Durante los últimos años hemos asistido a una explosión de los datos disponibles en las organizaciones. Ello se debe a los siguientes hechos:
- Nuevas fuentes de datos (web&app analytics, CRMs, CDPs, ERPs, RRSS, web crawlers/bots, Open data sources, etc).
- Nuevos dispositivos IoT capturan nuevos tipos de datos digitales: cámaras/imagen, micrófonos/audio, sensores wireless/detectores, etc.
- Mejores herramientas de almacenamiento y acceso (cloud services).
- Mejores herramientas de análisis (R, Python, etc).
- Mejores herramientas de visualización (Tableau, Qlik, Power BI, Google Data Studio, etc).
Todas las posibles fuentes de datos primarios, debidamente tratadas y procesadas, contienen un enorme valor. Este valor puede extraerse de múltiples fuentes, y aplicarse a distintas áreas funcionales de la organización.
Data aplicada a marketing/comercial
En el ámbito de marketing y comercial, las BBDD de clientes, con su histórico de ventas por productos, pueden dar lugar a análisis alrededor de temas como:
- Modelos de atribución de ventas (MMM) en relación a los gastos de mktg y publicidad: impacto de los distintos canales de comunicación y comercialización en las ventas totales de la compañía.
- Scoring/clasificación de clientes en relación a diferentes variables objetivo (próxima compra, LTV, riesgo abandono, riesgo de impagados, etc)
- Segmentación de clientes: análisis de clientes para detectar grupos con comportamientos homogéneos entre sí, y grupos a su vez distintos entre sí.
- Recomendadores de productos afines como sustitutos o complemento de productos históricamente comprados
- Experiencia de cliente: encaje de contenidos de comunicación (ofertas de productos/servicios) a determinados perfiles (segmentos) en momentos concretos de tiempo y a través de los canales más adecuados (email, SMS; push mobile, teléfono, etc)
- Políticas de pricing dinámico (individual por clientes, o variable temporalmente) para maximizar retorno de ventas ante determinadas restricciones de stock.
- Previsión de demanda (por productos, puntos de venta, etc): modelos de predicción de ventas a partir de datos históricos modelizados y vinculados con datos de campañas de comunicación, fechas de calendario (festivos, etc), y cualquier otro input que sea considerado.
El proceso de obtención de datos
Para poder llegar a obtener la información contenida en las BBDD disponibles, son necesarias algunas condiciones previas.
La principal condición es la disponibilidad de datos individuales a nivel cliente. Fuentes como el CRM, el CDP, o el ERP son fundamentales para tener una base de datos completa para análisis.
Más allá de la disponibilidad de datos, es necesario la extracción, procesamiento y carga (ETL/ELT) de estos datos para poder llegar a una fuente analizable y manejable para cualquier tipo de análisis.
Datos propios… y ajenos
Por otro lado, las fuentes de datos originales disponibles en la empresa pueden ser complementadas con BBDD externas. Las distintas fuentes disponibles darían para una revista entera, ya que los recursos disponibles son numerosos y de mucha diversa tipología: desde BBDD de pago (normalmente fuentes privadas) hasta recursos de open data (normalmente fuentes públicas). Y luego, las distintas tipologías de datos: desde datos de perfil sociodemográfico (datos del catastro), datos de temas inmobiliarios, datos de metereología, datos de resultados políticos, datos de tráfico, datos de redes sociales, etc.
Equipos internos
Para sacar el valor a los propios datos, las empresas han constituido equipos internos de Data & Analytics, equipos compuestos de perfiles como data scientists, data engineers, data analysts, etc. Para entender cada uno de ellos los describimos a continuación:
- Data Scientist (científico de datos): En una persona de formación básicamente matemática y estadística. A menudo hay perfiles de carreras científicas (ingenieros, físicos) que han profundizado en el conocimiento matemático y estadístico y son excelentes científicos de datos. Sus herramientas más comunes son R y Python.
- Data Engineer (ingeniero de datos): Son profesionales de formación básicamente informática, programadores con background en ciencias de la computación. Son desarrolladores con una capa de sistemas, big data y servicios cloud (AWS, MS Azure, Google Cloud, etc).
- Data Analyst (analista de datos): rol más clásico, de analista de datos, con vínculo a áreas de negocio. Aparte de apoyarse en hojas de cálculo, usan herramientas como Qlik, Tableau, PowerBI, Data Studio, etc. A menudo, estos analistas de datos son el eslabón que realiza el vínculo entre los perfiles puramente técnicos y las distintas áreas de negocio clientes internos de la información.
Datos… para qué
Los analisis de los equipos internos de Data & Analytics se usan básicamente en 2 direcciones:
- Soporte a toma de decisiones (uso directamente humano del output del modelo de datos): por ejemplo, un ejercicio de segmentación de la BBDD de clientes a partir de una metodología cluster.
- Operaciones más eficientes (uso automatizado del output de un modelo de datos): por ejemplo, un scoring de crédito para determinar si se acepta la aprobación de un crédito o no; una recomendación de productos alternativos o complementarios en un eCommerce.
Insights and Analytics
En las organizaciones del lado cliente, se mezclan perfiles más tradicionales de investigación con nuevos perfiles más del área de analytics.
Por un lado, el perfil más tradicional de investigación ejerce el rol de “investigación comercial” tiene múltiples renovadas denominaciones: “market research” “consumer insights”, “marketing intelligence”, “customer intelligence”, “shopper insights”. Actúa como comprador de servicios a proveedores tradicionales (focus groups, encuestas de opinión, paneles de consumidores, paneles de distribuidores, etc) y a su vez vehicula esta información a los distintos clientes internos (responsables de marcas, etc). Realizan un trabajo individual o en equipos pequeños con perfiles quizás algo menos seniors, pero de un mismo perfil profesional.
El perfil del profesional del área de analytics tiene denominaciones siempre vinculadas a “analytics” y a “data” como Business analytics, Data Analytics, … etc. A veces, se encuadran en equipos de “digital” o de “Innovación”. Realizan un trabajo muy interrelacionado con los otros perfiles profesionales del equipo (un proyecto de analytics incluye a Data Scientists, Data Engineers, etc) para llegar a un entregable final que vehiculan a los clientes internos.
Es muy interesante constatar que en algunas empresas clientes, los perfiles tradicionales de investigación y los equipos de analytics no están en el mismo equipo, sino que son 2 entidades perfectamente diferenciadas en la organización.
Ello puede ser debido a varias causas:
- Por un lado, el perfil de los profesionales más “analytics” es un perfil mucho más técnico, generalmente joven y recientemente formado en nuevas herramientas como R o Python.
- Además, los equipos de analytics han sido equipos añadidos a la organización, y precisamente por este set de skills tan diferente de los investigadores más tradicionales, se han ubicado “en paralelo” a los equipos tradicionales (no debajo), en otra vía de la organización.
- Finalmente, los equipos de analytics a veces dan servicio a toda la organización, incluyendo a la parte de fabricación y logística (no solo marketing y comercial).
No estamos en un momento embrionario de la implantación de equipos de analytics en las empresas, sino que estamos en una fase ya posterior. Por ello, a futuro veremos escenarios diversos: desde empresas “Insights and Analytics” con equipos bajo un paraguas común, a empresas “Insights or Analytics”, con equipos de Insights y Analytics separados en la organización.
¿Quieres conocer el valor oculto de los datos? Desde Kraz, como empresa especializada en Data Science y Analytics, ¡podemos ayudarte a revelar todo el potencial de tu negocio! Contacta con nosotros.
Artículo publicado para la revista Insights + Analytics España, por Joan Miró, General Manager de Kraz
