“Quiero vender más, quiero tener una alta tasa de conversión de clientes” Esta frase aparece casi siempre cuando hablamos con clientes o empresarios que están decididos a hacer crecer sus negocios. Habitualmente a esta frase se le suma, en algún que otro mercado: “pero no quiero aumentar el riesgo de mi cartera de clientes, y en lo posible, reducirlo”. Si la primera condición estaba complicada, cumplir con la segunda está un poco peor (en mercados donde la mora estructural aumenta por factores macroeconómicos), pero cumplir con las dos a la vez es prácticamente imposible (generalmente, no siempre…)

Ahondemos más en esta experiencia. Luego de que las empresas nos dicen que quieren más clientes, más negocio y menos riesgo, la pregunta que debe seguir (si queremos entender realmente el problema) es: ¿cómo segmentan los clientes? Ahí viene una de las respuestas más aterradoras: “mis clientes son hombres, mayores a 40 años, nivel socio económico AB, que tengan estudios terciarios terminados y que estén casado”. Y es acá donde descubrimos cuál es el problema de muchas de las empresas que “quieren vender más, quieren menos riesgo”, y consiguen menos negocio y más riesgo.

La explicación es fácil: para el producto/servicio de cliente: ¿hay hombres de menos de 40 años que se puedan comportar como mayores de 40 años?, ¿hay hombres sin estudios terciarios que se puedan comportar como los que sí los tienen?, ¿hay mujeres que se puedan comportar como hombres (con relación a comprar o no ese producto)? Creo que en la mayoría de las preguntas la respuesta es SI. Y es acá donde necesitamos el Data Analytics para reparar el error, y apoyar realmente al marketing de la empresa.

El problema tradicional de la segmentación, aquellos que hemos estudiado marketing avanzado lo tenemos más o menos claro, es que tradicionalmente se hace por variables “duras”. Aquellas que podemos definirlas ex ante, y no es que esté mal, está obsoleto. Lo que nos ha permitido el Data Analytics y el Big Data es poder realizar rápidamente una comprensión del comportamiento y generar una segmentación ex post. Entendiendo claramente quién tiene la necesidad, la voluntad y los recursos para satisfacer “su problema” en un momento determinado.

PUBLICIDAD

Pero ¿Cómo puede ayudar el Data Analytics? Habitualmente cuando se combina datos, fuentes complementarias y analíticas de valor, el proceso de segmentación tiende progresivamente al óptimo. Hablemos por ejemplo de machine learning para segmentar. Existen diversas tareas que se pueden hacer con sistemas de aprendizaje. Entre ellas podemos encontrar la Segmentación.

El algoritmo de segmentación realiza una separación de los datos en subgrupos o clases interesantes. Las clases pueden ser exhaustivas y mutuamente exclusivas o jerárquicas y con traslapes. Se utiliza la información de una serie de variables para cada sujeto u objeto y, conforme a estas variables se mide la similitud entre ellos. Una vez medida la similitud se agrupan en: grupos homogéneos internamente y diferentes entre sí.

Se puede utilizar con otras técnicas de minera de datos: considerar cada subgrupo de datos por separado, etiquetarlos y utilizar un algoritmo de clasificación. Se usan algoritmos de clustering, SOM (self-organization maps), EM (expectation maximization), k-means, etc.

Normalmente el usuario tiene una buena capacidad de formar las clases y se han desarrollado herramientas visuales interactivas para ayudar a que lo haga eficientemente.

Por lo tanto, cuando quiera aumentar las ventas, aumentando el ratio de colocación, no segmente por variables duras, eso le traerá muchos problemas y lo dejará lejos del objetivo. Vaya por entender comportamiento, utilizando variables comportamentales, entendiendo que el comportamiento es multifactorial en donde las fuentes de datos deben tener una visión 360° de la persona, y aplique algoritmos de clusterización para entender a quién, cuándo, cómo y a qué precio ofrecerle su producto o servicio. Es rápido, simple y de gran valor para el negocio.

Contacto:

Correo: [email protected]

Twitter: @diego_vallarino

LinkedIn: 

Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.

This content was originally published here.