El documento presenta una serie de diapositivas sobre estrategias de marketing predictivo utilizando datos de clientes. Se explica cómo segmentar a los clientes usando el método RFM y crear clusters dinámicos en base a su comportamiento reciente. Esto permite personalizar las comunicaciones de marketing 1 a 1 y predecir futuros comportamientos. Finalmente, se analiza un caso específico sobre el rendimiento de una campaña de email marketing segmentada.

1. Hernán Litvac
Co Fundador
@Litvac @ICOMMKTOK

2. Jeff Bezos, CEO de Amazon.com
“Si tengo 2 millones de clientes en
la web, debería tener 2 millones de
tiendas en la web”.

3. 25.000.000.000
600.000.000
Hernán @Litvac

4. 25.000.000.000
600.000.000
Hernán @Litvac
ESTRATEGIAS FULL FUNNEL

5. 25.000.000.000
600.000.000
Hernán @Litvac
CRM PDV WEB eCom ChatBot ERP Campañas
Searching…

6. 25.000.000.000
600.000.000
Hernán @Litvac
CRM PDV WEB eCom ChatBot ERP Campañas
Unificar la data

7. NO COMPRADORES
COMPRADORES

8. 25.000.000.000
600.000.000
Hernán @Litvac
100% de los datos del
Cliente y procesamiento de
todas las órdenes de
compra

9. 25.000.000.000
600.000.000
Hernán @Litvac

10. METOLOGÍA DE SEGMENTACIÓN
RFM
Recencia Frecuencia Monetario (valor)

11. MÉTODO
RFM
R
F
M

12. MÉTODO
RFM
R
F
M

13. MÉTODO
RFM
R
F
M

14. MÉTODO
RFM
R
F
M

15. IDENTIFICAMOS LOS
CLUSTERS RELEVANTES
MÉTODO
RFM
Clientes
Alto
Beneficio y
baja frec.
Clientes
más
valiosos
(R5-F5-M5)
Clientes
de baja
frecuencia
de compra

16. 25.000.000.000
600.000.000
Hernán @Litvac
RFM – Categorías – Productos – Marcas – Ticket
Promedio – Códigos Descuento – Valor de Compra –
Cantidad de Compras
30 – 60 - 90 – 180 – 360 – Total Historia
Días de la última compra, Días de la primera Compra, etc.

17. 25.000.000.000
600.000.000
Hernán @Litvac
1M 15D 1S 1D
Frecuencia de Actualización

18. 25.000.000.000
600.000.000
Hernán @Litvac
Cómo aprovechamos al
máximo la información?

19. 25.000.000.000
600.000.000
Hernán @Litvac
CLUSTERS DINÁMICOS
Compras últimos 7 días
RFM = 115
Ticket Promedio 180 d > 200
Categoría Compra = TV LED
DW / MasterData

20. 25.000.000.000
600.000.000
Hernán @Litvac

21. 25.000.000.000
600.000.000
Hernán @Litvac
CLUSTERS DINÁMICOS
Compras últimos 7 días
RFM = 115
Ticket Promedio 180 d > 200
Categoría Compra = TV LED
DW / MasterData

22. 25.000.000.000
600.000.000
Hernán @Litvac
CLUSTERS DINÁMICOS
Compras últimos 7 días
RFM = 115
Ticket Promedio 180 d > 200
Categoría Compra = TV LED
DW / MasterData

23. 25.000.000.000
600.000.000
Hernán @Litvac
CLUSTERS DINÁMICOS
Compras últimos 7 días
RFM = 115
Ticket Promedio 180 d > 200
Categoría Compra = TV LED
OpenRate > 30%
CTR >= 15%
Apertura en los últimos 5 días
Mas de 10 ofertas de campaña 2017
+
COMPORTAMIENTO
DW / MasterData

24. 25.000.000.000
600.000.000
Hernán @Litvac
CLUSTERS DINÁMICOS
CLUSTERS DINÁMICOS & COMPORTAMIENTO
DW / MasterData

25. Definimos los Clusters, ahora
tenemos que automatizar los flujos
de comunicaciones….

26. 25.000.000.000
600.000.000
Hernán @Litvac

27. 25.000.000.000
600.000.000
Hernán @Litvac

28. 25.000.000.000
600.000.000
Hernán @Litvac

29. Para hacer esto a gran escala y en
tiempo real necesitan contar con
herramientas de marketing
predictivo

34. Utilizamos estas
tecnologías para
Personalizar 1 a 1
las comunicaciones
de eMail Marketing

35. NO COMPRADORES
COMPRADORES

36. 25 - 40%
inactivas
20% de la base
genera el 50%
de aperturas y clicks

37. Segmentamos a los usuarios
en 6 Clusters con un mix de
variables de comportamiento

38. 3 - 7%
8 - 11%
15 - 20%
35- 45%
20 - 40%
< 50 % OR
< 25 % OR
< 10 % OR
< 5 % OR
0-3 % OR
comportamiento distribución CTOR

39. 3 - 7%
8 - 11%
15 - 20%
35- 45%
20 - 40%
< 50 % OR
< 25 % OR
< 10 % OR
< 5 % OR
0-3 % OR
comportamiento distribución CTOR
10 %
20 %
26 %
29 %
34 %

40. < 50 % OR
< 25 % OR
< 10 % OR
< 5 % OR
0-3 % OR
comportamiento distribución CTOR
10 %
20 %
26 %
29 %
34 %

41. - Integración con recomendación de productos
- Evitar pérdida de cliente de alto valor (RFM 555)
- Detección de potenciales compradores
- Evitar “quejas” de usuarios para prevención de
caía de certificación ReturnPath
- Horario óptimo de entrega de correos por
usuario
- Comportamiento predictivo

42. 25.000.000.000
600.000.000
Hernán @Litvac
Analicemos este caso

43. 25.000.000.000
600.000.000
Hernán @Litvac
Analicemos este caso
63% OR
17.8% CTOR
2.28% CR

44. 25.000.000.000
600.000.000
Hernán @Litvac
Analicemos este caso
63% OR
17.8% CTOR
2.28% CR

45. 25.000.000.000
600.000.000
Hernán @Litvac
Vitrinas de recomendación (up-selling y cross-selling)
Vitrinas de recomendación y comportamiento
Pre-compra
Google Shopping
Look a Like & DPA

46. 25.000.000.000
600.000.000
Hernán @Litvac

47. Únicamente pueden predecir
comportamientos futuros
si tienen información del
pasado

48. 25.000.000.000
600.000.000
Hernán @Litvac
Super Héroe

49. T
H
O
R

50. T
O
R

51. Tasa
Orgánica de
Recompra

52. Muchas Gracias!
Hernán Litvac
@Litvac @ICOMMKTOK