Curso "Marketing intelligence: Optimizando la estrategia a través del Big Data" impartido en el Colegio Vasco de Economistas, en Bilbao. Curso centrado en explicar las posibilidades que ofrece el Big Data para el proceso de marketing de cualquier empresa, de cualquier tamaño y de cualquier ubicación.

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

8. El marketing
¿Qué es?
Marketing
=
Mercado
+
Oferta
8

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/

15. El marketing
Economía digital (II)
15

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

21. El marketing
Evolución: Las Tres Olas
21

22. El marketing
Nueva coyuntura
22

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

26. El marketing
Aproximación digital
26

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/

32. El marketing
Estructura organizativa (II)
32

33. El marketing
Customer Journey
33

34. El marketing
Findability
34

35. El marketing
Soportes digitales
35

36. El marketing
Soportes digitales (II)
36

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

95. Métricas
Modelo conceptual (II)
95

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

98. Métricas
Escala (II)
98

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

103. Métricas
Indicador (III)
103

104. Métricas
Estrategia medición: claves
104

105. Métricas
Estrategia medición: Esquema
105

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

110. Falta contexto →
circunstancias
Fecha
Dispositivo/canal
Geolocalización
Fuente
Tendencia/Perspectiva
...
Ciclo de Business Intelligence
Del dato… (II)
110

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

146. Experiencias Big Data
Customer Intelligence

147. Experiencias Big Data
Retención de clientes

148. Experiencias Big Data
Estrategias omnicanal

149. Experiencias Big Data
Estrategias omnicanal (II)

150. Experiencias Big Data
Geomarketing

151. Experiencias Big Data
CLV vs. CAC

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

154. Implantación
Esquema general
154

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

158. Narrativa
+
Diseño
+
Estadística
Implantación
Visualización (IV)
158

159. Implantación
Visualización (V)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef016760ebbbcd970b-550wi159

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

164. Implantación
Google Drive Analytics
164

165. Implantación
Google Drive Analytics (II)
165

166. Implantación
Google Drive Analytics (III)
166

167. Implantación
Chartbeat
167

168. Implantación
Klipfolio
168

169. Implantación
Klipfolio (II)
169

170. Implantación
Klipfolio (III)
170

171. Implantación
Klipfolio (IV)
171

172. Implantación
Klipfolio (V)
172

173. Implantación
Klipfolio (VI)
173

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