En muchos casos el cliente está reemplazando al producto como piedra angular en la toma de decisiones corporativas, tan es así, que podemos vislumbrar varios ejemplos de multinacionales “customer centric” que han revolucionado sus industrias. Apple, Starbucks o Inditex nos han demostrado que entender el comportamiento del consumidor, y adaptar la organización a él, es más rentable en el largo plazo.
Y es precisamente en ese cambio de paradigma donde el valor de los datos toma un rol predominante en el marketing actual.
Hace sólo una década, la principal fuente de información sobre el comportamiento del consumidor era la declarada, es decir, aquella que el cliente nos decía a través de encuestas, focus, paneles, etc. … Sin embargo, hoy disponemos de fuentes de datos que contienen información “honesta” sobre el comportamiento “real” de los consumidores.
Ahora, podemos entender lo que piensan/hacen con mucho más detalle y complementar el comportamiento declarado, con el comportamiento medido y el comportamiento social del cliente.
Entre más fuentes de datos estén a nuestra disposición, implica un mejor entendimiento del comportamiento de nuestro consumidor, y con ello, una mejor y más ágil toma de decisiones en los diferentes ámbitos de la empresa, desde la generación de producto hasta la microsegmentación de campañas de publicidad.
Sin embargo, es la gestión y explotación puntual de estos datos lo que está poniendo de manifiesto las dificultades asociadas al fenómeno del Big Data, como el que los datos no se encuentran en los mismos repositorios, dependan de distintas plataformas de software, información no actualizada o que no se relacionen entre sí y dificulte crear un “golden record” omnicanal del cliente.
Si te has sentido identificado con alguno de los casos anteriores es posible que tu organización esté aún acumulando datos en forma de “data lake”, es decir, un repositorio de datos estructurados y no estructurados, sin ningún preprocesamiento, guardando los datos en bruto, y sin esquema.
Esta falta de estructura hace que añadir nuevos datos a un data lake sea relativamente sencillo. Sin embargo, no va a permitirnos explotar la información del comportamiento del consumidor. Necesitamos convertir ese data lake en un data hub, es decir, una colección de datos homogeneizados, estructurados y estandarizados para su explotación a través de distintos modelos de analítica de datos descriptiva, predictiva y prescriptiva del comportamiento del consumidor.
Una vez que tenemos nuestro data hub podríamos formular distintas hipótesis de negocio y preguntar a los datos qué sucedió (analítica descriptiva), qué podría pasar (analítica predictiva) e incluso qué deberíamos hacer (analítica prescriptiva).
Entender las tres dimensiones del comportamiento del consumidor (declarado, medido y social), convertirlos en un data hub y finalmente explotarlos para explicar lo que pasó, lo que pasará o lo que deberíamos hacer, es sin duda un proceso complejo y lleno de obstáculos visibles e invisibles.
Por suerte existen varias metodologías probadas que nos ayudan a transitar por este camino evitando obstáculos y encontrando la mejor hoja de ruta en cada caso. Si bien, más de un tercio de las organizaciones utilizan metodologías propias, existen varios estándares que se pueden seguir en la implementación de un proyecto de data analytics sobre el comportamiento del consumidor, entre los que destacan: KDD (Knowledge Discovery in Databases), SEMMA (Sample, Explore, Modify, Model, and Assess) y CRISP-DM (Cross Industry Standard Process for Data Mining).
Por todo lo anterior, te dejo 4 puntos clave que debes considerar antes de iniciar la aventura de entender el comportamiento del consumidor:
- Disponer de información del comportamiento declarado, medido y social.
- Contar con un diagnóstico y timing para convertir tu data lake en data hub.
- Seleccionar la metodología o mix de metodologías adecuadas en tu caso.
- Contar con el expertise de analítica de datos dentro o contratarlo fuera.
Ahora que ya sabes cómo sacar provecho de los datos ¿estás listo para emplearlo en tus estrategias de marketing?
Fuente:
Forbes. (2019, 12 septiembre). ¿Cómo elaborar data analytics de tus clientes? Recuperado 13 septiembre, 2019, de https://www.forbes.com.mx/como-elaborar-data-analytics-de-tus-clientes/