Hoy en día, no puede haber Marketing sin Data Science. Es esencial para optimizar y mejorar los esfuerzos de marketing y ventas, la utilización de data science y machine learning. 64% de los líderes del mundo del Marketing reportan que las estrategias data-driven son vitales en la economía de hoy. Existen múltiples casos de uso, que marcan una diferencia sustancial en el negocio, es por eso que comenzaremos con uno de los principales, la segmentación de clientes y predicción de customer lifetime value utilizando machine learning.
Hace 3 meses estuve con un amigo de la Universidad que tiene una imprenta bastante grande y me contaba que ellos prácticamente no utilizan los datos de su CRM, más allá del seguimiento que hacen los vendedores. No tienen ninguna estrategia para optimizar un enfoque de marketing personalizado, adquirir clientes, retener clientes a largo plazo y aumentar frecuencias de compras. Me pareció increíble que pese a eso, lograban tener resultados razonables con su negocio y le estuve comentando acerca de los beneficios de sacarle verdades a los números y datos, con el fin de comprender en profundidad el comportamiento de compra de sus clientes.
Las compañías más exitosas son aquellas que conocen tan bien a sus clientes que son capaces de anticipar sus necesidades. La analítica de datos, junto con machine learning nos da la posibilidad de extraer insights que causen impacto en el negocio, además de ser capaces de segmentar de una forma tal que nos permita agregar valor al negocio.
Para poder abordar este tipo de desafíos en Data Insights, lo que hacemos en un principio es realizar una segmentación RFM. El análisis RFM es una excelente metodología que nos permite crear segmentos basados en recencia, frecuencia y monto de compra. Nos permite identificar a los mejores clientes. Una vez creados estos segmentos, buscamos predecir a través del algoritmo K-means segmentos relevantes y bien distinguibles.
Nos pusimos manos a la obra con la imprenta de mi amigo y utilizamos la información histórica de compra de los clientes para poder obtener insights en patrones de consumo de clientes, de manera de agruparlos en segmentos claramente identificables e interpretables.
Además, como una forma de seguir obteniendo valor de los datos y los podamos utilizar de manera activa en el negocio, predecimos el customer lifetime value de los clientes, utilizando diversas metodologías de machine learning y aprovechamos este conocimiento para construir variables de compras de los clientes, que nos permitan predecir y pronosticar transacciones de los próximos meses. Esto ayuda a las empresas a comprender cuáles son los canales y campañas viables, identificar áreas para reducir costos, crear estrategias de retención y planificar el inventario con la adecuada combinación de productos.
En resumen la segmentación de clientes y predicción del customer lifetime value, son algo esencial a realizar en Marketing, ya que nos permite interactuar con cada cliente desde un approach más eficiente y así tomar las mejores acciones y decisiones para el negocio.
En sólo 3 meses de trabajo ya vemos resultados positivos, logramos aumentar las ventas en un 4%, al haber sido capaces de orientar a los ejecutivos de ventas, respecto a prioridades de seguimientos, como también asignar presupuestos diferenciados de acuerdo al CLV. Tenemos certezas, respecto a cuáles son los clientes más fieles y que debemos poner especial cuidado de no perderlos. Realizamos una asignación más efectiva de los gastos de marketing, identificamos y aumentamos la preocupación por los clientes más valiosos, redujimos la exposición a pérdidas y aumentamos cross y up selling. Es por eso que ahora ya estamos trabajando en predicción de fuga con machine learning.