Este documento describe cómo la combinación de Big Data y sentido común puede llevar a la solución óptima en el análisis de datos. Explica que Big Data proporciona una gran cantidad de datos de alta frecuencia, mientras que el sentido común es necesario para simplificar los datos en métricas clave y preguntas relevantes. La intersección de estas dos aproximaciones permite obtener conclusiones valiosas a través de estrategia, táctica y micro-táctica.
5. MÉTRICAS ANÁLISIS
Ir simplificando. Ser capaces
de pasar de millones de datos
a unas cuantas métricas clave.
Ir desgranando 2 o 3
preguntas clave y viendo cómo
obtener respuestas de las
diferentes fuentes.
12. 12
Metodología
A través de los modelos de regresión, identificamos y cuantificamos los
principales factores que explican las ventas de cada marca.
Con este tipo de modelos encontramos las relaciones que existen entre las
variables que queremos explicar (ventas) y las variables que pueden influir
sobre ellas (precio, número de días del mes, tamaño de la empresa,…). Su
ecuación matemática sería:
.…y β1β0 x1 β
n
xn ε
Ventas
(Variable
dependiente)
Impacto
(Coeficientes)
Drivers
(Variables
explicativas)
Error
(Residuos)
Baseline
(Nivel base)
13. 13
Variable objetivo: las ventasVentasReales
Ventas/altas
Modelo
Bondad de Ajuste
93,1%
Robusto
Aceptable
Débil
70,0%
50,0%
25,0%
Gráfico de Ajuste Modelo vs Ventas/altas reales
Se obtiene para cada serie de ventas/altas analizada, un modelo que se ajusta a
los datos reales. Este ajuste se mide mediante el R2(Bondad de ajuste).
Un R2 superior al 70% permite tener un resultado robusto.
Ventas Reales
14. 14
Identificación de los drivers
El siguiente gráfico muestra los aportes individuales de las variables que
componen el modelo y que nos explican el comportamiento de las ventas/altas
AporteaVentas/altas
Ad Awareness Marketing (Publicidad Corto Plazo) Distribución
Primera Semana Mes Última Semana Mes Extra por publicidad/promoción
Promociones Diferencial Precio Junio 2014
Julio Agosto Bajada nivel
Semana Santa Pte. Agosto Pte Diciembre
Nochebuena Nochevieja Reyes
Aporte de las promociones
Aporte del largo y
corto plazo
Estacionalidades y otras variables
Distribución / Nivel de la serie
Precio
Gráfico de Áreas
15. 15
Elasticidad de los drivers
Internet
Brand
Phone
Point of
Sale
Internet
Non Brand
MGM
2nd
Vehicle
Phone
Point of
Sale*
Internet
Brand
Internet
Non Brand
MGM
2nd
Vehicle
Ad Awareness 41,3% 25,9% 27,1% 25,9% 17,2%
TV 8,6% 8,7% 3,6% 13,1% 2,0%
SEM Brand 2,4% 24,7% 7,6% 10,0%
SEM Non Brand 4,8% 38,2%
Affiliation 1,1% 8,5%
Display 0,7% 5,3%
Search Engines (SEM +SEO) 24,4%
Satisfaction 39,4% 55,5%
REST* 41,1% 49,7% 39,5% 18,5% 22,7% 32,5%
Actionable
drivers
Relative weight of each
variable
Non-
actionable
drivers
Distinguimos entre drivers accionables y no accionables
16. 16
Sales contribution by media
Investment CZK by media
ROI=
X 100.000
Historical average Sales per week
Medición del ROI
ROI por medios
Contribución por medio (aporte directo e indirecto)
Una buena estrategia combina la eficacia y la eficiencia.
17. 17
Recomendación inversión
0%
2%
4%
6%
8%
10%
12%
- 500,000 1,000,000 1,500,000 2,000,000ROI
WeeklyInvestment(CZK)
TV Outdoor
DirectMailing Affiliate
Regio Events Print
Radio Drop Mailing
Search Display
Curva de Medios Curva para identificar
el máximo ROI
0
500
1,000
1,500
2,000
2,500
0 1,000,000 2,000,000 3,000,000 4,000,000 5,000,000
Salescontribution
Investment(CZK)
TV Outdoor
DirectMailing Affiliate
Regio Events Print
Radio Drop Mailing
Search Display
Average investment
Aporteaventas/altas
Definimos umbrales de inversión de cada medio.
18. 18
Optimización de la inversión
Asignación año pasado*
( %)
Asignación optima
(%)
Podemos medir las ventas incrementales con el mix de medios óptimo:
Display
0.2%
Search
1.5%
Affiliate
13.3%
Radio
0.0% Print
1.5%
Outdoor
3.0%
Regio Events
10.5%
Drop Mailing
6.8%
Direct Mailing
16.3%
TV
46.9%
Display Search Affiliate
Radio Print Outdoor
RegioEvents Drop Mailing Direct Mailing
TV
Display
1.4%
Search
4.3%
Affiliate
14.4%
Radio
0.6%
Print
1.3%
Outdoor
4.9%
Regio Events
6.8%
Drop Mailing
5.2%
Direct Mailing
21.0%
TV
40.0%
132,826
Aporte a Ventas (Publicidad)
142,687
Aporte a Ventas (Publicidad)
563,797
Ventas Totales
573,627
Ventas Totales
+7.4%
+1.7%
24. 24
Otras aplicaciones
2 años más
como
cliente
50%
¿Qué valor aporta el cliente a la compañía en los próximos 5 años?
El modelo de fuga
da la probabilidad
de que un cliente
concreto deje de
contratar
productos…
… y como
conocemos el valor
anual de los
productos que este
cliente tiene
contratado…
…podemos darle un
valor asociado
actual, en función
de los años que le
queden de vida
como cliente.
…con esta probabilidad
podemos estimar el
número de años que el
cliente permanecerá en la
compañía…
300 € 600 €
Si la vida media estimada fuera >5 años, para el
cálculo del valor actual consideramos que la
vida media será sólo 5 años.
El valor actual medio (a un plazo de 5 años) de los clientes de la base es 4.420€
Valor actual
Ejemplo: editorial para empresas
25. 25
Otras aplicaciones
8%
Propensión a la compra Umbral aumento gasto
153,6€
5% 196,5€
12% 373,8€
Valor potencial
por familia
36,9€
29,5€
134,6€
Valor potencial
total
El valor potencial medio (a un plazo de 5 años) de los clientes de la base es 161€
201€
Vida media
3 años
3 años
3 años
¿Valor potencial, si va a comprar más productos?
Ejemplo: editorial para empresas
26. 26
Otras aplicaciones
Campañas de fidelización
Como el modelo atribuye una probabilidad de fuga a los clientes, así como un valor real (actual + potencial),
podemos construir un ranking de acuerdo a cada parámetro para optimizar las campañas de fidelización:
Ranking de fuga Ranking de valor
¿Cuáles son los clientes más
propensos a darse de baja?
¿Qué clientes tienen más
valor para la compañía?
¿Cuáles son los clientes menos
propensos a darse de baja?
¿Cómo son los clientes con
mayor probabilidad de fuga?
1.
2.
3. ¿Cuál es el valor que
aportan a la compañía?
¿Qué caracteriza a estos
clientes?
1.
2.
3.
¿A qué nos puede dar
respuesta cada ranking?
Se podrán llevar a cabo campañas de fidelización sobre (1) clientes con alta
probabilidad de fuga o (2) clientes de alto valor.
27. 27
Otras aplicaciones
Eficacia de campañas de fidelización
1.000
clientes
4 muestras
aleatorias
Diferentes
acciones
¿Cuántos
se fugan?
250 clientes 250 clientes 250 clientes
250 clientes
(grupo
control)
No se hace
nada
Campaña 1 Campaña 2 Campaña 3
80% 52% 45% 42%
1.000 clientes con alta probabilidad de fuga dada
por el modelo
Podemos medir la eficacia de las diferentes
acciones/campañas
El modelo de fuga también ayuda a medir la eficacia de las medidas que se tomen con la intención de fidelizar
clientes propensos a la fuga.
29. 29
Unir todas las fuentes
Canales:
Impresiones, clicks y leads
Display, SEM, Social…
Sites:
Genéricos (El País…),
Específicos (forocoches…)
Dispositivos:
mobile, desktop, tablet…
Hora/Día
Customer Journey
Empresa A
Socio-demo:
Tipo de empresa,
Tamaño, Localización…
Intereses:
Motor, Videojuegos, Cine,
Política, Finanzas…
Intenciones:
Compras, coches, viajes,
servicios…
Perfil usuario
(3rd Data Party)
Sesiones:
Número de visitas,
duración, páginas vistas…
Formulario:
Pasos completados, datos
introducidos, llamadas…
Productos:
Productos visitados,
landing pages…
Navegación Web
Empresa A
Tipología:
Cliente, No cliente,
Ex-cliente…
Comportamiento:
Antigüedad, primas,
productos contratados…
Contacto:
Canales de contacto,
quejas…
CRM
Empresa A
30. 30
A cada navegante, su propio mensaje
Optimización de campañas en Real-time.
Optimización de targeting Real-time.
Re-alimentación, validación y ajuste.
31. 31
Aproximación holística
Métricas Atribución
Online
Engagement Canal
AdClick
Tiempo
Offline
Tipo de
acción
Posición
Longitud
cadena
Ad Impression
Premium
AdImpression
Emisión Contenido
Tipo spot
Audiencia
GRPsCanal
Saturación
Tiempo
Spot TVOffsiteOnsite
Fecha,
hora...
Duración