El documento habla sobre la importancia de adoptar un enfoque basado en datos (data driven) para las decisiones de marketing. Explica que la recopilación, preparación y análisis de datos de diferentes fuentes permite optimizar el presupuesto de medios, predecir el valor de vida de los clientes, y mejorar el rendimiento de las campañas mediante técnicas como el modelado de mezcla de marketing.

1. Nicole Durán
Regional Director / Bunker DB
Marketing Science: No se trata
de ser trendy, sino Data Driven
nicole-durán-cerdas-
Foto Speaker

2. NO es una tendencia, ES una realidad…
Data Driven

3. ¿Qué es verdaderamente?
Pero…

4. OBTENER ALMACENAR PREPARAR ANALIZAR
GENERAR
VALOR

5. Data Relevantes
-50%
Han incorporado
procesos completos y
maduros
5%
Realiza un Análisis
Predictivo
45%
Nunca recurre a los
datos para la toma
de decisiones
Fuente: Centro Analítico Latinoamericano

6. Personas
Procesos
Tecnología Personas
Procesos
Tecnología
Pasado vs Presente

7. Paid
Media
Owned
Media
Social
Media
Earned
Media
Situación Actual
Diferentes ecosistemas de datos, cada uno necesario en nuestro negocio.

8. Situación Actual
El volumen de datos crece
exponencialmente mientras
el tiempo de análisis decrece en
función de las múltiples tareas que
tienen los equipos de marketing,
esto genera inevitablemente
ineficiencias operacionales que
repercuten en ineficiencias
económicas para el negocio.

9. El gran desafío
Unificar todos los ecosistemas de datos, normalizar los mismos
e implementar una analítica omnicanal e inteligente

10. Identificar oportunidades para
optimizar el budget
Optimización de Creativos
Planificación data-driven para
lograr una mejor performance
Creación de modelos y
automatismos de análisis complejos
Oportunidad
Unificar y
normalizar
los datos
Tecnologia
Automatismos
Crear análisis y entendimientos de nuestros datos
de forma totalmente automatizada.

11. Transformar la información en activos
estratégicos de alto valor para el negocio.
Principal reto:

12. Marketing Science
Aquí es donde entramos en materia

13. Extracción de conocimiento accionable
a partir de datos brutos mediante
tecnologia aplicada.
En pocas palabras…

14. ¿Cómo agregamos valor a partir de esto?
Entonces veamos algunos ejemplos.

15. Clustering de
audiencias
Las características demográficas son
poco útiles a la hora de segmentar
usuarios de forma precisa.
Los mismos atributos nos pueden poner
a dos personas completamente
“opuestas” en la misma categoría.

16. Charles, Prince of Wales
Miembro de la realeza Británica
Ozzy Osbourne
Estrella de rock
Vs.

17. Charles, Prince of Wales
Miembro de la realeza Británica
Ozzy Osbourne
Estrella de rock
Vs.
● Hombre
● Nacido en 1948
● Criado en el Reino Unido
● En su segundo matrimonio
● Exitoso en los negocios
● Adinerado
● Figura pública
● Le gustan los perros
● Vive en un castillo
● Pasa las vacaciones en los
Alpes
● Hombre
● Nacido en 1948
● Criado en el Reino Unido
● En su segundo matrimonio
● Exitoso en los negocios
● Adinerado
● Figura pública
● Le gustan los perros
● Vive en un castillo
● Pasa las vacaciones en los
Alpes

18. Clustering de
audiencias
● Afinidades
● Intereses
● Comportamientos
● Necesidades
● Aspiraciones
● Motivaciones
● Actitudes
● Perfil psicográfico

19. Customer
Lifetime Value
Customer Lifetime Value o predicción
del valor del cliente. Una de las técnicas
más modernas en modelos de
predicción en términos de probabilidad
de compra recurrente y valor de esta
compra.

20. Customer
Lifetime Value
¿Cuánto gastarán mis
clientes en el futuro?
¿Qué probabilidad hay de que hagan
otra compra en los próximos días?
¿Quiénes tenían una predicción alta
de compra pero no la efectuaron?

21. Customer
Lifetime Value
Posibles usos:
● Fidelización
● Promociones a medida
● Upselling
● Optimización de recursos
● Comunicación dirigida

22. Optimización de
Budget
Utilizando la información histórica de
medios propios y pagos, podemos
desarrollar modelos predictivos para
identificar la ineficiencia en la compra
de medios y generar mejores resultados
con menos inversión

23. Optimización de medios digitales
y análisis automatizado
¿Cual es el % de ineficiencia en mi
compra de medios ?
¿Cómo puedo optimizar los objetivos
de compra para lograr mis metas?
¿Qué anuncios van a funcionar mejor
y cuáles van a funcionar peor?

24. Lead Performance
Predicción de
resultados
Mediante diferentes modelos predictivos,
podemos proyectar con mucha
precisión, el dinero que se necesita en
medios para lograr los KPI seleccionados
para el negocio.

25. ¿Que voy a lograr con el presupuesto
que tengo ?
¿Cuánto dinero necesito para cumplir
determinada meta?
¿Cómo va a funcionar mi dinero
según mi objetivo de compra o
audiencia?
KPI Planner y predicción de
resultados de inversiones en
métricas relevantes del negocio

26. Lead Performance
Análisis de
Creativos
Utilizando modelos estadísticos ,
computer vision y machine learning,
podemos entender que patrón gráfico
se comportará mejor con nuestra
inversión, en base a un objetivo de
compra y un determinado tipo de
campaña.

27. Lead Performance
pizza, 0.80
bottle, 0.67
plate, 0.65
person, 0.88
glass, 0.78
El algoritmo puede analizar las
imágenes e identifica su composición,
detectando elementos como:
Análisis de
Creativos
● Objetos
● Personas
● Colores
● Logos
● Textos

28. Lead Performance
Además de entender cómo es la
arquitectura de cada creativo,
podemos comparar cómo
funcionan. Los agrupamos en este
caso, en una matriz de cuatro
cuadrantes según la inversión y su
cantidad de Ventas.
De esta forma podemos automatizar
por completo el entendimiento de
cada creativo (oferta), y ver cuál
funciona y cuál no, en términos de
impacto y costo.
ventas
Análisis de
Creativos

29. Lead Performance
Marketing Mix
Modeling
La técnica más moderna en modelos de
aprendizaje automático multivariante,
permite estimar la contribución de los
distintos esfuerzos de marketing sobre
las ventas del negocio.

30. Lead Performance
Marketing Mix
Modeling
¿Cuál es el impacto de mis
canales de marketing sobre
el revenue del negocio?
¿Cómo debo distribuir mi
presupuesto en los diferentes
canales para obtener el mix
óptimo?

31. Ejemplos a seguir…

33. +23
Adquirir nuevos
clientes
+19
De ser más
rentables
Empresas Data Driven
+6
Retener
Clientes
Fuente:Mckinsey Global Institute

34. Es el camino para llegar al siguiente nivel…

35. La data despierta
¡Gracias!
bunkerdb.com
info@bunkerdb.com