Escuela Militar de Aviación “Marco Fidel Suárez”
324
inteligente. Es decir, dirigir los esfuerzos de marketing solo a las personas adecuadas (Right Person) y con la oferta más adecuada para su perfil (Right Offer). La solución que se puso en marcha tenía dos acciones principales: una clusterización de la base de datos de clientes para caracterizar la misma, para, posteriormente, elegir los interesados que tengan una mayor propensión a adquirir productos (Right Person) con propuestas de valor focalizadas (Right Offer). El objetivo último del retargeting es la personalización, ya sea por segmentos o por persona individual. Una elegibilidad de perfiles a impactar basada en la edad, frecuencia de contacto anterior, interacciones, comportamiento (abandonos de carrito de compra, visitantes más recientes o menos, compradores recientes, etc.), localización y productos en los que se ha interesado. Con este perfil modelizado, generamos reglas de elegibilidad que se van actualizando en base a su efectividad en tiempo real. Contando con los datos del CRM, se implementó una solución basada en una herramienta de Marketing Automation obteniendo una mejora en la tasa de conversión del 1 % al 3 %. Para ello, se implementó la solución Hubspot que permiten hacer la traza de navegación desde que un futuro cliente es un lead, para así poder conocer cuál ha sido la acción y el canal que le ha llevado a su conversión a cliente final. La clave principal de la mejora fue la atribución del cierre de un proceso de marketing a venta fundamentado en el modelo del premio Nobel de economía Lloyd S. Shapley. Esto es posible por el denominado “efecto recency“; la toma de decisiones sobre la base de los últimos impactos recibidos. Esto es algo que la publicidad ha explotado durante muchos años, y que en la era de la trazabilidad del Big Data es posible. Sin embargo, este proyecto tuvo dos de los problemas que resultan fundamentales según nuestra metodología EMANA. En primer lugar, la ausencia de un liderazgo claro. Solo se dispusieron de datos del CRM debido a que era un proyecto liderado por el área de marketing y ventas, pero donde sistemas y compliance quedaron inicialmente de lado. Y, en segundo lugar, también hubo problemas de calidad de datos, derivado de la falta de completitud, exactitud y relevancia de muchos datos, tres de las dimensiones más críticas para el éxito de un proyecto de datos (ver libro “Introduction to Data Quality”). No se pudieron alcanzar las mejoras notables de conversión, quedándose en un 2,18 % de la tasa de conversión (frente al 3 % inicial de objetivo).
2) Evitar perder clientes La importancia que tiene mantener clientes frente al coste de adquirir nuevos es bien conocida por todos. Y esto es más posible que nunca gracias al análisis masivo de datos. Básicamente hablamos de detectar el perfil de fuga de cliente
