SlideShare una empresa de Scribd logo
Programa Big Data y
Business Intelligence
M3.1. Business Analytics
M3.1.03.5. Métricas de Marketing Intelligence
David Ruiz Uceta y Alex Rayón Jerez
druiz@smartup.es y alex.rayon@deusto.es
25 de Septiembre de 2015
Bilbao
Guión de la sesión
2
3
4
Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
5
Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
6
El marketing
¿Qué es?
Marketing
=
Mercado
+
Oferta
7
El marketing
¿Qué es? (II)
8
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)
9
Fuente: http://www.profesionalesmarketing.es/2015/02/marketing-online-para-hoteles-5-claves-para-posicionar-tu-hotel-en-internet/
El marketing
¿Qué es? (III)
10
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)
11
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
12
El marketing
Economía digital
13
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)
14
El marketing
La importancia del dato
15
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)
16
Estrategia de venta directa: nuevo enfoque
1-2) Gestionar audiencia1-2) Capturar datos
3) Convertir a ventas
El marketing
La importancia del dato (III)
17
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)
18
2) Captar datos
Creación landing page para captar dato
Pedir datos necesarios y clasificarlos
Realizar seguimiento
El marketing
La importancia del dato (V)
19
3) Convertir a venta
Segmentación de usuarios
Personalización de la oferta
Planificar acciones
Realizar seguimiento
El marketing
Evolución: Las Tres Olas
20
El marketing
Nueva coyuntura
21
El marketing
Nueva coyuntura (II)
22
Las marcas ya no se anuncian, se relacionan
El marketing
Nueva coyuntura (III)
23
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
24
El marketing
Aproximación digital
25
El marketing
Aproximación digital: Datos estructuras y no estructurados
26
El marketing
Aproximación digital: Mayor número de variables
27
El marketing
Aproximación digital: Proceso casi en tiempo real
28
Event-Based Marketing
El marketing
Aproximación digital: Mayor profundidad de datos
29
El marketing
Estructura organizativa
30
Para que esto funcione...
Fuente: http://blogs.icemd.com/blog-customer-centric-customer-experience/tag/estrategia-omnicanal/page/2/
El marketing
Estructura organizativa (II)
31
El marketing
Customer Journey
32
El marketing
Findability
33
El marketing
Soportes digitales
34
El marketing
Soportes digitales (II)
35
El marketing
Puntos de contacto y experiencia de usuario
36
Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
37
Método del caso
38
Definición del problema
Criterios
Decisión
Plan de
acción
Evaluar
alternativas
Generar
alternativas
SíntesisSíntomas
Análisis
1
2
3 4 5 7
6
Método del caso
39
Fuente: http://www.brandemia.org/magazine
Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921
Método del caso
1) Definición del problema
40
Definición de objetivos
Necesidad de información
Antecedentes
Nuevas oportunidades
Mejora toma de decisiones
…
Datos disponibles
Alcance
Método del caso
1) Definición del problema (II)
41
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)
42
Modelo de datos
Método del caso
1) Definición del problema (IV)
43
Estudiar datos tiene dos objetivos
principales
Informar
¿Qué ha ocurrido?
Predecir
¿Qué podría ocurrir?
Método del caso
1) Definición del problema (V)
44
Modelo de datos
Método del caso
1) Definición del problema (VI)
45
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)
46
Categorías de problemas
Problemas
Predictivos
(supervisados)
Descriptivos
(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación
Método del caso
1) Definición del problema (VIII)
47
Categorías de problemas
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
Método del caso
1) Definición del problema (IX)
48
Método del caso
1) Definición del problema (X)
49
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)
50
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)
51
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)
52
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)
53
Método del caso
2) Análisis
54
Necesidad de información
Entidad/entidades
Conceptos medibles
Atributos
Métricas
Indicadores → KPIs
Ejemplo
Método del caso
3) Síntesis
55
Resumen de indicadores
Categoría de indicadores
Mercado
Oferta
Producto
Acciones de marketing
Cuadro de Mando Integral
Método del caso
4) Generar alternativas
56
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
57
Fuente: http://globalo2.es/satisfaccion-clientes/
Método del caso
6) Decisión
58
Toma de la decisión considerando KPIs
Fuente: https://actitudinternacionaluca.wordpress.com/author/intacuca/page/9/
Método del caso
7) Plan de acción
59Fuente: 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
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
60
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.
61
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”
62
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 63
Métricas
Métodos de evaluación
Categorías
Testing
Inspección
Consulta (inquiry)
Modelo analítico
Simulación
Los métodos y técnicas a aplicar son
Cuantitativos vs. cualitativos
64
Métricas
Conceptos asociados a métricas
65
Entidad
Atributo
Concepto medible
Modelo conceptual
Métrica (Medición, medida)
Método
Escala y unidad
Métricas
Entidad
66
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
67
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
68
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
69
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)
70
Métricas
Métrica
71
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)
Métricas
Métrica (II)
72
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)
Métricas
Métrica (III)
73
Juan es más alto que María si y sólo si M(Juan) > M(María)
Métricas
Métrica (IV)
74
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
Métricas
Método
75
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
76
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)
77
Métricas
Ejemplo
78
Necesidad de información
Evaluar la confianza de los enlaces en una web
Entidad
Website
Concepto medible
Confiabilidad de los enlaces
Atributos
Métricas
Ejemplo (II)
79
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
80
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)
81
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)
82
Métricas
Estrategia medición: claves
Métricas
Estrategia medición: Esquema
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
Métricas
Estrategia medición: Objetivos
eCommerce
Cualificación de leads
Engagement
Compromiso y fidelización
Métricas
Estrategia medición: Objetivos (II)
Métricas
Estrategia medición: Objetivos (III)
Métricas
Estrategia medición: Objetivos (IV)
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
Métricas
Estrategia medición: KPI
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
Métricas
Estrategia medición: KPI (II)
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
Métricas
Estrategia medición: KPI (III)
Customer service
Customer service email count
Customer service phone call count
Customer service chat count
Average resolution time
etc.
Ahora veamos como pintar este cuadro...
Métricas
Estrategia medición: KPI (IV)
Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
94
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
95
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
96
Ciclo Business Intelligence
Entendiendo el problema a resolver (II)
97
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 priori
analizando datos
Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/
Ciclo Business Intelligence
Entendiendo el problema a resolver (III)
98
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 concreto
Ciclo Business Intelligence
Entendiendo el problema a resolver (IV)
99
Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
100
Data-driven marketing
Ganar más dinero
101
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)
102
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)
103
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)
104
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)
105
Qué relación de
productos
permite
modelizar el
perfil de cliente
Data-driven marketing
Ganar más dinero (VI)
106
¿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)
107
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)
108
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)
109
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)
110
¿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)
111
¿Cómo generar lealtad y preferencia hacia
mi producto?
Data-driven marketing
Ganar más dinero (XII)
112
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)
113
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)
114
Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
Data-driven marketing
Ganar más dinero (XV)
115
Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem
Data-driven marketing
Ganar más dinero (XVI)
116
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)
117
Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
Data-driven marketing
Maturity model
118
Data-driven marketing
Maturity model (II)
119
Data-driven marketing
Maturity model (III)
120
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
Data-driven marketing
Aumentando el valor
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Data-driven marketing
Visión única del cliente
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Data-driven marketing
Matriz de estrategias con clientes
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
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
Data-driven marketing
Conozca sus clientes y aumente sus ventas
Tabla de contenidos
El marketing
Método del caso
Métricas e indicadores
Ciclo de Business Intelligence
Data-driven marketing
Aplicaciones de Marketing Intelligence
126
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
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/
David Ruiz Uceta y Alex Rayón Jerez
Septiembre 2015
Programa Big Data y
Business Intelligence
M3.1. Business Analytics
M3.1.03.5. Métricas de Marketing Intelligence
David Ruiz Uceta y Alex Rayón Jerez
druiz@smartup.es y alex.rayon@deusto.es
25 de Septiembre de 2015
Bilbao

Más contenido relacionado

La actualidad más candente

Paradoxes of Marketing to Connected Customers
Paradoxes of Marketing to Connected CustomersParadoxes of Marketing to Connected Customers
Paradoxes of Marketing to Connected Customers
Ateneo Graduate School of Business
 
Malhotra02
Malhotra02Malhotra02
Chapter 19 Managing Personal Communications
Chapter 19 Managing Personal CommunicationsChapter 19 Managing Personal Communications
Chapter 19 Managing Personal Communications
Diarta
 
Ch 2
Ch 2Ch 2
Kotler mm 14e_04_ippt
Kotler mm 14e_04_ipptKotler mm 14e_04_ippt
Kotler mm 14e_04_ippt
Happy Haha
 
Patagonia Brief
Patagonia BriefPatagonia Brief
Patagonia Brief
chrisborncamp
 
Malhotra01
Malhotra01Malhotra01
Case study on 4 p's
Case study on 4 p'sCase study on 4 p's
Case study on 4 p's
IMCOST
 
Use of Priming in Marketing
Use of Priming in MarketingUse of Priming in Marketing
Use of Priming in Marketing
Kakoli Laha
 
Nested approach to the segmentation of B2B markets
Nested approach to the segmentation of B2B marketsNested approach to the segmentation of B2B markets
Nested approach to the segmentation of B2B markets
Sana Sadiq
 
Malhotra02
Malhotra02Malhotra02
Malhotra02
Mohamed Kamhawi
 
Marketing: Capturing Marketing Insights
Marketing: Capturing Marketing InsightsMarketing: Capturing Marketing Insights
Marketing: Capturing Marketing Insights
Polytechnic University of the Philippines
 
Chapter 2: The Paradoxes of Marketing to Connected Customers
Chapter 2: The Paradoxes of Marketing to Connected CustomersChapter 2: The Paradoxes of Marketing to Connected Customers
Chapter 2: The Paradoxes of Marketing to Connected Customers
Pam Buenaventura
 
Case no.6 (group)
Case no.6 (group)Case no.6 (group)
Case no.6 (group)
Ateera Dahalan
 
B2B Marketing Strategy
B2B Marketing StrategyB2B Marketing Strategy
B2B Marketing Strategy
Fusion Marketing Partners
 
The Importance Of Market Research
The Importance Of Market ResearchThe Importance Of Market Research
The Importance Of Market Research
JumpStart Inc
 
Caliva Report- Integrated Marketing Communication
Caliva Report- Integrated Marketing CommunicationCaliva Report- Integrated Marketing Communication
Caliva Report- Integrated Marketing Communication
Ariel Martin
 
Marketing research ch 2_malhotra
Marketing research ch 2_malhotraMarketing research ch 2_malhotra
Marketing research ch 2_malhotra
Jamil Ahmed AKASH
 
Content Marketing for Brand Curiosity
Content Marketing for Brand CuriosityContent Marketing for Brand Curiosity
Content Marketing for Brand Curiosity
DirkPua
 
Ai in marketing: How Business & Marketing can benefit from adopting AI & ML
Ai in marketing: How Business & Marketing can benefit from adopting AI & MLAi in marketing: How Business & Marketing can benefit from adopting AI & ML
Ai in marketing: How Business & Marketing can benefit from adopting AI & ML
leanstartuphh
 

La actualidad más candente (20)

Paradoxes of Marketing to Connected Customers
Paradoxes of Marketing to Connected CustomersParadoxes of Marketing to Connected Customers
Paradoxes of Marketing to Connected Customers
 
Malhotra02
Malhotra02Malhotra02
Malhotra02
 
Chapter 19 Managing Personal Communications
Chapter 19 Managing Personal CommunicationsChapter 19 Managing Personal Communications
Chapter 19 Managing Personal Communications
 
Ch 2
Ch 2Ch 2
Ch 2
 
Kotler mm 14e_04_ippt
Kotler mm 14e_04_ipptKotler mm 14e_04_ippt
Kotler mm 14e_04_ippt
 
Patagonia Brief
Patagonia BriefPatagonia Brief
Patagonia Brief
 
Malhotra01
Malhotra01Malhotra01
Malhotra01
 
Case study on 4 p's
Case study on 4 p'sCase study on 4 p's
Case study on 4 p's
 
Use of Priming in Marketing
Use of Priming in MarketingUse of Priming in Marketing
Use of Priming in Marketing
 
Nested approach to the segmentation of B2B markets
Nested approach to the segmentation of B2B marketsNested approach to the segmentation of B2B markets
Nested approach to the segmentation of B2B markets
 
Malhotra02
Malhotra02Malhotra02
Malhotra02
 
Marketing: Capturing Marketing Insights
Marketing: Capturing Marketing InsightsMarketing: Capturing Marketing Insights
Marketing: Capturing Marketing Insights
 
Chapter 2: The Paradoxes of Marketing to Connected Customers
Chapter 2: The Paradoxes of Marketing to Connected CustomersChapter 2: The Paradoxes of Marketing to Connected Customers
Chapter 2: The Paradoxes of Marketing to Connected Customers
 
Case no.6 (group)
Case no.6 (group)Case no.6 (group)
Case no.6 (group)
 
B2B Marketing Strategy
B2B Marketing StrategyB2B Marketing Strategy
B2B Marketing Strategy
 
The Importance Of Market Research
The Importance Of Market ResearchThe Importance Of Market Research
The Importance Of Market Research
 
Caliva Report- Integrated Marketing Communication
Caliva Report- Integrated Marketing CommunicationCaliva Report- Integrated Marketing Communication
Caliva Report- Integrated Marketing Communication
 
Marketing research ch 2_malhotra
Marketing research ch 2_malhotraMarketing research ch 2_malhotra
Marketing research ch 2_malhotra
 
Content Marketing for Brand Curiosity
Content Marketing for Brand CuriosityContent Marketing for Brand Curiosity
Content Marketing for Brand Curiosity
 
Ai in marketing: How Business & Marketing can benefit from adopting AI & ML
Ai in marketing: How Business & Marketing can benefit from adopting AI & MLAi in marketing: How Business & Marketing can benefit from adopting AI & ML
Ai in marketing: How Business & Marketing can benefit from adopting AI & ML
 

Destacado

Competidores y productos de mercado de ETL
Competidores y productos de mercado de ETLCompetidores y productos de mercado de ETL
Evitando el fraude a través de la presentación de la información en grafos
Evitando el fraude a través de la presentación de la información en grafosEvitando el fraude a través de la presentación de la información en grafos
Evitando el fraude a través de la presentación de la información en grafos
Universidad de Deusto - Deustuko Unibertsitatea - University of Deusto
 
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.)
Universidad de Deusto - Deustuko Unibertsitatea - University of Deusto
 
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
Universidad de Deusto - Deustuko Unibertsitatea - University of Deusto
 
Salespoint Mobile CRM - Español
Salespoint Mobile CRM - EspañolSalespoint Mobile CRM - Español
Salespoint Mobile CRM - Español
Salespoint Mobile CRM
 
Master en Marketing Intelligence & CRM
Master en Marketing Intelligence & CRMMaster en Marketing Intelligence & CRM
Master en Marketing Intelligence & CRM
IEBSchool
 
Marketing Intelligence
Marketing IntelligenceMarketing Intelligence
Marketing Intelligence
amdia
 
Marketing intelligence: Optimizando la estrategia a través del Big Data
Marketing intelligence: Optimizando la estrategia a través del Big DataMarketing intelligence: Optimizando la estrategia a través del Big Data
Marketing intelligence: Optimizando la estrategia a través del Big Data
Alex Rayón Jerez
 
Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...
Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...
Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...
Universidad de Deusto - Deustuko Unibertsitatea - University of Deusto
 
Big data para principiantes
Big data para principiantesBig data para principiantes
Big data para principiantes
Carlos Toxtli
 
Introducción al Big Data
Introducción al Big DataIntroducción al Big Data
Introducción al Big Data
David Alayón
 
Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...
Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...
Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...
Carmen Urbano
 
Cómo descargar presentaciones desde SlideShare
Cómo descargar presentaciones desde SlideShareCómo descargar presentaciones desde SlideShare
Cómo descargar presentaciones desde SlideShare
Pedro Bermudez Talavera
 
Ejemplo creacion de un etl
Ejemplo creacion de un etlEjemplo creacion de un etl
Ejemplo creacion de un etl
marilgarcia7
 
Casos dee marketing
Casos dee marketingCasos dee marketing
Casos dee marketing
medolscom
 
Salespoint Mobile CRM
Salespoint Mobile CRMSalespoint Mobile CRM
Salespoint Mobile CRM
Salespoint Mobile CRM
 
Mobile Pharma Cegedim Customer Information
Mobile Pharma Cegedim Customer InformationMobile Pharma Cegedim Customer Information
Mobile Pharma Cegedim Customer Information
Daniel J. Martínez-Canca
 
Movilidad Comercial
Movilidad ComercialMovilidad Comercial
Movilidad Comercial
ATE MOBILE
 
Pymobile Presentacion V1
Pymobile Presentacion V1Pymobile Presentacion V1
Pymobile Presentacion V1
gueste4d630
 
Captura de Datos, MoviPEN / BoliDigital
Captura de Datos, MoviPEN / BoliDigitalCaptura de Datos, MoviPEN / BoliDigital
Captura de Datos, MoviPEN / BoliDigital
ATE MOBILE
 

Destacado (20)

Competidores y productos de mercado de ETL
Competidores y productos de mercado de ETLCompetidores y productos de mercado de ETL
Competidores y productos de mercado de ETL
 
Evitando el fraude a través de la presentación de la información en grafos
Evitando el fraude a través de la presentación de la información en grafosEvitando el fraude a través de la presentación de la información en grafos
Evitando el fraude a través de la presentación de la información en grafos
 
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.)
 
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
 
Salespoint Mobile CRM - Español
Salespoint Mobile CRM - EspañolSalespoint Mobile CRM - Español
Salespoint Mobile CRM - Español
 
Master en Marketing Intelligence & CRM
Master en Marketing Intelligence & CRMMaster en Marketing Intelligence & CRM
Master en Marketing Intelligence & CRM
 
Marketing Intelligence
Marketing IntelligenceMarketing Intelligence
Marketing Intelligence
 
Marketing intelligence: Optimizando la estrategia a través del Big Data
Marketing intelligence: Optimizando la estrategia a través del Big DataMarketing intelligence: Optimizando la estrategia a través del Big Data
Marketing intelligence: Optimizando la estrategia a través del Big Data
 
Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...
Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...
Casos de puesta en valor de de la tecnología de Big Data con NoSQL orientada ...
 
Big data para principiantes
Big data para principiantesBig data para principiantes
Big data para principiantes
 
Introducción al Big Data
Introducción al Big DataIntroducción al Big Data
Introducción al Big Data
 
Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...
Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...
Marketing intelligence and customer analytics by Deloitte. Inteligencia de cl...
 
Cómo descargar presentaciones desde SlideShare
Cómo descargar presentaciones desde SlideShareCómo descargar presentaciones desde SlideShare
Cómo descargar presentaciones desde SlideShare
 
Ejemplo creacion de un etl
Ejemplo creacion de un etlEjemplo creacion de un etl
Ejemplo creacion de un etl
 
Casos dee marketing
Casos dee marketingCasos dee marketing
Casos dee marketing
 
Salespoint Mobile CRM
Salespoint Mobile CRMSalespoint Mobile CRM
Salespoint Mobile CRM
 
Mobile Pharma Cegedim Customer Information
Mobile Pharma Cegedim Customer InformationMobile Pharma Cegedim Customer Information
Mobile Pharma Cegedim Customer Information
 
Movilidad Comercial
Movilidad ComercialMovilidad Comercial
Movilidad Comercial
 
Pymobile Presentacion V1
Pymobile Presentacion V1Pymobile Presentacion V1
Pymobile Presentacion V1
 
Captura de Datos, MoviPEN / BoliDigital
Captura de Datos, MoviPEN / BoliDigitalCaptura de Datos, MoviPEN / BoliDigital
Captura de Datos, MoviPEN / BoliDigital
 

Similar a Métricas de marketing intelligence: midiendo y evaluando para mejorar el marketing

Marketing intelligence con estrategia omnicanal y Customer Journey
Marketing intelligence con estrategia omnicanal y Customer JourneyMarketing intelligence con estrategia omnicanal y Customer Journey
Marketing intelligence con estrategia omnicanal y Customer Journey
Alex Rayón Jerez
 
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...
Big-Data-Summit
 
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
Alex Rayón Jerez
 
Big Data: the Management Revolution
Big Data: the Management RevolutionBig Data: the Management Revolution
Big Data: the Management Revolution
Alex Rayón Jerez
 
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
 
Plan de marketing_2010_clase_1
Plan de marketing_2010_clase_1Plan de marketing_2010_clase_1
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
Alex Rayón Jerez
 
Proceso de administración de marketing
Proceso de administración de marketingProceso de administración de marketing
Proceso de administración de marketing
Carlos De Leon
 
Investigación de mercados Sesión 03-04.pptx
Investigación de mercados Sesión 03-04.pptxInvestigación de mercados Sesión 03-04.pptx
Investigación de mercados Sesión 03-04.pptx
javierturo
 
contexto y concepto de marketing
contexto y concepto de marketingcontexto y concepto de marketing
contexto y concepto de marketing
Ana León
 
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
Alex Rayón Jerez
 
Fundamentos de Mercadeo / GCR
Fundamentos de Mercadeo / GCRFundamentos de Mercadeo / GCR
Fundamentos de Mercadeo / GCR
Gilberto Ceballos Ramirez
 
Ciclo de vida del dato en ambientes de Business Intelligence
Ciclo de vida del dato en ambientes de Business IntelligenceCiclo de vida del dato en ambientes de Business Intelligence
Ciclo de vida del dato en ambientes de Business Intelligence
Alex Rayón Jerez
 
Cómo crecer, ser más eficiente y competitivo a través del Big Data
Cómo crecer, ser más eficiente y competitivo a través del Big DataCómo crecer, ser más eficiente y competitivo a través del Big Data
Cómo crecer, ser más eficiente y competitivo a través del Big Data
Alex Rayón Jerez
 
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
EY
 
Aplicación del Big Data a la mejora de la competitividad de la empresa
Aplicación del Big Data a la mejora de la competitividad de la empresaAplicación del Big Data a la mejora de la competitividad de la empresa
Aplicación del Big Data a la mejora de la competitividad de la empresa
Alex Rayón Jerez
 
Fundamentos De Marketing - Marketing
Fundamentos De Marketing - Marketing  Fundamentos De Marketing - Marketing
Fundamentos De Marketing - Marketing
ISIV - Educación a Distancia
 
Plan de marketing digital
Plan de marketing digitalPlan de marketing digital
Plan de marketing digital
Emilio Rodríguez García
 
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
EDUKETING
 
Investigacion De Mercados OtoñO 2007
Investigacion De Mercados OtoñO 2007Investigacion De Mercados OtoñO 2007
Investigacion De Mercados OtoñO 2007
FraileCuadrado
 

Similar a Métricas de marketing intelligence: midiendo y evaluando para mejorar el marketing (20)

Marketing intelligence con estrategia omnicanal y Customer Journey
Marketing intelligence con estrategia omnicanal y Customer JourneyMarketing intelligence con estrategia omnicanal y Customer Journey
Marketing intelligence con estrategia omnicanal y Customer Journey
 
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...
 
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
 
Big Data: the Management Revolution
Big Data: the Management RevolutionBig Data: the Management Revolution
Big Data: the Management Revolution
 
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
 
Plan de marketing_2010_clase_1
Plan de marketing_2010_clase_1Plan de marketing_2010_clase_1
Plan de marketing_2010_clase_1
 
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
 
Proceso de administración de marketing
Proceso de administración de marketingProceso de administración de marketing
Proceso de administración de marketing
 
Investigación de mercados Sesión 03-04.pptx
Investigación de mercados Sesión 03-04.pptxInvestigación de mercados Sesión 03-04.pptx
Investigación de mercados Sesión 03-04.pptx
 
contexto y concepto de marketing
contexto y concepto de marketingcontexto y concepto de marketing
contexto y concepto de marketing
 
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
 
Fundamentos de Mercadeo / GCR
Fundamentos de Mercadeo / GCRFundamentos de Mercadeo / GCR
Fundamentos de Mercadeo / GCR
 
Ciclo de vida del dato en ambientes de Business Intelligence
Ciclo de vida del dato en ambientes de Business IntelligenceCiclo de vida del dato en ambientes de Business Intelligence
Ciclo de vida del dato en ambientes de Business Intelligence
 
Cómo crecer, ser más eficiente y competitivo a través del Big Data
Cómo crecer, ser más eficiente y competitivo a través del Big DataCómo crecer, ser más eficiente y competitivo a través del Big Data
Cómo crecer, ser más eficiente y competitivo a través del Big Data
 
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
 
Aplicación del Big Data a la mejora de la competitividad de la empresa
Aplicación del Big Data a la mejora de la competitividad de la empresaAplicación del Big Data a la mejora de la competitividad de la empresa
Aplicación del Big Data a la mejora de la competitividad de la empresa
 
Fundamentos De Marketing - Marketing
Fundamentos De Marketing - Marketing  Fundamentos De Marketing - Marketing
Fundamentos De Marketing - Marketing
 
Plan de marketing digital
Plan de marketing digitalPlan de marketing digital
Plan de marketing digital
 
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
 
Investigacion De Mercados OtoñO 2007
Investigacion De Mercados OtoñO 2007Investigacion De Mercados OtoñO 2007
Investigacion De Mercados OtoñO 2007
 

Más de Alex Rayón Jerez

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
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
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?
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
Modelos de propensión en la era del Big Data
Modelos de propensión en la era del Big DataModelos de propensión en la era del Big Data
Modelos de propensión en la era del Big Data
Alex Rayón Jerez
 
Customer Lifetime Value Management con Big Data
Customer Lifetime Value Management con Big DataCustomer Lifetime Value Management con Big Data
Customer Lifetime Value Management con Big Data
Alex Rayón Jerez
 
Optimización de procesos con el Big Data
Optimización de procesos con el Big DataOptimización de procesos con el Big Data
Optimización de procesos con el Big Data
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
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...
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
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...
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
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?
Alex Rayón Jerez
 
Profesiones de mañana para trabajar hoy
Profesiones de mañana para trabajar hoyProfesiones de mañana para trabajar hoy
Profesiones de mañana para trabajar hoy
Alex Rayón Jerez
 
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...
Alex Rayón Jerez
 
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
Alex Rayón Jerez
 
Yo como persona emprendedora
Yo como persona emprendedoraYo como persona emprendedora
Yo como persona emprendedora
Alex Rayón Jerez
 
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...
Alex Rayón Jerez
 

Más de Alex Rayón Jerez (20)

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
 
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
 
Modelos de propensión en la era del Big Data
Modelos de propensión en la era del Big DataModelos de propensión en la era del Big Data
Modelos de propensión en la era del Big Data
 
Customer Lifetime Value Management con Big Data
Customer Lifetime Value Management con Big DataCustomer Lifetime Value Management con Big Data
Customer Lifetime Value Management con Big Data
 
Optimización de procesos con el Big Data
Optimización de procesos con el Big DataOptimización de procesos con el Big Data
Optimización de procesos con el Big Data
 
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 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
 
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...
 
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...
 
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
 
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?
 
Profesiones de mañana para trabajar hoy
Profesiones de mañana para trabajar hoyProfesiones de mañana para trabajar hoy
Profesiones de mañana para trabajar hoy
 
Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...
Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...
Pentaho Data Integration: Extrayendo, integrando, normalizando y preparando m...
 
Visual analytics: poniendo en valor el dato a través de la visualización
Visual analytics: poniendo en valor el dato a través de la visualizaciónVisual analytics: poniendo en valor el dato a través de la visualización
Visual analytics: poniendo en valor el dato a través de la visualización
 
Yo como persona emprendedora
Yo como persona emprendedoraYo como persona emprendedora
Yo como persona emprendedora
 
Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...
Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...
Smart Data para la mejora de la educación y sus procesos de enseñanza aprendi...
 

Último

La mujer del flujo de sangre, un pa.pptx
La mujer del flujo de sangre, un pa.pptxLa mujer del flujo de sangre, un pa.pptx
La mujer del flujo de sangre, un pa.pptx
francisconaranjofern1
 
PPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierraPPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierra
https://gramadal.wordpress.com/
 
Presentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdf
Presentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdfPresentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdf
Presentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdf
LuanaJaime1
 
Linea De Tiempo EL BULLYING EN LA HISTORIA.pdf
Linea De Tiempo EL BULLYING EN LA HISTORIA.pdfLinea De Tiempo EL BULLYING EN LA HISTORIA.pdf
Linea De Tiempo EL BULLYING EN LA HISTORIA.pdf
moranquirozangelina
 
EL increible reino Fungi y sus características
EL increible reino Fungi y sus característicasEL increible reino Fungi y sus características
EL increible reino Fungi y sus características
cjach2502
 
Apoplejia_UNIVERSIDAD CENTRAL DEL ECUADOR
Apoplejia_UNIVERSIDAD CENTRAL DEL ECUADORApoplejia_UNIVERSIDAD CENTRAL DEL ECUADOR
Apoplejia_UNIVERSIDAD CENTRAL DEL ECUADOR
NicoleEnriquez19
 
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLAROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
JAVIER SOLIS NOYOLA
 
La enseñanza y los recursos para el aprendizaje.pdf
La enseñanza y los recursos para el aprendizaje.pdfLa enseñanza y los recursos para el aprendizaje.pdf
La enseñanza y los recursos para el aprendizaje.pdf
juanmarcano200627
 
Instructivo de Habilidades Socioemocionales y Factores de Riesgo Ccesa007.pdf
Instructivo de Habilidades Socioemocionales y Factores de Riesgo  Ccesa007.pdfInstructivo de Habilidades Socioemocionales y Factores de Riesgo  Ccesa007.pdf
Instructivo de Habilidades Socioemocionales y Factores de Riesgo Ccesa007.pdf
Demetrio Ccesa Rayme
 
DIPLOMA Teachers For Future junio2024.pdf
DIPLOMA Teachers For Future junio2024.pdfDIPLOMA Teachers For Future junio2024.pdf
DIPLOMA Teachers For Future junio2024.pdf
Alfaresbilingual
 
Os presentamos un nuevo Acompaña2 en Relideleon
Os presentamos un nuevo Acompaña2 en RelideleonOs presentamos un nuevo Acompaña2 en Relideleon
Os presentamos un nuevo Acompaña2 en Relideleon
Profes de Relideleón Apellidos
 
Los acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdfLos acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdf
Alejandrino Halire Ccahuana
 
modulo de sistema educativo peruano 2024
modulo de sistema educativo peruano 2024modulo de sistema educativo peruano 2024
modulo de sistema educativo peruano 2024
RubnTAIPEHAQQUEHUA1
 
UESJLS Robótica Clase 18 - Escenarios de Vex - Polígonos
UESJLS Robótica Clase 18 - Escenarios de Vex - PolígonosUESJLS Robótica Clase 18 - Escenarios de Vex - Polígonos
UESJLS Robótica Clase 18 - Escenarios de Vex - Polígonos
Docente Informático
 
Clasificación de los animales vertebrados
Clasificación de los animales vertebradosClasificación de los animales vertebrados
Clasificación de los animales vertebrados
DianaLopez859290
 
El Reino vegetal por Daphne Martinez 11 oct.
El Reino vegetal por Daphne Martinez 11 oct.El Reino vegetal por Daphne Martinez 11 oct.
El Reino vegetal por Daphne Martinez 11 oct.
daphnemartinez2004
 
Elmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internetElmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internet
Elmer Crizologo Rojas
 
Presentación sector la arenita_paijan pptx
Presentación sector la arenita_paijan pptxPresentación sector la arenita_paijan pptx
Presentación sector la arenita_paijan pptx
Aracely Natalia Lopez Talavera
 
La orientación educativa en el proceso de enseñanza-aprendizaje.pptx
La orientación educativa en el proceso de enseñanza-aprendizaje.pptxLa orientación educativa en el proceso de enseñanza-aprendizaje.pptx
La orientación educativa en el proceso de enseñanza-aprendizaje.pptx
PaolaAlejandraCarmon1
 
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdfGui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
FRANCISCO PAVON RABASCO
 

Último (20)

La mujer del flujo de sangre, un pa.pptx
La mujer del flujo de sangre, un pa.pptxLa mujer del flujo de sangre, un pa.pptx
La mujer del flujo de sangre, un pa.pptx
 
PPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierraPPT: Los acontecimientos finales de la tierra
PPT: Los acontecimientos finales de la tierra
 
Presentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdf
Presentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdfPresentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdf
Presentación Mi proyecto Final Femenino Delicado Rosa y Nude.pdf
 
Linea De Tiempo EL BULLYING EN LA HISTORIA.pdf
Linea De Tiempo EL BULLYING EN LA HISTORIA.pdfLinea De Tiempo EL BULLYING EN LA HISTORIA.pdf
Linea De Tiempo EL BULLYING EN LA HISTORIA.pdf
 
EL increible reino Fungi y sus características
EL increible reino Fungi y sus característicasEL increible reino Fungi y sus características
EL increible reino Fungi y sus características
 
Apoplejia_UNIVERSIDAD CENTRAL DEL ECUADOR
Apoplejia_UNIVERSIDAD CENTRAL DEL ECUADORApoplejia_UNIVERSIDAD CENTRAL DEL ECUADOR
Apoplejia_UNIVERSIDAD CENTRAL DEL ECUADOR
 
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLAROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
ROMPECABEZAS DE COMPETENCIAS OLÍMPICAS. Por JAVIER SOLIS NOYOLA
 
La enseñanza y los recursos para el aprendizaje.pdf
La enseñanza y los recursos para el aprendizaje.pdfLa enseñanza y los recursos para el aprendizaje.pdf
La enseñanza y los recursos para el aprendizaje.pdf
 
Instructivo de Habilidades Socioemocionales y Factores de Riesgo Ccesa007.pdf
Instructivo de Habilidades Socioemocionales y Factores de Riesgo  Ccesa007.pdfInstructivo de Habilidades Socioemocionales y Factores de Riesgo  Ccesa007.pdf
Instructivo de Habilidades Socioemocionales y Factores de Riesgo Ccesa007.pdf
 
DIPLOMA Teachers For Future junio2024.pdf
DIPLOMA Teachers For Future junio2024.pdfDIPLOMA Teachers For Future junio2024.pdf
DIPLOMA Teachers For Future junio2024.pdf
 
Os presentamos un nuevo Acompaña2 en Relideleon
Os presentamos un nuevo Acompaña2 en RelideleonOs presentamos un nuevo Acompaña2 en Relideleon
Os presentamos un nuevo Acompaña2 en Relideleon
 
Los acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdfLos acontecimientos finales de la tierra.pdf
Los acontecimientos finales de la tierra.pdf
 
modulo de sistema educativo peruano 2024
modulo de sistema educativo peruano 2024modulo de sistema educativo peruano 2024
modulo de sistema educativo peruano 2024
 
UESJLS Robótica Clase 18 - Escenarios de Vex - Polígonos
UESJLS Robótica Clase 18 - Escenarios de Vex - PolígonosUESJLS Robótica Clase 18 - Escenarios de Vex - Polígonos
UESJLS Robótica Clase 18 - Escenarios de Vex - Polígonos
 
Clasificación de los animales vertebrados
Clasificación de los animales vertebradosClasificación de los animales vertebrados
Clasificación de los animales vertebrados
 
El Reino vegetal por Daphne Martinez 11 oct.
El Reino vegetal por Daphne Martinez 11 oct.El Reino vegetal por Daphne Martinez 11 oct.
El Reino vegetal por Daphne Martinez 11 oct.
 
Elmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internetElmer crizologo rojas.pdf aplicaciones en internet
Elmer crizologo rojas.pdf aplicaciones en internet
 
Presentación sector la arenita_paijan pptx
Presentación sector la arenita_paijan pptxPresentación sector la arenita_paijan pptx
Presentación sector la arenita_paijan pptx
 
La orientación educativa en el proceso de enseñanza-aprendizaje.pptx
La orientación educativa en el proceso de enseñanza-aprendizaje.pptxLa orientación educativa en el proceso de enseñanza-aprendizaje.pptx
La orientación educativa en el proceso de enseñanza-aprendizaje.pptx
 
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdfGui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
Gui_a para el uso de IA generativa en educacio_n e investigacio_n - UNESCO.pdf
 

Métricas de marketing intelligence: midiendo y evaluando para mejorar el marketing

  • 1. Programa Big Data y Business Intelligence M3.1. Business Analytics M3.1.03.5. Métricas de Marketing Intelligence David Ruiz Uceta y Alex Rayón Jerez druiz@smartup.es y alex.rayon@deusto.es 25 de Septiembre de 2015 Bilbao
  • 2. Guión de la sesión 2
  • 3. 3
  • 4. 4
  • 5. Tabla de contenidos El marketing Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 5
  • 6. Tabla de contenidos El marketing Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 6
  • 8. El marketing ¿Qué es? (II) 8 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.”
  • 9. El marketing ¿Qué es? (II) 9 Fuente: http://www.profesionalesmarketing.es/2015/02/marketing-online-para-hoteles-5-claves-para-posicionar-tu-hotel-en-internet/
  • 10. El marketing ¿Qué es? (III) 10 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/
  • 11. El marketing ¿Qué es? (IV) 11 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/
  • 12. El marketing Drivers of Big Data 12
  • 13. El marketing Economía digital 13 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 La importancia del dato 15 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
  • 16. El marketing La importancia del dato (II) 16 Estrategia de venta directa: nuevo enfoque 1-2) Gestionar audiencia1-2) Capturar datos 3) Convertir a ventas
  • 17. El marketing La importancia del dato (III) 17 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
  • 18. El marketing La importancia del dato (IV) 18 2) Captar datos Creación landing page para captar dato Pedir datos necesarios y clasificarlos Realizar seguimiento
  • 19. El marketing La importancia del dato (V) 19 3) Convertir a venta Segmentación de usuarios Personalización de la oferta Planificar acciones Realizar seguimiento
  • 22. El marketing Nueva coyuntura (II) 22 Las marcas ya no se anuncian, se relacionan
  • 23. El marketing Nueva coyuntura (III) 23 Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20
  • 24. El marketing De multicanal a omnicanal 24
  • 26. El marketing Aproximación digital: Datos estructuras y no estructurados 26
  • 27. El marketing Aproximación digital: Mayor número de variables 27
  • 28. El marketing Aproximación digital: Proceso casi en tiempo real 28 Event-Based Marketing
  • 29. El marketing Aproximación digital: Mayor profundidad de datos 29
  • 30. El marketing Estructura organizativa 30 Para que esto funcione... Fuente: http://blogs.icemd.com/blog-customer-centric-customer-experience/tag/estrategia-omnicanal/page/2/
  • 36. El marketing Puntos de contacto y experiencia de usuario 36
  • 37. Tabla de contenidos El marketing Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 37
  • 38. Método del caso 38 Definición del problema Criterios Decisión Plan de acción Evaluar alternativas Generar alternativas SíntesisSíntomas Análisis 1 2 3 4 5 7 6
  • 39. Método del caso 39 Fuente: http://www.brandemia.org/magazine Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921
  • 40. Método del caso 1) Definición del problema 40 Definición de objetivos Necesidad de información Antecedentes Nuevas oportunidades Mejora toma de decisiones … Datos disponibles Alcance
  • 41. Método del caso 1) Definición del problema (II) 41 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
  • 42. Método del caso 1) Definición del problema (III) 42 Modelo de datos
  • 43. Método del caso 1) Definición del problema (IV) 43 Estudiar datos tiene dos objetivos principales Informar ¿Qué ha ocurrido? Predecir ¿Qué podría ocurrir?
  • 44. Método del caso 1) Definición del problema (V) 44 Modelo de datos
  • 45. Método del caso 1) Definición del problema (VI) 45 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
  • 46. Método del caso 1) Definición del problema (VII) 46 Categorías de problemas Problemas Predictivos (supervisados) Descriptivos (no supervisados) Clasificación Regresión Análisis correlacional Agrupamiento Reglas asociación
  • 47. Método del caso 1) Definición del problema (VIII) 47 Categorías de problemas Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
  • 48. Método del caso 1) Definición del problema (IX) 48
  • 49. Método del caso 1) Definición del problema (X) 49 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
  • 50. 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) 50
  • 51. 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) 51
  • 52. 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) 52
  • 53. 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) 53
  • 54. Método del caso 2) Análisis 54 Necesidad de información Entidad/entidades Conceptos medibles Atributos Métricas Indicadores → KPIs Ejemplo
  • 55. Método del caso 3) Síntesis 55 Resumen de indicadores Categoría de indicadores Mercado Oferta Producto Acciones de marketing Cuadro de Mando Integral
  • 56. Método del caso 4) Generar alternativas 56 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
  • 57. Método del caso 5) Evaluar alternativas 57 Fuente: http://globalo2.es/satisfaccion-clientes/
  • 58. Método del caso 6) Decisión 58 Toma de la decisión considerando KPIs Fuente: https://actitudinternacionaluca.wordpress.com/author/intacuca/page/9/
  • 59. Método del caso 7) Plan de acción 59Fuente: 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
  • 60. Tabla de contenidos El marketing Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 60
  • 61. 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. 61
  • 62. 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” 62
  • 63. 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 63
  • 64. Métricas Métodos de evaluación Categorías Testing Inspección Consulta (inquiry) Modelo analítico Simulación Los métodos y técnicas a aplicar son Cuantitativos vs. cualitativos 64
  • 65. Métricas Conceptos asociados a métricas 65 Entidad Atributo Concepto medible Modelo conceptual Métrica (Medición, medida) Método Escala y unidad
  • 66. Métricas Entidad 66 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
  • 67. Métricas Atributo 67 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
  • 68. Métricas Concepto medible 68 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
  • 69. Métricas Modelo conceptual 69 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
  • 71. Métricas Métrica 71 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)
  • 72. Métricas Métrica (II) 72 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)
  • 73. Métricas Métrica (III) 73 Juan es más alto que María si y sólo si M(Juan) > M(María)
  • 74. Métricas Métrica (IV) 74 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
  • 75. Métricas Método 75 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.
  • 76. Métricas Escala 76 Un conjunto de valores con propiedades definidas (ISO 14598-1) Escala numérica (continua o discreta) Escala categórica Tipos de escala Nominal Ordinal Intervalo
  • 78. Métricas Ejemplo 78 Necesidad de información Evaluar la confianza de los enlaces en una web Entidad Website Concepto medible Confiabilidad de los enlaces Atributos
  • 79. Métricas Ejemplo (II) 79 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
  • 80. Métricas Indicador 80 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
  • 81. Métricas Indicador (II) 81 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
  • 85. 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
  • 86. Métricas Estrategia medición: Objetivos eCommerce Cualificación de leads Engagement Compromiso y fidelización
  • 90. 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 Métricas Estrategia medición: KPI
  • 91. 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 Métricas Estrategia medición: KPI (II)
  • 92. 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 Métricas Estrategia medición: KPI (III)
  • 93. Customer service Customer service email count Customer service phone call count Customer service chat count Average resolution time etc. Ahora veamos como pintar este cuadro... Métricas Estrategia medición: KPI (IV)
  • 94. Tabla de contenidos El marketing Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 94
  • 95. 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 95
  • 96. 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 96
  • 97. Ciclo Business Intelligence Entendiendo el problema a resolver (II) 97 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 priori analizando datos Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/
  • 98. Ciclo Business Intelligence Entendiendo el problema a resolver (III) 98 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 concreto
  • 99. Ciclo Business Intelligence Entendiendo el problema a resolver (IV) 99
  • 100. Tabla de contenidos El marketing Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 100
  • 101. Data-driven marketing Ganar más dinero 101 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/
  • 102. Data-driven marketing Ganar más dinero (II) 102 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...
  • 103. Data-driven marketing Ganar más dinero (III) 103 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
  • 104. Data-driven marketing Ganar más dinero (IV) 104 Quién (influenciadores) o qué (drivers de compra) influye más en la decisión de compra de un cliente → drivers
  • 105. Data-driven marketing Ganar más dinero (V) 105 Qué relación de productos permite modelizar el perfil de cliente
  • 106. Data-driven marketing Ganar más dinero (VI) 106 ¿Cuál es la estructura de mi marca? Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext
  • 107. Data-driven marketing Ganar más dinero (VII) 107 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/
  • 108. Data-driven marketing Ganar más dinero (VIII) 108 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
  • 109. Data-driven marketing Ganar más dinero (IX) 109 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
  • 110. Data-driven marketing Ganar más dinero (X) 110 ¿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/
  • 111. Data-driven marketing Ganar más dinero (XI) 111 ¿Cómo generar lealtad y preferencia hacia mi producto?
  • 112. Data-driven marketing Ganar más dinero (XII) 112 Customer Experience Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/
  • 113. Data-driven marketing Ganar más dinero (XIII) 113 Lead generation, Nurturing and Scoring Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/
  • 114. Data-driven marketing Ganar más dinero (XIV) 114 Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
  • 115. Data-driven marketing Ganar más dinero (XV) 115 Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem
  • 116. Data-driven marketing Ganar más dinero (XVI) 116 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
  • 117. Data-driven marketing Ganar más dinero (XVII) 117 Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
  • 120. Data-driven marketing Maturity model (III) 120 Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
  • 121. Data-driven marketing Aumentando el valor Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
  • 122. Data-driven marketing Visión única del cliente Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
  • 123. Data-driven marketing Matriz de estrategias con clientes Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
  • 124. 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
  • 125. Data-driven marketing Conozca sus clientes y aumente sus ventas
  • 126. Tabla de contenidos El marketing Método del caso Métricas e indicadores Ciclo de Business Intelligence Data-driven marketing Aplicaciones de Marketing Intelligence 126
  • 133. Experiencias Big Data Mantener un diálogo a lo largo del Ciclo de Vida del Cliente
  • 134. 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/ David Ruiz Uceta y Alex Rayón Jerez Septiembre 2015
  • 135. Programa Big Data y Business Intelligence M3.1. Business Analytics M3.1.03.5. Métricas de Marketing Intelligence David Ruiz Uceta y Alex Rayón Jerez druiz@smartup.es y alex.rayon@deusto.es 25 de Septiembre de 2015 Bilbao