{"id":10768,"date":"2021-07-27T11:26:30","date_gmt":"2021-07-27T09:26:30","guid":{"rendered":"https:\/\/www.makingscience.com\/?p=10768"},"modified":"2021-07-27T11:26:30","modified_gmt":"2021-07-27T09:26:30","slug":"advanced-marketing-analytics-casos-de-uso-dentro-de-una-estrategia-de-marketing-analitico-avanzado","status":"publish","type":"post","link":"https:\/\/www.makingscience.com\/es\/blog\/advanced-marketing-analytics-casos-de-uso-dentro-de-una-estrategia-de-marketing-analitico-avanzado\/","title":{"rendered":"Advanced Marketing Analytics: Casos de uso dentro de una estrategia de marketing anal\u00edtico avanzado"},"content":{"rendered":"

<\/p>\n
\n
\n
\n
\n
\n
\n

Como coment\u00e1bamos en anteriores blogs, continuamos hablando de Advanced Marketing Analytics, en este caso, sobre casos de uso que podemos encontrarnos cuando hablamos de una estrategia de marketing anal\u00edtico avanzado.<\/p>\n

Las aplicaciones de estas t\u00e9cnicas avanzadas permiten encontrar las respuestas a las preguntas clave del negocio, por lo que podr\u00edan ser m\u00faltiples y variadas en funci\u00f3n del sector en el que nos encontremos.<\/p>\n

A continuaci\u00f3n, enmarcamos las t\u00e9cnicas m\u00e1s habituales a lo largo de todo el customer journey de cliente, con las que podremos optimizar nuestros esfuerzos de marketing en todas y cada una de las etapas del customer journey.<\/p>\n

ETAPA DE CAPTACI\u00d3N:<\/strong><\/p>\n

    \n
  1. Funnel \u2013 identificaci\u00f3n de pain points y fugas<\/li>\n
  2. An\u00e1lisis de recurrencia y afinidad<\/li>\n
  3. Lead scoring<\/li>\n
  4. Modelos de atribuci\u00f3n<\/li>\n<\/ol>\n

    ETAPA DE ACTIVACI\u00d3N:<\/strong><\/p>\n

      \n
    1. Path to conversion<\/li>\n
    2. Identificaci\u00f3n de palancas de activaci\u00f3n<\/li>\n
    3. Segmentaci\u00f3n estrat\u00e9gica de clientes<\/li>\n
    4. CRO \u2013 Dise\u00f1o de experimentos<\/li>\n
    5. Sistemas de recomendaci\u00f3n<\/li>\n
    6. An\u00e1lisis de vinculaci\u00f3n o reglas de asociaci\u00f3n<\/li>\n<\/ol>\n

      ETAPA DE RETENCI\u00d3N:<\/strong><\/p>\n

        \n
      1. An\u00e1lisis de clientes seg\u00fan RFM<\/li>\n
      2. An\u00e1lisis de relevancia de factores en el proceso de compra<\/li>\n
      3. Identificaci\u00f3n de palancas de retenci\u00f3n a lo largo del Customer journey<\/li>\n
      4. C\u00e1lculo del Customer Lifetime Value (CLV)<\/li>\n
      5. An\u00e1lisis del churn o desvinculaci\u00f3n de clientes<\/li>\n<\/ol>\n

         <\/p>\n

        ETAPA DE CAPTACI\u00d3N<\/h2>\n

        01 FUNNEL \u2013 IDENTIFICACI\u00d3N DE PAIN POINTS Y FUGAS<\/strong><\/p>\n

        An\u00e1lisis detallado del funnel incluyendo los formularios de captaci\u00f3n del site para identificar posibles pain points o puntos de fuga, que est\u00e9n provocando dudas o, en su caso, llamadas de consulta al call center. Adem\u00e1s, tambi\u00e9n podremos identificar aspectos que puedan generar p\u00e9rdida de leads a lo largo del funnel.<\/p>\n

        02 AN\u00c1LISIS DE RECURRENCIA Y AFINIDAD<\/strong><\/p>\n

        Analizar las peculiaridades de nuestros usuarios m\u00e1s afines, las secuencias de canales y touchpoints que dan lugar a mayor n\u00famero de visitas o leads. Esto nos ayudar\u00e1 a perfilar y conocer en profundidad aquellas caracter\u00edsticas de nuestros usuarios m\u00e1s afines a nuestro contenido, y a su vez, el tipo de contenido que consigue vincular en mayor medida a cada segmento de usuarios.<\/p>\n

        03 LEAD SCORING<\/strong><\/p>\n

        Los distintos modelos de regresi\u00f3n que aplicamos proporcionan informaci\u00f3n sobre la efectividad de diferentes campa\u00f1as y canales. Esto nos ayuda a predecir no s\u00f3lo qu\u00e9 usuarios tienen m\u00e1s probabilidades de interesarse por nuestros productos y servicios, sino a trav\u00e9s de qu\u00e9 canales tenemos m\u00e1s posibilidades de llegar a ellos, lo que permite maximizar los canales que ofrecen las mejores probabilidades de generar ingresos significativos.<\/p>\n

        04 MODELOS DE ATRIBUCI\u00d3N<\/strong><\/p>\n

        Constituyen el conjunto de reglas que determina c\u00f3mo se asigna el cr\u00e9dito por ventas y conversiones a los puntos de contacto en las rutas de conversi\u00f3n. Podremos elegir entre los distintos tipos de modelos, que a grandes rasgos var\u00edan en funci\u00f3n de la posici\u00f3n de cada interacci\u00f3n, en funci\u00f3n del tiempo o personalizados.<\/p>\n

         <\/p>\n

        ETAPA DE ACTIVACI\u00d3N<\/h2>\n

        01 PATH TO CONVERSION<\/strong><\/p>\n

        Analizar en profundidad las secuencias de canales y touchpoints que dan lugar a mayor n\u00famero de conversiones. Esto nos ayudar\u00e1 a optimizar la inversi\u00f3n en los distintos canales para planificar una eficaz y eficiente estrategia de marketing multicanal.<\/p>\n

        02 IDENTIFICACI\u00d3N DE PALANCAS DE ACTIVACI\u00d3N<\/strong><\/p>\n

        Aunque la predicci\u00f3n de conversiones no es una tarea sencilla; la disponibilidad de una gran cantidad de datos hist\u00f3ricos sobre la navegaci\u00f3n del usuario nos puede permitir identificar aquellos comportamientos tempranos asociados con una conversi\u00f3n futura.<\/p>\n

        Adem\u00e1s, esta t\u00e9cnica tambi\u00e9n se puede aplicar para descubrir las dimensiones o combinaci\u00f3n de factores relativos al perfil o comportamiento de nuestros visitantes que tienen un mayor impacto en la conversi\u00f3n.<\/p>\n

        03 SEGMENTACI\u00d3N ESTRAT\u00c9GICA DE CLIENTES<\/strong><\/p>\n

        La aplicaci\u00f3n del an\u00e1lisis estad\u00edstico posibilita la Identificaci\u00f3n de segmentos de clientes con perfiles\/comportamientos similares de navegaci\u00f3n y\/o conversi\u00f3n, para la creaci\u00f3n de estrategias diferenciadas de cara a una mejor orientaci\u00f3n de nuestras campa\u00f1as de marketing. Estos grupos se forman naturalmente en base a una distancia matem\u00e1tica calculada entre las diferentes caracter\u00edsticas. Los clientes con puntuaciones similares se agrupar\u00e1n formando los segmentos sobre los que podremos incidir.<\/p>\n

        04 CRO \u2013 DISE\u00d1O DE EXPERIMENTOS<\/strong><\/p>\n

        Los sitios web y las aplicaciones m\u00f3viles est\u00e1n formados por combinaciones de elementos modificables (posici\u00f3n o color de un bot\u00f3n, dise\u00f1o de un banner, literales, precios,\u2026) que se optimizan mediante test multivariantes.<\/p>\n

        Los conocidos test A\/B y tambi\u00e9n los test multivariantes son una t\u00e9cnica para probar una hip\u00f3tesis en la que se pueden ir modificando m\u00faltiples variables. El objetivo es determinar qu\u00e9 combinaci\u00f3n de variaciones funciona mejor entre todas las combinaciones posibles.<\/p>\n

        05 SISTEMAS DE RECOMENDACI\u00d3N<\/strong><\/p>\n

        Los sistemas de recomendaci\u00f3n o motores de recomendaci\u00f3n buscan predecir la \u201ccalificaci\u00f3n\u201d o \u201cpreferencia\u201d que un usuario dar\u00eda a un producto, bas\u00e1ndose en las calificaciones o compras de otros usuarios que el sistema ha considerado similares a \u00e9l.<\/p>\n

        06 AN\u00c1LISIS DE VINCULACI\u00d3N O REGLAS DE ASOCIACI\u00d3N<\/strong><\/p>\n

        Constituyen un m\u00e9todo para impulsar el cross-selling mediante el descubrimiento de relaciones interesantes entre productos comprados simult\u00e1neamente.<\/p>\n

        Por ejemplo, la regla {mantequilla, mermelada} ==> {pan de molde} que podr\u00edamos encontrar en los datos de ventas de un supermercado indicar\u00eda que si un cliente compra mantequilla y mermelada el mismo d\u00eda, es probable que tambi\u00e9n compre pan de molde. En el sector bancario, las reglas de asociaci\u00f3n se utilizan para detectar patrones asociados con el fraude. Y el an\u00e1lisis de vinculaci\u00f3n se realiza para identificar casos de fraude adicionales.<\/p>\n

        El desaf\u00edo aqu\u00ed es identificar el orden correcto en el que se deben promocionar los productos, los segmentos de clientes correctos y el lapso de tiempo \u00f3ptimo entre las distintas promociones.<\/p>\n

         <\/p>\n

        ETAPA DE RETENCI\u00d3N<\/h2>\n

        01 AN\u00c1LISIS DE CLIENTES SEG\u00daN RFM<\/strong><\/p>\n

        Mediante la cualificaci\u00f3n y clasificaci\u00f3n de toda la base de datos de clientes seg\u00fan estas tres variables (Recency, Frecuency y Monetary Value) y su adecuada ponderaci\u00f3n, podremos obtener un scoring de clientes, que nos permitir\u00e1 tomar decisiones din\u00e1micas en funci\u00f3n de las necesidades de negocio.<\/p>\n

        02 AN\u00c1LISIS DE RELEVANCIA DE FACTORES EN EL PROCESO DE COMPRA<\/strong><\/p>\n

        Trataremos de identificar variables o hitos de navegaci\u00f3n que influyan en mayor medida en la generaci\u00f3n de conversiones a lo largo del proceso de compra. Esto nos ayudar\u00e1 a incrementar el valor medio de cliente y en la priorizaci\u00f3n de nuestros esfuerzos de marketing seg\u00fan las variables que hayamos detectado que resulten m\u00e1s relevantes para el negocio.<\/p>\n

        03 IDENTIFICACI\u00d3N DE PALANCAS DE RETENCI\u00d3N A LO LARGO DEL CUSTOMER JOURNEY<\/strong><\/p>\n

        Analizando el ciclo de vida de nuestros clientes en torno a nuestra marca y activos digitales, podemos tratar de identificar cu\u00e1les pueden ser las palancas de fidelizaci\u00f3n en aquellos clientes con mayor propensi\u00f3n a la renovaci\u00f3n y\/o adquisici\u00f3n de productos de otras categor\u00edas.<\/p>\n

        04 C\u00c1LCULO DEL CUSTOMER LIFETIME VALUE<\/strong><\/p>\n

        Existen diversas f\u00f3rmulas y t\u00e9cnicas mediante las cuales y en funci\u00f3n del historial de transacciones de nuestros clientes, podemos estimar el valor que puede generar para nuestra compa\u00f1\u00eda a lo largo de su relaci\u00f3n con nuestra marca.<\/p>\n

        En base a esto, podremos minimizar el gasto en clientes no rentables, optimizar los canales de adquisici\u00f3n y buscar reactivar a clientes con mayor probabilidad de ser rentables.<\/p>\n

        05 AN\u00c1LISIS DEL CHURN O DESVINCULACI\u00d3N DE CLIENTES<\/strong><\/p>\n

        Cuando una empresa pierde clientes, necesita atraer nuevos clientes para reemplazar la p\u00e9rdida de ingresos. Esto puede resultar muy caro, porque los costes de adquisici\u00f3n de nuevos clientes suelen ser mucho m\u00e1s elevados que retener a los ya existentes.
        \nEl an\u00e1lisis predictivo ayuda a prevenir la p\u00e9rdida de clientes en nuestra base de clientes, al identificar signos de insatisfacci\u00f3n e identificar aquellos clientes o segmentos de clientes que tienen mayor riesgo de irse.<\/p>\n

        Analizando la inmensa cantidad de eventos que vamos registrando sobre cada uno de los usuarios de la web; y siempre que seamos capaces de registrar adecuadamente el momento en el que un cliente decide prescindir de nuestros servicios. Trataremos de identificar cu\u00e1les de nuestros actuales clientes tienen mayor probabilidad de abandono.<\/p>\n

         <\/p>\n

        Por \u00faltimo, cabe decir que la aplicaci\u00f3n de algunas de estas soluciones, sobre todo aquellas orientadas en la elaboraci\u00f3n de un modelo predictivo o prescriptivo, si bien est\u00e1n basadas en la aplicaci\u00f3n de m\u00e9todos cient\u00edficos, no siempre permiten garantizar una efectividad del 100% en todos los casos, por lo que su implementaci\u00f3n y parametrizaci\u00f3n puede considerarse un verdadero arte, que como los buenos vinos, mejora con el tiempo.<\/p>\n

        Pero sin duda, contar con profesionales con la visi\u00f3n de negocio adecuada y la capacitaci\u00f3n t\u00e9cnica que requieren algunas de estas aplicaciones aumenta significativamente las probabilidades de \u00e9xito.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/section>\n

        <\/main><\/p>\n