Business intelligence aplicado al Retail: ¿cómo ganar con información privilegiada?

“Actalytics”: convertir los datos en acción

Sólo con las redes sociales existen en la actualidad más de dos billones de usuarios que cada día generan un billón de contenidos en Facebook y más de quinientos millones de tuits en Twitter. El alcance de los llamados wearables (dispositivos “ponibles”) no deja de crecer: la consultoría Gartner prevé que en 2020 coexistan nada menos que treinta billones de dispositivos conectados a la red. Sin apenas darnos cuenta, todos y cada uno de nosotros vamos dejando un rastro de información a nuestro paso que queda registrado en la red digital que nos envuelve, puesto que Internet forma parte natural de nuestra cotidianidad. Nos rodean todo tipo de tecnologías sensoras y captoras de datos.

Y esto no ha hecho más que empezar. La generación de datos va a crecer todavía más. Hemos pasado del “suponer” al “saber”, de “disponer” de información a “transformarla” en ventajas, lo que obliga a las empresas a trabajar con todos los “pedazos” de información que va recogiendo, a partir de diversos medios, de la manera más eficaz para garantizar la rentabilidad de su negocio y su posición en el mercado. En suma, las organizaciones necesitan “entender” a sus clientes para conservarlos y seguir siendo competentes en un entorno digital en el que la voz cantante la tienen ellos, sus clientes, principalmente, gracias a los medios sociales. Hoy, las estrategias tradicionales de marketing ya no sirven. Debemos conceder un mayor peso a la investigación y al análisis para saber cómo es el “nuevo” consumidor. 

A muchas empresas, esta omnicanalidad aún les supone un riesgo. Pero, lejos de esto, para las marcas, la diversidad de medios es el mejor indicador a partir del cual extraer insights para saber qué dicen, opinan y “sienten” los consumidores acerca de ellas. Incluso, para saber qué dicen, opinan y “sienten” sobre la competencia. Esos insights son, en definitiva, una magnífica oportunidad de interrelación. Ello implica invertir en Big Data, contemplando desde la recopilación de datos, su análisis y su gestión hasta su transformación en data intelligence, una información de máximo valor que ejercerá como guía para poder, en cada momento, tomar las decisiones más acertadas.

Al marketing, la analítica le proporciona una visión holística de los consumidores. Contempla la gestión, la medición y el análisis en todos los procesos con el fin de obtener la máxima eficacia de cada acción, optimizar los resultados y asegurar el ROI. A partir de ello, las empresas detectan tendencias que les permiten anticiparse. Bien usado, es el “motor” que activa sus negocios y que les genera valor.

Eileen Naughton, directora general de Google para el Reino Unido e Irlanda, define al “actalytics” como pasar de la economía de la intención a la economía de la acción”. El actalytics ha cambiado por completo la manera de gestionar las estrategias empresariales. Ya no basta con medir o analizar las acciones de marketing en términos de GRP (gross rating points) o de click- throughs, sino que, con el fin de obtener la máxima eficacia, se analiza cada acción en cada punto de contacto con el consumidor y en todos los canales, incluidos los medios convencionales, pasando por los Centros de Atención al Cliente, el correo electrónico o el móvil, hasta el punto de venta. Sabiendo en qué fase se encuentra el consumidor en su “viaje” hacia la compra, podremos “retargetizar” nuestra campaña para reconducirle hacia nuestro objetivo. No olvidemos que, antes que la cantidad, prima la calidad del contacto; es decir, la eficacia de la acción.

Aplicando el analytics recabamos insights, captamos clientes sobre la base de un público muy definido; los gestionamos, fidelizamos y retenemos; personalizamos las ofertas o creamos experiencias para ellos. En el entorno web la analítica se aplica también en el marketing de buscadores, el mayor valor a largo plazo no es el aumento de tráfico hacia la web, sino el dato de la palabra clave contenido en cada clic, porque podemos utilizar las keywords para posteriores procesos del negocio.

.

Desterrando mitos

Quizá por desconocimiento de todo lo que el Big Data y el analytics implican, se han ido extendiendo en este ámbito ciertos mitos que, actualmente, ya se pueden desmentir:

  • Es caro. En realidad, los costos son bajos en relación con los beneficios obtenidos.
  • La cantidad de fuentes de datos hace muy complicada su gestión. Realmente, las implementaciones analíticas se simplifican.
  • Los pequeños flujos de datos apenas tienen importancia. Lo cierto es que no considerarlos puede causar un importante impacto en el conjunto.
  • No influye en la mejora de toma de decisiones. Se ha demostrado que las empresas que lo aplican elevan su productividad y obtienen más beneficios.

.

¿Pero, qué es exactamente el Big Data?

Según la consultora Gartner, este “se basa en el análisis de gran volumen, alta variedad y alta velocidad de datos mediante formas innovadoras y rentables de procesamiento para mejorar la comprensión y la toma de decisiones”. Atendiendo a la definición de Big Data, los campos de aplicación del concepto son tantos, como sectores de actividad se quieran definir, y tantos como áreas funcionales puedan existir dentro de una organización. Más allá de servir como herramienta en el campo científico o para la definición de acciones concretas o puntuales, el Big Data representa toda una filosofía empresarial que orienta los modelos de negocio de muchas de las compañías que más éxito tienen en la actualidad.

EL BIG DATA EN LA CADENA DE VALOR DE LAS COMPAÑÍAS. ESPECTRO DE POSIBLES USOS Y APLICACIONES
Usos del Big Data/Procesos de negocio
Materias primasFabricaciónDistribuciónVentaPosventa

 .Cálculo y anticipación de obsolescencia de piezas

·       Uso de materias primas personalizadas por cliente/segmento de mercado

·       Personalización de productos

·       Materias primas inteligentes: Internet de las Cosas

·       Optimización de precios de compra

·       Anticipación de mercados de futuros. Menos volatilidad en precios de compra.

·       Optimización de líneas de producción por producto

·       Reducción de costos de stock y almacenaje

·       Estandarización de la producción

·       Optimización de turnos en fábrica

·       Anticipación a la fabricación por demanda

·       Anticipación a la demanda

·       Eficiencia en transporte

·       Reaprovisionamiento eficiente. Sistemas de intercambio online de datos

·       Flexibilidad de reparto

·       Canal directo fabricante-consumidor

·       Packaging inteligente

·       Puntos de venta cambiantes y dinámicos

·       Adaptación dinámica de la oferta comercial

·       Venta digital/online

·       Venta multicanal

·       Desarrollo de nuevos momentos de consumo

·       Venta one to one

·       Optimización de precios y márgenes. Precios dinámicos en función de oferta y demanda.

·       Consumo social

·       Acciones de microsegmentación

·       Programas de fidelización

·       Servicios posventa personalizados

·       Monitorización del uso y del consumo del producto

·       Internet de las personas

·       Anticipación de servicios de asistencia técnica

Abordaremos ahora una sencilla guía de recomendaciones a considerar cuando se afronten proyectos de este tipo:

1)   UN PROYECTO BIG DATA DEBE DAR RESPUESTA A UNA NECESIDAD REAL DE NEGOCIO

Como para cualquier inversión, es necesario tener una idea clara del ROI que esperamos. No se trata de jugar con la tecnología, y es recomendable la definición de un business case. En muchas ocasiones, los beneficios de este tipo de soluciones son intangibles (por ejemplo, “mejor conocimiento del cliente”), pero aun así debe hacerse el esfuerzo de cuantificarlo.

El Big Data se orienta siempre al diseño planificado de acciones y, por lo tanto, responde siempre a una razón. Es precisamente aquí donde reside uno de sus aspectos clave: la definición correcta de “por qué” o “para qué” se va a hacer uso del mismo.

2)  FORMACIÓN DE UN EQUIPO

Para abordar este tipo de proyectos es importante aglutinar estructuras que agrupen a profesionales con áreas de conocimiento, experiencia y perfiles diversos. Es importante hacer hincapié en la necesidad de combinar el conocimiento estadístico con el conocimiento del negocio, y no solo para validar los patrones encontrados, sino, por ejemplo, para identificar qué necesidades subyacen tras las características de un cluster de clientes.

3)  GOBIERNO Y CENTRO DE COMPETENCIA

Ante la magnitud que toman los proyectos de data warehouse, se ha popularizado la creación de centros de competencia de business intelligence y/o de business analytics que ponen orden y gobierno (no necesariamente burocracia).

Los desarrollos y equipos específicos de Big Data deberían integrarse en estos. El fin último de los centros de competencia es facilitar el uso estratégico de la información, eliminando los silos de información y pasando el control de la misma de algo exclusivo de IT a un grupo transversal en el que colaboran las diversas áreas del negocio e IT.

.

En búsqueda del tesoro perdido

Según la consultora Gartner, el Data Mining “se basa en el análisis de gran volumen, alta variedad y alta velocidad de datos mediante formas innovadoras y rentables de procesamiento para mejorar la comprensión y la toma de decisiones”.

Su nombre deriva de las similitudes entre buscar valiosa información de negocios en grandes bases de datos y minar una montaña para encontrar una veta de metales valiosos. Ambos procesos requieren examinar una inmensa cantidad de material, o investigar inteligentemente hasta encontrar exactamente donde residen los valores. Teniendo bases de datos de suficiente tamaño y calidad, la tecnología de Data Mining puede generar nuevas oportunidades de negocios al proveer ciertas capacidades como predicción automatizada de tendencias y comportamientos.

¿Cuán exactamente es capaz el Data Mining de decirnos cosas importantes que desconocemos o que van a pasar? La técnica usada para realizar estas hazañas en Data Mining se llama Modelado. El Modelado es simplemente el acto de construir un modelo en una situación donde usted conoce la respuesta y luego la aplica en otra situación donde desconoce la respuesta. Por ejemplo, si busca un galeón español hundido en los mares lo primero que podría hacer es investigar otros tesoros españoles que ya fueron encontrados en el pasado. Notaría que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas características respecto de las corrientes oceánicas y ciertas rutas que probablemente tomara el capitán del barco en esa época. Usted nota esas similitudes y arma un modelo que incluye las características comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo más probabilidad de darse una situación similar. Si tiene un buen modelo, probablemente encontrará el tesoro.

Lo que ocurre con las computadoras, no es muy diferente de la manera en que la gente construye modelos. Las computadoras son cargadas con mucha información acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de Data Mining en la computadora debe correr a través de los datos y distinguir las características de los datos que llevarán al modelo. Una vez que el modelo se construyó, puede ser usado en situaciones similares donde usted no conoce la respuesta.

Aplicada al ámbito del retail, la “inteligencia de negocios” genera una potencial ventaja competitiva, al proporcionar información privilegiada para responder a las necesidades del punto de venta: promociones u ofertas de productos, ajuste de precios, optimización de costos, análisis de perfiles de clientes, etc. Las tecnologías asociadas a las herramientas de business intelligence están en constante evolución: desde sensores de tráfico, beacons, cámaras con tecnología de reconocimiento de rostros, probadores inteligentes, tarjetas de comprador frecuente, etc.

.

¿Qué podemos obtener como resultado de la aplicación del Data Mining en el retail?

A partir de la información que genere el POS (point of sale), por ejemplo, podemos analizar la cesta de la compra para diseñar promociones de productos o de venta cruzada; realizar informes de afinidad, para discernir la posibilidad de que un artículo se venda cuando se vende otro; y analizar las ventas de una categoría de productos, para asignar una u otra según las características de la zona en la que se ubica el establecimiento, o las franjas horarias de venta, para la propia planificación de los horarios de los empleados. Igualmente, si disponemos de los históricos de ventas, podemos llegar a predecir el mayor número de visitas. La información de las ventas en cada uno de los puntos de venta también nos puede facilitar análisis acerca de las diferencias entre centros y, posteriormente, ayudarnos a buscar las razones que han originado esas diferencias. Y si, por ejemplo, contamos con la información sobre las ventas por vendedor, podríamos analizar la efectividad de cada comercial.

Por su parte, los análisis que podemos llevar a cabo a partir de la información que aportan sistemas de gestión como el ERP (enterprise resources planning) o el SCM (supply chain management) aplicados al retail se centrarían en conocer cuestiones relativas al ritmo de ventas actual y, con la información de los períodos de reposición y la fiabilidad de entregas del proveedor, al momento límite para gestionar el reaprovisionamiento.

El CRM (customer relationship management) es otro clásico del retail management. A partir de técnicas de BI podemos llevar a cabo, entre otros, análisis de clientes, análisis de las acciones de marketing, segmentación de clientes, análisis de campañas de promoción y análisis de valor del cliente. Por ejemplo, en función del histórico de un cliente –sus compras y sus reclamaciones–, podemos ser capaces de calcular su propensión a dejar de serlo. El gran valor que nos proporcionan este tipo de soluciones es el de poder realizar análisis cliente por cliente. Es decir, cuál ha sido el resultado de una promoción para ese cliente y cómo ha afectado a sus compras; cuál es su rentabilidad, y, si es necesario, dirimir cómo mejorarla. Y, por lo tanto, mejorar también el resultado de nuestras promociones o de nuestro propio servicio de atención. En niveles más sofisticados de análisis, podemos también ser capaces de estimar el riesgo de pérdida de un cliente en función de información estática (sociodemográfica) y dinámica (conductual).

Otra aplicación actual de técnicas de BI se daría en las tiendas online. Cada vez son más los retailers que ponen a disposición de sus clientes un sitio virtual desde el cual mostrarles sus productos o servicios y ofrecerles la opción de adquirirlos. Los análisis que se derivan de este sistema de venta están, entre otros, enfocados al e-commerce (accesos, compra, etc.), a logs (comportamiento online de los clientes), a la rentabilidad del canal y a la afinidad entre producto y canal.

.
Comenzar por las necesidades

Todo proyecto de business intelligence parte de la información de la que podemos disponer en nuestra organización o a la que podemos acceder. Las tecnologías para desarrollar dichos proyectos nos facilitan integrar información de distintas fuentes, tanto internas como externas, por lo que podemos construir modelos de análisis más complejos. Debemos saber que para cada tipo de necesidad que deseemos cubrir en nuestra organización deberemos utilizar la herramienta de BI que nos aporte el análisis más adecuado.

No obstante, cualquier proyecto de BI que acometamos no está exento de limitaciones y problemas. Por eso es importante tener en cuenta una serie aspectos, entre ellos, evaluar previamente la calidad de los datos con los que contamos en nuestra organización, ya que, si la calidad es baja, puede que no obtengamos ningún tipo de resultado que nos pueda aportar valor. En este sentido, podemos encontrarnos con que los datos estén descentralizados, en cuyo caso deberemos construir un almacén de datos centralizado que nos permita llevar a cabo los análisis que diseñemos. Este almacén de datos constituye una pieza clave en todo proyecto de BI, ya que aglutina la información que proviene de todos los sistemas que tengamos a nuestra disposición integrándola, indexándola a la variable tiempo y organizándola para facilitar la toma de decisiones.

Algunas organizaciones consideran que la información de la que disponen no les aporta valor. Craso error. Porque cada vez son más los estudios que demuestran que los resultados positivos obtenidos por las empresas que los utilizan son superiores a los de las que no lo hacen. El tiempo que debe invertirse en la implementación de estos proyectos depende de la naturaleza de cada uno, pero puede convertirse en una limitación para algunas organizaciones, porque o bien no están preparadas para explotar la información, o bien no disponen de las TIC adecuadas, por lo que les es más difícil obtener resultados. Algunos directivos, erróneamente, pueden pensar que construir la información de forma artesanal es menos costoso, aunque a la larga no es así. Además, la información que podemos generar a partir de business intelligence es útil para todos los departamentos de la organización. En definitiva, para todas aquellas personas que tengan que tomar decisiones. Dependiendo de qué preguntas necesiten responder estableceremos el modelo de BI necesario. Cuando un responsable tiene que tomar una decisión, pide o busca información, que le servirá para reducir la incertidumbre.

.

A modo de conclusión

Las áreas de Big Data deben englobarse dentro de los centros de excelencia de business intelligence y de analytics para evitar la creación de silos de información, garantizar la single version of truth y evitar que las reuniones se eternicen por las discrepancias entre datos obtenidos de diferentes sistemas. También para facilitar la calidad de los datos.

El 90% de los datos del mundo han sido creados en los últimos dos años, y cada diez minutos se sacan tantas fotografías en el mundo como todas las tomadas en el siglo XIX y parte del XX. Por lo tanto, sobran palabras para explicar la importancia que cobra actualmente una correcta gestión de los datos. En el mundo empresarial el análisis de proyectos de Big Data desarrollados por compañías reales son una prueba que es un excelente punto de partida para mejorar las ganancias, evitar perder clientes y optimizar procesos.

Los recursos de business intelligence que se vienen empleando desde los años 90 han aportado siempre una mirada hacia atrás; es decir, una mirada que contaba lo que había ocurrido en el pasado, de manera resumida, agrupando y visualizando datos. El Big Data trae una nueva visión, una perspectiva futura en la que se busca predecir lo que puede ocurrir para aprovechar oportunidades y escenarios y adelantarse a los hechos a través de las técnicas que aporta el mundo del business analytics. Se trata de un cruce entre modelos analíticos que permite modelizar el funcionamiento de las organizaciones.