Marketing Intelligence, o cómo digerir los datos para mejorar las decisiones en Marketing. Desayuno AMDIA. 26 de Abril de 2012. Presentadores: Freddy Rosales, Néstor Martínez

1. Desayunos AMDIA
Desayunos AMDIA
Información y formación, fresca y nutritiva,
para los que están, o quieren estar, en la vanguardia del marketing
© MarketingIQ®, 2012 Slide 1

2. Marketing Intelligence,
o cómo digerir los datos
para mejorar las decisiones en marketing
Auditorio UCEMA, 26 de abril de 2012
Freddy Rosales, Néstor Martínez
© MarketingIQ®, 2012 Slide 2

3. Agenda de esta sesión
Conciencia de la carencia:
qué dicen los CMOs de todo el mundo.
La misión de la inteligencia de negocios (BI)
y, por extensión, la de la inteligencia en marketing: MI.
Las herramientas y procesos del análisis de datos.
Casos, casos, casos… para ir acostumbrando el ojo y la mente.
© MarketingIQ®, 2012 Slide 3

4. ¡ATENCIÓN!
LA SIGUIENTE PRESENTACION
PUEDE HERIR SU SENSIBILIDAD
PROHIBIDA PARA MARKETINEROS MENORES
La casa no se responsabiliza si no está acompañado por su analista… estadístico.
© MarketingIQ®, 2012 Slide 4

5. LA VENGANZA DE LOS NERDS
© MarketingIQ®, 2012 Slide 5

6. ¿Se miden los resultados de programas de marketing?
Una investigación de
IBM que ha tenido
amplia difusión en
marzo de 2012
ilumina la percepción
actual de los CMOs.
En resumen,
no se mide.
© MarketingIQ®, 2012 Slide 6

7. IBM Institute for Business Value
CMOs: ¿nadando, vadeando o ahogándose?
In this digital era... CMOs have to...
Globalization has brought the world to Do more than ever, inside and outside the
everyone’s backyard organization
Everyone is a broadcaster, publisher and a
critic: there is nowhere to hide Be more accountable for return on investment
Transparency is the new price of entry (ROI)
Use tools and technologies that their children
understand better than they do
And... And...
more data, more sources, CMOs have just three to four years
less clarity to make their mark
“Being able to collect the right information, making sure the right people have access
to it, can analyze it, and make recommendations based on insights – this is where
marketing needs to lead, invest, engage.”
Engineering and machinery senior VP sales and marketing, France
© MarketingIQ®, 2012 Slide7 7

8. IBM Institute for Business Value
Los CMOs se sienten faltos de preparación
Expected level of complexity and preparedness to handle it
Percent of CMOs responding
79%
Expect high/very high
level of complexity
over 5 years
48% 31%
complexity
Feel prepared for gap “In this coming age of complexity and
expected complexity uncertainty, there is a serious risk of
‘losing our north,’ of being intoxicated by
data overload and suffering from
corporate indigestion.”
Industrial products
senior managing director/marketing, Spain
Source: Q4 How much complexity will your organization have to master over the next 3 to 5 years compared to today? n=1709; Q6 How prepared do you feel for the expected complexity ahead? n=1712
© MarketingIQ®, 2012 Slide8 8

9. IBM Institute for Business Value
En LA, las redes nos preocupan más que la big data
Global Underpreparedness LA Underpreparedness
Percent of CMOs reporting underpreparedness
50%
Data explosion 71% 67%
Social media 68% 80%
Growth of channel and device choices 65% 60%
Shifting consumer demographics 63% 68%
Financial constraints 59% 67%
Decreasing brand loyalty 57%
Emerging market opportunities 56%
ROI accountability 56%
Customer collaboration and influence 56%
Privacy considerations 55% In our region, the lack of preparedness to
Global outsourcing 54% approach Social Media is greater than in
the rest of world
Regulatory considerations 50%
Corporate transparency 47%
Source: Q8 How prepared are you to manage the impact of the top 5 market factors that will have the most impact on your marketing organization over the next 3 to 5 years?
n=149 to 1141 (n = number of respondents who selected the factor as important)
© MarketingIQ®, 2012 Slide9 9

10. IBM Institute for Business Value
Pero igualmente una mayoría de CMOs busca herramientas
para dominar el volumen, la velocidad y la variedad crecientes en los datos
Global Our
Plans to increase the use of technology Region
Percent of CMOs selecting technologies 50%
Social media 82% 91%
Customer analytics 81% 89%
CRM 81% 86%
Mobile applications 80% 89%
Content management 73%
Tablet applications 72%
Single view of customer 70%
Collaboration tools 68% According to Social Media and
Predictive analytics 66% Analytics unpreparedness in our
region, they want to increase the
Reputation management 63%
use of Technology in those two
Search engine optimization 62% areas
Campaign management 61%
Score cards/dashboards 56%
E-mail marketing 46%
Source: Q22 Do you plan to decrease or increase the use of the following technologies over the next 3 to 5 years? n=1616 to 1671
© MarketingIQ®, 2012 Slide 10
10

11. ¿Big data? ¿Qué es eso?
Nota: 1 exabyte es 1 millón de terabytes…
El 90% de los datos existentes en la actualidad fue generado en los últimos 2 años.
12 Terabytes de tweets diarios se convierten en indicadores de sentimiento.
350 millardos de lecturas anuales de medidores proveen proyecciones energéticas.
500 MM de registros de contacto diarios analizados en tiempo real facilitan la predicción de abandonos.
http://www-01.ibm.com/software/data/bigdata/
© MarketingIQ®, 2012 Slide 11

12. Areas afectadas por el tsunami de datos
SOS
© MarketingIQ®, 2012 Slide 12

13. “El mapa se redibuja constantemente, porque es más barato
que nunca salirse del camino, desarrollar, innover y rehacer lo
que creíamos sería lo siguiente”.
“La tecnología sigue cambiando los derroteros que elegimos
para llevar a nustros proyectos de aquí hacia allá. No vale la
pena memorizar la ruta, porque pronto cambiará”.
“El compás, la brújula, no obstante, es más importante que
nunca. Si no sabés en qué dirección vas, ¿cómo sabrás que
estás fuera de rumbo?”
“Y sin embargo…”
“… sin embargo dedicamos la mayoría de nuestro tiempo a
aprender (o a enseñar) el mapa, el mapa de ayer, mientras
estamos a la vez ansiosos y temerosos de calibrar el compás”.
(Seth Godin, 2012)
© MarketingIQ®, 2012 Slide 13

14. ¿Los ayudamos un poco?
© MarketingIQ®, 2012 Slide 14

15. Business Intelligence: una definición
“Es un paraguas bajo el que se incluye
un conjunto de conceptos y metodologías
cuya misión consiste en mejorar el proceso
de toma de decisiones en los negocios
basándose en hechos y sistemas que trabajan con hechos”
Howard Dresner
(Gartner Group), 1989
© MarketingIQ®, 2012 Slide 15

16. BI: recursos y herramientas
Fuentes de datos : warehouses, data marts, etc
Herramientas de administración de datos y metadata
Herramientas de consulta y reporting
Herramientas de modelización
Queries y reportes
Metadata
Extracción,
clean up y carga
de datos OLAP
DW
Fuentes Data Mining
transaccionales
© MarketingIQ®, 2012 Slide 16

17. El espectro de las Tecnologías de Business Intelligence (BI)
ALTO TDWI Best Practices Report 2007
(The Data Warehousing Institute)
Tecnologías de BI
(aditivas, no excluyentes):
Grado de complejidad
Análisis predictivo
Dashboards, scorecards
OLAP y visualizaciones
Queries, informes,
herramientas de acceso y búsqueda
BAJO Valor para el negocio ALTO
© MarketingIQ®, 2012 Slide 17

18. El “círculo virtuoso” del análisis de datos
Preparación
Datos
Acción Información
Decisión Conocimiento
© MarketingIQ®, 2012
18 Slide 18

19. Un ejemplo de base transaccional
de gestión de ventas
© MarketingIQ®, 2012 Slide 19

20. ¿Cómo se visualizan esos datos? (1)
Drill Down - Roll Up
© MarketingIQ®, 2012 Slide 20

21. ¿Cómo se visualizan esos datos? (2)
Slice and Dice
© MarketingIQ®, 2012 Slide 21

22. Problemas usuales en contextos comerciales
Adquisición de clientes y segmentación de cartera
Cross y up selling
Churning y attrition
Scoring
Análisis de respuesta a campañas y estímulos de marketing
Forecasting
Canasta de productos
Prevención de morosidad
Detección de fraudes
© MarketingIQ®, 2012 Slide 22

23. Ej.: ¿Qué tan frecuentemente compran los clientes?
Análisis univariado: Frecuencia mensual promedio
© MarketingIQ®, 2012 Slide 23

24. Estratos de NSE geocodificados en el AMBA
DATOS
REALES
Gentileza de Datamap
© MarketingIQ®, 2012 Slide 24

25. Densidad de clientes alrededor de una sucursal
Gentileza de Datamap
© MarketingIQ®, 2012 Slide 25

26. Determinación de un “trade area”
Distancia Vs. Total Clientes
100 94,2
96,8 98,4
91,7
90
% Clientes Totales
86,9 88,7
83,2 85,4
80 77,1
81,2
70 65,3
70,7
60 55,7
50
40 40,1 Total Clientes
30
20 18,6
10 5,6
0
0
0
0
00
00
00
00
00
00
00
00
00
00
00
10 0
0
20
40
70
0
00
11
15
19
25
30
35
40
45
50
60
70
85
Distancia en mts.
Gentileza de Datamap
© MarketingIQ®, 2012 Slide 26

27. Marketing Intelligence:
data mining para no iniciados… pero interesados
Auditorio UCEMA, 26 de abril de 2012
Freddy Rosales, Néstor Martínez
© MarketingIQ®, 2012 Slide 27

28. Nuestra visión del Data Mining
• Es el proceso de exploración y análisis de los datos para
¿Qué ES obtener patrones significativos y reglas de negocio.
el Data Mining ? Definición de sus pioneros, Michael Berry y Gordon Linoff
• No es un producto que se compra enlatado sino una disciplina
que debe ser dominada: es esencial la calidad de los analistas.
¿Qué NO ES • No es una solución instantánea a los problemas de negocio:
prepara decisiones transformando datos en conocimiento.
el Data Mining? • No es un fin en sí mismo sino un proceso que ayuda a encontrar
soluciones a problemas de negocio: sus conclusiones deben ser
eminentemente operativas.
© MarketingIQ®, 2012 Slide 28

29. Modelos de Data Mining
Principales objetivos del proceso de Data Mining:
predicción
descripción
El método a utilizar depende de los objetivos perseguidos por el análisis pero
también de la calidad y cantidad de los datos disponibles:
Fuente: Mining your Own Business Data Using DB2 Intelligent Miner for Data
© MarketingIQ®, 2012 Slide 29

30. El (la) Analista de Datos
Business goals Insights
Task Knowledge
Discovery Discovery
Data
Discovery Data Analysis
Data
Modelling
Data Cleaning
Data Transformation
DataWarehouse Mining Data
© MarketingIQ®, 2012 Slide 30

31. Factores clave de éxito de un sector de MI
Construcción de una
línea de acceso a los Instalación de un
datos crudos, con centro autónomo de Analista
seguridad (hashing y procesamiento de especializado como
autorizaciones) según datos (hardware, soporte de los
normas de Sistemas, software y recursos recursos operativos
que vuelque humanos), exclusivo del área.
periódicamente las para Marketing.
transacciones a BI.
Es el vínculo entre las áreas de
Un único project leader tecnología informática y las
Un equipo multidisciplinario integrado por personas de las áreas de IT y áreas de negocios
Traduce los requerimientos de
de negocio
información en preguntas
Las unidades de negocio están involucradas desde el comienzo apropiadas para su análisis con
las herramientas de minería.
El área de IT está involucrada desde el comienzo Realimenta el DW de la
Un pequeño proyecto piloto que muestre las ventajas del Data Mining compañía con nuevos criterios
de data cleaning y data
validation.
© MarketingIQ®, 2012 Slide 31

32. Una posible organización del área de MI
Lectura ODBC
desde SPSS / SAS o similar
Analista
© MarketingIQ®, 2012 Slide 32

33. El peor dolor de cabeza de un CMO,
pero su gran oportunidad
CLIENTES ACTIVOS EN CADA MES SEGÚN EL MES DE ACTIVACION
Mes de actividad
0601 0602 0603 0604 0605 0606 0607 0608 0609 0610 0611 0612 0701 0702 0703 0704 0705 0706 0707 0708 0709 0710 0711 0712 0801 0802 0803 0804 Altas
200601 222.492 188.359 184.844 175.858 178.591 174.410 174.085 170.862 168.840 167.911 164.745 163.412 163.700 159.366 159.095 156.112 155.867 153.880 154.438 151.491 149.837 150.907 147.546 143.281 147.851 144.121 141.214 142.423 222.492
200602 0 35.911 20.767 20.538 20.489 21.022 19.720 20.537 18.910 20.160 18.576 19.661 18.121 19.345 18.110 18.386 17.926 18.362 17.904 18.155 17.119 18.269 16.985 16.970 16.976 17.414 16.211 16.928 35.911
200603 0 0 29.516 19.108 19.683 18.844 18.923 18.414 18.185 18.096 17.655 17.377 16.925 16.535 16.908 16.410 16.448 16.262 16.393 16.076 15.484 15.961 15.525 14.807 15.341 15.008 14.810 14.983 29.516
200604 0 0 0 17.016 10.297 10.225 9.886 9.945 9.416 9.694 9.181 9.329 8.815 8.864 8.863 8.895 8.706 8.745 8.718 8.643 8.405 8.618 8.236 7.927 8.275 8.051 7.852 8.137 17.016
200605 0 0 0 0 18.083 10.325 10.457 9.906 9.806 9.740 9.529 9.359 9.292 9.058 9.112 9.048 9.122 8.905 9.098 8.892 8.656 8.851 8.569 8.195 8.536 8.240 8.056 8.320 18.083
200606 0 0 0 0 0 15.615 9.209 9.218 8.526 8.917 8.282 8.459 8.019 7.991 7.901 7.853 7.758 7.784 7.737 7.641 7.337 7.651 7.339 7.146 7.308 7.230 6.911 7.140 15.615
200607 0 0 0 0 0 0 15.631 9.481 9.295 9.136 8.855 8.633 8.531 8.168 8.330 8.034 8.211 7.949 8.253 7.872 7.787 7.808 7.614 7.215 7.595 7.317 7.221 7.328 15.631
200608 0 0 0 0 0 0 0 16.522 10.010 10.076 9.425 9.416 8.995 8.878 8.747 8.699 8.603 8.588 8.602 8.580 8.201 8.511 8.106 7.808 8.077 7.901 7.617 7.797 16.522
200609 0 0 0 0 0 0 0 0 15.374 9.668 9.399 8.956 8.721 8.363 8.577 8.239 8.295 8.155 8.331 7.973 7.985 7.983 7.679 7.331 7.669 7.361 7.235 7.292 15.374
200610 0 0 0 0 0 0 0 0 0 14.254 8.525 8.522 7.978 7.885 7.858 7.751 7.612 7.551 7.592 7.486 7.217 7.438 7.087 6.850 7.051 6.925 6.698 6.904 14.254
200611 0 0 0 0 0 0 0 0 0 0 12.959 7.868 7.533 7.196 7.271 7.004 7.139 6.860 7.079 6.831 6.736 6.782 6.577 6.293 6.531 6.336 6.191 6.250 12.959
200612 0 0 0 0 0 0 0 0 0 0 0 13.302 7.779 7.614 7.566 7.384 7.333 7.293 7.329 7.152 6.994 7.160 6.817 6.606 6.831 6.601 6.390 6.571 13.302
200701 0 0 0 0 0 0 0 0 0 0 0 0 13.949 8.146 8.186 7.751 7.809 7.527 7.694 7.374 7.323 7.394 7.179 6.808 7.344 6.958 6.713 6.890 13.949
Mes 200702 0 0 0 0 0 0 0 0 0 0 0 0 0 13.032 7.961 7.841 7.584 7.461 7.542 7.303 7.092 7.207 6.886 6.758 6.994 6.895 6.571 6.718 13.032
primera
200703 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12.507 7.884 7.929 7.483 7.662 7.349 7.199 7.251 6.987 6.667 6.894 6.613 6.546 6.552 12.507
transacció
n 200704 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12.807 8.101 8.056 7.955 7.748 7.359 7.589 7.102 6.885 7.116 6.856 6.698 6.936 12.807
200705 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13.922 9.034 9.309 8.678 8.569 8.557 8.227 7.682 8.009 7.696 7.587 7.697 13.922
200706 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13.504 9.017 8.839 8.302 8.383 7.950 7.689 7.803 7.620 7.401 7.581 13.504
200707 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.083 10.459 10.324 10.165 9.695 9.211 9.496 9.049 8.840 9.001 16.083
200708 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20.085 13.743 13.707 12.754 12.415 12.526 12.261 11.749 12.074 20.085
200709 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.582 12.755 12.224 11.293 11.721 11.065 10.903 11.019 19.582
200710 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.401 12.399 12.085 12.088 11.760 11.282 11.558 19.401
200711 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17.878 11.347 11.605 10.961 10.773 10.799 17.878
200712 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.682 10.835 10.580 10.079 10.359 16.682
200801 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20.635 12.455 12.149 12.136 20.635
200802 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19.329 11.807 12.082 19.329
200803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16.196 10.593 16.196
200804 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 17.948 17.948
Total 222.492 224.270 235.127 232.520 247.143 250.441 257.911 264.885 268.362 277.652 277.131 284.294 288.358 290.441 296.992 300.098 308.365 313.399 326.736 334.627 341.251 358.348 357.361 355.951 381.107 382.603 381.700 400.016 690.215
Caso real 2010 de seguimiento de cohortes de clientes extraído de su contexto por confidencialidad.
© MarketingIQ®, 2012 Slide 33

34. Y cómo se lo muestra el analista:
evolución de la cartera: % de nuevos respecto del stock
© MarketingIQ®, 2012 Slide 34

35. Otra visión de lo mismo:
evolución de la cartera: % activos respecto del stock
© MarketingIQ®, 2012 Slide 35

36. La influencia de las promos: captación absoluta
80.000
70.000
Incorporación de otra cartera
Promo “BBB”
60.000 Promo “CCC”
50.000
Campaña TV
Promo “AAA”
40.000
30.000
20.000
10.000
0
© MarketingIQ®, 2012 Slide 36

37. Otros ejemplos de preguntas sobre clientes
que han tenido respuesta con este análisis
¿Luego de cuántos períodos de inactividad consecutivos
debo considerar que un cliente es baja definitiva?
¿Cuál es la tasa de resucitación espontánea de clientes en dependencia de
la cantidad de períodos con inactividad?
¿Cómo fue la respuesta de los clientes baja ante la última acción de
recuperación, en dependencia de la antigüedad
de la baja?
¿Está relacionado el motivo de la baja con la probabilidad
de recuperación?
¿Cuál es la “caída del primer período”? ¿Mix de motivos?
ES EL (RE)ENFOQUE DE RESULTADOS DE LA EMPRESA EN BASE A LOS CLIENTES
© MarketingIQ®, 2012 Slide 37

38. Evolución de la cartera
Evolución de los activos
© MarketingIQ®, 2012 Slide 38

39. Secuencia máxima de inactividad
Los valores medios Los percentiles
para cada uno por segmento son:
de los segmentos son:
Percentiles
Maximo período de inactividad
Tukey's Hinges
k_ 0_ max k_ 0_ max
N Mean Percentiles
Outlier Cluster 46.380 7,1 25 50 75
1 243.687 4,9 Outlier Cluster ,0000 3,0000 11,0000
2 255.928 4,6 1 1,0000 2,0000 6,0000
Segmentos 3 475.070 2,0 2 1,0000 2,0000 6,0000
Segmentos
4 234.682 ,2 3 ,0000 ,0000 2,0000
5 362.120 4,4 4 ,0000 ,0000 ,0000
Total 1.617.867 3,3 5 ,0000 2,0000 6,0000
El análisis de los percentiles sugiere tomar como valor límite para
considerar de baja a un cliente 6 meses de inactividad continua.
© MarketingIQ®, 2012 Slide 39

40. La (re)visión del negocio orientada
a la Gestión de la Relación con los Clientes
Referencias/MGM
Captación
nuevos clientes
Nuevos Clientes
Incremento de
Clientes
clientes
Reafirmación
clientes actuales
Clientes Actuales
Plan de Marketing
Plan de marketing
Eficaz Ventas cruzadas y Incremento de
eficaz
complementarias ventas Cliente
Ventas // cliente
+
Mejora
VVC
de la eficiencia
Eficiencia
Disminución de
costos // cliente
Costes Cliente
Gestión de
Gestión de
la voz del cliente
La Voz MarketingCom
(Tomado de Josep Alet, “Marketing Relacional”, 2009)
© MarketingIQ®, 2012 Slide 40

41. Estructura de costos de un proyecto de data mining
Proporción
Tarea
de la duración
Análisis del negocio 20%
70% del tiempo total dedicado
Análisis de datos 25% al proyecto se insume en definir
el problema y preparar la tabla
Captura de datos 10% de datos.
Preparación de datos 15%
Data mining prop. dicho 10%
Interpretación de resultados 10%
Recomendaciones operativas 5%
Decisión de negocios 5%
© MarketingIQ®, 2012 Slide 41

42. Pero estos esfuerzos suelen tener buen rendimiento
Ejemplo: análisis multivariado para segmentación - clusters
Cluster Distribution
% of
N Com bine % of Total
d
1 243687 15,1% 15,1%
2 255928 15,8% 15,8%
3 475070 29,4% 29,4%
Cluster 4 234682 14,5% 14,5%
5 362120 22,4% 22,4%
Outlier (-1) 46380 2,9% 2,9%
Combined 1617867 100,0% 100,0%
Total 1617867 100,0%
Se le especifica al sistema que agrupe a los clientes minimizando las “distancias” entre miembros del mismo cluster
y maximizando las distancias entre clusters. Se suele buscar entre 4 y 9 clusters (valores limite sugeridos por SPSS).
El analista elige la variante que resulta más relevante para fundamentar un plan de acción segmentado.
© MarketingIQ®, 2012 Slide 42

43. Perfil de los segmentos
(output de análisis: IBM-SPSS)
Base: Stock completo
Mea n
Segmentos
Outlier Cluster 1 2 3 4 5 Total
Meses
28 37 33 19 2 21 22
vivo
Recency 9 3 4 7 28 6 9
Pagos
Transacc 4,8 3,5 3,2 3,0 1,3 1,9 2,6
por mes
Regulari
,61 ,77 ,76 ,87 ,97 ,71 ,81
dad
Este es el output “crudo” de la herramienta analítica, en este caso SPSS.
Pero esto se retrabaja para una mejor interpretación de los decisores.
© MarketingIQ®, 2012 Slide 43

44. Explicación de la segmentación transaccional de la cartera total
Segmento
Indicador
Loyal (1+2) Upgrade (3) Weak (4) Lost (5)
Meses vivo Extensa (>40) Baja (<10 m) Media (28 m) Muy baja (<5 m)
Recencia Muy baja (2 m) Baja (4 m) Media (7 m) Muy alta (>30 m)
Frecuencia Alta (>4) Media (2) Baja (<2) Baja (<2)
Regularidad Alta (>0.9) Alta (>0.9) Baja (<0.4) no aplica
Cantidad 486217 463.690 348.919 314.658
% 30% 29% 22% 19%
Realiza alrededor de 4 transacc. La cantidad de transacciones Puede haber sido un upgrade De hecho ya están fuera de la
por mes, con alta regularidad (el del promedio de toda la cartera. dentro del año de su ingreso, cartera. Así como están las
90% de los meses). Es de alta Todavía es relativamente pero que al carecer de cosas, solo si «resucitan»
durabilidad (3 años por lo nuevo, y aunque muestra una estímulos se ha caído de espontáneamente entrarán
menos). Es el 30% más valioso buena regularidad de pagos categoría. Ya ha acumulado nuevamente a ella. Será
Descripción de la cartera, la mayor prioridad puede quedar inactivo varios muchos meses de inactividad importante ensayar acciones de
general de la de protección y fidelización. meses sucesivos. Debería ser consecutivos y está en serio recuperación que los reinserten
estimulado a agregar rubros peligro de ser baja. Luz roja. entre los clientes activos,
tipología que aumenten su frecuencia y llevándolos de rubro en rubro
regularidad, y llevarlo así a ser hasta rescatar como Loyals a
un Loyal. los más propensos.
© MarketingIQ®, 2012 Slide 44

45. Análisis de secuencia de compras:
fidelidad en automóviles
marca comprada cero Km
marca Total Total
anterior A B C D E acum
E 14,5% 11,3% 14,5% 17,1% 29,1% 20,3% 20,3%
B 15,9% 35,6% 13,2% 12,3% 13,8% 17,1% 37,4%
D 15,2% 14,7% 13,4% 30,1% 13,8% 15,4% 52,8%
F 12,2% 12,6% 13,9% 13,6% 13,1% 12,9% 65,7%
A 19,6% 5,5% 8,4% 9,2% 7,3% 11,1% 76,8%
C 10,3% 8,9% 24,5% 10,6% 9,2% 10,8% 87,6%
Resto 12,3% 11,4% 12,1% 7,1% 13,7% 12,4% 100,0%
control 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%
Análisis de cartera de clientes de concesionarias de autos, datos reales, marcas enmascaradas.
© MarketingIQ®, 2012 Slide 45

46. Ejemplo:
Product prospect scoring
Técnica aplicada: regresión logística
© MarketingIQ®, 2012 Slide 46

47. El problema
Se trata de una base de datos de clientes de una tarjeta de
crédito que contiene atributos demográficos y de utilización
de la tarjeta.
Una pequeña proporción de los clientes posee una tarjeta
“gold”.
El modelo que se quiere desarrollar debe:
Identificar aquellos clientes que no poseen la tarjeta “gold” pero que,
en una campaña de venta de tarjetas “gold”, maximicen la
probabilidad aceptar la oferta.
© MarketingIQ®, 2012 Slide 47

48. TARGET
© MarketingIQ®, 2012 Slide 48

49. © MarketingIQ®, 2012 Slide 49

50. Variables in the Equation
B S.E. Wald df Sig. Exp(B) Desarrollo
ECIV 2.741 2 .254 de la fórmula de regresión
ECIV(1) .000 21.432 .000 1 1.000 1.000
Step
a
1
ECIV(2) 11.103 20.219 .302 1 .583 66391.594
Constant -10.203 20.219 .255 1 .614 .000
ECIV 2.662 2 .264
ECIV(1) -.112 20.354 .000 1 .996 .894
Step COMPUTE z02 = -0.157 * (eciv = 1) +
b ECIV(2) 10.230 19.218 .283 1 .595 27709.540 10.082 * (eciv = 2) + 0.043 * edad + 0.690 * scios
2
- 13.228.
SCIOS .984 .068 209.315 1 .000 2.674
COMPUTE pr02 = 1 / (1 + EXP (-z02)).
Constant -12.693 19.219 .436 1 .509 .000
EXECUTE.
ECIV 2.584 2 .275 RECODE pr02
ECIV(1) -.157 20.459 .000 1 .994 .855 (LOW THRU 0.25 = 1)
ECIV(2) 10.082 19.319 .272 1 .602 23918.831 (0.25 THRU 0.50 = 2)
Step
c
3 (0.50 THRU 0.75 = 3)
EDAD .043 .011 14.812 1 .000 1.044
(0.75 THRU HIGH = 4)
SCIOS .690 .099 48.530 1 .000 1.993
INTO prospect.
Constant -13.228 19.320 .469 1 .494 .000 EXECUTE.
a. Variable(s) entered on step 1: ECIV.
b. Variable(s) entered on step 2: SCIOS.
c. Variable(s) entered on step 3: EDAD.
© MarketingIQ®, 2012 Slide 50

51. Validación del modelo
1.0
.8
.6
.4
Predicted probability
.2
0.0
-.2
N= 2107 2055
NO SI
GOLD
© MarketingIQ®, 2012 Slide 51

52. PROSPECT * GOLD Crosstabulation
Detección de oportunidad GOLD
Total
0 NO 1 SI
Count 20363 40 20403
1.00 % within PROSPECT 99.8% .2% 100.0%
El 22% de la base (clientes con % within GOLD 64.4% 1.9% 60.6%
más de 0.75 de probabilidad de Count 4102 136 4238
compra) acumula el 88% de las 2.00 % within PROSPECT 96.8% 3.2% 100.0%
tarjetas vendidas. % within GOLD 13.0% 6.6% 12.6%
PROSPECT
Count 1623 64 1687
En ese segmento hay todavía
5525 prospects 3.00 % within PROSPECT 96.2% 3.8% 100.0%
% within GOLD 5.1% 3.1% 5.0%
Count 5525 1815 7340
4.00 % within PROSPECT 75.3% 24.7% 100.0%
% within GOLD 17.5% 88.3% 21.8%
Count 31613 2055 33668
Total % within PROSPECT 93.9% 6.1% 100.0%
% within GOLD 100.0% 100.0% 100.0%
© MarketingIQ®, 2012 Slide 52

53. Yapa (gains chart): deciles de propensión a la respuesta positiva
Un caso de extrapolación de claims a tipo de respuesta
(traspaso voluntario de empleados estatales del régimen de reparto al régimen de capitalización)
Count % Row % Col
Acepta traspaso ?? Acepta traspaso ?? Acepta traspaso ??
Total Total Total
NO SI NO SI NO SI
1 812 148 960 84,6% 15,4% 100,0% 10,9% 6,9% 10,0%
2 801 159 960 83,4% 16,6% 100,0% 10,7% 7,4% 10,0%
3 761 200 961 79,2% 20,8% 100,0% 10,2% 9,3% 10,0%
4 766 194 960 79,8% 20,2% 100,0% 10,3% 9,0% 10,0%
Decil 5 760 200 960 79,2% 20,8% 100,0% 10,2% 9,3% 10,0%
de
Score 6 760 200 960 79,2% 20,8% 100,0% 10,2% 9,3% 10,0%
7 723 238 961 75,2% 24,8% 100,0% 9,7% 11,1% 10,0%
8 721 239 960 75,1% 24,9% 100,0% 9,7% 11,1% 10,0%
9 682 278 960 71,0% 29,0% 100,0% 9,1% 13,0% 10,0%
10 672 288 960 70,0% 30,0% 100,0% 9,0% 13,4% 10,0%
Total 7458 2144 9602 77,7% 22,3% 100,0% 100,0% 100,0% 100,0%
Los deciles 7,8,9 y 10 superan en su tasa de aceptación al promedio general del 22,3%.
Este análisis llevó a la identificación de segmentos significativos para una propuesta de traspaso.
© MarketingIQ®, 2012 Slide 53

54. Product prospect scoring
Técnica aplicada: regresión logística
© MarketingIQ®, 2012 Slide 54

55. Análisis típico de estados de cartera
PENDIENTES CONFIRMADOS TOTAL VIVOS
Activos 32..824 19% 764.887 83% 797.711 73%
Por su actividad
en el mes Inactivos 141.387 81% 155.789 17% 297.176 27%
Loyal 449.804 49%
SEGMENTACION
Por su Upgrade 250.129 27%
pertenencia a un
determinado
cluster Weak 132.751 14%
Outliers 2.960 0%
Finales al xx-xx-xxxx 174.211 16% 920.616 84% 1.094.887 100%
Matriz que devela el mix de estados de la cartera y permite desarrollar métricas fácilmente interpretables.
Sencilla visualización de los fenómenos de stock tanto como los de flujo, en dependencia del diseño.
Los “confirmados” suelen ser losclientes que compraron por segunda vez. Los primerizos son solo “compradores”.
© MarketingIQ®, 2012 Slide 55

56. Dashboard por grupos según proximidad de la baja
Análisis de inactividades acumuladas
Inactivos en noviembre 20XX Activos en noviembre 20XX Totales de control (stock a nov’XX)
de cartera may-oct 20XX
de cartera total may-oct 20XX de cartera total may-oct 20XX
Nuevos
Perdida Total y resucitados Total Perdida, nuevos Total
Viva Viva Viva
(«Lost») stock stock y resucitados stock
0 32.824* 764.887 797.711 32.824 764.887 797.711
1 95.524 95.524 95.524 95.524
2 50.664 50.664 50.664 50.664
3 46.613 46.613 46.613 46.613
Meses 4 48.427 48.427 48.427 48.427
de inactividad
5 28.650 28.650 28.650 28.650
consecutiva
6 27.298 27.298 27.298 27.298
7 a 12 117.447 117.447 117.447 117.447
13 y más 405.533 405.533 405.533 405.533
Total 522.980 297.176 820.156 32.824 764.887 797.711 555.804 1.062.063 1.617.867
*Nota: incluye un 97.255 (34%) de «one-timers» (nuevos del año 20XX que no realizan una 2da transacción)
Las cifras son las reales de noviembre 20XX según análisis a la fecha, conciliadas con el “dashboard" del slide anterior.
Se advierte que 27.298 clientes de la cartera viva acumularon en noviembre 6 inactividades y al 30.11 habrán sido bajas,
y otros 28.650 están en 5 y son bajas potenciales, recomendándose el testeo de acciones de retención preventiva.
Los segmentos de menor cantidad de inactividades sucesivas deberían recibir impulsos de reactivación temprana,
relacionados no solo con el período de inactividad sino también con los rubros pagados.
56
© MarketingIQ®, 2012 Slide 56

57. Dashboard drill-down de segmentos
según proximidad de la baja
© MarketingIQ®, 2012 Slide 57

58. Modelo de predicción de demanda
para un diario de circulación nacional
© MarketingIQ®, 2012 Slide 58

59. La situación
12.000 Puntos de Venta
38.000 Km de distribución todas las noches
Ventana de tiempo para la distribución en 6.000 PV : 4 horas
Todos los días nueve diarios y aprox. cien revistas y libros, 362 días al año
1.500.000 ejemplares distribuidos
250.000 ejemplares devueltos todos los días
1.200 series de datos diarios por cada título/edición
Ecuación compuesta: Carga-Devolución- Cantidad de Vendedores-
Agotados (Fuera de stock)
Modalidad de venta en consignación (lo que no se vende, se devuelve al
Editor)
Cadena de Distribución y Venta veloz, eficiente, compleja, pero de baja
profesionalidad.
20.000 personas entre el Editor y sus lectores
© MarketingIQ®, 2012 Slide 59

60. Desafíos de este trabajo
Sistematizar los datos de cada una de las 1200
unidades de información disponibles.
Descubrir los hábitos subyacentes de los lectores.
Cuantificar la reacción ante eventos previsibles
(elección presidencial, final de campeonato mundial, etc.).
Generar sólo las devoluciones necesarias e imprescindibles
sin quedar fuera de stock.
© MarketingIQ®, 2012 Slide 60

61. Modelos validados
Series de tiempo univariadas
mediante ARIMA (AutoRegressive,
Integrated, Moving Average)
ROSARIO
La aplicación de esta metodología
supone tres etapas:
Identificación del modelo
de ajuste de la serie
Estimación
Proyección (forecast)
Se individualizaron familias de series
en términos del nivel, expresado M. DEL PLATA
como el número de ejemplares
diarios,
pocas unidades
o decenas de ejemplares
cientos de ejemplares
miles de ejemplares
decenas de miles de ejemplares
Construcción de 1.200 series.
El modelo identificado fue aplicado
BARILOCHE
a todas las series de la familia
y se evaluó la bondad de ajuste.
© MarketingIQ®, 2012 Slide 61

62. Validación del modelo
Realizado utilizando The NAG Fortran Library.
© MarketingIQ®, 2012 Slide 62

63. Procesos de estimación y proyección
incrustados en las aplicaciones operativas del diario
© MarketingIQ®, 2012 Slide 63

64. CUALQUIER PARECIDO CON LA REALIDAD
ES PURA Y ABSOLUTA
COINCIDENCIA CON ELLA
© MarketingIQ®, 2012 Slide 64

65. Preguntas
y (quizás)
respuestas
frosales@marketingiq.com.ar
nmartinez@marketingiq.com.ar
© MarketingIQ®, 2012 Slide 65

66. Analistas, víctimas de la incomprensión
© MarketingIQ®, 2012 Slide 66

67. Muchas gracias
© MarketingIQ®, 2012 Slide 67