Tendencias

Varias personas me han consultado sobre que veo en el futuro de los sistemas de CRM relacionado con el uso de modelos predictivos basados en data mining.
Actualmente es una práctica bastante común el hecho de contar con un CRM operativo, básicamente para el registro masivo de interacciones entre la compañía y sus clientes. El punto central es la poca explotación que se hace de la información almacenada. Se suelen hacer reportes que muchas veces sirven más para evaluar a los vendedores (si están en contacto con sus cuentas) o al personal del call center (para ver si las llamadas son tomadas y resueltas) que para optimizar la relación comercial con los clientes.
Cuando hablo de explotación de la información, me refiero a un uso más sofisticado de la misma.
De que manera se puede utilizar la información almacenada para caracterizar a los clientes? Que segmentos resultan? Que productos podría ofrecerles en una campaña de cross-selling según su propensión a adquirirlos? Que clientes tienen mayor riesgo de fuga?
Mi propuesta es que consideren la posibilidad de modelar descriptiva y predictivamente los datos que han acumulado, quizá durante años, de sus clientes.
Las compañias que se focalizan en el cliente, suelen utilizar cuatro dimensiones de información a fin de perfilarlos integralmente (visión de 360 grados):
- Información demográfica: lo que sabemos de nuestros clientes en cuanto a edad, sexo, nivel socioeconómico, etc.
- Información transaccional: las operaciones comerciales realizadas por dicho cliente.
- Interacciones: todo contacto que he tenido con el cliente que no resulte de una transacción (consultas, reclarmos, etc.).
- Información actitudinal: todo lo recogido por encuestas que hayamos realizado (preferencias, intereses, etc.)
Los resultados de este tipo de acciones no se hacen esperar. De hecho, los modelos son integrables al CRM operacional, para que los usuarios de dichos sistemas se beneficien inmediatamente de las indicaciones y recomendaciones que surjan.
Algunos ejemplos:
- Indicador de riesgo de fuga para un cliente determinado.
- Oferta óptima para retención.
- Indicador de valor (LTV).
- Recomendación de productos más propensos de ser aceptados.
- Recomendación automática de planes de servicio.
- Recomendación automática para up-selling.
- Etc.

Daniel Ferro.

E-commerce y Data Mining

Existe una relación natural entre el E-commerce y el Data Mining. Los medios electrónicos de compra generan grandes cantidades de información de comportamiento de sus clientes, materia vital para la construcción de un modelo predictivo de calidad que nos permita mejorar las ventas.
El problema central de todos los sitios de E-commerce es la necesidad de optimizar de manera continua la tasa de conversión de visitantes a compradores. Para esto debemos analizar un elemento clave: la experiencia de compra. La misma se basa en una combinación adecuada de funcionalidad, simpleza, agilidad, pertinencia de la oferta, estética adecuada y otros factores.
Una forma de perfeccionar esa experiencia es presentando la información dentro del sitio con un modelo de 4 capas (ordenado en función del interés del comprador):
(1) Responder a lo que el comprador quiere en ese momento. Esto habitualmente se resuelve con buenos buscadores de categorías y productos. Mi recomendación en este punto es usar un metodo de scoring de los resultados que represente la distancia entre lo que el usuario buscó y las alternativas que se presentan como resultado.
(2) Presentar lo que el comprador no solicita pero creemos que puede resultarle de utilidad. Esto tipicamente se resuelve con un modelo de cross-selling en función de su patrón de consulta y compra histórico (ej. las recomendaciones de Amazon).
(3) Presentar lo que el común de la gente quiere. La forma de hacerlo es teniendo en cuenta la estadística general de compra y consulta (ej. un análisis de frecuencia de compra de productos ordenado de mayor a menor).
(4) Proponer lo que a la empresa le interesa vender. Si bien esto puede resultar lo menos interesante para el cliente, sin duda puede generar algunas compras impulsivas si la oferta se realiza de modo seductor (descuento atractivo, etc.)
Hay infinita cantidad de maneras de presentar estas capas en el sitio, pero la recomendación es seguir la jerarquía que nos indica el customer-centric.
Piensen sus propias experiencias como cliente en algún sitio de E-commerce y van a llegar a la conclusión que a todos, como consumidores, nos gusta que nos hablen en función de nuestros intereses. El modelo de 4 capas apunta en este sentido y es aplicable tanto a sitios B2C como B2B.

Daniel Ferro.