Hoy en día es vital para los negocios tener una mentalidad y una cultura data driven centrada en el cliente.
Una estrategia basada en datos permite conocer y cumplir con las expectativas de los clientes. Los datos y los análisis adecuados nos ayudan a entender lo que los motiva, cuáles son sus puntos de “dolor” y que es lo que más les interesa. Los datos nos ayudan a comprender su comportamiento actual de compra y nos permite con machine learning proyectar su comportamiento futuro. Esto permite crear experiencias únicas y relevantes para el cliente, hacer crecer la lealtad y nutrir aquellos clientes que serán los más valiosos en el futuro.
¿Cómo en Data Insights ayudamos a una Tienda de Retail a Profundizar la Relación con sus Clientes Actuales?
Nuestro cliente quería identificar sus clientes más valiosos de manera de profundizar la relación con ellos, lograr aumentar sus ingresos y poder priorizar y optimizar su presupuesto de marketing de acuerdo al nivel de importancia de sus clientes.
Nuestro objetivo fue implementar una serie de acciones con Inteligencia Artificial, que pudieran ser utilizadas fácilmente por el equipo interno de nuestro cliente, a través, de un dashboard analítico con reportes mensuales automatizados, para que pudieran ver los avances de su toma de decisiones, basados en los insights obtenidos de los resultados de los distintos modelos de machine learning desarrollados.
DESAFÍOS:
Para comenzar realizamos un óptimo de Pareto que nos permitió descubrir que el 58% de las ventas provenían del 10% de sus clientes, por lo que fijamos ciertos desafíos en conjunto con el cliente.
Identificar a los Clientes más Valiosos:
Invertir en un programa de lealtad tiene todo el sentido cuando puedes identificar y monitorear a tus clientes más leales, a tus mejores clientes, a tus clientes nuevos y tus clientes perdidos, para crear campañas personalizadas para cada segmento de clientes.
Aumentar la Retención de Clientes:
Generar fuertes conexiones con los clientes, aumentar la rentabilidad de la base actual de clientes, fomentar la lealtad de marca son impulsores relevantes asociados a las actividades de retención de clientes basados en datos. El objetivo es mantener los clientes actuales, ya que permitirán un flujo de ingresos estable y constante, junto con la reducción de costos para la adquisición de clientes nuevos. Es por eso la importancia de contar con un Modelo Predictivo de Fuga, para anticiparnos a la pérdida de clientes.
Realizar Recomendación de Productos Personalizados:
Nuestro cliente contaban con un e-commerce estático, que no generaba ninguna diferencia según quién ingresaba al sitio web y necesitaba que esto cambiara con urgencia.
La personalización apunta a comprender cada cliente en un nivel individual y generar una estrategia basada en datos que permita hacer sentir al cliente con un toque personal para que genere una interacción más profunda con la marca.
NUESTRAS SOLUCIONES:
Segmentación de Clientes con Machine Learning:
Comenzamos realizando un análisis RFM (recencia, frecuencia y monto de compra). Es un análisis numérico del comportamiento de compra de cada cliente.
Con la recencia pudimos medir la sensibilidad del cliente a las ofertas o promociones. La frecuencia la asociamos a un cliente interesado y satisfecho. Y el monto de compra nos permitió hacer una separación en aquellos clientes que son fuertes compradores de los que no.
Esta segmentación nos permitió optimizar las actividades de marketing, priorizar el presupuesto, determinar el tamaño de cada segmento, todo esto muy relevante para la toma de decisiones y definición de la estrategia.
Con estos segmentos creados, posteriormente se predijo con algoritmo K-means y el método Elbow, el número óptimo de segmentos relevantes y bien distinguibles que nos permitieron responder preguntas de negocios y tomar decisiones de marketing específicas según lo que necesitó cada segmento.
La segmentación bien distinguible y diferenciada permitió a la empresa realizar promociones y ofertas con descuentos adecuados, según los segmentos descubiertos.
Modelo Predictivo de Compra a 90 días para cada Cliente:
Desarrollamos con machine learning, un modelo predictivo que proyectó que cliente compraría en los próximos 90 días, junto con la probabilidad de compra de cada cliente y el monto que compraría. Este modelo nos permitió identificar cuáles eran los clientes con la mayor probabilidad de compra, de manera que el área comercial realizara acciones de marketing preventivas, priorizando estos clientes.
Además, se detectó un grupo de clientes que compraron hace poco (recencia menor a 90 días) y con probabilidad de compra baja. Al contar con esta información el equipo de marketing y ventas se anticipó, tomando acciones de marketing que impidió que eso sucediera.
También se pudo analizar aquellos clientes que se predijo comprarían y finalmente no compraron. Esto clientes tenían una alta probabilidad de comprar y terminaron no comprando. Fueron oportunidades perdidas, que llevaron a analizar qué se hizo mal y poder corregir en el futuro.
En resumen, se pudo comprender en profundidad en qué clientes valía más la pena enfocarse para destinar esfuerzo y recursos de marketing.
Modelo Predictivo de Fuga en Tiempo Real:
Implementamos un modelo predictivo de fuga con acciones de marketing automatizadas que fueron enviadas por mail, whatsapp y mensaje de texto, relacionadas con los drivers de fuga encontrados.
El modelo que desarrollamos entrega un score de fuga, además de una categorización de nivel bajo, medio o alto de fuga, que activa la acción de marketing automatizada, de acuerdo al driver de fuga asociado a su posible pérdida.
Esto permitió apoyar la estrategia de retención de clientes, entregando información muy valiosa a los Gerentes de Marketing y Ventas, y una reacción inmediata con la acción de marketing automatizada.
Modelo de Recomendación de Productos:
Creamos un modelo de recomendación de productos junto con un Market Basket Analysis, que permitieron procesar una gran cantidad de transacciones y comportamiento de compra de los clientes, logrando aumentar las ventas, mejorar diversos KPI’s de negocio, engagement de clientes, satisfacción de usuarios e integrar el modelo de recomendación a su e-commerce y con acciones automatizadas en todo el marketing funnel. Además, permitió generar actividades de cross-sell y up-sell bien orientadas.
El modelo de recomendación predijo las preferencias de los clientes y propuso productos de forma personalizada, basado en los datos de comportamiento de compra de cada cliente. Con los datos de clientes con preferencias similares, el algoritmo predijo qué tipo de productos eran atractivos para otro cliente.
DASHBOARD ANALITICO:
Creamos un dashboard que entrega la posibilidad de un análisis multidimensional de toda la data disponible con los resultados de comportamiento de compra de clientes y los resultados de los distintos modelos predictivos con machine learning realizados.
Con los resultados de los modelos predictivos pudieron visualizar:
· Insights en tiempo real.
· Scores dinámicos de fuga y rfm para cada cliente.
· Trackear engagement y medir la efectividad del programa de retención de clientes.
· Oportunidad para cada área de la empresa de comprender a los clientes desde una visión 360º.
BENEFICIOS:
Con el desarrollo de una estrategia data-driven se cubrió un amplio espectro, respecto a generar una transformación digital en la empresa, impregnando una cultura data-driven y centrada en el cliente, siendo esto un real activo para el negocio.
· Visualizan los resultados de cada modelo predictivo desarrollado, además de generar y controlar acciones de marketing automatizadas y personalizadas previamente acordadas.
· Reasignaron presupuesto de marketing a los clientes más rentables, generando acciones diferenciadas enmarcadas dentro de un programa de lealtad.
· Generamos certezas, respecto a cuáles son sus clientes más leales y que debían poner especial cuidado de no perderlos y mejoraron las estrategias de Up-Selling y Cross-Selling.
· Identificamos y aumentamos la preocupación por sus clientes más valiosos, reduciendo la exposición a pérdidas.
· Se crearon comunicaciones y experiencias personalizadas con cada uno de los clientes.
· Se mejoró la experiencia y satisfacción de clientes.
· Se incrementó engagement de clientes.
· Mejoraron lealtad de marca.
· Toman decisiones más rentables.
· Toman decisiones basadas en datos y no sólo por la experiencia o de “guata” como se dice.
· Organizaron el layout de la tienda física y de e-commerce de acuerdo a las tendencias encontradas.
· Cuentan con un completo análisis de comportamiento de compra de sus clientes.
· Diseñaron su catálogo de productos con un objetivo claro.
Se logró impactar en el Negocio:
· Los clientes dentro del programa de lealtad aumentaron un 14% sus ventas, en cambio los que estaban fuera, sólo lo hicieron en un 3%.
· 23% de Mayor Efectividad en el Cierre de Negocios.
· 44% de Mayor Tráfico y Engagement.
· 26% más de conversiones.
· Indice de Retención de clientes mejoró en un 23% al aplicar el modelo de fuga y predicción de compra.
Es clave para los negocios hoy en día utilizar Data Science y Machine Learning para optimizar el approach a acciones de marketing personalizadas, la adquisición de clientes, retención de clientes a largo plazo y un engagement continuo.
Si necesitan implementar una estrategia Data Driven con Data Science y Machine Learning, escríbenos a contacto@datainsights.cl. Siempre estamos dispuestos a aclarar tus dudas y ayudarte a comprender cómo una estrategia basada en datos impulsa tu negocio y cómo otras empresas han logrado superar desafíos comerciales similares.