Como indiqué en mi último Post ‘Mejorando la satisfacción del cliente por medio de Text Analytics’, las empresas cada día tenemos más información sobre nosotros y sobre el entorno en general, pero ¿realmente tenemos más información o tenemos muchos datos?

  • Hemos invertido 1,4 Trillones de Dólares en Data Center en 2016.(1)

  • Fueron generados más datos en 2015, que los datos acumulados hasta la fecha.
  1. Gartner Market Data Book

Ya llevamos muchos años hablando de Big Data, Analytics, Data Mining, Inteligencia Artificial, Machine Learning y otras técnicas revolucionarias que nos deben ayudar a convertir los datos en información.

Un punto muy importante, que tenemos que tener presente, es que somos nosotros quienes generamos estos datos cuyo objetivo es que las empresas conozcan mejor a sus usuarios y clientes.

Hace años, las empresas conocían a sus clientes en base a la información histórica que tenían en sus sistemas y que fueron proporcionadas directamente por estos mismos, dónde vivían, cuál es el perfil socio-demográfico, cuánto consumía de mis productos/servicios y otros.

Ahora, las empresas quieren saber mucho más de sus clientes, quieren saber lo que piensan de su servicio/producto, de su empresa, de la competencia, cual son sus intereses (relacionados con su servicio o no), cuál será su próxima compra, porque desea comprar un servicio/producto, porque está enfadado y un largo etcétera.

Para alcanzar estos objetivos empresariales, tenemos que bucear en una cantidad enorme de datos que muchas veces no nos proporciona la información que necesitamos o simplemente no conseguimos encontrar.

Para resolver esta situación y mejorar la experiencia del cliente, han surgido los proyectos de Big Data, Analytics u otro nombre, que al final lo que busca es analizar y generar resultados de una o varias fuentes de información.

Según nuestra experiencia para realizar un proyecto de Analytics debemos de tener en consideración varios factores:

  1. Infraestructura tecnológica adecuada para soportar grandes cantidades de datos.
  2. Capacidad de análisis de datos históricos de varias fuentes
  3. Revisión sistemática de la calidad de los datos
  4. Solución Analítica para la realización de modelos
  5. Garantizar la seguridad de la información
  6. Conocimiento para generar valor a la información extraída, definiendo acciones rentables y eficaces

Antes de empezar con un proceso de Big Data Analytics, debemos saber lo que buscamos y cual son los principales objetivos.

A continuación, detallaremos un proceso de Analytics:

  1. Definición a través de especialistas cual es la información que podemos extraer, fuentes de datos, medios de comunicación, frecuencia y otros.
  2. Extracción de la información.
  3. Realización de un proceso exhaustivo de Data Quality y reestructuración de la información.
  4. Análisis de la información recopilada, identificando patrones de comportamiento.
  5. Alimentar la información interna con fuentes externas, enriqueciendo la información.
  6. Modelos predictivos, seleccionando grupos segmentados.
  7. Resultados, de manera muy práctica, se define las acciones que se debe realizar a cada grupo segmentado en función del resultado del modelo.

Analytics1

Como indicamos, antes de empezar el proceso, debemos saber lo que buscamos, algunos ejemplos realizados:

  • Reducción de la solicitud de baja de clientes – identificando el comportamiento de un grupo de clientes que han solicitado la baja, conseguimos a través de modelos predictivos identificar segmentos más propicios a solicitar la baja. Con un plan de acción orientado podemos prevenir esta baja antes mismo que el cliente la solicite.
  • Aumento de las ventas, enriquecer la segmentación de marketing utilizando información del proceso de venta y aplicando acciones y argumentos que incentive a la compra por parte del cliente.
  • Mejora en la Satisfacción del cliente, medido a través del NPS (Net Promoter Score), previendo reclamaciones o insatisfacción de clientes, usando modelos churn y previendo acciones que impactan la satisfacción del cliente.

En resumen, para hacer un buen proyecto de Analytics, tenemos que tener cuatro elementos claves:

  • Personas con conocimiento técnico, analítico y del negocio.
  • Infraestructura adecuada y con capacidad de respuesta a las necesidades.
  • Soluciones tecnológicas con una sólida aplicación.
  • Procesos definidos y eficaces.

Alexandre Paixao Andrade. Director de Analytics – Grupo Comdata

Carlos Fernández. Responsable de Analytics – Grupo Comdata

One thought on “Analytics ¿qué es y dónde vamos?

Los comentarios están cerrados.