SU INCORPORACIÓN AL NEGOCIO
LA ANALÍTICA WEB Y SU INCORPORACIÓN AL NEGOCIOLA ANALÍTICA WEB Y SU INCORPORACIÓN AL NEGOCIO
LA ANALÍTICA WEB Y SU INCORPORACIÓN AL NEGOCIO
 
UNIDAD II_CONTENIDO_MARKETING II.pdf
UNIDAD II_CONTENIDO_MARKETING II.pdfUNIDAD II_CONTENIDO_MARKETING II.pdf
UNIDAD II_CONTENIDO_MARKETING II.pdf
 
EY Big Data – El oro del siglo XXI
EY Big Data – El oro del siglo XXIEY Big Data – El oro del siglo XXI
EY Big Data – El oro del siglo XXI
 
Internet y Redes Sociales: grandes aliados para tu proyecto
Internet y Redes Sociales: grandes aliados para tu proyectoInternet y Redes Sociales: grandes aliados para tu proyecto
Internet y Redes Sociales: grandes aliados para tu proyecto
 
BIG DATA Transformando las industrias
BIG DATA Transformando las industriasBIG DATA Transformando las industrias
BIG DATA Transformando las industrias
 
Business intelligence
Business intelligenceBusiness intelligence
Business intelligence
 
Inteligencia de mercado más escalable y valiosa mediante la analítica profund...
Inteligencia de mercado más escalable y valiosa mediante la analítica profund...Inteligencia de mercado más escalable y valiosa mediante la analítica profund...
Inteligencia de mercado más escalable y valiosa mediante la analítica profund...
 
Inv merc s15
Inv merc s15Inv merc s15
Inv merc s15
 
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
 
Marketing analytics
Marketing analyticsMarketing analytics
Marketing analytics
 

Más de Alex Rayón Jerez

Más de Alex Rayón Jerez (13)

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
 
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?
 
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
 
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
 
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
 
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
 
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...
 
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...
 
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...
 
La transformación digital del sector financiero
La transformación digital del sector financieroLa transformación digital del sector financiero
La transformación digital del sector financiero
 
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

Último (20)

5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
5º PARTE 3 SOY LECTOR -MD EDUCATIVO_240418_155445 (1).pdf
 
2. Entornos Virtuales de Aprendizaje.pptx
2. Entornos Virtuales de Aprendizaje.pptx2. Entornos Virtuales de Aprendizaje.pptx
2. Entornos Virtuales de Aprendizaje.pptx
 
📝 Semana 09 - Tema 01: Tarea - Redacción del texto argumentativo
📝 Semana 09 - Tema 01: Tarea - Redacción del texto argumentativo📝 Semana 09 - Tema 01: Tarea - Redacción del texto argumentativo
📝 Semana 09 - Tema 01: Tarea - Redacción del texto argumentativo
 
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
IMPLICACIONES BIOÉTICAS ANTE EL TRANSHUMANISMO A PARTIR DEL PENSAMIENTO FILOS...
 
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...
 
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
 
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSALLA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
LA ILIADA Y LA ODISEA.LITERATURA UNIVERSAL
 
Poemas de Beatriz Giménez de Ory_trabajos de 6º
Poemas de Beatriz Giménez de Ory_trabajos de 6ºPoemas de Beatriz Giménez de Ory_trabajos de 6º
Poemas de Beatriz Giménez de Ory_trabajos de 6º
 
TRABAJO CON TRES O MAS FRACCIONES PARA NIÑOS
TRABAJO CON TRES O MAS FRACCIONES PARA NIÑOSTRABAJO CON TRES O MAS FRACCIONES PARA NIÑOS
TRABAJO CON TRES O MAS FRACCIONES PARA NIÑOS
 
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
ESTEREOTIPOS DE GÉNERO A LAS PERSONAS? (Grupo)
 
Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptxMódulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
Módulo No. 1 Salud mental y escucha activa FINAL 25ABR2024 técnicos.pptx
 
Comunidades Virtuales de Aprendizaje Caracteristicas.pptx
Comunidades Virtuales de Aprendizaje Caracteristicas.pptxComunidades Virtuales de Aprendizaje Caracteristicas.pptx
Comunidades Virtuales de Aprendizaje Caracteristicas.pptx
 
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdfRESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
RESPONSABILIDAD SOCIAL EN LAS ORGANIZACIONES (4).pdf
 
Cerebelo Anatomía y fisiología Clase presencial
Cerebelo Anatomía y fisiología Clase presencialCerebelo Anatomía y fisiología Clase presencial
Cerebelo Anatomía y fisiología Clase presencial
 
5.Deicticos Uno_Enfermería_EspanolAcademico
5.Deicticos Uno_Enfermería_EspanolAcademico5.Deicticos Uno_Enfermería_EspanolAcademico
5.Deicticos Uno_Enfermería_EspanolAcademico
 
Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)Tipologías de vínculos afectivos (grupo)
Tipologías de vínculos afectivos (grupo)
 
PLAN DE TRABAJO CONCURSO NACIONAL CREA Y EMPRENDE.docx
PLAN DE TRABAJO CONCURSO NACIONAL CREA Y EMPRENDE.docxPLAN DE TRABAJO CONCURSO NACIONAL CREA Y EMPRENDE.docx
PLAN DE TRABAJO CONCURSO NACIONAL CREA Y EMPRENDE.docx
 
6.Deícticos Dos_Enfermería_EspanolAcademico
6.Deícticos Dos_Enfermería_EspanolAcademico6.Deícticos Dos_Enfermería_EspanolAcademico
6.Deícticos Dos_Enfermería_EspanolAcademico
 
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
 
Presentación Pedagoía medieval para exposición en clases
Presentación Pedagoía medieval para exposición en clasesPresentación Pedagoía medieval para exposición en clases
Presentación Pedagoía medieval para exposición en clases
 

Marketing intelligence: Optimizando la estrategia a través del Big Data

  • 1. Marketing Intelligence: optimizando mi estrategia de marketing a través del Big Data Del Business Intelligence al Business Analytics Alex Rayón Jerez alex.rayon@deusto.es 26 de Noviembre de 2015 Bilbao
  • 2. Guión de la sesión 2
  • 3. There are those who look at things the way they are, and ask why. I dream of things that never were, and ask why not? Robert Kennedy 3
  • 4. 4
  • 5. 5
  • 6. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 6
  • 7. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 7
  • 9. El marketing ¿Qué es? (II) 9 Mercado RAE: “7. m. Conjunto de consumidores capaces de comprar un producto o servicio.” Oferta RAE: “6. f. Econ. Conjunto de bienes o mercancías que se presentan en el mercado con un precio concreto y en un momento determinado.”
  • 10. El marketing ¿Qué es? (II) 10 Fuente: http://www.profesionalesmarketing.es/2015/02/marketing-online-para-hoteles-5-claves-para-posicionar-tu-hotel-en-internet/
  • 11. El marketing ¿Qué es? (III) 11 En la era de Internet, dentro del mundo del marketing, el usuario tiene el poder Búsquedas Recomendaciones Quién, qué, cómo, cuándo, cuánto, etc. Fuente: http://moisesnaim.com/es/books/el-fin-del-poder/
  • 12. El marketing ¿Qué es? (IV) 12 El marketing no es solo publicidad La publicidad es el impacto para llegar al mercado No tiene el valor añadido de la experiencia, del contenido, etc. Fuente: http://www.revistasumma.com/la-publicidad-que-quieren-que-veamos-sin-darnos-cuenta/
  • 13. El marketing Drivers of Big Data 13
  • 14. El marketing Economía digital 14 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/
  • 16. El marketing La importancia del dato 16 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
  • 17. El marketing La importancia del dato (II) 17 Estrategia de venta directa: nuevo enfoque 1-2) Gestionar audiencia1-2) Capturar datos 3) Convertir a ventas
  • 18. El marketing La importancia del dato (III) 18 1) Gestionar audiencia Fijar público objetivo Identificar espacios digitales donde encontrarlos Crear espacios propios para captar datos y crear la Base de Datos Definir líneas editoriales y métodos de captación
  • 19. El marketing La importancia del dato (IV) 19 2) Captar datos Creación landing page para captar dato Pedir datos necesarios y clasificarlos Realizar seguimiento
  • 20. El marketing La importancia del dato (V) 20 3) Convertir a venta Segmentación de usuarios Personalización de la oferta Planificar acciones Realizar seguimiento
  • 23. El marketing Nueva coyuntura (II) 23 Las marcas ya no se anuncian, se relacionan
  • 24. El marketing Nueva coyuntura (III) 24 Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20
  • 25. El marketing De multicanal a omnicanal 25
  • 27. El marketing Aproximación digital: Datos estructuras y no estructurados 27
  • 28. El marketing Aproximación digital: Mayor número de variables 28
  • 29. El marketing Aproximación digital: Proceso casi en tiempo real 29 Event-Based Marketing
  • 30. El marketing Aproximación digital: Mayor profundidad de datos 30
  • 31. El marketing Estructura organizativa 31 Para que esto funcione... Fuente: http://blogs.icemd.com/blog-customer-centric-customer-experience/tag/estrategia-omnicanal/page/2/
  • 37. El marketing Puntos de contacto y experiencia de usuario 37
  • 38. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 38
  • 39. Clarificando conceptos Las 5 V’s del Big Data Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832 39
  • 40. Clarificando conceptos Internet y los datos “La cantidad de información que nuestra sociedad genera es difícil de cuantificar, pero una estimación sostiene que creamos más data cada año, que la que ha sido producida en toda la historia humana anterior” New York Times 40
  • 41. 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 41
  • 42. Clarificando conceptos Big Data vs. Business Intelligence Business Intelligence Big Data 42
  • 43. Clarificando conceptos Big Data vs. Business Intelligence (II) No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas Una disciplina que tiene un objetivo a medio plazo La herramienta de la estrategia y de la dirección Busca dar respuestas a preguntas concretas y formuladas a Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/ 43
  • 44. Clarificando conceptos Big Data vs. Business Intelligence (III) Por contra, Big Data, básicamente consiste en analizar masivamente datos "a ver si sale algo" Esto último tiene problemas obvios Me pueden salir correlaciones o relaciones espúreas o sin fundamento ni sentido (si analizamos la aparición del cambio climático y la desaparición de los piratas, la correlación es muy alta, y su sentido ninguno) Un campo que permite aprovechar el dato a corto plazo buscando patrones, inferencias, etc., entre los datos, sin ningún objetivo a priori concreto44
  • 45. Clarificando conceptos Big Data vs. Business Intelligence (IV) 45
  • 46. Clarificando conceptos Business Intelligence En 1989, Howard Dresner, un investigador de Gartner Group, popularizó el acrónimo de BI (Business Intelligence) para indicar “El conjunto de conceptos y métodos para mejorar la toma de decisiones en los negocios, utilizando sistemas de apoyo basado en hechos” 46
  • 47. Impacto Big Data Maturity model Fuente: https://www.gartner.com/doc/713210 47
  • 48. Impacto Big Data Maturity model (II) 48
  • 49. Impacto Big Data Maturity model (III) Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3) 49
  • 50. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 50
  • 51. Método del caso 51 Definición del problema Criterios Decisión Plan de acción Evaluar alternativas Generar alternativas SíntesisSíntomas Análisis 1 2 3 4 5 7 6
  • 52. Método del caso 52 Fuente: http://www.brandemia.org/magazine Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921
  • 53. Método del caso 1) Definición del problema 53 Definición de objetivos Necesidad de información Antecedentes Nuevas oportunidades Mejora toma de decisiones … Datos disponibles Alcance
  • 54. Método del caso Estrategia medición: Objetivos eCommerce Cualificación de leads Engagement Compromiso y fidelización 54 ...
  • 55. Método del caso Estrategia medición: Objetivos (II) 55
  • 56. Método del caso Estrategia medición: Objetivos (III) 56
  • 57. Método del caso Estrategia medición: Objetivos (IV) 57
  • 58. Ventas Ventas por hora, día, semanales, mensuales, trimestrales y anuales Compra media (ticket medio de venta) Margen medio Ratio conversión ventas respecto a usuarios % Carritos abandonados % de nuevos pedidos respecto pedidos de usuarios recurrentes Método del caso Estrategia medición: KPI 58
  • 59. eCommerce Unique visitors Total visits Page views New visitors New customers Total orders per day, week, month Time on site per visit Page views per visit Método del caso Estrategia medición: KPI (II) 59
  • 60. Marketing Site traffic Unique visitors vs. returning visitors Time on site Page views per visit Traffic source Newsletter subscribers Chat sessions initiated Facebook, Twitter, or Pinterest followers or fans Método del caso Estrategia medición: KPI (III) 60
  • 61. Customer service Customer service email count Customer service phone call count Customer service chat count Average resolution time etc. Ahora veamos cómo pintar este cuadro... Método del caso Estrategia medición: KPI (IV) 61
  • 62. Método del caso Métrica 62 El método de medición definido y la escala de medición (ISO 14598-1:1999) Medición Actividad que usa la definición de la métrica para producir el valor de una medida Medida Número o categoría asignada a un atributo de una entidad mediante una medición (ISO 14598-1:1999)
  • 63. Método del caso Métrica (II) 63 Es la correspondencia de un dominio empírico (mundo real) a un mundo formal, matemático La medida incluye el valor numérico o nominal asignado al atributo de un ente por medio de dicha correspondencia (Fenton)
  • 64. Método del caso Métrica (III) 64 Juan es más alto que María si y sólo si M(Juan) > M(María)
  • 65. Método del caso Métrica (IV) 65 Pueden ser Métricas directas Una métrica de un atributo que no depende de ninguna métrica de otro atributo Métricas indirectas Una métrica de un atributo que se deriva de una o más métricas de otros atributos Se formaliza por medio de una función de medición (fórmula, ecuación) Función de medición: un algoritmo o cálculo que permite combinar dos o más métricas
  • 66. Método del caso 1) Definición del problema (II) 66 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
  • 67. Método del caso 1) Definición del problema (III) 67 Modelo de datos
  • 68. Método del caso 1) Definición del problema (IV) 68 Estudiar datos tiene dos objetivos principales Informar ¿Qué ha ocurrido? Predecir ¿Qué podría ocurrir?
  • 69. Método del caso 1) Definición del problema (V) 69 Modelo de datos
  • 70. Método del caso 1) Definición del problema (VI) 70 Planteamos cinco problemas 1.Relación entre CAC y Margen Unitario 2.Predecir cifra de ventas a partir de la cantidad y grupo de promoción 3.¿Qué productos son comprados a una determinada hora del día? 4.¿Qué compras siguen un patrón parecido? 5.Reducir a dos dimensiones la matriz de datos Artículo Alex
  • 71. Método del caso 1) Definición del problema (VII) 71 Categorías de problemas Problemas Predictivos (supervisados) Descriptivos (no supervisados) Clasificación Regresión Análisis correlacional Agrupamiento Reglas asociación
  • 72. Método del caso 1) Definición del problema (VIII) 72 Categorías de problemas Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
  • 73. Método del caso 1) Definición del problema (IX) 73
  • 74. Método del caso 1) Definición del problema (X) 74 Para estudiar la correlación Se escogen dos o más variables entre las que se hipotetizar una relación causal Se pone a prueba mediante técnicas estadísticas (test chi2, etc.) ¿Cómo identificar qué variables son las que explican (son independientes)? Por los métodos de control Método experimental
  • 75. Uso de datos en el mundo del marketing Customer profiling: hábitos, necesidades, valor, potencial → Know Your Customer (KYC) Customer Intelligence: targeting, modelos de cliente (ciclo de vida relacional y existenciales), modelos de producto (propensiones), segmentación, análisis del Valor Cliente (Customer Lifetime Value), análisis patrones de compra (Market Basket Analysis), métrica RFM (Recency, Frequency, Monetary), etc. Estrategias omnicanal y de Social CRM: Método del caso 1) Definición del problema (XI) 75
  • 76. Uso de datos en el mundo del marketing Brand Intelligence: valor de una marca, influencia de la marca en la oferta y demanda, valoración de marca, etc. Marketing experiencial: Customer Experience Management, Customer journey, Indicadores de Experiencia de Cliente (NPS, etc.) Del marketing masivo al marketing one2one: Event-based marketing, marketing en tiempo real (retargeting), retargeting personalizado (Right Offer, Right PersoN), estrategias de cross y Método del caso 1) Definición del problema (XII) 76
  • 77. Uso de datos en el mundo del marketing Inbound marketing: engagement con contenidos, capturando datos de touchpoints, relación con clientes, etc. Social Media Intelligence: Social Business, Social Media Analytics, análisis de medios sociales y conversión, etc. Geomarketing: Sistemas de Información Geográfica (GIS) Producto: nichos de mercado, nuevos productos y Método del caso 1) Definición del problema (XIII) 77
  • 78. Uso de datos en el mundo del marketing Fidelización de clientes: programas de fidelización, técnicas de fidelización (endógena y exógena) Marketing ROI & optimización del presupuesto de marketing: CLV vs. CAC, modelos de atribución, modelo analítico de atribución, evaluación de las acciones, campañas, segmentos y audiencias, optimización de la inversión etc. Método del caso 1) Definición del problema (XIV) 78
  • 79. Método del caso 2) Análisis 79 Necesidad de información Entidad/entidades Conceptos medibles Atributos Métricas Indicadores → KPIs Ejemplo
  • 80. Método del caso 3) Síntesis 80 Resumen de indicadores Categoría de indicadores Mercado Oferta Producto Acciones de marketing Cuadro de Mando Integral
  • 81. Método del caso 4) Generar alternativas 81 Oportunidades de mejora Experimentos orientados a la mejora de resultados Para los cuatro problemas planteados, vamos a construir: Clasificación/clusterización Modelo de regresión Reglas de asociación Análisis de Componentes Principales
  • 82. Método del caso 5) Evaluar alternativas 82 Fuente: http://globalo2.es/satisfaccion-clientes/
  • 83. Método del caso 6) Decisión 83 Toma de la decisión considerando KPIs Fuente: https://actitudinternacionaluca.wordpress.com/author/intacuca/page/9/
  • 84. Método del caso 7) Plan de acción 84Fuente: http://www.sedputumayo.gov.co/sedputumayo/SITIO/site/index.php?option=com_k2&view=item&id=679:plan-de-acci%C3%B3n-secretaria-de-educaci%C3%B3n-departamental-a%C3%B1o-2014
  • 85. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 85
  • 86. Métricas Introducción Beneficios de la medición/evaluación Analizar, comprender (los atributos de un ente) Controlar (la calidad del producto, etc.) Predecir (el tiempo y coste de un proyecto) Mejorar (la calidad de un servicio, proceso, etc.) Conceptos medibles (factores) Calidad, calidad de uso, productividad, coste, eficiencia de una acción, etc. 86
  • 87. Métricas Introducción (II) “Metrics are welcome when they are clearly needed and easy to collect and understand” (Pfleeger) “Indicators are ultimately the foundation for interpretation of information needs and decision-making” 87
  • 88. Métricas Utilidades Medición objetiva antes que subjetiva Especificar en el mundo formal, la correspondencia de un atributo del mundo empírico Servir de base a métodos cuantitativos de evaluación o predicción La métrica no puede interpretar por sí sola un concepto medible → necesitamos indicadores 88
  • 89. Métricas Métodos de evaluación Categorías Testing Inspección Consulta (inquiry) Modelo analítico Simulación Los métodos y técnicas a aplicar son Cuantitativos vs. cualitativos 89
  • 90. Métricas Conceptos asociados a métricas 90 Entidad Atributo Concepto medible Modelo conceptual Métrica (Medición, medida) Método Escala y unidad
  • 91. Métricas Entidad 91 Un objeto que va a ser caracterizado mediante la medición de sus atributos Puede ser física -tangible- o abstracta -intangible- Objetos de interés para el marketing: Servicio Producto Acción Campaña
  • 92. Métricas Atributo 92 Propiedad mensurable, física o abstracta, de una entidad Puede ser interno o externo de la entidad El atributo se puede medir (cuantificar) por medio de una métrica directa o indirecta
  • 93. Métricas Concepto medible 93 Una relación abstracta entre atributos de una o más entidades, y una necesidad de información Fuente: https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_medida
  • 94. Métricas Modelo conceptual 94 El conjunto de subconceptos y las relaciones entre ellos, que sirven de base para una posterior evaluación o estimación Ejemplo: características y sus relaciones que proveen las bases para modelar la calidad Una característica puede estar conformada por subcaracterísticas y atributos
  • 96. Métricas Método 96 Secuencia lógica de operaciones y potenciales heurísticas, expresadas de forma genérica, que permite la realización de una descripción de actividad El tipo de método de medición va a depender de la naturaleza de las operaciones utilizadas para cuantificar el atributo Subjetivo: cuando la cuantificación supone un juicio realizado por un ser humano.
  • 97. Métricas Escala 97 Un conjunto de valores con propiedades definidas (ISO 14598-1) Escala numérica (continua o discreta) Escala categórica Tipos de escala Nominal Ordinal Intervalo
  • 99. Métricas Ejemplo 99 Necesidad de información Evaluar la confianza de los enlaces en una web Entidad Website Concepto medible Confiabilidad de los enlaces Atributos
  • 100. Métricas Ejemplo (II) 100 Métrica posible 1 #IBL Unidad: enlace Escala: numérica, enteros Tipo de escala: absoluta Tipo de método de medición: objetivo Métrica posible 2 %IBL = (#IBL/#TL) * 100 Unidad: normalizada a porcentaje
  • 101. Métricas Indicador 101 El método de cálculo y la escala definidos, además del modelo y criterios de decisión con el fin de proveer una evaluación o estimación de un concepto medible con respecto a una necesidad de información Las métricas no pueden interpretar por sí solas un concepto medible Se necesitan indicadores
  • 102. Métricas Indicador (II) 102 Criterio de decisión “Thresholds, targets or patterns used to determine the need for action or further investigation, or to describe the level of confidence in a given results” (ISO 15939) Ejemplo No satisfactorio: de 0 a 40 Marginal: entre 40 y 60 Satisfactorio: más de 60
  • 106. Métricas Estrategia medición: Elementos ¿Qué necesitamos para llevar a cabo esta estrategia? Conocimientos del negocio Objetivos de negocio Estrategias de marketing digital Formación analítica digital Conocimientos técnicos 106
  • 107. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 107
  • 108. Ciclo de Business Intelligence Pirámide informacional Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/ 108
  • 109. El dato por si solo nos aporta poco… 2.000 visitantes únicos en mi tienda online 1.000 nuevos usuarios en mi aplicación 10% nuevos clientes en mi exposición 24 conversiones de las campañas de captación 3.000 € de incremento del tamaño de la transacción media de ticket de compra ... Ciclo de Business Intelligence Del dato... 109
  • 111. El dato puesto en valor → inteligencia de negocio Ciclo de Business Intelligence … al conocimiento Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/ 111
  • 112. Ciclo de Business Intelligence Fuentes de datos Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/ 112
  • 113. Ciclo Business Intelligence Introducción Entendiendo el problema a resolver Saber plantear las preguntas correctas Identificando los problemas Pensamiento creativo y crítico Definiendo las métricas de negocio Aplicación de técnicas Los modelos analíticos: relación entre variables Modelización del problema: Modelos descriptivos (segmentación de consumidores, cesta de la compra, etc.) y predictivos (predicción de abandonos o fugas, pasos por taller,...) Visualización de resultados para aportar valor al negocio 113
  • 114. Ciclo Business Intelligence Entendiendo el problema a resolver Entendiendo el problema a resolver Saber plantear las preguntas correctas Identificando los problemas Pensamiento creativo y crítico Definiendo las métricas de negocio Aplicación de técnicas Los modelos analíticos: relación entre variables Modelización del problema: Modelos descriptivos (segmentación de consumidores, cesta de la compra, etc.) y predictivos (predicción de abandonos o fugas, pasos por taller,...) Visualización de resultados para aportar valor al negocio 114
  • 115. ● Consiste en hacer una abstracción de un problema o fenómeno real, para concretarlo, y hacerlo resoluble y comprensible ● Se trata de un proceso "iterativo" que irá evolucionando el modelo resultado Hasta llegar a uno que permita entender el fenómeno estudiado con la profundidad que requerimos 115 Ciclo Business Intelligence Modelo analítico: definición conceptual
  • 116. 116 Ciclo Business Intelligence Modelo analítico: definición conceptual (II)
  • 117. ● Análisis de decisión: nos sirve para evaluar entre posibles alternativas que se presentan ● Análisis de problemas: nos sirve para entender un problema escasamente definido e intentar tener mayor conocimiento sobre el fenómeno en cuestión. ● Análisis de datos: se emplea para explorar datos y encontrar respuestas a fenómenos conocidos y bien definidos. 117 Ciclo Business Intelligence Modelo analítico: Tipología de análisis
  • 118. 118 Ciclo Business Intelligence Modelo analítico: enmarcando el problema
  • 119. 1. Determinar si estamos ante un análisis de DECISIÓN, PROBLEMAS o DATOS. 2. Asumir una serie de inputs, parámetros, variables y relaciones entre ellas. 3. Definir los outputs (resultados) que se busca obtener para el propósito buscado y determinar como lo vamos a medir. 4. Establecer el grado de profundidad del análisis en función del plazo que tengamos para llegar a una solución. 5. Establecer el periodo sobre el que queremos analizar un fenómeno. 119 Ciclo Business Intelligence Modelo analítico: enmarcando el problema (II)
  • 120. 120 Ciclo Business Intelligence Modelo analítico: creación de prototipos
  • 121. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 121
  • 122. Data-driven marketing 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. 122
  • 123. Data-driven marketing Ganar más dinero 123 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/
  • 124. Data-driven marketing Ganar más dinero (II) 124 Se trata de analizar los datos: Contextuales de una compra → momento, lugar, composición de la cesta de la compra Lo enmarcamos en perspectiva → frecuencia, tiempo entre última compra, etc. Analizamos el cliente → si lo hace con tarjeta de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc. Y el canal por el que entra → online -tienda online, landing page, redes sociales, etc- u offline … y preguntarnos cosas como...
  • 125. Data-driven marketing Ganar más dinero (III) 125 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
  • 126. Data-driven marketing Ganar más dinero (IV) 126 Quién (influenciadores) o qué (drivers de compra) influye más en la decisión de compra de un cliente → drivers
  • 127. Data-driven marketing Ganar más dinero (V) 127 Qué relación de productos permite modelizar el perfil de cliente
  • 128. Data-driven marketing Ganar más dinero (VI) 128 ¿Cuál es la estructura de mi marca? Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext
  • 129. Data-driven marketing Ganar más dinero (VII) 129 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/
  • 130. Data-driven marketing Ganar más dinero (VIII) 130 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
  • 131. Data-driven marketing Ganar más dinero (IX) 131 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
  • 132. Data-driven marketing Ganar más dinero (X) 132 ¿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/
  • 133. Data-driven marketing Ganar más dinero (XI) 133 ¿Cómo generar lealtad y preferencia hacia mi producto?
  • 134. Data-driven marketing Ganar más dinero (XII) 134 Customer Experience Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/
  • 135. Data-driven marketing Ganar más dinero (XIII) 135 Lead generation, Nurturing and Scoring Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/
  • 136. Data-driven marketing Ganar más dinero (XIV) 136 Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
  • 137. Data-driven marketing Ganar más dinero (XV) 137 Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem
  • 138. Data-driven marketing Ganar más dinero (XVI) 138 Recency Cuán reciente es la última compra del cliente Frequency Con cuánta frecuencia compra el cliente Monetary Cuánto gasta el cliente Esta técnica de análisis está basada en el axioma de marketing de que el 80% del negocio procede del 20% de los clientes
  • 139. Data-driven marketing Ganar más dinero (XVII) 139 Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
  • 140. Data-driven marketing Aumentando el valor Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf 140
  • 141. Data-driven marketing Visión única del cliente Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf 141
  • 142. Data-driven marketing Matriz de estrategias con clientes Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf 142
  • 143. Data-driven marketing Marketing digital y Big Data/Business Intelligence Landing page - GIS - Segmentación - Dashboard Cadena de valor del dato en acciones de captación directa BBDD Business Intelligence SEO Performance marketing Social Media 143
  • 144. Data-driven marketing Conozca sus clientes y aumente sus ventas 144
  • 145. Tabla de contenidos El marketing Clarificando conceptos Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 145
  • 152. Experiencias Big Data Mantener un diálogo a lo largo del Ciclo de Vida del Cliente
  • 153. Índice de contenidos El marketing Clarificando conceptos Impacto Big Data Método del caso Tratamiento y gestión de datos Ciclo de Business Intelligence Data-driven marketing 153
  • 155. Implantación Visualización “La visualización es crítica para el análisis de datos. Aporta una primera línea de ataque, revelando estructuras intrincadas en datos que no pueden ser absorbidas de otro modo. Descubrimos efectos inimaginables y cuestionamos aquellos que han sido imaginados.” William S. Cleveland en Visualizing Data 155
  • 156. Implantación Visualización (II) “Multidisciplina que representa los datos transformándolos en información semántica a través de medios gráficos, combinando su funcionalidad y estética con simplicidad y estimulando la participación de los usuarios” Mosaic BSDA del blog Ignasi Alcalde 156
  • 157. “Perfection is achieved not when there is nothing more to add, but when there is nothing left to take away” Antoine de Saint-Exupery Implantación Visualización (III) 157
  • 160. Implantación Cuadros de mando analíticos Fuente: http://www.bi-spain.com/articulos.php?id_seccion=146&opinion=0&esenciales=0 160
  • 161. Implantación Cuadros de mando analíticos (II) Visual Recursos gráficos de forma inteligente Todo en una hoja Concentrar y llamar la atención Solo factores clave Ir al grano y enfocar el análisis → optimización Contener ideas y comentarios Identificar oportunidades y problemas161
  • 162. Visualización de la inteligencia en BI Implantación Cuadros de mando analíticos (III) 162
  • 163. Visualización de la inteligencia en BI Fuente: https://public.tableau.com/s/gallery/diversity-post-secondary-education-us Implantación Cuadros de mando analíticos (IV) 163
  • 174. En definitiva, el dato al servicio del negocio … y no viceversa Pongamos los datos a trabajar :-) 174
  • 175. Copyright (c) 2015 University of Deusto This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative Commons “Attribution-ShareAlike” License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/3.0/ Alex Rayón Jerez Noviembre 2015
  • 176. Marketing Intelligence: optimizando mi estrategia de marketing a través del Big Data Del Business Intelligence al Business Analytics Alex Rayón Jerez alex.rayon@deusto.es 26 de Noviembre de 2015 Bilbao