marketing intelligence

© 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


Auditorio UCEMA, 26 de abril de 2012

Freddy Rosales, Néstor Martínez

Marketing Intelligence,o cómo digerir los datos

para mejorar las decisiones en marketing


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.


¡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.


LA VENGANZA DE LOS NERDS


¿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.


�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


Los CMOs se sienten faltos de preparación

Expected level of complexity and preparedness to handle itPercent of CMOs responding


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


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


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


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


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


¿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/


Areas afectadas por el tsunami de datos

SOS


� “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)


¿Los ayudamos un poco?


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


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


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


El “círculo virtuoso” del análisis de datos

Datos

Información

ConocimientoDecisión

Acción

18

Preparación


Un ejemplo de base transaccional de gestión de ventas


¿Cómo se visualizan esos datos? (1)

Drill Down - Roll Up


¿Cómo se visualizan esos datos? (2)

Slice and Dice


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


Ej.: ¿Qué tan frecuentemente compran los clientes?Análisis univariado: Frecuencia mensual promedio


DATOS

REALES

Estratos de NSE geocodificados en el AMBA

Gentileza de Datamap


Densidad de clientes alrededor de una sucursal



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


Determinación de un “trade area”


Auditorio UCEMA, 26 de abril de 2012

Freddy Rosales, Néstor Martínez

Marketing Intelligence:data mining para no iniciados… pero interesados


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?


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


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


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


Una posible organización del área de MI

Lectura ODBCdesde SPSS / SAS o similar

Analista


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.


Y cómo se lo muestra el analista:evolución de la cartera: % de nuevos respecto del stock


Otra visión de lo mismo:evolución de la cartera: % activos respecto del stock


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


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


Evolución de la carteraEvolución de los activos


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.


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


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.


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.


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.


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.


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.


Ejemplo:

Product prospect scoringTécnica aplicada: regresión logística


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.


TARGET


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


Validación del modelo

20552107N =

GOLD

SINO

Pre

dict

ed p

roba

bilit

y

1.0

.8

.6

.4

.2

0.0

-.2


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


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


NO SI


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.


Product prospect scoringTécnica aplicada: regresión logística


� 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%


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


Dashboard drill-down de segmentos según proximidad de la baja


Modelo de predicción de demandapara un diario de circulación nacional


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


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.


� 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


Validación del modelo

Realizado utilizando The NAG Fortran Library.


Procesos de estimación y proyecciónincrustados en las aplicaciones operativas del diario


CUALQUIER PARECIDO CON LA REALIDAD

ES PURA Y ABSOLUTACOINCIDENCIA CON ELLA


Preguntasy (quizás)

respuestas

[email protected]@marketingiq.com.ar


Analistas, víctimas de la incomprensión


Muchas gracias