Organizando el raw Data: por qué no te sirve todo, todo el tiempo
De qué se trata organizar la información. La importancia del customer analytics no reside solo en recabar los datos. Como todas las disciplinas del Big Data, la verdadera importancia es su análisis, y para ello, debemos crear modelos que faciliten la tarea. Veamos los pasos que hay que tener en cuenta en este artículo de organizando el raw data.
Antes de enfrentarse siquiera a los datos de tus clientes, tienes que tener bien presente el objetivo de negocio que buscas alcanzar. Lo que buscas a través del análisis es probar o refutar una hipótesis. Los datos son tu herramienta para ello.
Por eso, antes de lanzarte a la aventura, debes definir:
1. Qué quieres saber
2. Qué datos necesitas para saberlo
3. Cómo están relacionados esos datos entre sí
4. Cómo demuestran o niegan tu hipótesis inicial
Por ejemplo, en retail, las empresas se dedican a observar el comportamiento de los consumidores dentro de las tiendas para colocar los productos en el orden adecuado para maximizar su venta. El departamento de Visual Merchandising observa que los clientes analizan los lineales de arriba a abajo, de modo que concluyen que la zona de calor es la parte más alta de los estantes, así que es en dicho lugar en el cual colocan los artículos en promoción.
De la misma forma, un e-commerce analiza el mapa de calor de sus páginas de venta y observa dónde hacen click los visitantes y hasta qué punto hacen scroll hacia abajo, para tomar decisiones en cuanto al diseño de sus landing page. Estos ejemplos son históricos y ahora mismo solo nos sirven para contextualizar.
Hoy día es posible recabar cientos de datos más como hace Netflix, e incluso personalizarlos por cada cliente, estableciendo métricas como:
- Cuánto tiempo pasa cada cliente mirando un lineal determinado
- Cuáles productos ha terminado comprando ese cliente
- Qué secciones ha visitado
- Qué perfil de consumidor tiene (mayor, joven, padre/madre de familia, single…)
Pero, como decíamos más arriba, todo esto es información que puedes recabar. No información que necesitas recopilar. Esta la determinarán el objetivo con el que la obtengas y el modelo de datos que utilices. Por eso, te dejamos 3 ejemplos de modelos analíticos para mejorar la relación y rentabilidad de tus clientes.
La razón de ser de cada modelo analítico es el objetivo de negocio para el que trabaja.
Al crear un modelo analítico tendremos que considerar los diferentes insights que querremos obtener para cada objetivo de negocio.
¿Qué opinás? ¿Cómo te organizás con los nuevos proyectos?
—
Si querés contactarnos directamente mandanos un mensaje a Contacto
Customer analytics
Fuente: https://www.datacentric.es/blog/insight/customer-analytics-modelos-fidelizacion-retencion-rentabilidad-clientes/
