Desayuno Data science - Aplicaciones en métricas & Analytics
Descargar como PPTX, PDF1 recomendación383 vistas
El documento describe objetivos relacionados con la estandarización de términos y buenas prácticas en datos y analítica, el desarrollo de programas de entrenamiento, y la promoción del uso de herramientas analíticas para optimizar objetivos de negocio. También presenta un proyecto de Club Día para mejorar las ofertas personalizadas mediante el aprendizaje automático y la segmentación de clientes en base a su perfil de consumo.
Desayuno Data science - Aplicaciones en métricas & Analytics
- 1. Data Science Aplicaciones en Métricas & Analytics Iair Rozenszajn Data Scientist Martin Carniglia Data & Media Consulting Manager Ariel Abkiewicz Gerente de Fidelización
- 2. Objetivos: • Lograr la estandarización de términos, definiciones y buenas prácticas realizadas por la industria. • Desarrollar e implementar un programa de entrenamiento para fortalece las capacidades de los profesionales en la industria del Marketing. • Unir a quienes se dediquen a la analítica digital, consultores, profesionales y usuarios para discutir y promover la necesidad del uso de las herramientas en la gestión de negocios. • Guiar e impulsar la evolución en el uso y gestión de analítica para optimizar objetivos de negocio, marketing y medios.
- 3. • Lograr la estandarización de términos, definiciones y buenas prácticas realizadas por la industria. http://amdia.org.ar/site/ebooks-amdia/ http://amdia.org.ar/site/libro-mejor-marketing/
- 4. • Desarrollar e implementar un programa de entrenamiento para fortalece las capacidades de los profesionales en la industria del Marketing. http://wwwphp.udesa.edu.ar/cee/programas.php?id=48
- 5. • Guiar e impulsar la evolución en el uso y gestión de analítica para optimizar objetivos de negocio, marketing y medios. http://amdia.org.ar/site/analytics-summit-de-daca-amdia-lideres-de-metricas-y-analytics-en-un-solo-lugar/ http://amdia.org.ar/site/agenda/
- 6. • Unir a quienes se dediquen a la analítica digital, consultores, profesionales y usuarios para discutir y promover la necesidad del uso de las herramientas en la gestión de negocios.
- 7. DATA SCIENCE – TRANSFORMACIÓN DATA-DRIVEN
- 8. El mundo está lleno de datos. Para poder comprenderlos y aprovecharlos, ya sea para identificar nuevas oportunidades, superar obstáculos, o para volcarlos hacía un producto o servicio centrado en el cliente y su experiencia, las organizaciones deben embarcarse en un proceso de transformación digital y convertirse en lo que se denomina una organización Data-Driven. Este proceso genera cambios en distintos niveles y aspectos de la organización, incluyendo decisiones de negocio, infraestructura y tecnología, organización interna y operaciones diarias, entre otros. A lo largo de esta transformación, la organización adquiere visibilidad y posibilidad de accionar sobre aspectos que antes permanecían ocultos pero que ahora quedan evidenciados gracias a la disponibilidad y explotación de este nuevo commodity. Es decir, sus datos. Data Science, Big Data y Machine Learning son todas componentes fundamentales del proceso de transformación digital y son las herramientas que posibilitan adquirir y explotar los datos, responder a necesidades y preguntas de negocio de forma iterativa y continua y así lograr expandir y mejorar el negocio. TRANSFORMACIÓN HACIA UNA ORGANIZACIÓN DATA-DRIVEN
- 9. Proceso de Evolución hacia una Organización Data-Driven Consciencia sobre los datos Guiados por los datos Entendimiento de los datos Organización Data-Driven Resistencia a los datos La organización se resiste o no es consciente de los datos que posee o podría generar. La organización se interesa por los datos, comeinza a adquirirlos y tratarlos como commodity. Fase: datos La organización comienza a utilizar sus datos en producción. Fase: análisis La organización utiliza sus datos en gran parte de su negocio. Fase: insights La organización modela su negocio y toma decisiones basada en sus datos. Fase: data-driven
- 10. LA TECNOLOGÍA AL SERVICIO DE LA ORGANIZACIÓN La solución tecnológica y de infraestructura que serán el medio para la transformación, responderán a las necesidades y requerimientos de cada organización. A la vez, estas necesidades, así como las tecnologías utilizadas, podrán cambiar con el tiempo. Dependiendo del las características de los datos, se deberán implementar tecnologías específicas que permitan almacenarlos, procesarlos y gestionarlos. Cada vez más, las organizaciones se ven en la necesidad de implementar tecnologías y técnicas de análisis y procesamiento que pertenecen al ámbito de Big Data, caracterizado hoy en día por las 5 V: Volumen: datos masivos generados por sistemas, sensores, dispositivos e interacciones del usuario. Velocidad: generación y procesamiento en tiempo real para tomar alguna decisión. Variedad: datos estructurados, semiestructurados y no estructurados provenientes de diversas fuentes. Veracidad: se debe verificar que los datos sean correcto pués afectarás decisiones significativas para el negocio. Valor: se debe identificar aquellos datos que sean de valor para maximizar eficiencia y reducir costos.
- 12. EJEMPLOS DE PLAYERS EN DATA SCIENCE
- 13. MACHINE LEARNING PREDICCIÓN Y AUTOMATIZACIÓN En el camino hacia ser Data-Driven, cada organización identificará y definirá procesos y análisis habituales que deberán ejecutarse de forma cotidiana. Para capitalizar su valor, la organización deberá acudir a herramientas tecnológicas que le permitirán automatizar estos análisis y procesos logrando agilizarlos y monitorearlos y reducir así el impacto operacional que necesariamente tendrán al comienzo de la transformación.
- 14. MACHINE LEARNING CICLO CONTINUO Y DESCUBRIMIENTO DE INSIGHTS Estos algoritmos y procedimientos generan el beneficio de poder insertarlos de forma progresiva en el ciclo de Data Science y a medida que la transformación avanza, cada aspecto de la organización se nutre cada vez más de estas tecnologías que permitirán automatizar nuevos aspectos del negocio, volviéndolos más efectivos. A su vez, Será por medio de estas técnicas y tecnologías que la organización tendrá la posibilidad de analizar y descubrir oportunidades hacer de las cuales no era consciente en el pasado.
- 16. •Modelos lineales: trata de encontrar una línea que se “ajuste” bien a la nube de puntos que se disponen. Aquí destacan desde modelos muy conocidos y usados como la regresión lineal (también conocida como la regresión de mínimos cuadrados), la logística (adaptación de la lineal a problemas de clasificación -cuando son variables discretas o categóricas-). Estos dos modelos tienen tienen el problema del “overfit”: esto es, que se ajustan “demasiado” a los datos disponibles, con el riesgo que esto tiene para nuevos datos que pudieran llegar. Al ser modelos relativamente simples, no ofrecen resultados muy buenos para comportamientos más complicados.
- 17. •Modelos de árbol: modelos precisos, estables y más sencillos de interpretar básicamente porque construyen reglas de decisión que se pueden representar como un árbol. A diferencia de los modelos lineales, pueden representar relaciones no lineales para resolver problemas. En estos modelos, destacan los árboles de decisión y los random forest (una media de árboles de decisión). Al ser más precisos y elaborados, obviamente ganamos en capacidad predictiva, pero perdemos en rendimiento.
- 18. •Redes neuronales: las redes artificiales de neuronas tratan, en cierto modo, de replicar el comportamiento del cerebro, donde tenemos millones de neuronas que se interconectan en red para enviarse mensajes unas a otras. El reconocimiento de imágenes o vídeos, por ejemplo, es un mecanismo complejo que se aborda con redes neuronales. El desafío, como el cerebro humano, es que son más difíciles de entrenar, y necesitan mucha capacidad de cómputo. Sin embargo el avance de infraestructura y técnicas hacen crecer su nivel de uso.
- 19. Recolección de datos Caso Ejemplo: Machine Learning para predecir la proximidad de un usuario a convertir mientras navega nuestro sitio web Adquisición de Nuevos Clientes Bid/Mensaje diferenciado por Cluster de Usuarios Modelado de datos para armar clusters de Usuarios en función de proximidad a la compra Fuente: Presentación “Viaje al Futuro en Data (No es Rocket Science) Paola Igarteburu - Google
- 20. Recolección de datos Bid/Mensaje diferenciado por Cluster de Usuarios via Remarketing Modelado de datos para armar clusters de Usuarios en función de proximidad a la compra Adquisición de Nuevos Clientes Google Analytics Session Quality AdWords AdWords Caso Ejemplo: Machine Learning para predecir la proximidad de un usuario a convertir mientras navega nuestro sitio web Fuente: Presentación “Viaje al Futuro en Data (No es Rocket Science) Paola Igarteburu - Google
- 21. Fuente: Presentación “Viaje al Futuro en Data (No es Rocket Science) Paola Igarteburu - Google
- 22. Herramientas basadas en Machine Learning disponibles para tomar mejores decisiones Todo empieza en los datos 1 2 3 ¿Qué datos recolectamos? ¿Cómo? ¿Dónde? ¿Es confiable? Empezar por apalancarse en los desarrollos vigentes. Comenzar a desarrollar las capacidades necesarias Agenda de aprendizaje guiado por experimentos. Fuente: Presentación “Viaje al Futuro en Data (No es Rocket Science) Paola Igarteburu - Google
- 23. PROYECTO CLUB DIA DATA-DRIVEN OFFERS Mayo 2017
- 24. CONTEXTO – CLUB DIA
- 25. EL CLUB DE FIDELIDAD MAS GRANDE DE ARGENTINA, AGRUPANDO A MAS DE 3 MILLONES DE EXPERT@S EN AHORRO
- 26. BUSCANDO SIEMPRE CONOCER MÁS A NUESTROS CLIENTES Identificación de Clientes 92% de la venta se realiza con la Tarjeta Generamos ofertas personalizadas basadas en la historia de cada cliente, preferencias y ciclo de vida Cada Cliente recibe una combinatoria única de Cupones, que tienen vigencia mensual y son muy valorados La inversión se financia principalmente con la participación de los proveedores Personalización de la Oferta
- 27. DESAFIOS Y METODOLOGÍA APLICADA
- 28. Tres ejes de Resultados esperados: BUSCAMOS MEJORAR LA DINÁMICA DE OFERTAS MEDIANTE EL APRENDIZAJE BASADO EN DATOS Aumento en redención de cupones Mayor amplitud de categorías compradas Impacto positivo en frecuencia de compra
- 29. SELECCIONAMOS UNA MUESTRA REPRESENTATIVA Muestra seleccionada 250K Clientes Universo 3,5 M Clientes * Muestra representativa con error de +-6%
- 30. Y CONSTRUIMOS CLUSTERS BASADOS EN SU PERFIL DE CONSUMO LIGHT PREMIUM BASE DE PIRAMIDE MASCULINO FEMENINO BEBES NIÑOS CONSUMO PERSONAL PRACTICIDAD COCINA CASERA
- 31. COMPLETANDO EL PERFILADO CON MAS VARIABLES A partir de comportamientos de consumo similar buscamos atraer a clientes no redentores para que se conviertan en usuarios activos de los cupones ClubDía. La información conjunta de los productos adquiridos y redimidos en cada Canasta, sumado al perfil demográfico y de comportamiento, nos permite efectuar acciones de cross-selling en varios sentidos. No redentores
- 32. OFERTAS MÁS RELEVANTES DATA-DRIVEN Criterio para selección de artículos • Top 15 del ranking para cada segmento • Cantidad importante de no compradores • Con mix de redentores y no redentores de cupones • Con viabilidad comercial Lógica “people like you also buy” Targets: Compradores de la canasta, No compradores del producto. Apertura: Redentores misma canasta y redentores de otras canastas LIGHT PREMIUM BASE
- 33. RESULTADOS Y APRENDIZAJES GENERADOS
- 34. SUPERAMOS LAS TASAS DE REDENCIÓN HISTÓRICAS La tasa de redención en clientes que recibieron nuestros "cupones Data-Driven" fue un 92% superior (casi el doble) para ofertas de la misma canasta, y un 30% superior para ofertas de otra canasta con cross-selling. +92% Promedio Histórico % Redención Data-Driven misma canasta
- 35. CON IMPACTO POSITIVO EN LA AMPLITUD DE COMPRA Logramos que en promedio un 70% de los clientes redentores impactados por nuestros cupones tengan un crecimiento en amplitud. Sobre ese 70%, el 74% mantuvo además ese nivel por encima del promedio anterior en el mes siguiente. Mes de Análisis (t) Mes siguiente (t+1) *Mes de Análisis: Noviembre 2016 vs trimestre anterior y mantenimiento en Diciembre 2016.
- 36. ENCONTRAMOS LA PUERTA DE ENTRADA PARA EL TARGET MÁS JOVEN A través de Ofertas sobre el Cluster Light atrajimos redentores de los segmentos etarios más jóvenes. El 48% se concentró en rangos de 18 a 44 años t-1 t Porcentajedeclientesencadarangoetareo
- 37. CREAMOS NUEVOS COCINEROS A través de ofertas con productos de confección doméstica logramos que los clientes aumenten su frecuencia de compra en locales DIA durante los meses siguientes. Rangos de Frecuencia por Mes
- 38. • Predecir lo que los clientes quieren consumir. • Identificar consumidores con riesgo de Churn. • Empujar el Up-Selling y Cross-Selling de productos desde la comunicación • Reforzar la fidelidad y Life Time Value. UNA VISTA AL FUTURO: AUTOMATIZACIÓN DE MARKETING CON MACHINE LEARNING
- 39. “Este proyecto nos ayudó a seguir evolucionando las ofertas personalizadas de nuestro programa de Fidelización. Hemos desarrollado aprendizajes y obtenido resultados superiores a nuestro baseline histórico“ Ariel Abkiewicz, Gerente de Fidelizacion ClubDIA.
- 40. ¡GRACIAS!