Data Analytics

Optimización de Campañas con Modelos de Propensión

La optimización de campañas de Marketing es uno de los casos de uso más conocidos en materia de Advanced Analytics por su sencillez de aplicación y sus buenos resultados.

Consiste en desarrollar modelos predictivos sobre el histórico de clientes para obtener patrones que diferencien a los clientes que potencialmente van a adquirir un producto de los que no lo harán con lo que podremos diseñar acciones de marketing hipersegmentadas con objetivos concretos.

Teniendo esto claro, me gustaría contarte cómo Sonia consiguió optimizar las campañas de su negocio de moda gracias a los modelos de propensión.

Siempre ha tenido muy buen ojo para las nuevas tendencias de moda y ha destacado en todas las empresas donde ha capitaneado al equipo de Marketing. Gracias al conocimiento que ha ido adquiriendo con las innumerables campañas que ha lanzado a lo largo de su carrera, Sonia era capaz de presuponer el perfil ideal de cliente para cada nueva colección que se lanzaba al mercado pero en los últimos años ha ido notando que sus campañas no eran todo lo efectivas que podrían llegar a ser.

¿Estaba Sonia oxidada? ¿Se le estaba escapando algo?

Sonia tenía clara la premisa del “Customer Centric” y trataba de analizar todo lo que ocurría con sus clientes pero aún así algo faltaba. Analizar datos sin más ya no era suficiente y tocaba dar el siguiente paso, adentrarse en el mundo del Advanced Analytics y la Analítica Predictiva.

Cómo empezó su historia de amor con la analítica predictiva

Con la aplicación de modelos predictivos la compañía de moda de Sonia comenzó a basarse en datos reales del histórico de clientes obteniendo patrones reales y no hipotéticos.

Se empezaron a analizar los datos contextuales de una compra (momento, lugar o la composición de la cesta de la compra mediante técnicas de asociación), se cuadró la perspectiva (frecuencia de compra, tiempo que ha pasado desde la última compra, etc.) se comenzó a analizar a los clientes al detalle (si lo hace con tarjeta de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento. . .) y a través de qué canal entraban (online -web, landing page, redes sociales, etc- u offline), hecho importante para diseñar una estrategia omnicanal óptima.

Ventajas de utilizar modelos de propensión para optimizar sus campañas

Una vez que tuvieron toda esta información en cuenta, comenzaron a hacer preguntas a los datos, preguntas que antes ni se habían planteado.

Utilizar este tipo de modelos predictivos permitió a Sonia:

-Identificar nuevos patrones que no eran conocidos por el negocio ni que ella había sido capaz de percibir pese a su experiencia.

-Llegar a tipologías de clientes no explotados ni saturados comercialmente, ya que las reglas de negocio siempre iban al mismo perfil de cliente, y por tanto comenzaron a experimentar mayores tasas de éxito.

-Evitaron a los clientes que no iban a comprar. Las suposiciones que hacían sobre los clientes más propensos a la compra tenían todo el sentido del mundo, pero los datos demostraron que históricamente algunos de esos perfiles no compraban tanto como se presuponía y los modelos de propensión, por consiguiente, les excluyeron.

-Sonia pudo comprobar que conseguían más ventas con el mismo tamaño de campaña o que conseguían las mismas ventas que hasta ese momento invirtiendo menos. De una manera, o de otra, el ROI mejoró considerablemente.

Pasos para aplicar esta metodología

A continuación, te voy a contar de forma simple cómo se aplicaron estos modelos predictivos en la empresa de Sonia:

1-Se creó una tabla con toda la información disponible de los clientes (sociodemográfica, de productos y comportamiento) y una variable que indicaba si el cliente tenía o no contratado el producto sobre el que se quería hacer la campaña.

Cuanta más información se tenga del cliente, más podremos optimizar las campañas y ser más creativos. En el caso de la empresa de Sonia, además de esta información, también incluyeron los datos que arrojaba otro modelo predictivo, que en este caso se centraba en el churn (la propensión de los clientes a abandonar la suscripción premium donde podían acceder mensualmente a ofertas y ropa exclusiva).

2-Se desarrolló un modelo de propensión que normalmente selecciona entre las 10-12 variables más predictorias y devuelve la probabilidad que cada cliente tiene de comprar ese producto.

3-Se ejecutó ese modelo sobre los clientes que se quería priorizar. Normalmente serán todos los clientes que todavía no tienen el producto más los nuevos clientes que vayan entrando.

4- Se pudo estimar de manera analítica y por adelantado el punto óptimo de ROI de las campañas analizando en qué punto comenzaba a perder pendiente la curva de propensión, el ingreso medio por venta, el coste medio por acción y el tamaño óptimo para cada campaña.

Una vez se creó y validó el modelo, se puso en producción por lo que desde ese momento cada vez que quieren ejecutar una nueva campaña para cada producto se vuelve a ejecutar sobre esa base de clientes y se va actualizando el scoring.

Desde que Sonia aplica modelos predictivos a sus campañas, tiene una visión 360º de sus clientes lo que la permite conocerles mejor y prever cómo van a actuar, lo que se traduce en mejores campañas de marketing y más ingresos para la compañía.

Bonus: Cabe mencionar que los modelos tienen vida útil ¿Qué significa esto? Un modelo bien desarrollado puede mantener su poder predictivo durante 2 o 3 años salvo que durante ese tiempo haya un cambio brusco en la situación del mercado (Crisis COVID 2020), un cambio en la estrategia comercial o cambios en la base de clientes existentes, como el caso de la fusión entre empresas donde esa base de clientes aumenta. En estos casos donde el modelo pierde su capacidad predictiva, tocaría volver a entrenarlo para que siga funcionando de manera óptima.

Referencias:

Medios: Revista Cloud Computing, Big Data Magazine, Retina el País

Libros: González Díaz, I. (2017). Big Data para Ceos y Directores de Marketing

Deja un comentario

A %d blogueros les gusta esto: