Big Data en Marketing y análisis RFM

Por Guillermo Arlés Monterde En Transformación Digital marzo 14, 2019

Big Data en Marketing

El Big Data se está convirtiendo en el mejor aliado de los profesionales del marketing. En nuestro blog hemos explicado qué es el Big Data, cómo llevar a cabo proyectos de customer analytics, el estado actual de la privacidad de los datos en estos proyectos, diferencias con small data…Toca centrar más el tiro y desgranar la importancia del Big Data en Marketing y qué estrategias podemos llevar a cabo con esta tecnología. Implantar Big data en Marketing permitirá elaborar estrategias de marketing personalizado y segmentado, diseñando tácticas de comunicación y promoción adaptadas a nuestros clientes, según su demografía, intereses y todo tipo de información.

Beneficios de implantar Big Data en Marketing

Si algo tenemos que tener claro antes de comenzar un proyecto de Big Data es los beneficios que este va a ocasionar y valorar el impacto positivo de sus conclusiones. Gracias al Big Data Marketing podremos:

  • Dibujar una visión de negocio más precisa: al crear una estructura de datos única, no se pierden datos entre departamentos y toda la información de la empresa está alojada en una plataforma para revelar e interpretar datos que antes eran desconocidos.
  • Detectar oportunidades en ventas: percatarse de nuevos hábitos de compra en el cliente permitirá ofrecer todo aquello que necesita en el momento adecuado. El Context Marketing, del que ya hemos hablado en nuestro blog es una óptima estrategia para este fin.
  • Aumentar eficiencia y mejorar análisis de costes: mayor cantidad de datos significa un mayor conocimiento de estrategias que pueden aportar beneficio a la empresa y estrategias que merman su margen.
  • Decidir en tiempo real de forma más acertada: lanzar un producto o servicio en un momento concreto, en un espacio determinado y gracias al Big Data poder ver cómo está funcionando para tomar decisiones en base a los resultados prácticamente en tiempo real.
  • Analizar y evitar la pérdida de clientes: determinar el famoso Churn Rate (métrica que mide el número de clientes y suscriptores que han dejado de “seguir o ser fiel” a una compañía) para detectar patrones de cómo se comportan los clientes y cómo evitar el momento preciso en el que se van a la competencia.
  • Cuantificar el riesgo y posibles fraudes: hay diferentes tipos de riesgos que se podemos detectar, vinculados al abandono del cliente, con los diversos métodos de pago o con la comunicación externa de la empresa.
  • Monitorizar tendencias: analizar sentimientos hacia la marca, qué marcas crecen y cuáles no, qué productos o servicios gustan más y porqué…
  • Planificar mejor: los cronogramas de acciones serán más precisos y basados en datos. Se eliminarán riesgos y errores para crear procesos de planificación cada vez mejores y más optimizados.
  • Analizar el comportamiento de los clientes: el eje principal de una estrategia de Big Data en Marketing debe estar enfocada en los consumidores.

Existen tres bloques a estudiar: comportamiento de compra (qué compra, cuál es la frecuencia, cuánto el dinero gastado…), el comportamiento de consumo (mediante la taxonomía de productos, detectar si el cliente compra una categoría o varias, se decanta por recomendaciones…) e interacción con la marca (si conecta con la marca en redes sociales, en dinámicas, en acciones offline, si es potencial embajador de marca…).

Las soluciones que ofrece una estrategia de Big Data en Marketing son más que evidentes, tanto en la fase de captación de clientes como en la fase de fidelización. Es en esta última fase donde vamos a profundizar con una estrategia de Big Data en Marketing: la matriz RFM.

Big Data en Marketing: matriz RFM

Una de las estrategias de fidelización con Big Data en Marketing más efectivas es la matriz RFM. Una vez implantada, podremos identificar en qué punto del Customer Journey se encuentra cada uno de nuestros clientes y realizar acciones específicas de marketing online y offline para impactar de manera mucho más eficiente. El modelo o matriz RFM determina el valor de cada cliente mediante parámetros como Recencia (última vez que compró el cliente), Frecuencia (número de compras) y Monto Monetario (cuánto dinero gasta en productos o servicios). Decir que esta matriz impacta sobre la base de datos o CRM de carácter transaccional.

Algunos de los beneficios que aporta la matriz RFM

  • Eliminar el sentimiento de Spam de la compañía para diseñar y efectuar comunicaciones amigables para el cliente y que, posiblemente estuviera esperando. Detectar clientes en un estado inactivo comercialmente hablando.
  • Proponer incentivos a los clientes que están cerca de la compra.
  • Premiar a los clientes que son más fieles a la marca, que sus parámetros se sitúan por encima de la media.
  • Segmentar las promociones dirigidas a diferentes fases del proceso de compra del cliente.

¿Cómo llevo a la práctica el modelo RFM a mi compañía?

En primer lugar, analizaremos los datos disponibles de la base de datos transaccional a trabajar. Eliminaremos datos espurios y que no aporten valor para el análisis. El lenguaje de programación R es el más usado para este tipo de análisis, pudiendo manejar gran cantidad de datos. Dependiendo el volumen y la rapidez con la que queramos realizar el análisis, Excel se queda corto en este aspecto.

La matriz RFM hay que segmentarla en 3 ejes (Recencia, Frecuencia, y Monto Monetario) y cada uno de estos ejes se recomienda se divida en quintiles o 5 secciones. Con esta fragmentación tendremos 125 segmentos si utilizamos quintiles. Hay que tener en cuenta que cada uno de los segmentos tendrá una estrategia asociada, por lo tanto si no disponemos de mucho tiempo disponible, se podrían cambiar los quintiles por tercios, pero la precisión se reducirá.

En el eje RECENCIA segmentaremos en quintiles, siendo el quinto quintil el de mayor Recencia, y el primer quintil, el de menor Recencia.

En el eje FRECUENCIA segmentaremos también en 5 secciones siendo 5 el de mayor Frecuencia, y 1 el de menor Frecuencia.

En el eje MONTO MONETARIO segmentaremos igualmente en 5 secciones siendo 5 el de mayor Monto, y 1 el de menor Monto.

La matriz, si nos decantásemos por tercios en lugar de quintiles, sería esta (la matriz por quintiles es demasiado grande para adjuntarla en imagen):

Big Data en Marketing

En este caso, cada segmento tiene 3 dígitos; uno para la Recencia, otro para la Frecuencia y el último para el Monto monetario, números comprendidos del 111 al 333. Claramente, el objetivo es posicionar al mayor número de clientes en el segmento 333, donde se halla el mayor compromiso y rentabilidad para esta. Cuando hayamos detectado la cantidad de clientes que hay en cada segmento de la matriz, comenzaríamos a poner en marcha el motor de comunicaciones asociadas a cada uno de estas secciones.

Algunos casos a modo de ejemplo grosso modo podrían ser:

Comunicación con sección 333

  • Reforzar orgullo de pertenencia con campañas exclusivas.
  • Promociones especiales.
  • Hacerles partícipes de los resultados de la empresa.
  • Muestras gratuitas de productos.
  • Recabar testimonios.

Comunicación con sección 212,222 y 232

  • Promociones atractivas/especiales que empujen a subir de segmentos.
  • Paquetes personalizados de descuentos directos.
  • Informar de novedades y hacerlos partícipes de nuevos productos.

Comunicación con secciones 111,121 y 131

  • Reactivación mostrando porqué nuestros productos o servicios son mejores que los de la competencia.
  • Promociones agresivas.
  • Identificación de problemas.
  • Descuentos con carácter de largo plazo.

Mediante este análisis, también podemos detectar clusters de clientes y cruzar las variables RFM para tener mejor categorizada y segmentada nuestro CRM o base de datos.

Big Data en Marketing

Big Data en Marketing

Si no conocías esta estrategia de Big Data Marketing y te resulta atractiva para implantar en tu empresa, no dudes en contactar con nosotros. Te ayudaremos.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *