Big Data Clienting - 2 casos prácticos clientes tiendas
1 recomendación2,150 vistas
Este white paper destaca la importancia del geo-marketing y el big data en la optimización de estrategias comerciales, proporcionando métricas clave para evaluar el rendimiento de puntos de venta. Se presentan dos casos de negocio centrados en el ratio de penetración y la cuota de mercado, enfatizando la necesidad de resultados basados en el cliente y un enfoque práctico en el uso de datos. Las recomendaciones incluyen desarrollar capacidades analíticas y mejorar la calidad de la información para maximizar el valor comercial.
Big Data Clienting - 2 casos prácticos clientes tiendas
- 1. 1
- 2. 2 Resumen Ejecutivo “Cerca del 80 % de la información relevante para el desarrollo de negocio de una compañía tiene una connotación espacial”. 1 1 Del libro “Potential of Geo-Marketing-Tools for the development of advanced Online-Marketing business models” • Si a esta afirmación añadimos las oportunidades que ofrece el Big Data aportando mayor conocimiento a esa información, estaremos generando una ventaja competitiva tomando decisiones basadas en información. • Este White Paper tiene una clara orientación de negocio, especialmente para las áreas de Marketing, Ventas y Expansión. Por otra parte, es importante mencionar que este documento no trata los detalles técnicos de las fuentes de información, ni de cómo obtenerlos, ni transformarlos. Se da por hecho que existen proveedores especialistas en este tipo de servicios. • El enfoque de este White Paper, como la mayoría del contenido del blog, es inminentemente práctico, donde las dos entidades: clientes y puntos de venta son geo localizadas, enriquecidas y analizadas usando fuentes Open Data y tratándolas en función del eje geográfico. • Creo que el principal aporte de este White Paper (WP) está en ver más el “para qué”, que el “cómo”. El “para qué” nos permite enfocarnos en los beneficios en vez de valorar las funcionalidades del Big Data. Estos beneficios los veremos en dos casos de negocio: o Caso 1 – Ratio de penetración de un punto de venta. Conocer esta métrica permite responder a la pregunta ¿A qué parte del público objetivo al que accede mi punto de venta le interesa mi oferta? o Caso 2- Cuota de mercado de un punto de venta. Esta métrica permite conocer qué parte del mercado potencial monetizado representa la facturación del punto de venta.
- 3. 3 Introducción 2 Estudio realizado por IBM Business Value y la Universidad de Oxford a más 1.100 profesionales de negocio y tecnología Según el estudio “Analytics: el uso de big data en el mundo real” 2 se extraen cinco recomendaciones clave para que las empresas puedan avanzar en sus iniciativas de Big Data y obtener el máximo valor para el negocio: 1. Dedicar los esfuerzos iniciales a obtener resultados centrados en el cliente. 2. Desarrollar un plan de Big Data para toda la empresa. 3. Comenzar con datos ya existentes para lograr resultados a corto plazo. 4. Desarrollar capacidades analíticas sobre la base de prioridades de negocio. 5. Crear un caso de negocio sobre la base de resultados cuantificables. En línea con buscar iniciativas centradas en el cliente y orientadas a mejorar los resultados del negocio, este White Paper tiene como principales propósitos: Presentar de forma práctica cómo generar métricas que permitan conocer el performance comercial de un punto de venta Mostrar cómo usando la información interna más la información externa se puede mejorar el conocimiento comercial. Mostrar una metodología de trabajo básica, pero muy práctica para desmontar la percepción que es necesario gastarse centenares de miles de euros para contar con beneficios de Big Data.
- 4. 4 Situación de partida (capítulo no disponible en este documento) Suscríbete para acceder al contenido completo (21 páginas)
- 5. 5 Enfoque de los casos de negocio – White Paper “Big Data + Clienting” © Derechos Reservados - Ninjaclienting.com Enfoque de la solución Data Quality Geo-Localización Fuentes Big Data Áreas de influencia Caso 1 Ratio de Penetración Caso 2 Cuota de Mercado Normaliza y de- duplica la información. Evita el “basura entra-basura sale” (tras in – trash out) Geo localiza clientes (demanda) y oferta propia y de la competencia Generación de variables con alto componente geo (catastro, Puntos de Interés, Renta, etc.) Definición de los anillos donde el PdV ejerce influencia. Capacidad de generar tráfico “De las x personas que pueden comprarme, ¿cuántas me compran?” “Del mercado potencial monetizado, ¿cuánto me estoy llevando?” 1 2 3 4 El enfoque aplicando Big Data a clientes y PdV para desarrollar los dos casos de negocio se muestra a continuación:
- 6. 6 Enfoque de la solución - Data Quality 1 Data Quality Consideremos que la empresa en cuestión cuenta con la información de sus clientes ya sea mediante el contrato de alta (por ejemplo un producto bancario), un club de fidelización, una aplicación móvil o alguna otra forma que le permita a la empresa conocer la dirección del cliente. El maestro de clientes puede contener los siguientes campos: • Nombre y apellidos • Dirección • Datos de contacto: email, teléfono fijo, teléfono móvil, etc. Es probable que la información de estos clientes tenga deficiencias como por ejemplo: registros duplicados, registros con campos en blanco o con información desactualizada. Por tanto, es necesario que la información deba pasar por procesos de cualificación que mejoren la información de clientes. Existen varias empresas que dan este tipo de servicios. Sin entrar en detalles técnicos, a la tabla de clientes se le deben aplicar los siguientes procesos: Normalización De duplicación También llamada estandarización, aplica principalmente a nombres y direcciones. El objetivo es que la información de los campos se ajuste a una regla. Para el caso de las direcciones lo que hacen los algoritmos son separar un campo tipo dirección postal en varios campos con: tipo de vía (calle, avenida, etc.), nombre de vía, número de vía, etc. Existen varios criterios para seleccionar el registro/campo válido y los registros/campos duplicados. A modo de ejemplo, ante registros duplicados podríamos definir que el registro válido (“el que manda”) es el de la compra más reciente o el de mayor facturación y, por tanto, se descartan las otras direcciones y se asigna la dirección del registro válido al cliente en cuestión
- 7. 7 Enfoque de la solución – Geo localización 2. Geo Localización La geolocalización es el proceso de asignación de coordenadas (latitud y longitud) a partir de una dirección postal. En el caso del maestro de clientes, cada hogar se debe geo localizar. El proceso de geolocalización también aplica a la red de puntos de venta. En función de la dirección, los procesos de geolocalización pueden tener como salidas los siguientes niveles de precisión (ordenados de mayor a menor precisión): Precisión de un hogar en función de su dirección Nivel de Precisión Número de vía Precisión alta Número de vía, centroide de parcela catastral Precisión alta Interpolación de número de vía Precisión alta Número contiguo de vía Precisión alta Número próximo de vía Precisión media Centroide de vía Precisión media Mínimo número de vía Precisión media Sección Censal Precisión baja Código Postal Precisión baja Población Precisión baja Municipio Precisión baja + - Precisión
- 8. 8 Enfoque de la solución – Fuentes Big Data 3. Fuentes Big Data A continuación se muestra el esquema de fuentes de información externa (Big Data) que se pueden asociar a perfiles de clientes (demanda) y a los puntos de venta de la competencia (oferta). Población Residentes Población Flotante Trabajadores Turistas Punto de Venta Competidores Comprende a las personas que residen habitualmente en la zona. También se le conoce como población de derecho. Población que realiza más de 14 pernoctaciones al año en la zona. Pueden ser trabajadores, estudiantes, etc. Personas que trabajan en la zona y por tanto pueden comprar en el PdV. Personas que no residen en la zona y que se desplaza fuera de su territorio de origen o de su residencia habitual Pueden ser PdV que dan los mismos servicios/productos o sustitutivos. Fuentes Big Data por demanda (perfiles de clientes) y oferta (competidores) Demanda Oferta • Censo • Catastro • Listados telefónicos • … • Ministerio Fomento • Censo • Catastro • … • Registro Mercantil • Catastro • … • Puntos de Interés (monumentos, teatros, museos, etc.) • Alojamientos (hoteles, camping, etc.) • … • Descarga de las páginas web de competidores • Trabajo de campo (observación) • … Fuentes de información
- 9. 9 Briefing (capítulo no disponible en esta presentación) White Paper – Big Data + Clienting – Dos casos prácticos aplicados a una cartera de clientes y tiendas Áreas de influencia Briefing Caso 1 - Ratio de penetración Caso 2 – Cuota de Mercado Conclusiones y Recomendaciones Recursos adicionales Resumen ejecutivo Introducción Enfoque de la solución Situación de partida Fuentes Big Data Suscríbete para acceder al contenido completo (21 páginas)
- 10. 10