marketing intelligence
DESCRIPTION
Marketing Intelligence, o cómo digerir los datos para mejorar las decisiones en Marketing. Desayuno AMDIA. 26 de Abril de 2012. Presentadores: Freddy Rosales, Néstor MartínezTRANSCRIPT
© MarketingIQ®, 2012 Slide 1
Desayunos AMDIA
Información y formación, fresca y nutritiva,
para los que están, o quieren estar, en la vanguardia del marketing
Desayunos AMDIA
© MarketingIQ®, 2012 Slide 2
Auditorio UCEMA, 26 de abril de 2012
Freddy Rosales, Néstor Martínez
Marketing Intelligence,o cómo digerir los datos
para mejorar las decisiones en marketing
© MarketingIQ®, 2012 Slide 3
Agenda de esta sesión
� Conciencia de la carencia: qué dicen los CMOs de todo el mundo.
� La misión de la inteligencia de negocios (BI)y, por extensión, la de la inteligencia en marketing: MI.
� Las herramientas y procesos del análisis de datos.
� Casos, casos, casos… para ir acostumbrando el ojo y la mente.
© MarketingIQ®, 2012 Slide 4
¡ATENCIÓN!
LA SIGUIENTE PRESENTACION PUEDE HERIR SU SENSIBILIDAD
PROHIBIDA PARA MARKETINEROS MENORES
La casa no se responsabiliza si no está acompañado por su analista… estadístico.
© MarketingIQ®, 2012 Slide 5
LA VENGANZA DE LOS NERDS
© MarketingIQ®, 2012 Slide 6
¿Se miden los resultados de programas de marketing?
� Una investigación de IBM que ha tenido amplia difusión en marzo de 2012 ilumina la percepción actual de los CMOs.
� En resumen, no se mide.
© MarketingIQ®, 2012 Slide 77
�Globalization has brought the world to everyone’s backyard
�Everyone is a broadcaster, publisher and a critic: there is nowhere to hide
�Transparency is the new price of entry
� Do more than ever, inside and outside the
organization
� Be more accountable for return on investment
(ROI)
� Use tools and technologies that their children
understand better than they do
CMOs: ¿nadando, vadeando o ahogándose?
In this digital era... CMOs have to...
And...
CMOs have just three to four years
to make their mark
And...
more data, more sources,
less clarity
IBM Institute for Business Value
“Being able to collect the right information, making sure the right people have access
to it, can analyze it, and make recommendations based on insights – this is where
marketing needs to lead, invest, engage.”Engineering and machinery senior VP sales and marketing, France
© MarketingIQ®, 2012 Slide 88
Los CMOs se sienten faltos de preparación
Expected level of complexity and preparedness to handle itPercent of CMOs responding
IBM Institute for Business Value
Source: Q4 How much complexity will your organization have to master over the next 3 to 5 years compared to today? n=1709; Q6 How prepared do you feel for the expected complexity ahead? n=1712
31%complexity
gapFeel prepared for
expected complexity
48%
Expect high/very high
level of complexity
over 5 years
79%
“In this coming age of complexity and
uncertainty, there is a serious risk of
‘losing our north,’ of being intoxicated by
data overload and suffering from
corporate indigestion.”Industrial products
senior managing director/marketing, Spain
© MarketingIQ®, 2012 Slide 99
50%71%
68%
65%
63%
59%
57%
56%
56%
56%
55%
54%
50%
En LA, las redes nos preocupan más que la big data
Global UnderpreparednessPercent of CMOs reporting underpreparedness
IBM Institute for Business Value
Data explosion
Social media
Growth of channel and device choices
Shifting consumer demographics
Financial constraints
Decreasing brand loyalty
Emerging market opportunities
ROI accountability
Customer collaboration and influence
Privacy considerations
Regulatory considerations
Source: Q8 How prepared are you to manage the impact of the top 5 market factors that will have the most impact on your marketing organization over the next 3 to 5 years?
n=149 to 1141 (n = number of respondents who selected the factor as important)
Global outsourcing
Corporate transparency 47%
80%
LA Underpreparedness
67%
60%68%67%
In our region, the lack of preparedness to
approach Social Media is greater than in
the rest of world
© MarketingIQ®, 2012 Slide 1010
50%
Social media
Mobile applications
Content management
Tablet applications
Single view of customer
Collaboration tools
Predictive analytics
Search engine optimization
Reputation management
Campaign management
Score cards/dashboards
E-mail marketing
Customer analytics
CRM
Pero igualmente una mayoría de CMOs busca herramientas
para dominar el volumen, la velocidad y la variedad crecientes en los datos
IBM Institute for Business Value
Global
Plans to increase the use of technologyPercent of CMOs selecting technologies
Source: Q22 Do you plan to decrease or increase the use of the following technologies over the next 3 to 5 years? n=1616 to 1671
82%
81%
81%
80%
73%
72%
70%
68%
66%
63%
62%
61%
46%
56%
91%
89%
86%
89%
According to Social Media and
Analytics unpreparedness in our
region, they want to increase the
use of Technology in those two
areas
Our
Region
© MarketingIQ®, 2012 Slide 11
¿Big data? ¿Qué es eso?
Nota: 1 exabyte es 1 millón de terabytes…
� El 90% de los datos existentes en la actualidad fue generado en los últimos 2 años.� 12 Terabytes de tweets diarios se convierten en indicadores de sentimiento.� 350 millardos de lecturas anuales de medidores proveen proyecciones energéticas.� 500 MM de registros de contacto diarios analizados en tiempo real facilitan la predicción de abandonos.
http://www-01.ibm.com/software/data/bigdata/
© MarketingIQ®, 2012 Slide 12
Areas afectadas por el tsunami de datos
SOS
© MarketingIQ®, 2012 Slide 13
� “El mapa se redibuja constantemente, porque es más baratoque nunca salirse del camino, desarrollar, innover y rehacer lo que creíamos sería lo siguiente”.
� “La tecnología sigue cambiando los derroteros que elegimospara llevar a nustros proyectos de aquí hacia allá. No vale la pena memorizar la ruta, porque pronto cambiará”.
� “El compás, la brújula, no obstante, es más importante quenunca. Si no sabés en qué dirección vas, ¿cómo sabrás queestás fuera de rumbo?”
� “Y sin embargo…”
� “… sin embargo dedicamos la mayoría de nuestro tiempo a aprender (o a enseñar) el mapa, el mapa de ayer, mientrasestamos a la vez ansiosos y temerosos de calibrar el compás”.
(Seth Godin, 2012)
© MarketingIQ®, 2012 Slide 14
¿Los ayudamos un poco?
© MarketingIQ®, 2012 Slide 15
Business Intelligence: una definición
“Es un paraguas bajo el que se incluye
un conjunto de conceptos y metodologías
cuya misión consiste en mejorar el proceso
de toma de decisiones en los negocios
basándose en hechos y sistemas que trabajan con hechos”
Howard Dresner
(Gartner Group), 1989
© MarketingIQ®, 2012 Slide 16
BI: recursos y herramientas
� Fuentes de datos : warehouses, data marts, etc
� Herramientas de administración de datos y metadata
� Herramientas de consulta y reporting
� Herramientas de modelización
Extracción, clean up y carga
de datos
DW
Metadata
Fuentes transaccionales
Queries y reportes
OLAP
Data Mining
© MarketingIQ®, 2012 Slide 17
TDWI Best Practices Report 2007(The Data Warehousing Institute)
El espectro de las Tecnologías de Business Intelligence (BI)
Valor para el negocio
Gra
do
de
co
mp
leji
dad
ALTO
ALTO
BAJO
Tecnologías de BI(aditivas, no excluyentes):
Análisis predictivo
Dashboards, scorecards
OLAP y visualizaciones
Queries, informes, herramientas de acceso y búsqueda
© MarketingIQ®, 2012 Slide 18
El “círculo virtuoso” del análisis de datos
Datos
Información
ConocimientoDecisión
Acción
18
Preparación
© MarketingIQ®, 2012 Slide 19
Un ejemplo de base transaccional de gestión de ventas
© MarketingIQ®, 2012 Slide 20
¿Cómo se visualizan esos datos? (1)
Drill Down - Roll Up
© MarketingIQ®, 2012 Slide 21
¿Cómo se visualizan esos datos? (2)
Slice and Dice
© MarketingIQ®, 2012 Slide 22
Problemas usuales en contextos comerciales
� Adquisición de clientes y segmentación de cartera
� Cross y up selling
� Churning y attrition
� Scoring
� Análisis de respuesta a campañas y estímulos de marketing
� Forecasting
� Canasta de productos
� Prevención de morosidad
� Detección de fraudes
© MarketingIQ®, 2012 Slide 23
Ej.: ¿Qué tan frecuentemente compran los clientes?Análisis univariado: Frecuencia mensual promedio
© MarketingIQ®, 2012 Slide 24
DATOS
REALES
Estratos de NSE geocodificados en el AMBA
Gentileza de Datamap
© MarketingIQ®, 2012 Slide 25
Densidad de clientes alrededor de una sucursal
Gentileza de Datamap
© MarketingIQ®, 2012 Slide 26
Distancia Vs. Total Clientes
5,6
18,6
40,1
55,7
65,3
77,181,2 83,2 85,4 86,9 88,7
91,7 94,296,8 98,4
70,7
0102030405060708090
100
200
400
700
1100
1500
1900
2500
3000
3500
4000
4500
5000
6000
7000
8500
1000
0
Distancia en mts.
% C
lien
tes
To
tale
s
Total Clientes
Gentileza de Datamap
Determinación de un “trade area”
© MarketingIQ®, 2012 Slide 27
Auditorio UCEMA, 26 de abril de 2012
Freddy Rosales, Néstor Martínez
Marketing Intelligence:data mining para no iniciados… pero interesados
© MarketingIQ®, 2012 Slide 28
Nuestra visión del Data Mining
• Es el proceso de exploración y análisis de los datos para obtener patrones significativos y reglas de negocio.
Definición de sus pioneros, Michael Berry y Gordon Linoff
¿Qué ES el Data Mining ?
•No es un producto que se compra enlatado sino una disciplina que debe ser dominada: es esencial la calidad de los analistas.
•No es una solución instantánea a los problemas de negocio: prepara decisiones transformando datos en conocimiento.
•No es un fin en sí mismo sino un proceso que ayuda a encontrar soluciones a problemas de negocio: sus conclusiones deben ser eminentemente operativas.
¿Qué NO ES el Data Mining?
© MarketingIQ®, 2012 Slide 29
Modelos de Data Mining� Principales objetivos del proceso de Data Mining:
� predicción
� descripción
� El método a utilizar depende de los objetivos perseguidos por el análisis perotambién de la calidad y cantidad de los datos disponibles:
Fuente: Mining your Own Business Data Using DB2 Intelligent Miner for Data
© MarketingIQ®, 2012 Slide 30
El (la) Analista de Datos
Business goals
Task Discovery
DataWarehouse
Data Discovery
Data Cleaning
Data Transformation
Mining Data
Data Analysis
Data Modelling
Insights
Knowledge Discovery
© MarketingIQ®, 2012 Slide 31
Factores clave de éxito de un sector de MI
Construcción de una línea de acceso a los
datos crudos, con seguridad (hashing y
autorizaciones) según normas de Sistemas,
que vuelque periódicamente las transacciones a BI.
Instalación de un centro autónomo de
procesamiento de datos (hardware,
software y recursos humanos), exclusivo
para Marketing.
Analista especializado como
soporte de los recursos operativos
del área.
� Es el vínculo entre las áreas detecnología informática y lasáreas de negocios
� Traduce los requerimientos deinformación en preguntasapropiadas para su análisis conlas herramientas de minería.
� Realimenta el DW de la compañía con nuevos criterios de data cleaning y data validation.
� Un único project leader
� Un equipo multidisciplinario integrado por personas de las áreas de IT y de negocio
� Las unidades de negocio están involucradas desde el comienzo
� El área de IT está involucrada desde el comienzo
� Un pequeño proyecto piloto que muestre las ventajas del Data Mining
© MarketingIQ®, 2012 Slide 32
Una posible organización del área de MI
Lectura ODBCdesde SPSS / SAS o similar
Analista
© MarketingIQ®, 2012 Slide 33
El peor dolor de cabeza de un CMO,pero su gran oportunidad
CLIENTES ACTIVOS EN CADA MES SEGÚN EL MES DE ACTIVACION
Mes de actividad
0601 0602 0603 0604 0605 0606 0607 0608 0609 0610 0611 0612 0701 0702 0703 0704 0705 0706 0707 0708 0709 0710 0711 0712 0801 0802 0803 0804 Altas
Mes primera transacción
200601 222.492 188.359 184.844 175.858 178.591 174.410 174.085 170.862 168.840 167.911 164.745 163.412 163.700 159.366 159.095 156.112 155.867 153.880 154.438 151.491 149.837 150.907 147.546 143.281 147.851 144.121 141.214 142.423 222.492
200602 0 35.911 20.767 20.538 20.489 21.022 19.720 20.537 18.910 20.160 18.576 19.661 18.121 19.345 18.110 18.386 17.926 18.362 17.904 18.155 17.119 18.269 16.985 16.970 16.976 17.414 16.211 16.928 35.911
200603 0 0 29.516 19.108 19.683 18.844 18.923 18.414 18.185 18.096 17.655 17.377 16.925 16.535 16.908 16.410 16.448 16.262 16.393 16.076 15.484 15.961 15.525 14.807 15.341 15.008 14.810 14.983 29.516
200604 0 0 0 17.016 10.297 10.225 9.886 9.945 9.416 9.694 9.181 9.329 8.815 8.864 8.863 8.895 8.706 8.745 8.718 8.643 8.405 8.618 8.236 7.927 8.275 8.051 7.852 8.137 17.016
200605 0 0 0 0 18.083 10.325 10.457 9.906 9.806 9.740 9.529 9.359 9.292 9.058 9.112 9.048 9.122 8.905 9.098 8.892 8.656 8.851 8.569 8.195 8.536 8.240 8.056 8.320 18.083
200606 0 0 0 0 0 15.615 9.209 9.218 8.526 8.917 8.282 8.459 8.019 7.991 7.901 7.853 7.758 7.784 7.737 7.641 7.337 7.651 7.339 7.146 7.308 7.230 6.911 7.140 15.615
200607 0 0 0 0 0 0 15.631 9.481 9.295 9.136 8.855 8.633 8.531 8.168 8.330 8.034 8.211 7.949 8.253 7.872 7.787 7.808 7.614 7.215 7.595 7.317 7.221 7.328 15.631
200608 0 0 0 0 0 0 0 16.522 10.010 10.076 9.425 9.416 8.995 8.878 8.747 8.699 8.603 8.588 8.602 8.580 8.201 8.511 8.106 7.808 8.077 7.901 7.617 7.797 16.522
200609 0 0 0 0 0 0 0 0 15.374 9.668 9.399 8.956 8.721 8.363 8.577 8.239 8.295 8.155 8.331 7.973 7.985 7.983 7.679 7.331 7.669 7.361 7.235 7.292 15.374
200610 0 0 0 0 0 0 0 0 0 14.254 8.525 8.522 7.978 7.885 7.858 7.751 7.612 7.551 7.592 7.486 7.217 7.438 7.087 6.850 7.051 6.925 6.698 6.904 14.254
200611 0 0 0 0 0 0 0 0 0 0 12.959 7.868 7.533 7.196 7.271 7.004 7.139 6.860 7.079 6.831 6.736 6.782 6.577 6.293 6.531 6.336 6.191 6.250 12.959
200612 0 0 0 0 0 0 0 0 0 0 0 13.302 7.779 7.614 7.566 7.384 7.333 7.293 7.329 7.152 6.994 7.160 6.817 6.606 6.831 6.601 6.390 6.571 13.302
200701 0 0 0 0 0 0 0 0 0 0 0 0 13.949 8.146 8.186 7.751 7.809 7.527 7.694 7.374 7.323 7.394 7.179 6.808 7.344 6.958 6.713 6.890 13.949
200702 0 0 0 0 0 0 0 0 0 0 0 0 0 13.032 7.961 7.841 7.584 7.461 7.542 7.303 7.092 7.207 6.886 6.758 6.994 6.895 6.571 6.718 13.032
200703 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12.507 7.884 7.929 7.483 7.662 7.349 7.199 7.251 6.987 6.667 6.894 6.613 6.546 6.552 12.507
200704 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12.807 8.101 8.056 7.955 7.748 7.359 7.589 7.102 6.885 7.116 6.856 6.698 6.936 12.807
200705 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13.922 9.034 9.309 8.678 8.569 8.557 8.227 7.682 8.009 7.696 7.587 7.697 13.922
200706 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13.504 9.017 8.839 8.302 8.383 7.950 7.689 7.803 7.620 7.401 7.581 13.504
200707 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.083 10.459 10.324 10.165 9.695 9.211 9.496 9.049 8.840 9.001 16.083
200708 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20.085 13.743 13.707 12.754 12.415 12.526 12.261 11.749 12.074 20.085
200709 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.582 12.755 12.224 11.293 11.721 11.065 10.903 11.019 19.582
200710 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.401 12.399 12.085 12.088 11.760 11.282 11.558 19.401
200711 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17.878 11.347 11.605 10.961 10.773 10.799 17.878
200712 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.682 10.835 10.580 10.079 10.359 16.682
200801 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20.635 12.455 12.149 12.136 20.635
200802 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.329 11.807 12.082 19.329
200803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.196 10.593 16.196
200804 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17.948 17.948
Total 222.492 224.270 235.127 232.520 247.143 250.441 257.911 264.885 268.362 277.652 277.131 284.294 288.358 290.441 296.992 300.098 308.365 313.399 326.736 334.627 341.251 358.348 357.361 355.951 381.107 382.603 381.700 400.016 690.215
Caso real 2010 de seguimiento de cohortes de clientes extraído de su contexto por confidencialidad.
© MarketingIQ®, 2012 Slide 34
Y cómo se lo muestra el analista:evolución de la cartera: % de nuevos respecto del stock
© MarketingIQ®, 2012 Slide 35
Otra visión de lo mismo:evolución de la cartera: % activos respecto del stock
© MarketingIQ®, 2012 Slide 36
La influencia de las promos: captación absoluta
Promo “BBB”
0
10.000
20.000
30.000
40.000
50.000
60.000
70.000
80.000
Promo “AAA”
Promo “CCC”
Incorporación de otra cartera
Campaña TV
© MarketingIQ®, 2012 Slide 37
Otros ejemplos de preguntas sobre clientesque han tenido respuesta con este análisis
� ¿Luego de cuántos períodos de inactividad consecutivos debo considerar que un cliente es baja definitiva?
� ¿Cuál es la tasa de resucitación espontánea de clientes en dependencia de la cantidad de períodos con inactividad?
� ¿Cómo fue la respuesta de los clientes baja ante la última acción de recuperación, en dependencia de la antigüedad de la baja?
� ¿Está relacionado el motivo de la baja con la probabilidad de recuperación?
� ¿Cuál es la “caída del primer período”? ¿Mix de motivos?
ES EL (RE)ENFOQUE DE RESULTADOS DE LA EMPRESA EN BASE A LOS CLIENTES
© MarketingIQ®, 2012 Slide 38
Evolución de la carteraEvolución de los activos
© MarketingIQ®, 2012 Slide 39
Secuencia máxima de inactividad
� Los valores medios para cada uno de los segmentos son:
Maximo período de inactividad
k_0_max
46.380 7,1
243.687 4,9
255.928 4,6
475.070 2,0
234.682 ,2
362.120 4,4
1.617.867 3,3
Outlier Cluster
1
2
3
4
5
Total
Segmentos
N Mean
� Los percentiles por segmento son:
Percentiles
Tukey's Hinges
k_0_max
,0000 3,0000 11,0000
1,0000 2,0000 6,0000
1,0000 2,0000 6,0000
,0000 ,0000 2,0000
,0000 ,0000 ,0000
,0000 2,0000 6,0000
Outlier Cluster
1
2
3
4
5
Segmentos
25 50 75
Percentiles
El análisis de los percentiles sugiere tomar como valor límite para considerar de baja a un cliente 6 meses de inactividad continua.
© MarketingIQ®, 2012 Slide 40
La (re)visión del negocio orientada a la Gestión de la Relación con los Clientes
(Tomado de Josep Alet, “Marketing Relacional”, 2009)
Plan de MarketingEficaz
Captación Nuevos Clientes
Reafirmación Clientes Actuales
Ventas cruzadas ycomplementarias
Mejora Eficiencia
Incremento deClientes
Gestión de La Voz
Disminución de Costes / Cliente
Incremento deVentas / Cliente
Plan de marketingeficaz
Captación nuevos clientes
Reafirmación clientes actuales
Ventas cruzadas ycomplementarias
Mejorade la eficiencia
Incremento declientes
Gestión de la voz del cliente
Disminución de costos / cliente
MarketingCom
+ VVC
Incremento deventas / cliente
Referencias/MGM
© MarketingIQ®, 2012 Slide 41
Estructura de costos de un proyecto de data mining
TareaProporción
de la duración
Análisis del negocio 20%
Análisis de datos 25%
Captura de datos 10%
Preparación de datos 15%
Data mining prop. dicho 10%
Interpretación de resultados 10%
Recomendaciones operativas 5%
Decisión de negocios 5%
70% del tiempo total dedicado al proyecto se insume en definir el problema y preparar la tabla de datos.
© MarketingIQ®, 2012 Slide 42
Pero estos esfuerzos suelen tener buen rendimientoEjemplo: análisis multivariado para segmentación - clusters
Cluster Distribution
243687 15,1% 15,1%
255928 15,8% 15,8%
475070 29,4% 29,4%
234682 14,5% 14,5%
362120 22,4% 22,4%
46380 2,9% 2,9%
1617867 100,0% 100,0%
1617867 100,0%
1
2
3
4
5
Outlier (-1)
Combined
Cluster
Total
N% of
Combined
% of Total
Se le especifica al sistema que agrupe a los clientes minimizando las “distancias” entre miembros del mismo cluster y maximizando las distancias entre clusters. Se suele buscar entre 4 y 9 clusters (valores limite sugeridos por SPSS). El analista elige la variante que resulta más relevante para fundamentar un plan de acción segmentado.
© MarketingIQ®, 2012 Slide 43
Perfil de los segmentos(output de análisis: IBM-SPSS)
Base: Stock completo
Mean
28 37 33 19 2 21 22
9 3 4 7 28 6 9
4,8 3,5 3,2 3,0 1,3 1,9 2,6
,61 ,77 ,76 ,87 ,97 ,71 ,81
Mesesvivo
Recency
Pagospor mesRegularidad
Outlier Cluster 1 2 3 4 5 Total
Segmentos
Transacc
Este es el output “crudo” de la herramienta analítica, en este caso SPSS.Pero esto se retrabaja para una mejor interpretación de los decisores.
© MarketingIQ®, 2012 Slide 44
Explicación de la segmentación transaccional de la cartera total
Indicador
Segmento
Loyal (1+2) Upgrade (3) Weak (4) Lost (5)
Meses vivo Extensa (>40) Baja (<10 m) Media (28 m) Muy baja (<5 m)
Recencia Muy baja (2 m) Baja (4 m) Media (7 m) Muy alta (>30 m)
Frecuencia Alta (>4) Media (2) Baja (<2) Baja (<2)
Regularidad Alta (>0.9) Alta (>0.9) Baja (<0.4) no aplica
Cantidad 486217 463.690 348.919 314.658
% 30% 29% 22% 19%
Descripción general de la tipología
Realiza alrededor de 4 transacc. por mes, con alta regularidad (el 90% de los meses). Es de alta durabilidad (3 años por lo menos). Es el 30% más valioso de la cartera, la mayor prioridad de protección y fidelización.
La cantidad de transacciones del promedio de toda la cartera. Todavía es relativamente nuevo, y aunque muestra una buena regularidad de pagos puede quedar inactivo varios meses sucesivos. Debería ser estimulado a agregar rubros que aumenten su frecuencia y regularidad, y llevarlo así a ser un Loyal.
Puede haber sido un upgradedentro del año de su ingreso, pero que al carecer de estímulos se ha caído de categoría. Ya ha acumulado muchos meses de inactividad consecutivos y está en serio peligro de ser baja. Luz roja.
De hecho ya están fuera de la cartera. Así como están las cosas, solo si «resucitan» espontáneamente entrarán nuevamente a ella. Será importante ensayar acciones de recuperación que los reinserten entre los clientes activos, llevándolos de rubro en rubro hasta rescatar como Loyals a los más propensos.
© MarketingIQ®, 2012 Slide 45
Análisis de secuencia de compras:fidelidad en automóviles
marcaanterior
marca comprada cero KmTotal Total
acumA B C D E
E 14,5% 11,3% 14,5% 17,1% 29,1% 20,3% 20,3%
B 15,9% 35,6% 13,2% 12,3% 13,8% 17,1% 37,4%
D 15,2% 14,7% 13,4% 30,1% 13,8% 15,4% 52,8%
F 12,2% 12,6% 13,9% 13,6% 13,1% 12,9% 65,7%
A 19,6% 5,5% 8,4% 9,2% 7,3% 11,1% 76,8%
C 10,3% 8,9% 24,5% 10,6% 9,2% 10,8% 87,6%
Resto 12,3% 11,4% 12,1% 7,1% 13,7% 12,4% 100,0%
control 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%
Análisis de cartera de clientes de concesionarias de autos, datos reales, marcas enmascaradas.
© MarketingIQ®, 2012 Slide 46
Ejemplo:
Product prospect scoringTécnica aplicada: regresión logística
© MarketingIQ®, 2012 Slide 47
El problema
� Se trata de una base de datos de clientes de una tarjeta de crédito que contiene atributos demográficos y de utilización de la tarjeta.
� Una pequeña proporción de los clientes posee una tarjeta “gold”.
� El modelo que se quiere desarrollar debe:� Identificar aquellos clientes que no poseen la tarjeta “gold” pero que,
en una campaña de venta de tarjetas “gold”, maximicen la probabilidad aceptar la oferta.
© MarketingIQ®, 2012 Slide 48
TARGET
© MarketingIQ®, 2012 Slide 49
© MarketingIQ®, 2012 Slide 50
Variables in the Equation
2.741 2 .254
.000 21.432 .000 1 1.000 1.000
11.103 20.219 .302 1 .583 66391.594
-10.203 20.219 .255 1 .614 .000
2.662 2 .264
-.112 20.354 .000 1 .996 .894
10.230 19.218 .283 1 .595 27709.540
.984 .068 209.315 1 .000 2.674
-12.693 19.219 .436 1 .509 .000
2.584 2 .275
-.157 20.459 .000 1 .994 .855
10.082 19.319 .272 1 .602 23918.831
.043 .011 14.812 1 .000 1.044
.690 .099 48.530 1 .000 1.993
-13.228 19.320 .469 1 .494 .000
ECIV
ECIV(1)
ECIV(2)
Constant
Step1
a
ECIV
ECIV(1)
ECIV(2)
SCIOS
Constant
Step2
b
ECIV
ECIV(1)
ECIV(2)
EDAD
SCIOS
Constant
Step3
c
B S.E. Wald df Sig. Exp(B)
Variable(s) entered on step 1: ECIV.a.
Variable(s) entered on step 2: SCIOS.b.
Variable(s) entered on step 3: EDAD.c.
COMPUTE z02 = -0.157 * (eciv = 1) + 10.082 * (eciv = 2) + 0.043 * edad + 0.690 * scios - 13.228.
COMPUTE pr02 = 1 / (1 + EXP (-z02)).
EXECUTE.
RECODE pr02
(LOW THRU 0.25 = 1)
(0.25 THRU 0.50 = 2)
(0.50 THRU 0.75 = 3)
(0.75 THRU HIGH = 4)
INTO prospect.
EXECUTE.
Desarrollo de la fórmula de regresión
© MarketingIQ®, 2012 Slide 51
Validación del modelo
20552107N =
GOLD
SINO
Pre
dict
ed p
roba
bilit
y
1.0
.8
.6
.4
.2
0.0
-.2
© MarketingIQ®, 2012 Slide 52
PROSPECT * GOLD Crosstabulation
20363 40 20403
99.8% .2% 100.0%
64.4% 1.9% 60.6%
4102 136 4238
96.8% 3.2% 100.0%
13.0% 6.6% 12.6%
1623 64 1687
96.2% 3.8% 100.0%
5.1% 3.1% 5.0%
5525 1815 7340
75.3% 24.7% 100.0%
17.5% 88.3% 21.8%
31613 2055 33668
93.9% 6.1% 100.0%
100.0% 100.0% 100.0%
Count
% within PROSPECT
% within GOLD
Count
% within PROSPECT
% within GOLD
Count
% within PROSPECT
% within GOLD
Count
% within PROSPECT
% within GOLD
Count
% within PROSPECT
% within GOLD
1.00
2.00
3.00
4.00
PROSPECT
Total
0 NO 1 SI
GOLDTotal
El 22% de la base (clientes conmás de 0.75 de probabilidad decompra) acumula el 88% de lastarjetas vendidas.
En ese segmento hay todavía5525 prospects
Detección de oportunidad
© MarketingIQ®, 2012 Slide 53
812 148 960 84,6% 15,4% 100,0% 10,9% 6,9% 10,0%
801 159 960 83,4% 16,6% 100,0% 10,7% 7,4% 10,0%
761 200 961 79,2% 20,8% 100,0% 10,2% 9,3% 10,0%
766 194 960 79,8% 20,2% 100,0% 10,3% 9,0% 10,0%
760 200 960 79,2% 20,8% 100,0% 10,2% 9,3% 10,0%
760 200 960 79,2% 20,8% 100,0% 10,2% 9,3% 10,0%
723 238 961 75,2% 24,8% 100,0% 9,7% 11,1% 10,0%
721 239 960 75,1% 24,9% 100,0% 9,7% 11,1% 10,0%
682 278 960 71,0% 29,0% 100,0% 9,1% 13,0% 10,0%
672 288 960 70,0% 30,0% 100,0% 9,0% 13,4% 10,0%
7458 2144 9602 77,7% 22,3% 100,0% 100,0% 100,0% 100,0%
1
2
3
4
5
6
7
8
9
10
DecildeScore
Total
NO SI
Acepta traspaso ??Total
NO SI
Acepta traspaso ??Total
NO SI
Acepta traspaso ??Total
Count % Row % Col
Yapa (gains chart): deciles de propensión a la respuesta positivaUn caso de extrapolación de claims a tipo de respuesta
(traspaso voluntario de empleados estatales del régimen de reparto al régimen de capitalización)
Los deciles 7,8,9 y 10 superan en su tasa de aceptación al promedio general del 22,3%.Este análisis llevó a la identificación de segmentos significativos para una propuesta de traspaso.
© MarketingIQ®, 2012 Slide 54
Product prospect scoringTécnica aplicada: regresión logística
© MarketingIQ®, 2012 Slide 55
� Matriz que devela el mix de estados de la cartera y permite desarrollar métricas fácilmente interpretables.
� Sencilla visualización de los fenómenos de stock tanto como los de flujo, en dependencia del diseño.
� Los “confirmados” suelen ser losclientes que compraron por segunda vez. Los primerizos son solo “compradores”.
Análisis típico de estados de cartera
PENDIENTES CONFIRMADOS TOTAL VIVOS
SEGMENTACION
Por su actividaden el mes
Por su pertenencia a un determinado cluster
Activos 32..824 19% 764.887 83% 797.711 73%
Inactivos 141.387 81% 155.789 17% 297.176 27%
Loyal 449.804 49%
Upgrade 250.129 27%
Weak 132.751 14%
Outliers 2.960 0%
Finales al xx-xx-xxxx 174.211 16% 920.616 84% 1.094.887 100%
© MarketingIQ®, 2012 Slide 56
Análisis de inactividades acumuladas
Inactivos en noviembre 20XX Activos en noviembre 20XX Totales de control (stock a nov’XX)
de cartera total may-oct 20XX
Nuevosy resucitados
de cartera may-oct 20XXde cartera total may-oct 20XX
Perdida(«Lost»)
VivaTotalstock
VivaTotalstock
Perdida, nuevos y resucitados
VivaTotalstock
Meses de inactividad
consecutiva
0 32.824* 764.887 797.711 32.824 764.887 797.711
1 95.524 95.524 95.524 95.524
2 50.664 50.664 50.664 50.664
3 46.613 46.613 46.613 46.613
4 48.427 48.427 48.427 48.427
5 28.650 28.650 28.650 28.650
6 27.298 27.298 27.298 27.298
7 a 12 117.447 117.447 117.447 117.447
13 y más 405.533 405.533 405.533 405.533
Total 522.980 297.176 820.156 32.824 764.887 797.711 555.804 1.062.063 1.617.867
Dashboard por grupos según proximidad de la baja
� Las cifras son las reales de noviembre 20XX según análisis a la fecha, conciliadas con el “dashboard" del slide anterior.
� Se advierte que 27.298 clientes de la cartera viva acumularon en noviembre 6 inactividades y al 30.11 habrán sido bajas, y otros 28.650 están en 5 y son bajas potenciales, recomendándose el testeo de acciones de retención preventiva.
� Los segmentos de menor cantidad de inactividades sucesivas deberían recibir impulsos de reactivación temprana, relacionados no solo con el período de inactividad sino también con los rubros pagados.
*Nota: incluye un 97.255 (34%) de «one-timers» (nuevos del año 20XX que no realizan una 2da transacción)
56
© MarketingIQ®, 2012 Slide 57
Dashboard drill-down de segmentos según proximidad de la baja
© MarketingIQ®, 2012 Slide 58
Modelo de predicción de demandapara un diario de circulación nacional
© MarketingIQ®, 2012 Slide 59
La situación
� 12.000 Puntos de Venta� 38.000 Km de distribución todas las noches� Ventana de tiempo para la distribución en 6.000 PV : 4 horas� Todos los días nueve diarios y aprox. cien revistas y libros, 362 días al año� 1.500.000 ejemplares distribuidos� 250.000 ejemplares devueltos todos los días� 1.200 series de datos diarios por cada título/edición� Ecuación compuesta: Carga-Devolución- Cantidad de Vendedores-
Agotados (Fuera de stock)� Modalidad de venta en consignación (lo que no se vende, se devuelve al
Editor)� Cadena de Distribución y Venta veloz, eficiente, compleja, pero de baja
profesionalidad.� 20.000 personas entre el Editor y sus lectores
© MarketingIQ®, 2012 Slide 60
Desafíos de este trabajo
Sistematizar los datos de cada una de las 1200 unidades de información disponibles.
Descubrir los hábitos subyacentes de los lectores.
Cuantificar la reacción ante eventos previsibles (elección presidencial, final de campeonato mundial, etc.).
Generar sólo las devoluciones necesarias e imprescindibles sin quedar fuera de stock.
© MarketingIQ®, 2012 Slide 61
� Series de tiempo univariadasmediante ARIMA (AutoRegressive, Integrated, Moving Average)
� La aplicación de esta metodologíasupone tres etapas:
� Identificación del modelode ajuste de la serie
� Estimación� Proyección (forecast)
� Se individualizaron familias de series en términos del nivel, expresadocomo el número de ejemplaresdiarios,
� pocas unidadeso decenas de ejemplares
� cientos de ejemplares� miles de ejemplares� decenas de miles de ejemplares� Construcción de 1.200 series.
� El modelo identificado fue aplicado a todas las series de la familia y se evaluó la bondad de ajuste.
ROSARIO
M. DEL PLATA
BARILOCHE
Modelos validados
© MarketingIQ®, 2012 Slide 62
Validación del modelo
Realizado utilizando The NAG Fortran Library.
© MarketingIQ®, 2012 Slide 63
Procesos de estimación y proyecciónincrustados en las aplicaciones operativas del diario
© MarketingIQ®, 2012 Slide 64
CUALQUIER PARECIDO CON LA REALIDAD
ES PURA Y ABSOLUTACOINCIDENCIA CON ELLA
© MarketingIQ®, 2012 Slide 66
Analistas, víctimas de la incomprensión
© MarketingIQ®, 2012 Slide 67
Muchas gracias