Pero ya he aprendido cómo explicar a lo que me dedico, y es de esta forma: “Me dedico a anticiparme en el tiempo para aconsejar a empresas cómo deberían actuar si quieren optimizar sus recursos”.
Esta conversación suele derivar en muchas más preguntas del tipo:
- ¿Y qué puedes predecir?
- ¿Cómo lo haces?
- ¿Qué herramientas utilizas?
- ¿Los resultados son fiables?
Por ello, he querido aglutinar todas mis respuestas en este artículo, para poder resumir todo eso que hacemos los especialistas en datos para que las personas de otros sectores y actividades laborales sean capaces de entender la potencia de lo que hacemos y de todas las ventajas que podemos llegar a ofrecer en su trabajo.
Predicción de ventas
Los patrones de compra son un claro ejemplo de análisis, de estacionalidad por ejemplo. Entender los picos de demanda ayudan a la empresa a ofrecer la oferta necesaria para satisfacer la demanda de productos y servicios.
Entendiendo la estacionalidad se pueden optimizar recursos de una forma muy potente, desde ahorro en gastos de inventario hasta refuerzo de plantilla. Esta técnica se lleva haciendo siglos, pero con las nuevas tecnologías podemos detectar tendencias ocultas que los algoritmos de Machine Learning nos permiten detectar y predecir, por ejemplo en el negocio de la Bolsa detectar estas tendencias optimiza enormemente la inversión de los Inversores, especialmente de los Traders.
En el mundo del Marketing Digital nos ayuda a predecir cuándo es el momento ideal para reforzar nuestras campañas de Paid Media y disparar ese ROAs que tan importante es.
Los algoritmos utilizados para detectar estos patrones son los de Regresión que, una vez optimizados con los parámetros y variables adecuadas, pueden impulsar el rendimiento empresarial de forma exponencial.
Detección de audiencias
En el mundo del Marketing, tener bien definidos los segmentos de usuarios es muy importante, pero más aún encontrar audiencias que nos vayan a ayudar a impulsar nuestras rentabilidades.
Para ello, lo que queremos hacer es detectar a través de las herramientas de Paid Media cuáles son las audiencias de usuarios que mayor rentabilidad nos aportan y buscar dentro de nuestro CRM usuarios similares para impactarlos con nuestra publicidad y convertirlos en Leads de calidad.
Es importante tener además un Lookalike determinado que nos permita encontrar similitudes con un bajo margen de error.
Para poder detectar estos usuarios, lo ideal es combinar algoritmos de Clustering, como puede ser el K-Means con alguno de Clasificación, uno que suele funcionar muy bien es el Random Forest Classifier, pero siempre debemos probar varios con hiper parámetros diferentes para encontrar la precisión y especificidad óptimas.
Patrones de compra
A la hora de vender productos y servicios, uno de los puntos más importantes es encontrar patrones de compra temporales y patrones de similitud entre usuarios para detectar cuáles son las características de nuestros clientes potenciales y encontrar usuarios similares para “engancharlos” a nuestros productos.
En este caso, el trabajo iría ligado tanto al análisis de datos como a la predicción. Lo ideal sería buscar qué variables son las que más se repiten entre nuestros usuarios y alimentar nuestros algoritmos con estas.
La diferencia entre los patrones de compra y la segmentación de usuarios es que aquí podemos predecir cómo usuarios con diferentes características similares comprarán o estarán más interesados en determinados productos en ciertos momentos.
Aquí no solo analizamos la estacionalidad, sino también cómo un usuario con X características que ha visto Y productos podrá estar interesado en los productos Z a cierta hora, lo que que nos ayudará a crear campañas de Paid Media o incluso de Email / SMS Marketing para animarle a adquirir nuestros productos o servicios.
Aquí aplicaríamos una mezcla entre algoritmos de Regresión y Clasificación para mejorar la potencia de nuestro análisis y predicción, pero este problema también iría ligado a un potente análisis manual por parte de los analistas.
Churn de usuarios
Se estima que conseguir a un cliente nuevo cuesta diez veces más que mantener a uno fiel, y por eso es tan importante mantener a los clientes que ya tenemos, cuidarlos debería ser una de las prioridades de toda empresa.
Por eso conocer el Churn es tan importante. Como ya sabemos, el Customer Churn es el momento en que un usuario deja de utilizar nuestros productos o servicios, básicamente lo perdemos.
Entendiéndolo y analizándolo de forma activa, seremos capaces de predecir qué usuarios van a caer y cuándo lo van a hacer, aportandonos margen de maniobra para ofrecerles algún descuento u oferta o reforzar las acciones que se realicen con él. Además, conociendo este churn, podremos detectar patrones y similitudes entre las características de estos usuarios para predecirlo con mayor precisión a medida que vayamos avanzando en el tiempo.
La mejor forma de estimar el Customer Churn es utilizando una Churn Probability, donde cada registro tendrá esta probabilidad que irá cambiando en un horizonte temporal, donde veremos cómo aumenta o disminuye esa probabilidad en función de los días que hayan pasado.
Para ello, lo ideal es realizar una combinación de algoritmos de Regresión con algoritmos de Clasificación. En estos proyectos suele funcionar muy bien la Regresión Logística como algoritmo de Clasificación. Además, podríamos representar este Churn tras la predicción con una tabla de Cohortes donde visualmente veríamos los porcentajes.
Predicción de qué productos comprará un usuario
Uno de los aspectos más beneficiosos es el de predecir qué tipo de productos comprará un usuario en concreto.
Los supermercados y centros comerciales realizan inferencias a través del carrito de la compra, una vez que sabemos qué productos están comprando los usuarios podremos predecir el Cross-Selling.
Esto es muy potente para recomendar productos en los e-commerce y animar a los usuarios para que compren “complementos” a los productos que están adquiriendo en el momento.
Para este tipo de proyectos podemos utilizar Redes Neuronales o algoritmos tradicionales basados en reglas de asociación, como el Apriori o Eclat.
Predecir qué Lead se convertirá en cliente
A día de hoy, el TeleMarketing sigue siendo uno de los canales offline más poderosos dentro del Marketing.
Pero los Call Center se enfrentan a un problema creciente, y es el de la gran cantidad de datos que se les suministra, lo cual puede generar la famosa “parálisis por análisis” donde los trabajadores no saben entre tanto Lead a cual atacar y a cual no.
Para ello, los Científicos de Datos podemos predecir con cierto margen de error a qué usuarios debería impactar cada trabajador y cuáles de ellos serán más proclives a convertirse en clientes.
Podéis ver más información sobre cómo realizamos esto aquí: Machine Learning para mejorar la captación de Leads
Además, recalco la importancia de conocer a los trabajadores del Call Center, ya que cada uno por su personalidad o entorno tendrá mayor facilidad para impactar a usuarios con ciertas características y no a otros.
Compararemos los clientes actuales con los posibles clientes para sacar patrones y “bolsas” de posibles Leads, además con los algoritmos de clasificación podremos predecir con qué Lead debería contactar cada trabajador en función de sus características personales.
La mejor alternativa para realizar esto es combinar algoritmos de Clasificación con algoritmos de Clustering, que vayan siendo actualizados y alimentados cada día con los resultados de cada llamada y asignar ciertas reglas que lleven a cada “bolsa” de usuarios al trabajador más acorde.
Sistemas de recomendación personalizados
Muy similar a la predicción de qué producto comprará cada usuario. Lo que nos interesa es predecir el gusto del usuario y su tendencia en función de sus preferencias actuales, para poder impactarle con productos acorde a sus gustos.
Una de las empresas que mejor utiliza este sistema es Netflix con su recomendador web, muchas webs también tienen un motor de recomendación que va mostrando a los usuarios en la sección de recomendaciones productos que encajen con su gusto.
Podemos utilizar un Content Based Filtering y la similitud del coseno para implantar la predicción y realizar recomendaciones adecuadas para mejorar la experiencia del usuario y optimizar nuestros recursos.
Optimización de la inversión publicitaria
Este apartado es prácticamente repetir varios de los apartados anteriores. Pero considero muy importante comprender la potencia de aplicar técnicas de Machine Learning en la optimización de la inversión publicitaria.
Al final trabajamos con un presupuesto fijo o variable, el cual nos interesa que saque la mayor rentabilidad posible si trabajamos en campañas de Performance.
Para conseguirlo deberemos aplicar nuestras predicciones, para impactar a los usuarios con mayor probabilidad de convertirse en Leads o convertir, aplicando a la par algoritmos de regresión para predecir los momentos idóneos para lanzar esta publicidad, sabiendo qué soporte será el más “óptimo” en ese momento y alternando esta publicidad en el horizonte temporal entre diferentes soportes y audiencias de usuarios.
Incluso iríamos más allá, una vez analizados estos temas comenzamos a analizar el Feedback generado por los usuarios utilizando Procesamiento de Lenguaje Natural para comenzar a pivotar mensajes e imágenes para buscar la polaridad positiva y un sentimiento positivo en nuestra comunidad de usuarios y clientes.
Modelos de atribución
Uno de los grandes desafíos en el mundo del Marketing Digital es el de averiguar a qué canal pertenece cada conversión.
Un usuario puede haber entrado a ver un producto a través de tráfico orgánico, directo, de pago, de referencia, de redes sociales… Pero, ¿cuál ha sido el que ha derivado en la conversión?
Habitualmente se utilizaría un Modelo de atribución de Last click donde la conversión se asignaría al último canal por el que ha entrado el usuario pero, como saben mis compañeros de sector, eso es algo bastante injusto, ya que le estamos quitando un peso importante a los demás canales.
A día de hoy, no hay una fórmula perfecta para ello, pero hay ciertos algoritmos que ayudan a acercarse mucho a la realidad del peso de cada canal, el principal a día de hoy es el Modelo de las Cadenas de Markov donde jugaremos con las probabilidades condicionadas de los eventos con un proceso estocástico discreto.
Este modelo es frecuente encontrarlo en meteorología e incluso en bolsa, donde ha llegado a dar muy buenos resultados si la metodología adecuada es la correcta.
Contenido adaptado para mejorar la experiencia del usuario
El contenido que nos encontramos en internet, el estilo de las páginas webs, la distribución de los botones, la distribución de los supermercados… Todos estos puntos no son casuales, a lo largo de los años ha habido alguien enfocado en la experiencia de usuario que ha ido dando recomendaciones de cómo debería ser este contenido, distribución o incluso diseño.
Pero los Científicos de Datos podemos aportar soluciones adicionales y cuanto menos creativas.
Uno de los datos más importantes es el feedback que generan los seguidores y clientes, a día de hoy es un filón debido a que hay millones de usuarios interactuando día a día en las redes sociales, portales de opinión y recomendación, correo electrónico, llamadas telefónicas (a cliente)…
Con las técnicas y herramientas adecuadas, somos capaces de extraer esta información, limpiarla, clasificarla y visualizarla para ver la polaridad y el sentimiento que genera el feedback de los usuarios en cada producto y topic, aportándonos la capacidad de pivotar estrategias de Marketing para quitar lo que genera feedback negativo y reforzar lo que genera feedback positivo.
Para ello, podemos utilizar algoritmos de Procesamiento de Lenguaje Natural que, combinados con otros algoritmos de Machine Learning como el Clustering y Clasificación, nos pueden aportar todos estos insights que tan beneficiosos son para mejorar la rentabilidad del negocio.
Segmentación de usuarios
Algo de lo que hemos hablado durante todo el artículo es sobre el Clustering o Segmentación de usuarios.
Cuando tenemos una base de datos de clientes, nos interesa conocer los segmentos o clusters que poseemos. Estos clusters se generan por similitudes según las variables y características de cada usuario.
Agrupando a los Leads o clientes en grupos seremos capaces de orientar campañas de Marketing a cada grupo o focalizar esfuerzos en clusters diferentes en función de la estacionalidad.
Las posibilidades son infinitas, por eso es uno de los métodos más útiles.
Los algoritmos utilizados serán de Clustering y de forma más específica dependerá del tipo de variables que poseamos, pudiendo utilizar K-Means, DBSCAN, K-Medoids, AGNES…
Ahora que he explicado una gran parte de las posibilidades que ofrece la Ciencia de Datos y el Machine Learning en el Marketing Digital, espero que a las personas que no están metidas en este sector le quede claro lo que podemos ofrecer los Especialistas en Datos y que aquellos que sí lo están pueden extraer alguna idea de entre los puntos narrados.
Mi gran pasión es el mundo de los Datos y es increíble todo lo que podemos aportar en todos los departamentos empresariales y sectores del mundo de la empresa, salud, científico, militar…
Lo mejor de todo es que esto no ha hecho más que empezar, con el surgimiento del Deep Learning van apareciendo nuevas aplicaciones y herramientas que nos van a permitir realizar acciones y actividades que ni siquiera se nos pasan por la mente a día de hoy.
¿Te interesa conocerlas? En APACHE DIGITAL nos mantenemos a la última día a día para poder ofrecer a nuestros clientes las tecnologías más disruptivas del mercado para ayudarles a optimizar sus recursos, incrementar sus ventas y por supuesto divertirnos.
