El documento describe cómo las empresas pueden aprovechar los datos de los clientes para mejorar el comercio minorista a través de la segmentación, el análisis de comportamiento y la personalización de las comunicaciones. Se explica que la mayoría de los datos son no estructurados y cómo se pueden usar métodos como RFM y clusters dinámicos para identificar grupos valiosos de clientes. También se detalla cómo aplicar estas técnicas a gran escala para ofrecer recomendaciones personalizadas y mejorar las tasas de conversión y recompra.

1. Hernán Litvac – Co founder
@Litvac @ICOMMKTOK

2. EL VALOR DE LA INFORMACIÓN
APLICADO AL COMERCIO
MINORISTA

4. 60% de
penetración
en LATAM

5. Data à BigData
Qué tipo de datos hay?

6. Data Estructurada
Data No Estructurada

7. Data Estructurada
Data No Estructurada

8. Data Estructurada
Data No Estructurada

9. Data No Estructurada

10. Data No Estructurada (80%)

11. Para qué necesito la data
y qué puedo hacer con ella?

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

16. CRM
WEB
eCommerce
FanPage
Punto de Venta
físico
ERP
Chat
Email marketing BI Campañas
Google Facebook

17. CRM
WEB
eCommerce
FanPage
Punto de Venta
físico
ERP
Campañas
Google Facebook
Chat
Email marketing BI

18. 25.000.000.000
600.000.000
Hernán @Litvac
CRM PDV WEB eCom ChatBot ERP Campaigns
sincronizar la data

19. Y ahora?...
Cómo identifico a los
clientes adecuados?

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

22. MÉTODO
RFM
R
F
M

23. MÉTODO
RFM
R
F
M

24. MÉTODO
RFM
R
F
M

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

26. 25.000.000.000
600.000.000
Hernán @Litvac
CLUSTERS DINÁMICOS
Compras últimos 7 días
RFM = 115
Ticket Promedio 180 d > 200
Categoría Compra = Zapatos
OpenRate > 30%
CTR >= 15%
Apertura en los últimos 5 días
Mas de 10 ofertas de campaña 2017
+
COMPORTAMIENTO
DW / MasterData

27. 25.000.000.000
600.000.000
Hernán @Litvac
CLUSTERS DINÁMICOS
CLUSTERS DINÁMICOS & COMPORTAMIENTO
DW / MasterData

28. 25.000.000.000
600.000.000
Hernán @Litvac
1M 15D 1S 1D
Frecuencia de Actualización

29. Podemos hacer esto a gran
escala y en tiempo real ?

32. 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, Custom Audience

37. Utilizamos estas
tecnologías para
personalizar 1 a 1
las comunicaciones
de eMail Marketing

38. Utilizamos estas
tecnologías para
personalizar 1 a 1
las comunicaciones
de eMail Marketing
CoTR
15% à 45%
CR
1% à 4%

39. 25 - 40%
inactivas
20% de la base
genera el 50%
de aperturas y clicks

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

41. 3 - 7%
8 - 11%
15 - 20%
35- 45%
20 - 40%
< 50 % OR
< 25 % OR
< 10 % OR
< 5 % OR
0-3 % OR
comportamiento distribución CTOR

42. 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 %

43. - 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

44. 25.000.000.000
600.000.000
Hernán @Litvac
Super Héroe

45. T
H
O
R

46. T
O
R

47. Tasa
Orgánica de
Recompra

48. 25.000.000.000
600.000.000
Hernán @Litvac
Bolivia?

52. Gracias!
@Litvac @ICOMMKTOK