Modelos Predictivos y Data Mining

El fin de la intimidad

2009-11-22T20:20:00.003-03:00

Cuando hace unas pocas semanas Google reveló su aplicación Dashboard (www.google.com/dashboard), sin duda el mundo dió un enorme paso: reconocer el principio del fin de la intimidad. Todo lo que Google sabe sobre nosotros, resumido en una sola página. Debo reconocer que la cosa impresiona un poco, pero habiendo visto la evolución de las cosas estos últimos años, creo que la clave radica en como será utilizada esa información. Por un lado ese conocimiento permitirá sistemas de recomendación cada vez más sofisticados y mejoras en las interfases personalizadas de los buscadores y las propuestas publicitarias. Por otro lado, si esa información es la que Google "reconoce" saber sobre nosotros, ¿cuanto más estará dando vueltas por los discos rígidos de determinadas agencias?
Hace muchos años un especialista en seguridad cercano a mi, me decía que no encriptaba sus emails porque, con tiempo y dinero, casi cualquier cosa era desencriptable.
En la misma línea, de alguna manera, la aplicación Dashboard es una invitación a "relajate y goza", total, ya sabemos todo sobre vos.

Daniel Ferro.

Los Medios importantes necesitan anunciantes directos

2009-04-13T11:46:00.002-03:00

Apareció un artículo interesante de como las AdNetworks pueden ser un mal negocio para los medios grandes: Ad Networks Are For Idiots
La conclusión es que una AdNetwork termina canibalizando el negocio y la marca.
Que piensan?

Daniel Ferro.

El retail del futuro

2009-04-03T17:21:00.004-03:00

El retail del futuro, y en esto me estoy refiriendo a los comercios físicos (locales no online), se parecerán en algo a Amazon?
Supongo que esta pregunta podrá resultar algo rara, pero no dejo de cuestionarme porque la tecnología del site que hizo historia en el e-commerce no baja al mundo real.
Me refiero más explicitamente a las posibilidades de personalización de la experiencia de compra.
Desde ya, lo primero tendrá que aparecer es la identificación del cliente en forma automática al ingresar al local. Aqui veo sin duda un rol clave en el RFID. Las tarjetas de afinidad tendrán esta tecnología que permitirá identificar a los clientes al pasar por la puerta del local.
Segundo, los vendedores tendrán algún tipo de dispositivo que les indicarán quien ha entrado, cuales son las preferencias en cuanto al trato (ofrecer ayuda o esperar a que la solicite) y una lista de ofertas de alta propensión (sistema de recomendación automático).
Habrá kioscos interactivos distribuidos en el local para que el usuario pueda imprimir "cupones de descuento" que tengan en cuenta el perfil del cliente.
Me imagino que empezarán a aparecer "displays" (estantes de productos) que personalicen lo mostrado considerando los intereses del cliente solo con pasar por delante (el desodorante de mi preferencia, la crema y los repuestos de afeitar habituales, las zapatillas de mi talla, etc.).
Por último también junto con el ticket de venta, la impresión de un nuevo cupón de descuento personalizado para estimular que vuelva dentro de los próximos 30 días.
En mi sueño, el futuro retail es la fusión de lo enseñado por Paco Underhill (expresado en el libro "Why we buy") con la tecnología de personalización de Amazon.
Será mucho pedir?

Daniel Ferro.

Complejidad vs simpleza

2009-03-25T10:56:00.004-03:00

Estamos acostumbrados a pensar que más opciones es mejor, sin embargo eso parece no ser la realidad. Un ejemplo de esto es a lo que se enfrentan los visitantes de sitios online cuando se los expone a elegir entre centenas de opciones de todo tipo (noticias, servicios, publicidad).
Un medio importante de la argentina hoy (acabo de contarlas), ofrece 300 posibilidades de clicks diferentes solo en su home page.
En mi experiencia personal, llega un punto que lidiar cotidianamente con decisiones de muchas opciones no lleva a un mejor resultado/experiencia, sino todo lo contrario. La capacidad de decisión de las personas se complica exponencialmente cuanto más opciones tengo para elegir.
Veamos un caso opuesto: Google en su home page tiene apenas 21. Acaso no tienen más que ofrecer en su home page? Porque lo hacen de esa manera?
Desde mi punto de vista es porque "menos es más". Menos cantidad, más calidad. Menos opciones, mejor experiencia para los usuarios.
Porque no considerar a quien tenemos enfrente al momento de presentar opciones? Son todos los visitantes iguales? A todos les interesa lo mismo?
Tres respuestas posibles al problema:
(1) mejorar la arquitectura de la información de los sitios
(2) utilizar sistemas de recomendación para personalizar los contenidos
(3) reducir la cantidad de espacios publicitarios y hacerlos más relevantes
Que opinan?

Daniel Ferro

Son tiempos para la inteligencia de negocio

2009-03-17T15:51:00.005-03:00

Estaba pensando en el efecto de la crisis en los negocios y no me cabe duda que son tiempos para aplicar toda la inteligencia posible a los mismos.
Apuntar a la eficiencia de cada peso/dolar invertido en marketing es clave. Para esto lo mejor es contar con información de calidad para la toma de decisiones. Elegir los medios de comunicación que me permitan medir los resultados será de gran ayuda. Poder predecir la conducta de nuestros clientes ante una oferta nos permitirá apuntar a los mejores prospectos.
Recomendación para sobrevivir en la crisis: business intelligence y marketing directo.

Daniel Ferro.

Google se mete con todo en el Behavioral Targeting

2009-03-12T16:04:00.003-02:00

Si hasta ahora la relevancia de los avisos de AdSense venía dada por lo contextual (avisos relacionados con el contenido de las páginas donde aparecían), ahora Google parece que finalmente va meterse de pleno con el Behavioral Targeting. La idea sería consolidar toda la información que tiene sobre nuestro comportamiento online (navegación y búsquedas) para proponer avisos según nuestros intereses.
Lo interesante es que la información de comportamiento capturada proveendría de la propia "caja" de avisos de AdSense, es decir, que los webmasters al colocar dicha caja en sus sitios, no solo permitirían la impresión de avisos por parte de Google, sino que al mismo tiempo se estaría capturando información de navegación de los usuarios y relacionando la misma con el cookie plantado en el equipo del visitante.
Según mi opinión esto va a espantar a los grandes medios y beneficiar a los pequeños. Los primeros necesitan de la relación directa con sus anunciantes para sobrevivir (publicidad premium), por lo tanto estimo que no van a permitir una nueva forma de control de su negocio publicitario por parte del gigante Google. Sin embargo los pequeños medios pueden verse beneficiados ya que, al no contar con estructura propia para la comercialización de sus espacios publicitarios, pueden lograr una diferencia con estas tecnologías.
La alternativa para los grandes medios será sin duda el uso de plataformas de behavioral targeting independientes, que les permitan dar a sus clientes similares tasas de click que las provistas por AdSense, pero sin perder el control de la relación con sus anunciantes directos.

Daniel Ferro

El Modelo de la Nueva Agencia

2009-01-07T15:18:00.002-02:00

Si la tecnología cambió, los medios cambiaron, la sociedad, la cultura, los habitos, los consumidores están cambiando. ¿no será que la agencia de publicidad como empresa y los profesionales que en ella trabajan, también deberían hacerlo? ¿Cuál es el modelo de la nueva Agencia?

Pueden bajar el libro en forma gratuita desde: http://www.lanuevagencia.com.ar/

Daniel Ferro

Evento HOWA

2008-10-30T11:00:00.003-02:00

El sábado pasado en Buenos Aires se realizó HOWA (Hands on Web Analytics) en la Universidad de Palermo (Buenos Aires). La verdad que el evento fue super interesante y muy bien organizado (felicitaciones para Juan Damia).
Si bien la mayoría de las charlas rondaron la utilización de Google Analytics, hubo también presentaciones relacionadas con la aplicación de modelos predictivos al mundo del marketing online.
Link: http://www.howa.com.ar/

Daniel Ferro

Evento en la maestría de Data Mining de la UBA

2008-10-30T10:56:00.004-02:00

Durante el día de hoy se está llevando a cabo el evento anual que organiza la gente de la maestría de Data Mining de la Universidad de Buenos Aires. Ernesto Mislej estará a cargo de la disertación sobre "Behavioral Targeting. Publicación de avisos centrada en el usuario".
Participan distintas empresas del rubro del DM: SPSS, SAS, Org Veraz entre otras.
Para más información: http://www-2.dc.uba.ar/materias/mdmkd/jadm/index_1024.html.

Daniel Ferro

Behavioral Targeting Standards Consortium

2008-10-30T10:48:00.002-02:00

El BTSC se reunió durante Octubre para discutir los distintos aspectos de la actividad de las empresas involucradas en proyectos de Behavioral Targeting. El NAI (Network Advertising Initiative - http://www.networkadvertising.org/) hizo su presentación basada en los principios de privacidad necesarios para esta actividad.
Más información en: http://www.btstandards.org/

Daniel Ferro

La personalización de los medios online

2008-07-11T09:57:00.005-03:00

El concepto de personalización en los medios online no es nuevo, pero por alguna razón tarda en imponerse. Inicialmente los intentos de personalización se basaban en que la gente dijera de manera explícita (quizá a través de un formulario) que rubros de información deseaba consumir. Pero esta técnica no deja de ser un método de comunicación "pull" (el usuario debe "tirar" de la información para recibirla). Quizá se puede pensar en métodos más del estilo "push" que faciliten al usuario la interacción con el medio.
A mi entender, en ese sentido, es mucho más eficiente producir la personalización en base al patron de comportamiento del visitante. Si historicamente no consulto artículos relacionadas con futbol, porque seguir presentandome dichas notas en la home del sitio de noticias. Esto no quiere decir que impidamos al usuario el acceso a dichas notas, simplemente digo que hay que priorizar la forma de mostrarlas reduciendo la presencia de las notas de menor interés a accesos secundarios (por ej. con una opción general de notas de deporte, en lugar de poner los titulares y las bajadas en la página principal).
Los modelos de comportamiento basados en data mining pueden establecer perfectamente perfiles que me permitan inducir como personalizar la home page de un medio electrónico asegurando que dichos artículos serán de relevancia para el usuario. De hecho una manera simplificada de esto es utilizar la estadística más básica: computar y registrar como un voto positivo cada vez que el usuario clickea en una nota de determinada categoría me permite a lo largo del tiempo usar una técnica del tipo RF (Recencia y Frecuencia) para identificar y rankear las categorías más relevantes para dicho usuario.
Las técnicas por detrás del Behavioral Targeting pueden servir no solo para potenciar una campaña publicitaria, sino que también pueden resultar úliles al momento de querer personalizar un sitio.

Daniel Ferro

Social Discovering

2008-06-23T12:02:00.002-03:00

Este post es una invitación a pensar. Con la cantidad de información disponible en las redes sociales, pensar en el uso de Sistemas de Recomendación para conocer nuevos amigos en función del análisis de patrones de comportamiento parece obvio.

Que algoritmos serán los más adecuados? Conocen alguna experiencia en este sentido? Cuales fueron los resultados?

Daniel Ferro.

Pensar en Audiencias no en Medios

2008-06-20T15:11:00.003-03:00

Uds. se preguntarán que tiene que ver este título con el Data Mining?
La respuesta es: mucho, pero permitanme primero hacer una breve reflexión antes de entrar de pleno en la relación entre el DM y la detección de audiencias.
La digitalización de todos los medios de comunicación está provocando una ruptura en los modelos de pensamiento que hemos estado utilizando en los últimos 40 años desde la TV como medio masivo de comunicación.
Uno de los aspectos más importantes de este proceso es el hecho que por primera vez un medio de comunicación, la web, es a la vez masivo y a la vez individual. Masivo por el grado de penetración que está logrando en todos los segmentos socio-económicos. Individual en la posibilidad de:
1) Personalizar el mensaje
2) Poder recibir una respuesta inmediata por parte del consumidor
Ninguna de estas posibilidades estaba presente de manera tan patente en un medio.
Ahora bien, vamos al centro de la cuestión. A través de la web puedo llegar a millones y millones de consumidores con mi mensaje. La pregunta es: es posible discriminar de manera inteligente quienes de esos consumidores son los más adecuados para mi producto/servicio?
La respuesta es: a través del análisis de comportamiento online es posible construir modelos predictivos que me permitan identificar aquellos consumidores con mayor propensión a aceptar mi propuesta. De esta manera es posible dejar de pensar en Medios y empezar a pensar en Audiencias. Dentro de muy poco todos los medios brindarán la posibilidad ya no de imprimir banners en determinadas zonas del sitio en tal franja horaria, sino de imprimir esos banners cuando frente a la computadora esté la persona más adecuada para recibir mi oferta. Sin duda esto va a mejorar enormemente el valor brindado por el medio al anunciante, ya que este último utilizará de manera más eficiente su presupuesto de marketing.
Interesante, no?

Daniel Ferro

La paradoja de la elección

2008-05-13T16:02:00.005-03:00

Gracias a Marcos Amadeo de IconoLab, conocí el pensamiento de Barry Schwartz relacionado con la teoría llamada "The Paradox of Choice" (pueden ver un video bastante entretenido de unos 20 minutos en inglés en http://www.ted.com/index.php/talks/view/id/93 o uno un poco más largo con subtitulos en inglés en http://video.google.com/videoplay?docid=6127548813950043200).
El tema es simple: la visión de Schwartz es que "Más es menos" cuando se refiere a exponer a un usuario a decenas o centenas de opciones. En general, dice, esto provoca parálisis en la decisión y una peor experiencia para el cliente.
Sin duda no dejo de pensar en los portales o mismo en los sitios de medios que en sus home pages presentan más de 200 opciones de click diferentes a sus usuarios.
No es hora de proponer algo más sensato basado en la relevancia que puedan tener esas opciones para CADA cliente?
Creo que personalizar utilizando los Sistemas de Recomendación automáticos y los AdServers inteligentes basados en Behavioral Targeting son el camino. Ambas propuestas analizan el comportamiento del usuario y no es necesario que el mismo opte manualmente por lo que quiere ver, disminuyendo al mismo tiempo el espacio de decisión a algo más razonable como experiencia.
Coinciden conmigo?

Daniel Ferro

BT: El futuro de la publicidad online

2008-04-22T11:12:00.004-03:00

Actualmente existe en el mundo online un abanico de posibilidades para llegar con nuestros mensajes publicitarios a las audiencias objetivo.
La forma básica es contratar espacios en medios que cuenten con un servicio de AdServing. En general estas contrataciones se hacen pagando un costo por millar de impresiones (CPM) y el adserver es el encargado de rotar esos banners hasta cumplir con el tope de impresiones contratado. Sin duda esta opción es muy básica en cuanto a la forma azarosa de presentar los banners que utilizan los adservers actuales. Estos consideran poco o nada a quien tengo enfrente al momento de presentar un banner por lo que las tasas de click (CTR) son realmente muy bajas.
Otra posibilidad es utilizar Google AdWords, un servicio que permite publicar avisos teniendo en cuenta keywords (palabras clave) relacionadas con el mensaje, de tal manera que, a quien realice una búsqueda relacionada con esa keyword dentro de Google, se le presentaran los avisos pertinentes (relevantes).
AdWords también posee una red de contenido relacionada. Se trata de sitios de distintos rubros que han adherido a la red de avisos de Google (llamada AdSense), de tal manera que cuando se imprime alguna página de esos sitios cuyo contenido se relaciona con las keywords de algún aviso disponible, estos son publicados automáticamente.
Ahora bien, Google AdWords no considera el perfil completo del consumidor, solo se limita a presentar mensajes relacionados con lo que la persona está buscando en ese momento. Buen punto, pero incompleto.
Existe alguna opción que contemple el perfil completo del consumidor, tanto en cuanto a su historia como a los intereses recientes? Definitivamente, y su nombre es Behavioral Targeting.
El Behavioral Targeting es un conjunto de técnicas que permiten almacenar de manera automática el comportamiento histórico del consumidor, identificando, a través de modelos predictivos, las categorías con mayor propensión a ser aceptadas por los mismos en un momento determinado. De esta manera, los AdServers que utilizan Behavioral Targeting, presentan los banners más adecuados a cada perfil de usuario en el momento más adecuado.
Un punto interesante de aclarar, es que, para sustentar los principios de privacidad, el Anonymous Behavioral Targeting no utiliza información de identificación de los consumidores (no se registra nombre, ni dirección, etc.) para calcular los modelos de propensión, de tal manera que se construye un perfil al solo efecto de presentar opciones relevantes de avisos.
El beneficio es la mejora inmediata de la tasa de Click Through (CTR). Si los avisos son más relevantes para los consumidores, estos están más dispuestos a clickear.
La tendencia concreta es que los anunciantes van a dejar de pagar impresiones (CPM) y se focalizarán en pagar clicks (CPC). En definitiva, pagar por que su mensaje llegue a la mejor audiencia posible: la realmente interesada en su producto.

Daniel Ferro.

La fuga de clientes en los servicios de telefonía movil

2008-03-13T11:16:00.006-02:00

A partir de un comentario que recibí en este mismo blog me puse a pensar en el servicio que recibimos de nuestras compañías de celulares (Celcos) y lo poco que realmente conocen de nuestro comportamiento como usuarios. Uno de los principales problemas que tienen dichas compañías se produce al momento de retener a personas disconformes con el servicio. Las barreras para cambiar de compañía son realmente bajas. Este problema de abandono llamado Attrition o Churn, ha sido momentáneamente ignorado por las empresas gracias a la alta tasa de adquisición de clientes (líneas nuevas) que estás compañías han experimentado en los últimos años.La realidad es que la cantidad de nuevos consumidores, en los mercados que van alcanzando su madurez, se acerca a su techo físico. Las empresas están llegando con sus ofertas a niños de temprana edad, pero incluso ese segmento se está empezando a saturar.
Que hacer entonces? Sin duda empezar a mirar con mayor interés el hecho de retener a los clientes. Las tasas actuales de churn en algunos paises son de alrededor de 4% mensual. Si, 4 de cada 100 clientes abandona por mes el servicio por uno de la competencia. En un escenario donde la adquisición se desacelera es fundamental revertir dichos índices de abandono.
Que puede hacer el mining en este sentido? Mucho sin duda. Conocer con anticipación los comportamientos que conducen a un abandono, permiten realizar campañas de retención apuntadas a aquellos clientes con riesgo real de fuga. Esto permite concentrar los presupuestos disponibles para estos casos en esos clientes y no tener que realizar campañas de retención masivas. Las campañas de retención masivas son difíciles de sostener en el tiempo por ser rápidamente copiadas por la competencia.Ahora bien, la sola identificación de los clientes con riesgo de fuga representa la mitad del camino. También es posible a través de técnicas de análisis de comportamiento, predecir qué oferta es la más conveniente para lograr la retención para cada segmento de clientes en riesgo.Señores gerentes de empresas de telefonía movil, las herramientas están disponibles. No dejen que los abandonemos.

Daniel Ferro

La economía Long Tail y los Sistemas de Recomendación

2008-01-22T11:27:00.000-02:00

La economía Long Tail (ver articulo original de Chris Anderson en http://www.wired.com/wired/archive/12.10/tail.html y posterior libro http://www.amazon.com/Long-Tail-Future-Business-Selling/dp/1401302378) parece ser un hecho.
Tradicionalmente, en un mundo masificado por las comunicaciones televisivas y radiales (de una sola vía), todos seguíamos a "los exitos", sean estos: artistas, programas, productos o servicios.
Las decisiones de compra de los consumidores muchas veces estaban guiadas por los "hits" o "best-sellers", listas y rankings que las compañias comercializadoras y los medios nos hacian conocer amablemente. Esto provocaba una polarización: los productos que se vendían mucho, se vendían aún más y los productos menos exitosos se vendían menos.
La razón de un sistema basado en éxitos es muy simple: si Ud. es el dueño de una tienda con un espacio limitado de manera razonable querrá ocuparlo solo con productos con mucha rotación (exitos). Conclusión: los consumidores eran expuestos solo a esa oferta.
Pero que sucede si fuera posible tener locales comerciales con espacio ilimitado?
La gente compraría más de otros productos menos exitosos?
La realidad es que internet permite un infinito "shelf space" (tamaño del estante). El costo de agregar un producto a mi catalogo online no es significativo.
Amazon lo ha entendido perfectamente. Un comercio con, literalmente, millones de productos ofrecidos.
Ahora bien, la cuestión central es: pueden los consumidores lidiar con una oferta cuasi infinita de opciones?
La respuesta es que solo con algo de ayuda. Un buen buscador es el comienzo. Pero solo para el caso que yo, como usuario, conozca lo que estoy buscando. La segunda opción son los sistemas de recomendación. Se trata de aplicaciones basadas en el descubrimiento de patrones dentro de los datos de ventas. Haciendo mining sobre los datos es posible encontrar regularidades del tipo: cuando alguien compra el producto A, normalmente también adquiere el producto B.
Con ese conocimiento entre manos, cuando un próximo visitante pida el producto A, no nos costará mucho ofrecer el producto B, no es verdad?
Consecuencia: product discovering. Algo que no tenía pensado comprar y que no conocía previamente, se me presenta como una opción que muy probablemente me interese considerar.
Una aplicación muy intersante de todo esto se da en la música. Como hago para conocer nuevos temas e interpretes que sean de mi agrado? Los sistemas de recomendación realizan el music discovering de manera muy eficiente. Ejemplos de esto son Pandora (http://www.pandora.com/ solo utilizable dentro de USA) y LastFM (http://www.last.fm/). Se trata de radios online pero personalizadas. Comenzando con un artista ingresado por el usuario, el sistema propone artistas y temas relacionados. El usuario va indicando si le gusta o no el nuevo tema. A partir de la décima "votación" el sistema reproduce música adecuada al gusto del usuario en un 85% de las veces.
Interesante, no?

Daniel Ferro

Motores de reglas y Data Mining

2008-01-21T14:01:00.001-02:00

Muchas veces los proyectos de Data Mining pueden fallar por la falta de una correcta implementación de los resultados de los distintos modelos.
Esto suele pasar por las transformaciones que sufren los aprendizajes logrados en tiempo de modelización, con la implementación a nivel de negocio (etapas normalmente realizadas por grupos de personas diferentes).
Para achicar esta brecha existen formas de incorporar de manera integral los resultados de los modelos con el resto de las reglas de negocio que surgen desde las gerencias (normalmente las comerciales y de marketing).
Los "motores de reglas" son herramientas extraordinarias para llevar a cabo esto.
Para proyectos que exijan la "toma de decisión" en tiempo real, existen soluciones de código abierto (ej. Drools, Jess, etc.), que permiten separar la lógica de las reglas de negocio, de la codificación del resto de la solución. Esto permite cubrir los hallazgos realizados en la etapa de minería de los datos junto con el conocimiento que la empresa tiene de su negocio.
En la aplicación de mi modelo de 4 capas al e-commerce (ver http://predictivos.blogspot.com/search/label/E-commerce) muchas veces he tenido que hacer convivir reglas para realizar ofertas al usuario online que provenían de estímulos de distinto origen (los intereses propios del usuario, el comportamiento de su segmento, los intereses de la empresa, etc).
Aqui es donde los motores de reglas se presentan como una solución interesante.

Daniel Ferro

Clustering de resultados en buscadores

2008-01-21T13:43:00.001-02:00

Están apareciendo una cantidad de buscadores que tienen como característica interesante la de clusterizar (agrupar) los resultados de la búsqueda de acuerdo a conceptos relacionados.
Un ejemplo de esto es Clusty (http://clusty.com) que funciona bastante bien aunque he notado que la cobertura de crawling todavía está incompleta.
Lo interesante de estas opciones es sin duda la de colaborar con el usuario en encontrar el "sentido" más apropiado de la búsqueda realizada.
Si uno está buscando la palabra "Tejidos" puede referirse de manera muy diferente a las confecciones con hilados, como al conjunto de células que forman los organos.
En el futuro cercano veremos la incorporación de la visualización gráfica de esos resultados, lo que mejorará aún más la utilidad de estas aplicaciones indispensables en la actualidad.

Daniel Ferro

Text Mining, la próxima frontera

2007-08-07T17:46:00.000-03:00

Se calcula que un 80% de la información disponible en Internet se encuentra en formato no estructurado, es decir, en textos del tipo relato.
Cientos de miles de artículos, resúmenes, notas, etc. están disponibles en la web, pero el acceso a ellos se produce de manera bastante básica a partir de la búsqueda de palabras en sus contenidos.
Pero que sucede si yo quiero realizar una búsqueda en función de un concepto o idea? Por ejemplo digamos que quiero buscar un artículo en las noticias que hable sobre los “disturbios en el senado”.
Si utilizo un buscador dentro de un sitio de un diario, el mismo responderá con los links a toda información que contenga las palabras “disturbios” y “senado”, pero dejará de lado aquellos artículos que contengan frases del tipo “gresca en la cámara alta” que claramente representa un sinónimo de mi búsqueda.
El futuro de las búsquedas inteligentes se basará en la resolución de “conceptos” y no solo palabras. “Senado” además de una palabra, es un concepto que puede ser nombrado de diferentes maneras (por ej. “Cámara alta”). “Data Mining” es un concepto que va más allá de las palabras “data” y “mining” por separado.
El text mining, es un conjunto de técnicas que permite la realización de dos aplicaciones sumamente interesantes:
(1) Extracción de conceptos a partir de documentos no estructurados
(2) Descubrimiento de patrones en esos conceptos
En la primer aplicación se utilizan técnicas, que de acuerdo al idioma del documento original, harán un análisis lingüístico (sintáctico y semántico) a fin de extraer partes de las frases, rescatando los conceptos principales tratados.
El análisis lingüístico permite distinguir entre conceptos que refieran a nombres, fechas, lugares, acciones, etc.
En la segunda aplicación se utilizan técnicas de data mining más tradicionales como ser, entre otros, el link analysis, donde se buscan patrones que correlacionen los distintos conceptos encontrados.
Veamos un ejemplo de clasificación: supongamos que tenemos ante nosotros un conjunto de artículos y nuestra intención es categorizarlos de manera automática como noticias políticas, policiales, deportivas, relacionadas con el tiempo, etc.
Un modelo de Text Mining será capaz de extraer los conceptos principales de esas noticias y de acuerdo a la correlación (establecida en la fase de entrenamiento del modelo) que haya de esos conceptos con las distintas categorías, definir la categoría que mejor aplica.
Otro ejemplo, de los muchos posibles, es el autotagging, es decir, la generación automática de keywords a partir de un texto no estructurado.
80% es una cantidad muy importante de información. El text mining tiene mucho para decirnos en como explotarla.

Daniel Ferro.

Los medios online y sus anunciantes directos

2007-07-10T11:01:00.000-03:00

Veo preocupación en los medios online. El crecimiento sostenido de las Ad-Networks, sean con inteligencia contextual o no, están generando un cambio que muchos medios ven con desconfianza.
El tema es que, historicamente, los grandes medios podían manejar quien publicitaba en sus sitios a través del contacto directo con anunciantes y sus respectivas agencias.
Actualmente servicios como Adsense y otros le han quitado a los publishers una porción de su negocio publicitario directo, generando una nueva intermediación que le permite a los anunciantes pensar más en audiencias que en medios.
La respuesta por parte de los medios a esa pérdida de control, pasa por mejorar la “inteligencia” de su adserving a través de un adecuado profiling de sus lectores. Esto le permite a esos sitios ofrecer un servicio de targeting inteligente a sus anunciantes sin que estos deban caer necesariamente en una Ad-Network.
Las dos posibilidades que tienen los medios de llevar a cabo esto son: a través del desarrollo in-house de una solución de behavioral targeting, o contratando el servicio de empresas que resuelven esto para sus sitios afiliados.
Me da la sensación que el anonymous behavioral targeting como servicio externo es un modelo en plena consolidación y para los medios online va a ser muy difícil sobrevivir en el futuro sin contar con este tipo de soluciones “inteligentes” para sus anunciantes.

Daniel Ferro.

Tendencias

2007-06-12T10:28:00.000-03:00

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

2007-06-05T13:54:00.000-03:00

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.

Las distintas etapas de un proyecto de Data Mining

2007-05-24T18:25:00.000-03:00

Quizá haya aún mucha gente que no conoce los distintos pasos que se llevan a cabo para realizar un proyecto de Data Mining.
Por esta razón, quisiera hacer al menos una breve descripción del proceso necesario para encontrar resultados lo más rápida y linealmente posible.
Como cualquier proyecto de minería, cuando se realiza un estudio de Data Mining (DM), no se tiene asegurado prima facie los resultados positivos. Sin embargo aplicando la metodología correcta es posible saber en un plazo relativamente corto y con un esfuerzo razonable si lo que hay al fin del camino es oro o no.
La primera regla a cumplir para ejecutar exitosamente un proyecto de estas características es definir un problema que queremos estudiar.
Ejemplos de problemas típicos son: mejorar la tasa de respuesta de una campaña de mails, aumentar la tasa de compradores de un sitio de ecommerce, disminuir la tasa de abandono de abonados a un servicio, mejorar la tasa de click-through de los banners impresos en un sitio web, predecir la cantidad de llamados a un call center, etc.
Una vez definido el problema a atacar, se realiza lo que llamamos “Entendimiento del Negocio”. La idea para esta etapa, es que el analista de DM se interiorice de las características que rodean al problema (como funciona la industria, quienes son los clientes, como son los productos o servicios ofrecidos, como son los procesos, etc.). Para esto es fundamental que pueda interactuar con un especialista en el tema (normalmente alguna persona de marketing o comercial de la compañía). Esta etapa se lleva adelante con una o varias entrevistas entre ambos.
A continuación se realiza el “Entendimiento de Datos”. Esta vez el analista interactuará con un experto de las bases de datos de la compañía (habitualmente gente del área de sistemas de la misma). Para este proceso hará falta una o varias reuniones y acceso a la documentación de los modelos de datos.
Una vez realizados los pasos de entendimiento, el analista solicitará una primera tanda de datos para analizar. Esto lo podrá hacer junto con el área de sistemas o en forma directa si cuenta con los permisos necesarios.
Luego trabajará realizando la “Preparación de Datos” que sea necesaria (limpieza, transformaciones, sumarizaciones, etc.). La idea es obtener al final de esta etapa una tabla de dos dimensiones con los datos “limpios” para iniciar el paso siguiente.
Ahora llegamos al núcleo del trabajo de DM con la etapa de “Modelización”. De aquí surgirán modelos que describan o predigan circunstancias o comportamientos. Es interesante hacer notar que existen numerosos tipos de modelos, por lo cuál el analista determinará en esta instancia el más adecuado para el problema que estamos tratando (ej. reglas de asociación, clusters, árboles de decisión, redes neuronales, regresiones, etc.).
Una vez obtenidos los primeros modelos el analista proseguirá con la fase de “Evaluación”, etapa en la que tratará de medir la calidad o efectividad predictiva del modelo obtenido.
Si los modelos obtenidos superan un umbral de calidad aceptable, se realizará la “Implementación” del mismo. Esta implementación tiene infinitos “flavors” (sabores). Desde listas con clientes con mayor propensión a adquirir un producto, hasta formulas que nos permitan calcular en tiempo real que banner presentar al visitante de nuestro sitio en determinado momento.
Por último, medir los resultados de los modelos implementados nos permitirá recalibrar los mismos para lograr una mejora permanente de los efectos buscados.

Para más información sobre las etapas de un proyecto de Data Mining, pueden visitar: http://www.crisp-dm.org.

Daniel Ferro.

El RFID en las tarjetas de afinidad

2007-05-15T09:55:00.000-03:00

Tecnología fascinante la del RFID. Inicialmente pensada para el reconocimiento automático y a distancia de mercaderías, hoy encuentra aplicaciones en distintos procesos de marketing.
Para los que no lo conocen, un sistema de RFID, está formado por un lado por “tags” (pequeñas antenas con un chip adosado) y por el otro por “lectores” (antenas más importantes encargadas de la lectura de los tags).
Existen dos tipos de tags, los “activos” que emiten una señal en forma permanente y por lo tanto requieren de una batería y los “pasivos” que funcionan en base a la energía, que en forma remota, emiten los lectores o antenas principales.
En ambos casos, la identificación precisa se realiza ya que cada chip contiene un número único (no hay dos tags en el mundo que tengan la misma secuencia de dígitos).
Un ejemplo conocido de tags activos lo constituyen los utilizados en las autopistas para atravesar los peajes sin detenerse con el auto.
Al ser más sofisticados, los tags activos tienen un costo mayor, pero también un alcance de lectura más importante que los pasivos (aproximadamente 8 metros contra 1).
Por otro lado, los tags pasivos dado su bajo costo y su pequeño tamaño y espesor (aproximadamente el de una tarjeta de crédito) son la elección natural al pensar en aplicaciones masivas.
Desde mi punto de vista, una aplicación interesante del RFID, es la posibilidad de utilizar tags pasivos en las tarjetas de afinidad. Esto permite, por ejemplo, que el reconocimiento del cliente en un local, se produzca a distancia sin que el cliente necesite pasar la tarjeta de manera explícita por un lector.
Me imagino que un futuro no muy lejano, será común encontrarse con displays de ofertas que se personalicen al paso de un cliente que posea este tipo de tarjetas de afinidad.
Un ejemplo concreto de esto, pero en la vía pública, lo implementó la gente de marketing de Mini Cooper en Estados Unidos. Ellos colocaron billboards (carteles enormes en la vía pública) que emitían mensajes personalizados cuando se acercaba un Mini de alguno de sus clientes que se habían sumado a la promo. Cada auto contaba, desde fábrica, con un tag activo que les permitía reconocer al cliente cuando pasaba cerca de alguno de sus carteles dinámicos.
Imaginen esto: la posibilidad de reconocer al cliente en forma automática y un modelo predictivo por detrás que nos permita realizar la oferta más adecuada para esa persona en esa situación.
Interesante, no?

Daniel Ferro.

Banners Pertinentes

2007-05-10T12:47:00.000-03:00

La profusión de mensajes actuales y la necesidad de encontrar un lugar en la mente del consumidor, lleva a los creativos a una búsqueda de nuevas formas de llamar la atención de los usuarios online. Esta creatividad muchas veces apela a la interrupción del usuario (pop-ups en todas sus formas).
De más está decir lo frustrante que puede resultar esto para quien está buscando una determinada información en un sitio web. Mientras trata de concentrarse en la lectura de un artículo, la pantalla se completa con una oferta de un producto cualquiera. Definitivamente es malo para la experiencia del usuario. Es realmente bueno para la marca? Yo creo que no.
Ahora bien, desde mi punto de vista existen alternativas que beneficien a ambas partes (usuario y marca). El secreto es la presentación de banners pertinentes.
Hoy es posible inferir el perfil de un cliente online a partir de su comportamiento histórico en el sitio. Esto es así, aún en los casos donde el usuario no necesita loguearse para acceder a la información. Quizá desconozcamos el nombre y apellido, pero aún así podemos estimar sus preferencias.
La base de todo esto es la utilización de técnicas de datamining para la confección de modelos descriptivos y predictivos del comportamiento de nuestros usuarios.
Con esta información en la mano, lo razonable es presentar las ofertas comerciales (propias o de nuestros anunciantes) de manera adecuada. Esto significa que es posible ofrecer lo que a la persona le pueda llegar a interesar. Que les parece una mejora del 30% en la tasa de click-through?
Todos contentos, no?
Actualmente soluciones como AdSense de Google utilizan una opción intermedia, basada en la utilización de la información de contexto de la página, a fin de presentar la publicidad más adecuada. Esto es, si la página habla sobre tenis, ofrecer avisos de tickets para el próximo torneo. Si bien no se basa en el comportamiento del usuario, es un acercamiento interesante. La clave aquí es la manera en la que la página se convierte en “keywords” que a su vez se relacionan con los correspondientes de los anuncios disponibles. De ese matching surgirán los avisos más pertinentes a presentar.
Desde el punto de vista de los medios online, el uso de los modelos de comportamiento y el entendimiento profundo de la audiencia, marcan el futuro de cómo deberán manejar su stock de impresiones. En un medio interactivo como lo es la web, no es razonable aplicar modelos publicitarios de medios masivos. En la medida que los anunciantes entiendan las posibilidades que se presentan, exigirán a los medios que publiquen sus avisos a los clientes más adecuados a sus objetivos.

Daniel Ferro.

El nuevo marketing en el Retail

2007-05-10T11:08:00.000-03:00

Actualmente los dueños de locales al público se enfrentan a desafíos interesantes. Por un lado el crecimiento económico de la Argentina, trajo una recuperación en la nivel de facturación. Por otro lado, los clientes hoy tienen más opciones que nunca para elegir que comprar, donde, por cuanto y como. Internet parece estar consolidándose como herramienta de difusión, pero a pesar del crecimiento sostenido del uso de la red, el local a la calle sigue siendo la opción de compra para la mayoría de los clientes de rubros como Alimentos, Electrodomésticos, Deportes, Ropa, Viajes, Libros, Servicios Profesionales, etc.
Pareciera ser que la regla es “difunda por Internet, venda en el local”. Lo cierto es que si el retailer quiere mejorar el valor del ticket promedio y la retención de clientes, es fundamental que pueda aprovechar lo nuevo que la tecnología tiene para ofrecer.
Por ej. hoy es posible saber con un buen grado de certeza, que productos ofrecer al cliente, según su patrón de compra, para mejorar el proceso de cross-selling. Esto es posible gracias a los “modelos de comportamiento”, un conjunto de técnicas matemáticas, estadísticas y de inteligencia artificial, que permiten conocer a partir de los datos de consumo que puede desear el cliente. Complejo? No tanto, ya que los proveedores de este tipo de soluciones han trabajado extensa y exitosamente en simplificar las herramientas utilizadas y brindar servicios empaquetados. Hoy las áreas de Marketing de un Retail pueden acceder a convenientes servicios de consultoría que le permitan conocer más profundamente que quieren sus clientes.
Veamos un ejemplo: una cadena de tiendas que vende libros, CDs y electrodomésticos desea mejorar sus niveles de venta disminuyendo el tiempo transcurrido hasta que los clientes vuelven al local luego de una compra.
Una forma tradicional de realizar esto es a través del cuponing, esto es, la entrega de un ticket de oferta que se ha impreso junto con el ticket de venta. Esa oferta tiene una validez determinada, por lo tanto se estimula al cliente a volver al local antes que este vencimiento se produzca. Hasta aquí lo conocido. Lo nuevo es que el contenido de esa oferta puede estar personalizado de acuerdo al “patrón” de compra del cliente. Este patrón fue calculado a partir de la información demográfica, transaccional y cualquier otra interacción que ese cliente ha tenido con la compañía. De tal manera que hemos podido establecer cuál es la oferta más adecuada para ese cliente en ese momento, aumentando las chances que vuelva a nuestro local.
Otra área de aplicación, tiene que ver con fidelizar a los clientes de empresas de servicios. Que mejor para esto que conocer con anticipación la probabilidad de “fuga” del mismo, a partir de lo cuál es posible tomar acciones anticipadas para minimizar dicha probabilidad.
Reconocer al cliente en el punto de venta, conocer su historial de compra y analizar dicha información es clave para el retailer que quiera sobrevivir en un mundo hipercompetitivo como en el que vivimos.

Daniel Ferro.