El documento describe los conceptos fundamentales de las bases de datos y el análisis de datos. Explica que una base de datos es una colección de datos organizada para almacenar y recuperar información de manera eficiente. También describe los pasos para construir una base de datos, incluida la identificación de entidades, atributos y relaciones, y el uso de diagramas entidad-relación. Además, explica conceptos clave como limpieza y transformación de datos, y el lenguaje SQL para interactuar con las bases de datos.
3. …¿DÓNDE ESTÁ EL NEGOCIO?
Obtener la riqueza (transformar datos en información) de
la Base de Datos sobre las transacciones de los
clientes/usuarios de la empresa/organización/institución
para aumentar el ROI al optimizar la relación con
los mismos y promover y vender productos/servicios
personalizados a las necesidades y deseos de cada uno; por
ende incrementamos las ventas al maximizar la
fidelización!
4. Nombre: Alexis Bagurskas
Educación:
Licenciado en Gerencia y Administración de Empresas –
Universidad ORT del Uruguay
Licenciado en Comercio Internacional - UCUDAL
MBA – Database Marketing
Master in Information Systems – Data Mining
Katz Graduate School of Business, University of
Pittsburgh, PA.
Experiencia Laboral:
Banca, Logística, Telecomunicaciones y Sistemas para
instituciones financieras.
Director fundador de DataLab Consulting y Hexalab.
5. Modulo1 Mini Quiz
Nuevas
tendencias?
Maximización de
Base de Datos con
Ejemplo del Salón
del Vino
Módulo2
Descriptivas
Bases de Datos y
Sistemas de
Información
Estrategia y
Planeamiento de
Comunicación
Avanzada
Qué es Data
Mining?
Módulo3
Data Mining:
Técnicas, prácticas
comunes, ejemplos
distintos sectores
Minería de datos
para Mktg 1 to 1
(sugerencias)
Módulo4
Segmentación
Basada en el
Comportamiento
Transaccional
(histórico)
Ejemplos distintos
sectores
Módulo5
Modelos
Predictivos.
Ejemplos:
Propensión de
Abandono y
Credit Scoring
Módulo6
Ejemplo Aplicación
Tecnológica para
Targeting,
Monitoreo de
Indicadores (KPIs)
y Automatización
de modelos de
Data Mining
Conclusiones y Mini
Quiz
PROGRAMA TENTATIVO:
10. SE CREA UN
REGISTRO
EN LA BASE
DE DATOS!
En cada operación (sucursal, web, etc.)…
En cada solicitud de crédito, compra de queso..…
En cada consulta…
En cada utilización de Tarjeta de Crédito…
En cada transacción de cajero automático…
LOS ‘DATOS’ ESTÁN DETRÁS DE CADA MOVIMIENTO:
NO ES POSIBLE OBTENER INFORMACIÓN DE LOS DATOS
CRUDOS SIN APLICAR ANÁLISIS DE MINERÍA DE DATOS
11. BASES DE DATOS
> Evolución de los sistemas ha sido gradual:
Diferentes áreas de negocio han ido implementando sus propios sistemas.
Notas:
1. Cada aplicación tiene sus propios datos en sus propios archivos.
2. Duplicación – varios sistemas mantienen mismos datos.
3. Incompatibilidad – sistemas no pueden compartir.
QUÉ ES UNA BASE DE DATOS?
12. MILESTONE: INDEPENDENCIA DE DATOS
> Mismos datos son utilizados por múltiples aplicaciones
> Son necesarias las herramientas para organizar, administrar y
asegurar:
1. Datos centralizados
2. Administrar los datos efectivamente
3. Proveer acceso controlado a los datos compartidos
13. BASE DE DATOS
La Base de Datos es ahora el “sistema de información central”
en todo proceso.
Una base de datos es una colección de datos:
orientada a un dominio
integrada
no volátil
variante en el tiempo
para ayudar en la toma de decisiones
[Immon 1992]
14. Actualmente,
La tecnología OLAP generalmente se asocia a los almacenes
de datos, aunque:
Podemos tener Almacenes de Datos sin OLAP y viceversa.
Las Bases de Datos y las técnicas OLAP son las maneras más
efectivas y tecnológicamente más avanzadas para integrar,
transformar y combinar los datos para facilitar al usuario o
a otros sistemas el análisis de la información.
BASE DE DATOS
15. SQL
Server DB2 ORACLE Informix Otras
JDBC
Ventas, Contabilidad, CRM, Call Center, etc.
SQL
Server
DB2/NT
DB2/400
DB2/390
ORACLE Informix Sybase
Otras
Capa de
Negocios
Capa de
acceso a
datos
INDEPENDENCIA MOTOR DE BASE DE DATOS
Datos
16. REQUERIMIENTOS DE BASE DE DATOS:
> “Calidad” del modelo de datos
> “DATOS LIMPIOS” (criterios únicos, etc.)
> Seguir las reglas básicas de construcción:
i. Todos los atributos, relaciones e identificadores deben estar
claramente definidos.
ii. Nombres de las variables deben tener sentido y ser
significantes.
iii. Completa, precisa, consistente, transportable, compartida y en
tiempo.
iv. Todas las filas deben tener la misma cantidad de columnas y
estar completas.
17. REQUERIMIENTOS DE BASE DE DATOS:
> Problemas con Sistemas de Administración de Datos:
i. Redundancia
ii. Falta de control de datos
iii. Interfase pobre
iv. Demoras en obtención de datos
v. Sin rutina y frecuencia definida para actualización
vi. Falta de integración (diferentes BD, diferentes
formatos, etc.)
vii. Falta de realidad
18. RECOLECCION DE DATOS
• Aparte de información interna de la organización, los almacenes
de datos pueden recoger información externa:
• Demografías (censo), páginas amarillas, uso de Internet,
redes sociales, información de otras organizaciones, etc.
• Datos compartidos en una industria o área de negocio,
organizaciones y colegios profesionales, catálogos, etc.
• Datos resumidos de áreas geográficas, distribución de la
competencia, evolución de la economía, información de
calendarios y climatológicas, programaciones televisivas-
deportivas,..
• Bases de datos externas compradas a otras compañías.
19. ADMINISTRACION DE DATOS:
> Administración de datos es una disciplina en
constante evolución.
> Los Responsables de la Administración de datos
tienen doble resposabilidad:
1. Administrar los datos para estar al día en los
negocios.
2. Administrar los datos para estar en los negocios
mañana.
> Los Responsables de la Administración necesitan
ahora apoyar con tecnologías de inteligencia a la
organización.
20. VENTAJAS DE UTILIZAR UN SISTEMA DE
ADMINISTRACIÓN DE BASE DE DATOS
> Complejidad de la arquitectura de sistemas es
reducida mediante la centralización de la
administración de datos, su acceso, utilización, y
seguridad.
> Redundancia es reducida o eliminada al poseer
copias múltiples de los mismos datos.
> Calidad e integridad de los datos puede ser
mejorada y provista a todas las aplicaciones.
21. ARQUITECTURA DE BASES DE DATOS
> Cliente-Servidor:
Clientes:
• Usan SQL para preguntar a la base de datos:
- obtener, modificar, etc.
Network
Servidor Base de datos:
• Almacena todos los datos
• Atiende requerimientos SQL
Entrada de orden
Contabilidad
Producción
22. Bases de Datos en la Nube –
Beneficios:
> Inversión inicial en infraestructura casi nula
> Infraestructura justo a tiempo
> Utilización de recursos más eficiente
> Costes según el uso
> Reducción del tiempo de comercialización
> Automatización
> Auto scaling
> Ciclo de vida del desarrollo más eficiente
> Funciones de prueba mejoradas
> Recuperación de desastres y continuidad empresarial
24. PASOS PARA CONSTRUIR UNA BASE DE DATOS
> Diseño preparatorio – pensar sobre:
¿Qué tablas necesitaré para almacenar datos?
• Entidades de negocios primarias
¿Qué queries o vistas de datos necesitaré?
• Diferentes perspectivas de las entidades primarias
¿Qué reportes serán requeridos por Dirección, Gerentes, Ejecutivos
de Cuenta, etc.?
¿Qué interfases son necesarias para mantener los datos?
> Documentar éstas ideas!!!!
25. > Crear las piezas:
Tablas (primero)
Queries
Formularios
Reportes
> IMPORTANTE: No es usualmente muy difícil cambiar
estructura, si estamos temprano en el proceso de crear una
Base de Datos
PASOS PARA CONSTRUIR UNA BASE DE DATOS
26. MODELADO DE DATOS
> Existen técnicas para identificar y documentar la estructura
lógica de datos
> Tema independiente del sistema de administración de Base de
Datos que la empresa posea
> Basado en principios de bases de datos relacionales
> Notación genérica
27. TERMINOLOGÍA
> Campo – un dato o atributo como ser nombre o fecha de
nacimiento
> Registro – describe una instancia de una entidad como una
persona o una orden
> Clave – un campo que identifica un registro de manera única
> Archivo – grupo de registros
28. MODELADO DE DATOS:
ENTIDADES Y ATRIBUTOS
> Entidad: rectángulo
Nombrada con un sustantivo singular
> Atributos: listados o variables en la entidad
Características
> Identificador: un atributo etiquetado con *
Unica etiqueta
29. Diagramas de Relacionamiento
entre entidades
> Gráficamente ilustra las entidades (tablas) en la base de datos y el
relacionamiento entre ellas:
Empleado
Dependientes Seguro
Es responsable por
Es cubierto para
30. > La relación entre EMPLEADO a DEPENDIENTE es caracterizada por dos
símbolos:
la “pata de gallina" al final de la línea que va desde EMPLEADO a
DEPENDIENTE indica que un empleado puede tener mas de un
dependiente.
El círculo indica que es opcional, por ejemplo: un empleado puede no
tener dependientes.
Empleado
Dependiente Seguro
Es responsable por
Es cubierto para
Diagramas de Relacionamiento
entre entidades
31. > La relación de DEPENDIENTE a EMPLEADO es caracterizada por dos
símobolos:
La línea vertical bajo EMPLEADO que conecta con DEPENDIENTE indica que un
dependiente es la responsabilidad de sólo 1 empleado.
La pequeña línea tipo guión debajo de EMPLEADO indica que un dependiente
DEBE tener un empleado responsable por él/ella – por ejemplo: No habrá ni uno
en la tabla DEPENDIENTE que no sea un dependiente de un empleado.
Empleado
Dependientes Seguro
Es responsable por
Es cubierto para
Diagramas de Relacionamiento
entre entidades
32. > La relación entre EMPLEADO a SEGURO está caracterizada por dos símbolos:
La línea vertical sobre SEGURO se conecta con EMPLEADO indica que un
empleado puede seleccionar sólo un único plan de seguro.
La línea horizontal en SEGURO indica que un empleado debe seleccionar un plan
de seguro.
Empleado
Dependientes Seguro
Es responsable por
Es cubierto para
Diagramas de Relacionamiento
entre entidades
33. > La relación de SEGURO a EMPLEADO está caracterizada por dos
símbolos:
La pata de gallina bajo EMPLEADO que conecta con SEGURO indica que
un plan de seguro puede ser seleccionado por mas de un empleados.
El círculo debajo de éste indica que podría haber un plan de seguro el
cuál no está seleccionado por ningún empleado.
Empleado
Dependientes Seguro
Es responsable por
Es cubierto para
Diagramas de Relacionamiento
entre entidades
34. SQL - Structured Query Language:
> Select – obtener datos
> Insert – agregar datos
> Update – alterar o modificar datos
> Delete – borrar o eliminar datos
35. FASES: SELECCIÓN, LIMPIEZA Y
TRANSFORMACIÓN DE DATOS
LIMPIEZA (DATA CLEANSING) Y SELECCIÓN DE DATOS:
Se deben eliminar el mayor número posible de datos erróneos o
inconsistentes e irrelevantes.
Métodos estadísticos casi exclusivamente.
• histogramas (detección de datos anómalos)
• selección de datos (muestreo, ya sea verticalmente,
eliminando atributos, u horizontalmente, eliminando
registros).
• redefinición de atributos (agrupación o separación).
36. Acciones ante datos anómalos (outliers):
• ignorar: algunos algoritmos son robustos a datos anómalos
(p.ej.: Árboles de decisión)
• filtrar (eliminar o reemplazar) la columna: solución extrema,
pero a veces existe otra columna dependiente con datos de
mejor calidad.
• filtrar la fila: puede sesgar los datos, porque muchas veces las
causas de un dato erróneo están relacionadas con casos o
tipos especiales.
FASES: SELECCIÓN, LIMPIEZA Y
TRANSFORMACIÓN DE DATOS
37. CONT……FASES: SELECCIÓN, LIMPIEZA
Y TRANSFORMACIÓN DE DATOS
• reemplazar el valor: por el valor ‘nulo’ si el algoritmo lo trata
bien o por máximos o mínimos, dependiendo por donde es el
outlier, o por medias.
• discretizar: transformar un valor continuo en uno discreto (p.ej.
muy alto, alto, medio, bajo, muy bajo) hace que los outliers
caigan en ‘muy alto’ o ‘muy bajo’ sin mayores problemas.
38. FASES: SELECCIÓN, LIMPIEZA Y
TRANSFORMACIÓN DE DATOS
Acciones ante datos faltantes (missing values):
• ignorar: algunos algoritmos son robustos a datos faltantes.
• filtrar (eliminar o reemplazar) la columna: solución extrema,
pero a veces existe otra columna dependiente con datos de
mejor calidad. Preferible a eliminar la columna es
reemplazarla por una columna diciendo si el valor existía o
no.
• filtrar la fila: claramente sesga los datos, porque muchas
veces las causas de un dato faltante están relacionadas con
casos o tipos especiales.
39. CONT……FASES: SELECCIÓN, LIMPIEZA
Y TRANSFORMACIÓN DE DATOS
• reemplazar el valor: por medias. A veces se puede predecir a
partir de otros datos.
• modificar la política de calidad de datos y esperar hasta que los
datos faltantes estén disponibles.
40. FASES: SELECCIÓN, LIMPIEZA Y
TRANSFORMACIÓN DE DATOS
Razones sobre datos faltantes (missing values):
A veces es importante examinar las razones tras datos faltantes y
actuar en consecuencia:
• algunos valores faltantes expresan características relevantes:
p.ej. la falta de teléfono puede representar en muchos casos
un deseo de que no se moleste a la persona en cuestión, o
un cambio de domicilio reciente.
• valores no existentes: muchos valores faltantes existen en la
realidad, pero otros no. Por ej.: el cliente que se acaba de dar
de alta no tiene consumo medio de los últimos 12 meses.
41. SISTEMAS DE INFORMACIÓN:
La información reduce nuestra incertidumbre (sobre
algún aspecto de la realidad) y, por tanto, nos
permite tomar mejores decisiones
42. Inicialmente la finalidad de los sistemas de información era
recopilar información para ayudar limitadamente en la toma
de decisiones:
recuentos de cereales
censos civiles y militares romanos o chinos,
Actualmente, con la informatización de las organizaciones y
la aparición de aplicaciones software operacionales sobre el
sistema de información, la finalidad principal de los sistemas
de información es dar soporte a los procesos básicos de la
organización (ventas, producción, personal...).
FINALIDAD DE LOS SISTEMAS
DE INFORMACIÓN:
43. CONT…..:
Una vez satisfecha la necesidad de tener un soporte
informático para los procesos básicos de la organización
(sistemas de información para la gestión).
Las organizaciones exigen nuevas prestaciones de los
sistemas de información
(sistemas de información para la toma de decisiones).
44. EVOLUCIÓN:
60’s: Informes batch:
la información es difícil de encontrar y analizar, poco flexible, se necesita
reprogramar cada solicitud.
70’s: Primeros DSS (Decision Support Systems) y EIS (Executive Information
Systems):
No integrados con el resto de herramientas.
80’s: Acceso a datos y herramientas de análisis integradas (conocidas como BI
tools (Business Intelligence Tools; en español: Herramienta de Inteligencia de
Negocios):
Herramientas de consultas e informes, hojas de cálculo, interfaces
gráficos e integrados, fáciles de usar.
Acceden a las bases de datos operacionales.
90’s: Almacenes de Datos y herramientas OLAP.
00’s: Herramientas de Minería de Datos y Simulación.
45. HERRAMIENTAS PARA LA TOMA DE DECISIONES:
¿Cuál es la diferencia entre EIS y OLAP?
¿Cuál es la diferencia entre “informes avanzados” y OLAP?
¿Cuál es la diferencia entre OLAP y Minería de Datos?
¿Qué interrelaciones existen entre todas estas herramientas?
Han aparecido diferentes herramientas de Negocio o de
Soporte en la Decisión (DSS) que coexisten: EIS, OLAP,
consultas e informes, minería de datos, ...
46. HERRAMIENTAS PARA LA TOMA DE DECISIONES:
Un EIS (Executive Information System) es un sistema de información y un conjunto de
herramientas asociadas:
Proporciona a los directivos de la organización acceso a la información de
estado y sus actividades de gestión.
Está especializado en analizar el estado diario de la organización (mediante
indicadores clave) para informar rápidamente sobre cambios a los directivos.
La información solicitada suele ser, en gran medida, numérica (ventas
semanales, nivel de stocks, balances parciales, etc.) y representada de forma
gráfica al estilo de las hojas de cálculo.
Las herramientas OLAP (On-Line Analyitical Processing) son más genéricas:
Funcionan sobre un sistema de información (transaccional o almacén de datos)
Permiten realizar agregaciones y combinaciones de los datos de maneras
mucho más complejas y ambiciosas, con objetivos de análisis más estratégicos.
¿CUÁL ES LA DIFERENCIA ENTRE EIS Y OLAP?
VER EJEMPLO CUBOS
47. Las herramientas OLAP
proporcionan facilidades para “manejar” y “transformar” los datos.
producen otros “datos” (más agregados, combinados).
ayudan a analizar los datos porque producen diferentes vistas de los
mismos.
Las herramientas de Minería de Datos:
son muy variadas: permiten “extraer” patrones, modelos, descubrir
relaciones ocultas, regularidades, tendencias, etc.
producen “reglas” o “patrones” (“conocimiento”).
¿CUÁL ES LA DIFERENCIA ENTRE OLAP Y
MINERÍA DE DATOS?
HERRAMIENTAS PARA LA TOMA DE DECISIONES:
48. ¿QUÉ INTERRELACIONES EXISTEN ENTRE
TODAS ESTAS HERRAMIENTAS?
Base de Datos
Transaccional
Fuentes
Internas
Fuentes
Externas
Fuente de
Datos
Fuente de
Datos 3
HTML
Fuente de
Datos 1
texto
Almacén
de Datos
ETL Interfaz y
Operadores
Herramientas
de consultas e
informes
Herramientas
EIS
Herramientas
OLAP
Herramientas de
Minería de
Datos
HERRAMIENTAS PARA LA TOMA DE DECISIONES:
49. Tipos de Sistemas de información Propósito del sistema
Transaction processing
system
TPS
Recolecta y almacena datos de transacciones de rutina.
Management information
system
MIS
Convierte datos de un TPS en información para
planeamiento, control, y dirección de una organización.
Decision support system
DSS
Apoya a las decisiones de Gerencia al proveer
modelos de procesamiento y análisis de datos.
Executive information system
EIS
Provee a los Directores y Gerencias de información
necesaria para monitorear la performance de la
organización y desarrolla e implementa estrategias.
On-line analytical processing
(OLAP)
Presenta de manera multidimensional, la vista lógica de
datos al analista con no requisitos de saber cómo los datos
son almacenados.
Data mining Utiliza análisis estadísticos y técnicas de inteligencia
artificial para identificar relaciones ocultas en los datos.
TIPOS DE SISTEMAS DE INFORMACIÓN:
50. PIRÁMIDE DE INFORMACIÓN:
DataWarehouse
Cierres y Análisis de Consistencia (DataCleansing)
Reportes Específicos
Análisis Multidimensional
Base de Datos Institucional
Fuentes
Externas
Otras Fuentes
(Excel, etc.)
BI, Scorecard
Data
Mining
51. > Su organización aprende de la experiencia
recolectada.
> La mayoría de las empresas son muy ricas en datos
pero muy pobres en información.
> Debemos convertir a las mismas en ricas en
información!
> DataWarehouse es la memoria de la institución.
> Data Mining su inteligencia.
DATOS # INFORMACION:
52. Cuál es la ruta (estrategia) para convertir
una organización que basa sus decisiones
en datos (no conocimiento), intuición,
política y otros factores a una organización
que basa sus decisiones en
conocimiento e información?
Y cómo hacerlo de manera exitosa?
ROAD MAP:
53. CLAVES PARA IMPLEMENTACION DE ESTRATEGIA:
• Ejemplos:
• Mantener liderazgo
• Aumentar las ventas y/o
• Crecer en cartera de Clientes, cuentas, otros…….
• Aumentar el Retorno sobre la Inversión (ROI)
Premisas:
• Liderazgo ejecutivo
• Transmitir eficientemente la Estrategia: mapa
• Alinear la organización: Unidades de Negocio, Soporte y Dirección
• Motivar a empleados: entrenamiento, educación, otros
• Integrar la estrategia al planeamiento y presupuesto
Definición
de
Estrategia:
• Actividades de distintas Unidades de Negocio, Soporte, DirecciónEjemplo:
nuevo canal de ventas. Ventajas?
• Imperativo: nivel corporativo con “Rol Activo” en identificar y coordinar
oportunidades
Sinergía y
Alineación:
56. Cómo?: Aumentando ingresos y/o reduciendo gastos.
Ajustando servicios y/o productos,
Monitoreando clientes riesgosos,
Elaborando mensajes al cliente,
Creando y lanzando “campañas” a segmentos/targets,
Identificando y reteniendo a los clientes más rentables,
Identificando y atrayendo nuevos clientes,
Liberando a los clientes no rentables,
Evadiendo potenciales clientes de alto riesgo,
Atrayendo nuevamente a clientes perdidos,
Anticipándose con ofrecimiento de nuevos servicios/productos.
AUMENTAR EL ROI:
58. RECORDANDO QUE EL MARKETING YA NO
ES LO QUE ERA…
> Vendíamos a segmentos socio-
demográficos
> Campañas masivas
> Productos “genéricos”
> Comunicación masiva
> Precios: por producto
> Indicador: market share
> Costos: según plan de cuentas
> Rentabilidad por producto
> Objetivo: vender productos
> Manejamos relaciones individuales
> Contactos individualizados
> Propuestas individualizadas
> Canales individualizados
> Precios: por cliente
> Indicador clave: LTV lifetime value
> Costos: costeo por cliente
> Rentabilidad individual
> Objetivo: realizar el valor potencial de cada
relación
Herramientas de análisis habituales:
• Investigación
• Planificación de medios
• Análisis de segmentación tradicional
• Mediciones de impacto
• Otros
Herramientas de análisis habituales:
• Predicción
• Clasificación
• Segmentación en base al comportamiento
• Cross Selling
• Propensión de abandono
Herramientas de análisis agregado Herramientas de análisis individual
59. Y QUE LAS RELACIONES PUEDEN SER MANEJADAS…..
Las relaciones ocurren independientemente de que hagamos algo al respecto.
Sin embargo, podemos aumentar nuestros resultados al manejarlas activamente
Reducción de
costos de
adquisición
Rentabilización por
profundización e
individualización
de precios.
Predicción de
abandono y
retención
Abandono
normalmente
indetectado
Rentabilidad por
menores costos
de transacción
Tiempo
Ingresos
Ciclo de vida “espontáneo” del cliente”
Ciclo de vida manejado por la empresa
60. Las Tres Dimensiones de la Relación
Sobre estas tres dimensiones es posible trabajar a nivel individual
Duración (en el tiempo)
Profundidad
(cantidad de
cada prod.)
Alcance
(cantidad de
productos)
Existe una relación positiva entre
estas tres dimensiones
Retención
Venta Cruzada
Venta en
Profundidad
62. Cómo definimos la “estrategia”?
Qué lineamiento deberíamos seguir?
Se definen sobre la base de:
1. Aumentar el ROI
2. Crear mayor valor a la Empresa
Cómo?:
Conociendo al Cliente
Con qué herramienta?:
Marco de trabajo de 4 perspectivas
63. 4 Perspectivas para Crear Valor a la Empresa:
Crear
Valor a
la
empresa
Financiera
Procesos
Internos
Aprendizaje
y
Crecimiento
Cliente
64. •Cuáles son las expectativas de la Performance Financiera?
•Cómo incrementamos el valor de nuestras unidades de negocio?
Financiera
•Para alcanzar los objetivos financieros, cómo creamos valor a nuestros clientes?
•Cómo incrementamos el valor total de nuestros clientes?
Cliente
•Qué procesos debemos implementar para satisfacer nuestros clientes?
•Cómo podemos lograr economías de escala?
Procesos Internos
•Cómo alineamos nuestros activos intangibles (empleados, sistemas, cultura)
para mejorar nuestros procesos críticos?
•Y cómo los desarrollamos y compartimos?
Aprendizaje y Crecimiento
4 Perspectivas para Crear Valor a la empresa:
65. LA SEQUENCIA DEL TRANSMISION DE ESTRATEGIA:
1. Generación
de la
Estrategia de
la empresa
Directorio 2
Mapa estratégico de
la empresa
Mapa estratégico de
la empresa
3
Mapa estratégico de
la empresa
Mapa estratégico
Funcional
Actualización
de Estrategia
Funcional
HR
FINANZAS
IT
4 Mapa estratégico de
las UN
Mapa estratégico de
la empresa
Actualización
de la
Estrategia de
las Unidades
de Negocio
Clientes 6
5
Mapa estratégico de
las UN
Servicios de
Unidades de
Soporte
Actualización
Unidades de
Soporte
HR
FINANZAS
IT
7
Proveedores
Alianzas
Unidades de Soporte
8
Mapa
funcional
de las UN
Mapa
estratégico
Funcional
Unidades de Soporte
Corporativo
68. CÓMO MAXIMIZAR EL RELACIONAMIENTO CON EL
CLIENTE Y AUMENTAR EL VALOR TOTAL DEL MISMO?
EJEMPLO:
1. Estrategia de única fuerza de venta
2. Educar y enterar a los clientes un amplio rango de
productos/servicios y asesoría para cubrir sus necesidades
3. Creó una red de especialistas para instruir a la fuerza de ventas
para atender a clientes y realizar venta cruzada sobre el amplio
portfolio de productos/servicios
4. El cliente ahora conoce al equipo de venta y las distintas
oportunidades para lograr una solución completa en un solo
lugar
70. PROBLEMAS QUE ENFRENTAN LAS EMPRESAS:
Sólo el 40% de los clientes son rentables.
El 10% más rentable, genera el 230% de las utilidades, pero no los
conocemos.
Los clientes no rentables en su conjunto destruyen el 65% del resultado.
En un alto porcentaje de los casos, los clientes abandonan la institución sin
haber compensado sus costos de captación.
Los precios de los productos son fijados independientemente del costo de
los clientes y su riesgo.
Las acciones de marketing son de difícil medición en sus resultados.
La inmensa mayor parte de las relaciones existentes están sub-explotadas.
FUENTE: American Bankers Association
71. COMPORTAMIENTO
Transacciones
Historia transaccional y tendencias de
utilización de los servicios
Participación en promociones
MI
CLIENTE
DESCRIPTIVOS
Características
Socio y geo
demográficos
ACTITUDINALES
Opiniones
Preferencias
Necesidades
Deseos
72. 1 a 1
1. Aumentando ventas o
2. Reduciendo costos
Diseñando propuestas
específicas a sus clientes
y lanzando campañas de
Ventas Cruzadas
efectivas.
• Identificar al cliente
• Administrar sus cuentas
• Entender y conocer su
frecuencia, recencia y valor
vitalicio
75. ¿QUÉ ES MINERIA DE DATOS?
• Es la exploración y análisis de grandes
cantidades de datos con el objetivo de
descubrir patrones significativos de
comportamiento de clientes que están
ocultos.
• Cada interacción con el cliente es una
oportunidad de aprendizaje. Lo importante es
que sea registrado y contar con las
herramientas para analizarlo.
Data Warehouse es la memoria de la
institución.
Data Mining, su inteligencia.
76. QUÉ ES MINERIA DE DATOS?:
Término reciente para la confluencia de ideas
desde estadísticas y ciencias de la computación
(métodos de bases de datos y aprendizaje propio
de las computadoras) aplicadas a grandes bases de
datos en ciencias, ingeniería y negocios. *
* First International workshop on Knowledge Discovery
and Data Mining was in 1995
77. QUÉ ES MINERIA DE DATOS?:
La Minería de Datos es un conjunto de técnicas de análisis de
datos que permiten:
Extraer patrones, tendencias y regularidades para
describir y comprender mejor los datos.
Extraer patrones y tendencias para predecir
comportamientos futuros.
Debido al gran volumen de datos este análisis ya no puede ser
manual (ni incluso facilitado por herramientas de almacenes de
datos y OLAP) sino que ha de ser semi-automático.
78. QUÉ ES MINERIA DE DATOS?:
Gartner Group:
“Data mining es el proceso de descubrir nuevas
correlaciones significantes, patrones y
tendencias escrutinando a través de grandes
cantidades de datos almacenados en
repositorios, utilizando tecnologías de
reconocimiento de patrones como también
técnicas de estadísticas y matemáticas.”
79. QUÉ ES MINERIA DE DATOS?:
Mi favorita:
“Statistics at scale and speed”
Darryl Pregibon
“Estadísticas a escala y velocidad”
81. EJEMPLO BÁSICO UTILIZANDO
MINERÍA DE DATOS:
> Datos: 20 marcas/tipos de cerveza.
> Variables objetivas y subjetivas.
> Objetivo: las variables objetivas sirven para
realizar una segmentación?
> Interesante conocer si los segmentos son
apoyados por las variables subjetivas.
82. > Paso 1: ver los datos.
> Paso 2: selecciono las variables objetivas y corro
estadística descriptiva.
> Paso 3: analizo los datos y las diferencias entre
ellos.
> Paso 4: específico al caso, dadas las diferencias
se deberá standarizar los datos.
EJEMPLO BÁSICO UTILIZANDO
MINERÍA DE DATOS:
83. > Paso 5: Preparar para correr el modelo
jerárquico.
> Paso 6: Selecciono las variables
> Paso 7: Por defecto seleccionar Estadística y
Plots/Gráfica
> Paso 8: En “Método”, seleccionar
estandarizar Z scores porque …….
EJEMPLO BÁSICO UTILIZANDO
MINERÍA DE DATOS:
84. Módulo3
Data Mining:
Minería de datos para Mktg 1 to 1
(sugerencias)
Técnicas, prácticas comunes,
ejemplos distintos sectores
89. Cómo será el Marketing en próximos años?
Estrategia de
Marketing
Branding
Comunicación
Comercial
Publicidad RRPP Referenciación
Manejo de
Relaciones
Data Mining
Business
Rules
Medios
Especializados
90. MKTG 1 to 1
Motor de sugerencias
con Data Mining
91. ES LA IDENTIFICACIÓN DE PREFERENCIAS DE COMPRA
PARA CADA TIPO DE PRODUCTOS O SERVICIOS.
¿QUÉ ES SBC 1to1?
SBC 1to1 PERMITE:
Cross & Up Selling
Fidelizar Cartera
Reducción de inversión en promociones
INCREMENTO DE VENTAS!
Constituye el escalón más avanzado en KYC : conocimiento 1to1.
¿QUÉ PRODUCTOS O SERVICIOS A QUÉ
CLIENTE?
93. “Top picks for you”
Sugerencias basadas en preferencias
de usuarios según su perfil de visitas
(búsquedas, artículos vendidos y
compras conjuntamente).
Se identifica qué beneficios serán de
interés para el usuario en base a sus
transacciones históricas.
S-Box: Motor de Sugerencias 1to1
Cross Selling
Sugerencias basadas en preferencias
de usuarios ‘similares’ en cuanto al
perfil de búsquedas y compras.
Upgrade
Sugerencias de artículos relacionados
a artículos con mayor margen de
ganancia.
94. AUMENTAR LAS VENTAS…
Incrementando la tasa de respuesta a artículos
recomendados.
Generando nuevas oportunidades de venta en
cada visita del usuario.
Incrementando las visitas a través de la
comunicación personalizada.
Objetivo
95. Ejemplo de alcance:
Grilla de categorías y productos disponibles
Tarjeta N° 123.456
Tabaco Habanos
Habanos
Cubanos
Cigarrillos
europeos
Cigarrillos
american.
Cigarrillos
regionales
Bestsellers
Accesorios
Cigarros
-
Bebidas
Whisky
Escocés
Whisky
+12 años
Aperitivos Vinos $$$ Vinos $
Bebidas
blancas
$$$
Bebidas
blancas $
Otros y
Champ.
Equipaje
Bolsos y de
mano
Backpacks
Laptop
covers
Set Valijas Accesorios - - -
Cosméticos
Cuidado
Piel $$$
Cuidado
Piel $
Maquillaje
$$$
Maquillaje
$
Bath &
Body
Anti
arrugas
Filtros
solares $$$
Filtros
solares $
Perfumería
Fem.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Perfumería
Masc.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Juguetería
Muñecos
de acción
Art &
Crafts $$$
Art &
Crafts $
Baby toys Top rated
Novedad-
es
Puzzle,
Lego, etc
-
Tabaco Habanos
Habanos
Cubanos
Cigarrillos
europeos
Cigarrillos
american.
Cigarrillos
regionales
Bestsellers
Accesorios
Cigarros
-
Bebidas
Whisky
Escocés
Whisky
+12 años
Aperitivos Vinos $$$ Vinos $
Bebidas
blancas
$$$
Bebidas
blancas $
Otros y
Champ.
Equipaje
Bolsos y de
mano
Backpacks
Laptop
covers
Set Valijas Accesorios - - -
Cosméticos
Cuidado
Piel $$$
Cuidado
Piel $
Maquillaje
$$$
Maquillaje
$
Bath &
Body
Anti
arrugas
Filtros
solares $$$
Filtros
solares $
Perfumería
Fem.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Perfumería
Masc.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Juguetería
Muñecos
de acción
Art &
Crafts $$$
Art &
Crafts $
Baby toys Top rated
Novedad-
es
Puzzle,
Lego, etc
-
S-Box: Motor de Sugerencias 1to1
96. Tabaco Habanos
Habanos
Cubanos
Cigarrillos
europeos
Cigarrillos
american.
Cigarrillos
regionales
Bestsellers
Accesorios
Cigarros
-
Bebidas
Whisky
Escocés
Whisky
+12 años
Aperitivos Vinos $$$ Vinos $
Bebidas
blancas
$$$
Bebidas
blancas $
Otros y
Champ.
Equipaje
Bolsos y de
mano
Backpacks
Laptop
covers
Set Valijas Accesorios - - -
Cosméticos
Cuidado
Piel $$$
Cuidado
Piel $
Maquillaje
$$$
Maquillaje
$
Bath &
Body
Anti
arrugas
Filtros
solares $$$
Filtros
solares $
Perfumería
Fem.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Perfumería
Masc.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Juguetería
Muñecos
de acción
Art &
Crafts $$$
Art &
Crafts $
Baby toys Top rated
Novedad-
es
Puzzle,
Lego, etc
-
2. Identifico oportunidades Cross Selling para cada usuario
Tarjeta N° 123.456
Tabaco Habanos
Habanos
Cubanos
Cigarrillos
europeos
Cigarrillos
american.
Cigarrillos
regionales
Bestsellers
Accesorios
Cigarros
-
Bebidas
Whisky
Escocés
Whisky
+12 años
Aperitivos Vinos $$$ Vinos $
Bebidas
blancas
$$$
Bebidas
blancas $
Otros y
Champ.
Equipaje
Bolsos y de
mano
Backpacks
Laptop
covers
Set Valijas Accesorios - - -
Cosméticos
Cuidado
Piel $$$
Cuidado
Piel $
Maquillaje
$$$
Maquillaje
$
Bath &
Body
Anti
arrugas
Filtros
solares $$$
Filtros
solares $
Perfumería
Fem.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Perfumería
Masc.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Juguetería
Muñecos
de acción
Art &
Crafts $$$
Art &
Crafts $
Baby toys Top rated
Novedad-
es
Puzzle,
Lego, etc
-
3. Identifico oportunidades de Up Selling para cada usuario
Tabaco Habanos
Habanos
Cubanos
Cigarrillos
europeos
Cigarrillos
american.
Cigarrillos
regionales
Bestsellers
Accesorios
Cigarros
-
Bebidas
Whisky
Escocés
Whisky
+12 años
Aperitivos Vinos $$$ Vinos $
Bebidas
blancas
$$$
Bebidas
blancas $
Otros y
Champ.
Equipaje
Bolsos y de
mano
Backpacks
Laptop
covers
Set Valijas Accesorios - - -
Cosméticos
Cuidado
Piel $$$
Cuidado
Piel $
Maquillaje
$$$
Maquillaje
$
Bath &
Body
Anti
arrugas
Filtros
solares $$$
Filtros
solares $
Perfumería
Fem.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Perfumería
Masc.
Mas
vendidos
$$$
Mas
vendidos $
Tamaño G Tamaño Ch Top rated
Indiferen-
te
- -
Juguetería
Muñecos
de acción
Art &
Crafts $$$
Art &
Crafts $
Baby toys Top rated
Novedad-
es
Puzzle,
Lego, etc
-
S-Box: Motor de Sugerencias 1to1
97. Rubro Categoría
CC Moneda
Nacional
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
# Trans.
Web
Nivel 1
# Trans.
Web
Nivel 2
# Trans.
ATM
Nivel 1
# Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
CC Moneda
Extranjera
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
#Trans.
Web
Nivel 1
#Trans.
Web
Nivel 2
#Trans.
ATM
Nivel 1
#Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
Plazo fijo M. Ext. No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
3m
Plazo:
6m
Plazo:
12m
Solicita
Web
Solicita
Sucursal
…
Préstamo
Hipotecario
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
120
cuotas
Plazo:
120 -
180
cuotas
Plazo:
180 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Préstamo
Automotor
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo: 12
cuotas
Plazo:
12 - 18
cuotas
Plazo:
18 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Sobregiros No Tiene
Sobregir
o AVG
Nivel 1
Sobregir
o AVG
Nivel 2
Meses c/
OVD
<3/12
Meses c/
OVD
3-6/12
Meses
c/OVD
6-12/12
Días AVG
OVD
<15
Días AVG
OVD
16 -30
Días AVG
OVD
31-60
…
Otros………….. … … … … … … … … … …
¿QUÉ PRODUCTOS A QUÉ CLIENTE?
EJEMPLO SECTOR FINANCIERO
98. Rubro N° Cliente: 123456 Categoría
CC Moneda
Nacional
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
# Trans.
Web
Nivel 1
# Trans.
Web
Nivel 2
# Trans.
ATM
Nivel 1
# Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
CC Moneda
Extranjera
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
#Trans.
Web
Nivel 1
#Trans.
Web
Nivel 2
#Trans.
ATM
Nivel 1
#Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
Plazo fijo M. Ext. No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
3m
Plazo:
6m
Plazo:
12m
Solicita
Web
Solicita
Sucursal
…
Préstamo
Hipotecario
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
120
cuotas
Plazo:
120 -
180
cuotas
Plazo:
180 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Préstamo
Automotor
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo: 12
cuotas
Plazo:
12 - 18
cuotas
Plazo:
18 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Sobregiros No Tiene
Sobregir
o AVG
Nivel 1
Sobregir
o AVG
Nivel 2
Meses c/
OVD
<3/12
Meses c/
OVD
3-6/12
Meses
c/OVD
6-12/12
Días AVG
OVD
<15
Días AVG
OVD
16 -30
Días AVG
OVD
31-60
…
… … … … … … … … … … …
¿QUÉ PRODUCTOS A QUÉ CLIENTE?
99. +
Cuenta Corriente U$S:
Promedio Balance Anual U$S 36.000; 10 transacciones
mensuales, 35% Sucursal, 55% Web y 5% Otras (móvil, etc.).
Crédito Hipotecario: U$S 110K; Máximo atraso= 10 días; Forma de pago: débito.
Sobregiros: Promedio U$S 500; máximo atraso 20 días.
Productos NO
CONTRATADOS:
Cuenta de Ahorro, Préstamos Automotores, Tarjeta de
Crédito.
Cliente N° 123456 García, Ramón.
Fecha alta: 12/01/2005
¿QUÉ PRODUCTOS A QUÉ CLIENTE?
100. Rubro N° Cliente: 123456 Categoría
CC Moneda
Nacional
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
# Trans.
Web
Nivel 1
# Trans.
Web
Nivel 2
# Trans.
ATM
Nivel 1
# Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
CC Moneda
Extranjera
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
#Trans.
Web
Nivel 1
#Trans.
Web
Nivel 2
#Trans.
ATM
Nivel 1
#Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
Plazo fijo M. Ext. No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
3m
Plazo:
6m
Plazo:
12m
Solicita
Web
Solicita
Sucursal
…
Préstamo
Hipotecario
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
120
cuotas
Plazo:
120 -
180
cuotas
Plazo:
180 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Préstamo
Automotor
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo: 12
cuotas
Plazo:
12 - 18
cuotas
Plazo:
18 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Sobregiros No Tiene
Sobregir
o AVG
Nivel 1
Sobregir
o AVG
Nivel 2
Meses c/
OVD
<3/12
Meses c/
OVD
3-6/12
Meses
c/OVD
6-12/12
Días AVG
OVD
<15
Días AVG
OVD
16 -30
Días AVG
OVD
31-60
…
… … … … … … … … … … …
¿QUÉ PRODUCTOS A QUÉ CLIENTE? VENTA CRUZADA!
101. Rubro N° Cliente: 123456 Categoría
CC Moneda
Nacional
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
# Trans.
Web
Nivel 1
# Trans.
Web
Nivel 2
# Trans.
ATM
Nivel 1
# Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
CC Moneda
Extranjera
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
#Trans.
Web
Nivel 1
#Trans.
Web
Nivel 2
#Trans.
ATM
Nivel 1
#Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
Plazo fijo M. Ext. No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
3m
Plazo:
6m
Plazo:
12m
Solicita
Web
Solicita
Sucursal
…
Préstamo
Hipotecario
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
120
cuotas
Plazo:
120 -
180
cuotas
Plazo:
180 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Préstamo
Automotor
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo: 12
cuotas
Plazo:
12 - 18
cuotas
Plazo:
18 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Sobregiros No Tiene
Sobregir
o AVG
Nivel 1
Sobregir
o AVG
Nivel 2
Meses c/
OVD
<3/12
Meses c/
OVD
3-6/12
Meses
c/OVD
6-12/12
Días AVG
OVD
<15
Días AVG
OVD
16 -30
Días AVG
OVD
31-60
…
… … … … … … … … … … …
¿QUÉ PRODUCTOS A QUÉ CLIENTE? UP SELLING!
102. Rubro N° Cliente: 123456 Categoría
CC Moneda
Nacional
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
# Trans.
Web
Nivel 1
# Trans.
Web
Nivel 2
# Trans.
ATM
Nivel 1
# Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
CC Moneda
Extranjera
No Tiene
Balance
AVG
Nivel 1
Balance
AVG
Nivel 2
#Trans.
Web
Nivel 1
#Trans.
Web
Nivel 2
#Trans.
ATM
Nivel 1
#Trans.
ATM
Nivel 2
# Trans.
Suc.
Nivel 1
# Trans.
Suc.
Nivel 2
…
Plazo fijo M. Ext. No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
3m
Plazo:
6m
Plazo:
12m
Solicita
Web
Solicita
Sucursal
…
Préstamo
Hipotecario
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo:
120
cuotas
Plazo:
120 -
180
cuotas
Plazo:
180 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Préstamo
Automotor
No Tiene
Capital
Nivel 1
Capital
Nivel 2
Capital
Nivel 3
Plazo: 12
cuotas
Plazo:
12 - 18
cuotas
Plazo:
18 y +
cuotas
Solicita
Web
Solicita
Sucursal
…
Sobregiros No Tiene
Sobregir
o AVG
Nivel 1
Sobregir
o AVG
Nivel 2
Meses c/
OVD
<3/12
Meses c/
OVD
3-6/12
Meses
c/OVD
6-12/12
Días AVG
OVD
<15
Días AVG
OVD
16 -30
Días AVG
OVD
31-60
…
… … … … … … … … … … …
VENTA CRUZADA Y UP SELLING!
103. PRODUCTOS
¿QUÉ PRODUCTOS A QUÉ CLIENTE?
OFERTAS /
PROMOS
LANZAMIENTO
RE-
LANZAMIENTO
LISTADO DE
PRODUCTOS
PARA CADA
CLIENTE
LISTADO DE
PRODUCTOS
PARA
PROMOCIÓN
CLIENTE
SBC 1to1
CROSS SELLING
STD SALES
UP SELLING
PROMOCIONES 1TO1
BASADAS EN PREFERENCIAS
104. PROMOCIONES 1TO1
BASADAS EN PREFERENCIAS
Se pueden presentar en:
•Website de la institución
•Móviles, transacciones, consultas, mensajes.
•PC de Ejecutivos de Cuentas.
•Telemarketing
•Call Center
•ATM
•Otros…….
107. Analítica tiene poder de decisión:
Retención
Cliente
Respuesta
Campañas
Tasas de
Adquisición
Conversión
Online
Fraude CrimenGastos Riesgo
108. CICLO DE VIDA DEL CLIENTE VS MODELOS DE MINERÍA DE DATOS
ADQUISICIÓN CONVERSIÓN
MEJORAMIENTO
VALOR
RETENCIÓN RE-ACTIVACIÓN
Segmentación
Campañas a
Targets
Promoción
Propensión
de Abandono
Win-back
Costo de
Adquisición
Costos de
Servicio
Cross y Up Sell
Alerta Caída
de Consumo
MBA
Ciclo de vida rentable Ciclo de vida menos rentable
109. Técnicas Descriptivas
(aprendizaje no supervisado)
Técnicas Predictivas
(aprendizaje supervisado)
ALGUNAS DE LAS PRINCIPALES TÉCNICAS
DE MINERÍA DE DATOS:
• Clustering Jerárquico,
• K-medias,
• Clustering Bietápico,…
• Reglas de Asociación,
• Análisis Secuencial,
• Análisis de Tendencias,…
• Regresión Logística,
• Árboles de Decisión,
• Redes Neuronales,
• Vecino más Cercano,
• Regresión Múltiple,
• Otros,…
CREDIT SCORING, PROPENSIÓN DE
ABANDONO, DE COMPRA, MOTOR DE
SUGERENCIAS, otros.
Market Basket Analysis, otros
SEGMENTACIÓN
110. FUNCIONES DE LAS TECNICAS
DE MINERIA DE DATOS:
Asociaciones
85% de clientes que compraron un cierto tipo de marca de vino,
también compraron cierto tipo de pasta.
Patrones secuenciales
32% de los clientes femeninos que compraron una campera roja
dentro de los 6 meses compraron también una camisa gris.
Clasificación
Clientes frequentes con ingresos de $ 5.000 y que tienen dos o más
hijos/as.
Clustering
Segmentación transaccional de mercado.
111. Aplicación de
Análisis Predictivo:
Qué es predecible?: Cuál es la decisión de negocio?:
Marketing Directo Respuesta del Cliente Reducción de los costos de contacto?
Retención de
Clientes
Abandono de Cliente Retener, enviar propuesta de retención?
Recomendación de
Productos
Qué necesita o quiere
cada cliente
Qué producto/servicio recomendar?
Publicidad de
contenido
A cuál responderán? Qué contenido publicitar?
Valor Vitalicio Qué tan rentable será
cada cliente
Cuánto invertir?
Detección de Fraude Si las transacciones son
legítimas
Cuándo y dónde investigar?
Credit scoring Riesgo del Deudor Otorgar o no el crédito?
Selección y precio
del seguro
Riesgo asegurado Si se cubre y cuál sería el precio?
112. Los almacenes de datos no son imprescindibles para hacer extracción de
conocimiento a partir de datos.
se puede hacer minería de datos sobre un simple fichero de datos.
Las ventajas de organizar un almacén de datos para realizar minería de
datos se amortizan sobradamente a medio y largo plazo cuando:
tenemos grandes volúmenes de datos, o
éstos aumentan con el tiempo, o
provienen de fuentes heterogéneas o
se van a combinar de maneras arbitrarias y no predefinidas.
¿ES NECESARIO TENER ALMACENES DE DATOS
PARA REALIZAR MINERÍA DE DATOS?
BASES DE DATOS Y MINERÍA DE DATOS
113. • El aumento del volumen y variedad de información que se
encuentra informatizada en bases de datos digitales ha crecido
espectacularmente en la última década.
• Gran parte de esta información es histórica, es decir, representa
transacciones o situaciones que se han producido.
• Aparte de su función de “memoria de la organización”, la
información histórica es útil para predecir la información futura.
MOTIVACIÓN DEL MERCADO
NUEVAS NECESIDADES DEL ANÁLISIS DE
GRANDES VOLÚMENES DE DATOS
114. • La mayoría de decisiones de empresas, organizaciones e
instituciones se basan también en información de
experiencias pasadas extraídas de fuentes muy diversas.
• las decisiones colectivas suelen tener consecuencias
mucho más graves, especialmente económicas, y se
debe a que se basan en volúmenes de datos que hoy
desbordan la capacidad humana.
MOTIVACIÓN DEL MERCADO
115. • Tamaño de datos poco habitual para algoritmos clásicos:
• número de registros muy largo
• datos altamente dimensionales (nº de
columnas/atributos).
• El usuario final no es un experto en aprendizaje automático ni
en estadística.
• El usuario no puede perder más tiempo analizando los datos:
• industria: ventajas competitivas, decisiones más efectivas.
• Los sistemas clásicos de estadística son difíciles de usar y no
escalan al número de datos típicos en bases de datos.
MOTIVACIÓN DEL MERCADO
116. > Mercado: Desde un foco de servicios a un foco en el cliente 1to1!
> IT: Desde un foco en balances contables actualizados a un foco en
patrones en las transacciones
Herramientas: Data Warehouses, OLAP
> Dramática reducción en los costos de almacenaje de datos:
Ej.: Walmart: 30 millones de transacciones/día, 10 TB
Ej.: Blockbuster: registros de mas de 46 millones de familias
> Captura automática de transacciones
Ej.: Código de barras, POS devices, ATM (cajeros
automáticos), clicks de mouse, Datos de localización (GPS,
smart phones, tablets, etc. )
> Internet: Interacciones personalizadas (Amazon.com, EBAY.com)
FACTORES DEL MERCADO PARA
LLEVAR A CABO MINERÍA DE DATOS
117. > Para Sector Financiero
> Para Sector de Seguros
> Para Sector Retail (supermercados, cadenas de
restaurantes, etc.)
> Para Sector Telecomunicaciones
> Para Sector Gobierno
> Otros
SECTORES DONDE MINERIA DE DATOS APLICA:
118. > Target: Bancos, Cooperativas, Tarjetas de Crédito,
Corredores de Bolsa, etc.
> Adoptaron temprano las aplicaciones de Data Mining.
> “The right relationship is everything”.
> Retención de clientes
> Ventas cruzadas
> Maximización de campañas de MKTG y promociones.
SECTOR FINANCIERO
119. > Maximización de dinero en ATMs (cajeros automáticos)
> Administración de riesgo
> Predecir malos préstamos
> Detección de lavado de dinero y fraude
> Target Marketing: Identificar clientes potenciales para nuevos
productos (préstamo, bono, etc.) al mismo tiempo que
maximizar y efectivizar los costos de marketing. (útil para todos
los sectores del mercado). Veamos ejemplo.
SECTOR FINANCIERO
120. TARGET MARKETING
> Problema ($$$):
Uso de extensas listas de clientes para realizar campañas de mailing
directo
> Solución:
Uso de Minería de Datos para identificar las respuestas más
prometedoras mediante la combinación de datos geográficos y
demográficos con datos del comportamiento de compra en el pasado
de los clientes
> Beneficio:
Mejor tasa de respuesta
Ahorro en los costos de las campañas publicitarias
Utilización de canales preferidos por los clientes
121. > Rediseñó la infraestructura de Servicio al cliente, incluyó una inversión de
US$ 38 millones en un data warehouse y automatización de marketing.
> Utilizó regresión logística para predecir las probabilidades de respuesta de
un producto “home-equity” a una muestra de 20.000 perfiles de clientes de
una base de datos de 15 millones.
> Utilizó CART para predecir los clientes rentables y cuáles serían no
rentables incluso si responden positivamente al nuevo producto ofrecido.
EJEMPLO: ABC FINANCIAL GROUP
122. > Detección de fraude
> Detección de lavado de dinero
> Programa de retención de clientes
> Medidas de riesgos por cliente
> Identificar los recursos suficientes para cubrir
responsabilidades (siniestros) de manera eficiente
> Venta cruzada
SECTOR SEGUROS
123. > Predecir el comportamiento y hábito de compra del cliente.
> Análisis de la canasta de compra (MBA)
> Hacer mas eficiente y efectiva las campañas de MKTG y de
promociones.
> Reducir sustancialmente los costos de mailing.
> Ej.: pañales # ………….
SECTOR RETAIL
124. SECTOR TELECOMUNICACIONES
> Identificar clientes que fueran atraídos a un nuevo servicio.
> Alcanzar a dicho target de la manera mas eficiente y efectiva.
> Usualmente, entre 2 y 3 % responden a una campaña tradicional.
128. > 1. Identificar oportunidades y beneficios para el
negocio donde el análisis de datos puede
proveer valor agregado. Podemos comenzar
por una unidad de negocio, con una necesidad
puntual.
> 2. Transformar los datos en información útil y
con poder de acción usando técnicas de
Minería de Datos.
> 3. Actuar en base a la información obtenida
> 4. Medir los resultados de los esfuerzos
CICLO DE VIDA DE DM
129. > 1. Identificar oportunidades y beneficios para el
negocio donde el análisis de datos puede proveer
valor agregado:
• Planificar un lanzamiento de un nuevo producto
• Planificar campañas de marketing directo para venta
cruzada
• Retener clientes
•Pregunta: en su Departamento?
CICLO DE VIDA DE DM
130. > 2. Transformar los datos en información útil y con
poder de acción usando técnicas de Minería de Datos
• Éxito se define como adquirir un sentido del negocio
partiendo de los datos y no de la utilización de una
técnica en particular.
A considerar:
• Formato de datos ineficiente
• Campos/variables confundibles
CICLO DE VIDA DE DM
131. > 3. Actuar en base a la información obtenida
• Envío de mensajes a distintos clientes a través de sus
canales preferidos
• Priorizar Servicio al Cliente
• Ajuste de niveles de inventario
CICLO DE VIDA DE DM
132. > 4. Medir los resultados de los esfuerzos
• La campaña alcanzó y trajo los clientes mas rentables?
• Fueron esos clientes retenidos como se esperaba?
• Cuáles son las características de los clientes mas leales alcanzados
por esta campaña?
• Compraron productos adicionales?
• Qué tipo de mensaje fue mas beneficiosos para la empresa?
• Valor de los clientes………….
CICLO DE VIDA DE DM
134. Determinación de
Objetivos del Negocio
Evaluación de la
Situación
Determinación de
Objetivos de
Data-Mining
Producción del Plan de
Negocios
Background
Objetivos
Negocio
Criterio de
"Éxito”
Inventario d
Recursos
Supuestos,
Restriccio-
nes
Riesgos y
Contingen-
cias
Termino-
logía
Metas de
DM
Criterio de
“éxito” DM
Plan de
Proyecto
Evaluación
de técnicas
135. Recolección
inicial de datos
Descripción de
datos
Exploración de
datos
Verificación de
la calidad de
los datos
Reporte
Recolección
de datos
Reporte de
exploración
de datos
Reporte de
calidad de
datos
Reporte de
Descriptivos
136. Análisis del
Negocio
Comprensión de
Datos
Preparación
de datos
Modelado Evaluación Desarrollo
Seleccionar
Datos
Limpieza de
datos
Construcción de
variables
Integración de
datos: Aplanado
Razones
inclusión y/o
exclusión
Atributos
derivados
Fundido de
archivo:
aplanado
Reporte de
Limpieza
de datos
Registros
generados
Formato de
datos Dar formato
a la base de
datos
Descripción
de base de
datos
137. Seleccionar Datos
Limpieza de
datos
Construcción de
variables
Integración de
datos: Aplanado
Formato de datos
Selección de
Técnicas de
Modelado
Generación de
diseños de
prueba
Construcción del
Modelo
Evaluación del
Modelo
Evaluación de
Resultados
Revisión del
Procedimiento
Determinación
de pasos a seguir
Despliegue de
Resultados
Evaluación de
Formas de
Mantenimiento
Reporte final del
proyecto
Seleccionar Datos
Limpieza de
datos
Construcción de
variables
Selección de
Técnicas de
Modelado
Generación de
diseños de
prueba
Construcción del
Modelo
Evaluación de
Resultados
Revisión del
Procedimiento
Despliegue de
Resultados
Evaluación de
Formas de
Mantenimiento
Integración de
datos: Aplanado
Evaluación del
Modelo
Determinación
de pasos a seguir
Reporte final del
proyecto
Seleccionar Datos
Limpieza de
datos
Construcción de
variables
Selección de
Técnicas de
Modelado
Generación de
diseños de
prueba
Construcción del
Modelo
Evaluación de
Resultados
Revisión del
Procedimiento
Despliegue de
Resultados
Evaluación de
Formas de
Mantenimiento
138. TIEMPOS ESTIMADOS UTILIZANDO CRISP-DM PARA MODELOS:
SEGMENTACIÓN BASADA EN EL COMPORTAMIENTO
CREDIT SCORING
PROPENSIÓN DE ABANDONO
Conocimiento
del negocio
•Identificar los
objetivos
•Análisis de la
situación
•Determinación
de objetivos de
DM
•Creación del
plan del
proyecto
Análisis de
los datos
•Recolección de
datos
•Descripción de
los datos
•Exploración de
los datos
•Verificación de
la calidad de los
datos
recolectados
Preparación
de los datos
•Selección de
datos
•“Limpieza” de
datos
•Construcción de
datos
•Integración y
formato de los
datos
Modelado
•Selección de
técnicas de
modelado
•Generar un
diseño de test
•Construcción del
modelo
•Evaluación del
modelo
Evaluación
•Evaluación de
los resultados
obtenidos
•Revisación del
proceso
aplicado
•Determinación
de próximos
pasos a seguir
Desplegar
•Diseño del plan
de despliegue
del modelo
•Diseño del plan
de
mantenimiento
y monitoreo
•Creación del
reporte final
141. SEGUIMIENTO DE GESTIÓN EMPRESARIAL:
SISTEMA DE INFORMACION GERENCIAL:
TOTAL EMPRESAS PERSONAS TARJETAS
Clientes
Productos
Sucursales
CLIENTES:
SEGMENTOS,
FRECUENCIA,
ATRASOS,
% UTILIZACIÓN DE
SERVICIOS,
% PARTICIPACIÓN
PROMOCIONES,
ETC.
142. Sistema de Información Gerencial
Realizar
planeamiento
empresarial de
manera rápida y
eficiente.
Analizar diversas
opciones para tomar
la decisión mas
correcta.
Crear, comparar y
evaluar escenarios de
negocios, condiciones
y supuestos.
Enviar alertas de
eventos críticos de su
operativa en forma
automática e
inmediata
Las alertas pueden
contener toda la
información
necesaria para tomar
una decisión en ese
momento.
Tableros de control
son instrumentos que
comunican la
información del
negocio compleja
rápidamente.
Traduce los datos de
sus sistemas a
elementos gráficos
para demostrar y
comparar resultados
múltiples juntos.
Monitorear el
desempeño de la
organización por
medio de indicadores
que reflejan donde
está la empresa y
hacia donde se dirige
Esto último, a través
de métricas fáciles de
monitorear y
entender.
Sistemas que visualizan valores organizados en
múltiples perspectivas o dimensiones. Permite
analizar los hechos sucedidos para descubrir las
causas de los problemas u oportunidades de
negocio.
Elaborar informes
empresariales en
tiempo real .
143. EJEMPLO: TENDENCIA DE VENTAS ($ Y #) DE NUEVAS CUENTAS CORRIENTES EN LA
SUCURSAL VILLA MORRA DURANTE EL MES OCTUBRE 2009 (DÍA A DÍA Y EN
COMPARACIÓN CON OCT. 2008):
144. Analizar mes a
mes el
movimiento de
sus clientes
dentro de los
segmentos
Detectar el
incremento de
los segmentos
mas riesgosos
para su
empresa
Analizar de
donde provienen
los clientes que se
movieron. Analizar si estas
tendencias tienen o
tendrán impacto en
su empresa
EJEMPLO SEGUIMIENTO DE SEGMENTACION:
145. Detectar los
clientes con
una alta
propensión de
compra.
Analizar si es
rentable
retener a
todos.
Generar Targets
de clientes con
propensidad de
compra y/o de
abandono.
Administrar
campañas
Monitorear la
efectividad de sus
campañas.
EJEMPLO DE PANTALLA PROPENSION DE ABANDONO:
146. HASTA AHORA………..:
Mejores decisiones operacionales
resultan en aumento del ROI
Modelos Predictivos
pueden mejorar las decisiones operacionales
Se necesita:
Dar el primer paso........
Enfocarse en acciones.......
Rápida implementación.......
Unidades de Negocio y Sistemas comprometidos
(Equipo multidisciplinario)
Transmitir la experiencia y motivar.......
147. CONOCER NO ES SUFICIENTE:
Aquellos que conocen primero, ganan.
Aquellos que ACTUAN primero, ganan
Asumiendo que ACTUAN inteligentemente
149. Módulo4 Segmentación Basada en el
Comportamiento Transaccional
(histórico de datos, registros)
Ejemplos de distintos sectores
150. SEGMENTACION BASADA EN EL COMPORTAMIENTO:
Obtener segmentos homogéneos de clientes según patrones de comportamiento de consumo de
servicios/productos, para así:
→ Identificar a los mejores clientes y establecer estrategias de retención.
→ Establecer estrategias específicas para cada segmento, por ejemplo:
• Para motivar el aumento del volumen de operaciones
• Incentivar el consumo de diferentes productos
• Educar y fidelizar ciertos clientes
• Desarrollar nuevos productos financieros
1. Conocer en profundidad la Cartera de Clientes
Utilizar el modelo obtenido como base para la realización de proyectos de Lanzamiento de campañas
(retención, expansión, promoción, etc.), propensión de abandono, ventas cruzadas, MBA, sugerencias
personalizadas.
2. Establecer la base para otros proyectos
Particiona la cartera de clientes en base al perfil de compras y
hábitos generales de consumo de cada cliente.
151. PORQUÉ SEGMENTACIÓN
BASADA EN EL COMPORTAMIENTO:
¿Quiénes son sus clientes más rentables? ¿Cuáles conviene retener y
cuáles no?
¿Cuál es la probabilidad de incumplimiento de pago de sus clientes?
¿Cómo identifica las mejores oportunidades de venta cruzada?
¿Cuál es la frecuencia, recencia y valor vitalicio de cada cliente?
¿Cuáles son los clientes que piensan reemplazar sus servicios por los
de la competencia? ¿Por qué? ¿Cómo los identifico a tiempo?
¿Cuáles son los clientes más propensos a responder positivamente a
una nueva promoción?
152. “CONOCER MI CLIENTE”:
• Quién es mi cliente?
• Qué Frecuencia tiene?
• Qué valor monetario tienen? Y los márgenes?
1.
IDENTIFICACION
• Qué servicios utilizan?
• Qué estilo de vida tienen? Sus preferencias?
• Hacia dónde van (tendencias)?
• A qué segmento pertenecen?
2.
CATEGORIZACION
• Qué grado de fidelidad tienen con nuestra empresa?
• Qué propensidad de comprar tienen sobre servicio X?
• Cuáles serán el foco a corto, mediano y largo plazo?
3.
JERARQUIZACION
154. Patrón de Visitas
Alto
Medio
Bajo
Gasto
Diario
2 veces
por
semana
Semanal De vez en cuando
Casi
nunca
Lapsos
Se
Fue
PREMIUM (ej.: 12%) : SEG. 1
VALORABLE (ej.: 19%) POTENCIAL (25%)
NO COMPROMETIDOS (39%)
LAPSOS
(6%)
SE
FUE
FASE I: OBTENCIÓN DE PATRONES DE USO
INSUMOS:
TODOS LOS TICKETS DE COMPRA Y DATOS DE TARJETA DE FIDELIDAD
155. NOTEBOOKS
SALUD & BELLEZA
ANIMALES &
MASCOTAS
SBC: EJEMPLO DE SEGMENTACIÓN DE CLIENTES
FASE I: FASE II (descriptiva)
NOTEBOOK
S ANIMALES & MASCOTAS
CELULARES
CELULARES
SALUD & BELLEZA
REPUESTOS
AUTOMÓVILES
SEGMENTO 1
(Alta Fidelidad,
Frecuencia y
Gasto)
SEGMENTO 2
(Alta Fidelidad y
Frecuencia; Gasto
Moderado)
SEGMENTO 5
(Clientes No Frec.s)
ACCESORIOS
COMPUTACIÓN
REPUESTOS AUTOMÓVILES
ACCESORIOS
COMPUTRACIÓN
156. Global STD SIN DEC FAN EXT
Cantidad Clientes
252.962 163.237 44.164 16.505 27.228 1.828
Cantidad Visitas 3,23 2,91 0,17 0,81 10,09 24,03
Importe AVG
Visitas 388 2,9 0,175 0,81 10,09 24,03
Frecuencia (días)
9,3 267 367 1855 472 730
Recencia (días) 32,2 10,28 171,73 36,92 2,97 1,25
% Fin de Semana
30% 23,19 82,46 38,41 3,5 1,43
Sucursal Estable 67% 30% 40% 54% 30% 27%
Global STD SIN DEC FAN EXT
Cantidad Clientes
252.962 163.237 44.164 16.505 27.228 1.828
Cantidad Visitas 3,23 2,91 0,17 0,81 10,09 24,03
Importe AVG
Visitas 388 267 367 1855 472 730
Frecuencia (días)
9,3 10,28 171,73 36,92 2,97 1,25
Recencia (días) 32,2 23,19 82,46 38,41 3,5 1,43
% Fin de Semana
30% 30% 40% 54% 30% 27%
Sucursal Estable 67% 61% 28% 89% 65% 85%
SBC: EJEMPLO DE SEGMENTACIÓN DE CLIENTES
158. SEGMENTO 1
SEGMENTO 2
SEGMENTO 3
SEGMENTO 4
SEGMENTO 5
Artículos por visita
Cantidad de Visitas
FAN: 10% de clientes,
40% de facturación.
EXTREMOS: menos de
1% de clientes, 10%
de ventas!!!.
CONSUMO ESTANDAR:
65% de los clientes,
40% de ventas.
SBC: EJEMPLO DE SEGMENTACIÓN DE CLIENTES
SIN FIDELIZAR: 18% de
clientes, menos de 1%
de las ventas
DECIDIDO: 7% de clientes.
Muy Pocas visitas, pero
compran varios artículos
por visita. Significan 8%
de las ventas totales.
159. Generar mayor valor para el cliente: Fidelizar!
Crear productos y servicios a medida
Multiplicar las oportunidades de nuevas ventas
Crecer en mercados maduros
Lanzar estrategias personalizadas de Cross Selling & Up Selling
160. Procedimiento y Técnicas Utilizadas:
1. Análisis descriptivo de los datos
Univariante, Correlaciones y Multivariante.
2. Determinación del Training Set, Testing Set y Validation Set
3. Estandarización de los datos
Transformación de variables, evaluación de datos faltantes, medidas correctivas de
datos faltantes, otros.
4. Aplicación de Componentes principales
Selección de dimensiones, evaluación de componentes y significado de nuevas
variables.
161. 5. Aplicación de Clustering Jerárquico
(sobre componentes y variables originales):
Corrida de Clustering, evaluación de resultados entre muestras y determinación de
cantidad de grupos finales.
6. Evaluación de consistencia del modelo:
Comparación entre tamaños y conceptos de grupos obtenidos, elección de
método final y determinación de cantidad de grupos finales.
Procedimiento y Técnicas Utilizadas:
162. I. Segmentar el mercado usando variables de demanda (ej.
Necesidades de cliente, beneficios vistos, soluciones a
problemas deseados, situaciones de uso, etc.)
II. Describir los segmentos de mercado identificados usando
variables que ayudan a la empresa a entender:
• como servir mejor a sus clientes (ej.: patrones de compra,
ubicación geográfica, poder de compra, etc.)
• a comunicarse (preferencia de medios, actitudes, actividades,
intereses, opiniones, etc.)
• los costos de cambio del comprador (costos asociados con el
cambio de producto o de proveedor).
ETAPAS DE SEGMENTACION:
163. III. Evaluar que tan atractivos son los segmentos usando
variables que cuantifiquen (tasa de crecimiento) las
posibilidades de cada segmento; y los costos de atender a
cada segmento.
IV. Seleccionar uno o mas segmentos target para servir
basados en el potencial de ganancia de los segmentos y que
acompañen la estrategia de la compañía.
V. Identificar el concepto de posicionamiento de los productos
y servicios de la compañía que atraerán a los clientes target.
ETAPAS DE SEGMENTACION:
164. APLICACIÓN MAS UTILIZADA DE MINERÍA DE
DATOS PARA SEGMENTAR: CLUSTERING
> Propósito de Clustering es identificar una colección de
características que tienen propiedades similares en un grupo.
> Presumimos las mismas similitudes entre todos los
integrantes del grupo.
> Interesante, útil, beneficioso? Por qué?:
> Identificar clientes de alto valor,
> Clientes con alto nivel de riesgo,
> Instancias de fraude, etc., etc.
166. > Obtiene la Probabilidad Predecible de Compra
> Aplica la ecuación a toda la BD.
> Luego, utiliza el dato para calcular la rentabilidad esperada de
esos clientes.
> Envía la campaña (Marketing Directo) a aquellos donde la
rentabilidad esperada supera el costo de alcanzar a dicho
segmento.
SEGMENTACION: Choice-Based
169. > $2,20 o $9,29?
> Conclusión: utilizando Segmentación Choice Based, la compañía
aumenta la rentabilidad de la campaña en un 400%.
> Es decir es más…….
SEGMENTACION: Choice-Based
170. SBC EN BASE A CUENTAS
SBC EN BASE A CRÉDITOS
Cada cliente (persona física o jurídica) será segmentada según su
comportamiento en CUENTAS, CRÉDITOS (Historial y Atraso), y TARJETAS DE
CRÉDITO (Compras y Atraso) de manera independiente
SBC EN BASE A TARJETAS
ESTRATEGIA DE SEGMENTACIÓN PARA
INSTITUCIONES FINANCIERAS:
ENFOQUE DE SEGMENTACIÓN MÚLTIPLE PERMITE OPTIMIZAR SU UTILIZACIÓN
PARA FINES COMERCIALES Y CONTROL DE RIESGO CREDITICIO
171. EJEMPLO: SEGMENTACIÓN DE TARJETAS
DE CRÉDITO
2. MODALIDAD DE
COMPRAS
3. CATEGORIZACIÓN
DE COMPRAS
CÓMO
COMPRA?
QUÉ
COMPRA?
1. SBC VOLUMEN
CUÁNTO
COMPRA?
LA SEGMENTACIÓN DE CLIENTES EN BASE A USO DE TARJETAS
DE CRÉDITO CONSTA DE MÚLTIPLES FASES:
COMPLETO POSICIONAMIENTO DEL CLIENTE
BASADO EN SUS COMPRAS Y PAGOS
4. PAGOS Y ATRASO
CÓMO
PAGA?
174. Cartera
promedio
Tienen TC
“por
las dudas”
Pocas compras, en
cuotas o lo financio…
Followers
“Clientes VIP”
Clientes VIP
Buenos compradores,
malos pagadores
Fans de débitos
automáticos
Calidad de Pago1
EJEMPLO: MAPA SEGMENTACIÓN TARJETAS DE CRÉDITO
1 Dimensión “Calidad de Pago”: se relaciona con Forma y Fechas de Pagos, Financiación de
Capital, Utilización del Límite de Crédito.
2 Dimensión “Valor Monetario”: se asocia con frecuencia, importe de compras, otros.
Valor Monetario2
7.000 Clientes ( 2%)
-Frecuencia de compra < 1,5 días
- 25% del consumo total
- Importe mensual de compras $U 18k
10.500 Clientes
(3%)
- Alta participación en
promociones
- Cuoteros
- Financian Capital 9/12
meses
- Alta utilización del Límite
de Crédito
31.000 Clientes ( 10%)
- Frecuencia de utilización cada 30 días,
principalmente en débitos automáticos.
- Casi no realizan compras
- No participan en promociones
176. EJEMPLO DE MODELO PREDICTIVO:
PROPENSIÓN DE ABANDONO
(CHURN ANALYSIS)
177. OBJETIVOS
MONITOREAR Y
CONTROLAR EL ABANDONO
AUMENTANDO INGRESOS
AL FIDELIZAR LA CARTERA
PROPENSIÓN DE ABANDONO
SEGMENTACIÓN BASADA EN EL
COMPORTAMIENTO
178. PROPENSIÓN DE ABANDONO: OBJETIVOS
Predecir el abandono de afiliados
Se estableció como objetivo predecir el abandono de afiliados
mediante el análisis del comportamiento histórico de los mismos.
De esta manera se identifican las causas de la pérdida de afiliados.
Cada afiliado/a y/o núcleo obtendrá un score de una escala que
deberá reflejar su proximidad a abandonar los servicios que la
empresa les provee.
179. ESTRATEGIA:
Predecir el abandono de afiliados
Se estableció como objetivo predecir el abandono de afiliados
mediante el análisis del comportamiento histórico de los mismos.
De esta manera se identifican las causas de la pérdida de afiliados.
Cada afiliado/a y/o núcleo obtendrá un score de una escala que
deberá reflejar su proximidad a abandonar los servicios que la
empresa les provee.
180. PROPENSIÓN DE ABANDONO LE PERMITE:
QUÉ ES “CHURN ANALYSIS”?
Obtención de una Escala de Riesgo de Abandono,
donde pueda identificarse cuáles son los clientes más
propensos a abandonar.
Captar un cliente nuevo es muchas veces más caro que retenerlo!
RESULTADO
→ Retener proactivamente posible abandono de clientes.
→ Maximizar la rentabilidad de cada cliente, alargando su ciclo de
vida en la institución.
→ Clasificar la cartera de clientes en relación a su probabilidad a
abandonar los servicios que la institución le provee.
181. ESTRATEGIA:
• Servirá para identificar factores
asociados al abandono a ser
utilizados en la construcción de
la fórmula predictiva.
ANÁLISIS
DESCRIPTIVO
• Se construye el modelo de
predicción obteniendo como
resultado una fórmula que
permita calcular el riesgo a
abandono de todos los clientes.
MODELO DE
PROPENSIÓN
182. ANÁLISIS DESCRIPTIVO:
Junio 2009Junio 2004
43.081 bajas*
* Se excluyen los Convenios de Salud y las bajas por fallecimiento.
Punto de inicio Análisis de Bajas
183. 38%
27%
12%
9%4%
3%
2%
2%
1%
1%
1%
0%
Acumulación de Cuotas
Dificultades Económicas
Retiro sin confirmar motivo
Cliente nuevo impago
Cese relación laboral (Convenios)
No necesita el servicio / Nunca lo ha
utilizado
Descontento con el área de Servicios
Demora en llegar el Móvil
Mayor parte de bajas:
motivos económicos y/o
deuda
ANÁLISIS DE BAJAS: MOTIVOS DE BAJA
184. <= 14 15 - 49 50+
54%
71%
84%
46%
29%
16%
Franja etaria
No Abandono Abandono
ABC1 C2 D1 D2 E Semirural Sin Datos
84%
75%
63% 63%
71%
16%
25%
37% 37%
29%
Zona de Residencia
No Abandono Abandono
CARTERA ACTIVA VS. BAJAS: EDAD Y ZONA DE RESIDENCIA
Existen diferencias
significativas entre
Tramos de Edad.
Existen diferencias
significativas entre
algunas Zonas de
Residencia
185. PLAN 200 PLAN 300 PLAN 400 PLAN 500 UCM
56%
66% 66%
78%
88%
44%
34% 34%
22%
12%
Plan de Cobertura
Convenio
Centralizado
Débito
Automático
Domiciliaria
82% 81%
56%
18% 19%
44%
Canal de Cobranza
CARTERA ACTIVA VS. BAJAS: COBERTURA Y COBRANZA
186. CONCLUSIONES ANÁLISIS DESCRIPTIVO
Existen diferencias sistemáticas entre afiliados que abandonan
y aquellos que no lo hacen, en particular, para:
• Antigüedad
• Edad
• Zona de Residencia
• Mutualista
• Canal de Afiliación
• Canal de Cobranza
• Plan de Cobertura
• Frecuencia de utilización de servicios
187. Meta:
Construir regla predictiva del abandono de la cartera de afiliados.
Cómo?
• Se analiza comportamiento simultáneo de los afiliados a una fecha
específica (Junio 2008).
• Se aplican métodos que permiten detectar diferencias de patrones de
comportamiento entre aquellos clientes del stock que permanecen
afiliados luego de un año, de aquellos que no.
Junio 2008 Junio 2009Enero 2006
Stock de Afiliados utilizado
CONSTRUCCIÓN DEL MODELO
188. Alcance:
Se obtiene un score en una escala que refleja su proximidad a
abandonar los servicios que la empresa provee en los próximos
meses.
1: Abandono0: No Abandono
ESCALA de SCORES
PROPENSIÓN DE ABANDONO
189. Mutualista, Barrio, Género, Edad.DEMOGRÁFICO
Antigüedad, Plan de Cobertura, Canal de Afiliación,
tamaño y composición del grupo, Canal de Cobranza.
VÍNCULO
Consultas Telefónicas
Emergencias, Urgencias, Otro Tipo.
UTILIZACIÓN
TELÉFONO
Médico, Especialista y Enfermería.
UTILIZACIÓN
CLÍNICAS
UTILIZACIÓN MÓVIL
Información sobre cobranza: atrasos, deuda.
CONDUCTA DE
PAGO Y DEUDA
A incluir en el futuro (más cercano posible):
MODELO ANALÍTICO DE PROPENSIÓN DE
ABANDONO:
Dimensiones del modelo:
190. Técnica: Regresión Logística.
Software: SPSS Statistics 17; R 2.9.1.
Cross validation: construcción del modelo sobre muestra LEARN
(m.a uniforme del 70% de los casos), validado sobre 30% restante
(muestra TEST).
Unidades clasificadas: Responsables de pago agrupando
comportamiento del núcleo (en caso que RP sea socio); y afiliados
individuales (caso contrario).
REGLA PREDICTIVA CONSTRUIDA PARA AFILIADOS CON MENOR
ANTIGÜEDAD QUE 30 MESES.
CONSTRUCCIÓN DEL MODELO:
DEFINICIÓN DEL MARCO DE ANÁLISIS
191. MODELO DE PREDICCIÓN
Variable a Explicar: Abandono.
•1 – abandono
•0 – no abandono
Variables explicativas (predictores):
Ver cuadro!
192. PROPENSIÓN DE ABANDONO: NOTAS
PARTICULARIDADES DEL MODELO
→ El modelo de propensión de abandono clasifica a todos los
afiliados cuyo responsable de pago tiene hasta 30 meses de
antigüedad (grupo donde ocurren 65% de las bajas).
→ Para el cálculo de SCORES se considera el comportamiento
conjunto de todos los integrantes de un grupo.
→ Todos los miembros de un núcleo tienen la mismo score de
propensión de abandono.
197. NIVEL 1:
MÁXIMO RIESGO DE BAJA.
82% ABANDONO a 6-12 meses
NIVEL 2:
ALTO RIESGO DE BAJA.
66% ABANDONO a 6-12 meses
NIVEL 3:
INTEERVALO NO INFORMATIVO.
50% ABANDONO / 50% ACTIVO
NIVEL 4 Y NIVEL 5:
BAJO Y MÍNIMO RIESGO DE
ABANDONO.
Menos del 10% ABANDONO
EJEMPLO: PROPENSIÓN DE ABANDONO
198. PERFIL DE AFILIADOS CON ALTA
PROPENSIÓN DE ABANDONO
CLIENTES TARGET PARA GESTIONAR:
NIVEL 1, 2 Y 3
199. I. Implementar algoritmo de Propensión de Abandono.
II. Seguir agregando variables al modelo que hoy no son incluidas, ej.:
comportamiento de pago. Objetivo predecir de manera mas precisa
aún los abandonos y la cantidad de ellos.
III. Implementar Segmentación y asociarla a Propensión de Abandono.
IV. Monitorear tendencias de afiliados y analizar reportes.
V. Diseñar estrategia específica de RETENCION para cada grupo de
afiliados con propensión de abandono alta.
SUGERENCIAS:
206. DEFINICIÓN DE ESCENARIOS:
Se definen distintos escenarios en relación al nivel de exigencia
considerado para la clasificación en cada una de las trayectorias:
¿cuánto cae por debajo de la cota inferior?
¿cuánto sube por encima de cota superior?
ESCENARIO NIVEL DE EXIGENCIA
I Nulo
II 20% por encima/debajo de cotas
III 40% por encima/debajo de cotas
208. Sin restricción (Esc. I) Caídas e Incrementos
mayores a 20% (Esc. II)
Caídas e Incrementos
mayores a 40% (Esc. III)
15,746
5,996
2,175
98,019
110,414
115,705
6,137 3,492 2,022
Up Between Down
CANTIDAD DE CLIENTES POR CATEGORÍA
(PARA DISTINTOS ESCENARIOS)
209. CANTIDAD E IMPORTE DE COMPRAS POR CATEGORÍA
Global Between Down Up
Escenario I: SIN ESPECIFICACIÓN DE CAÍDA / INCREMENTO
Cantidad de Clientes 119.902 98.019 6.137 15.746
$ Prom. Compras Mensual Aprendizaje 4.887,3 4.964,5 5.528,9 4.156,7
$ Prom. Compras Mensual Test 5.342,4 5.137,1 2.544,4 7.710,7
# Prom. Compras Mensual Aprendizaje 6,1 6,1 7,1 5,6
# Prom. Compras Mensual Test 6,3 6,2 3,8 7,8
Escenario II: CAÍDA / INCREMENTO MAYOR A 20% DE COTAS
Cantidad de Clientes 119.902 110.414 3.492 5.996
$ Prom. Compras Mensual Aprendizaje 4.887,3 4.961,1 5.152,5 3.373,9
$ Prom. Compras Mensual Test 5.342,4 5.329,2 1.649,5 7.735,1
# Prom. Compras Mensual Aprendizaje 6,1 6,1 6,5 4,6
# Prom. Compras Mensual Test 6,3 6,3 2,5 5,2
Escenario III: CAÍDA / INCREMENTO MAYOR A 40% DE COTAS
Cantidad de Clientes 119.902 116.264 2.022 1.616
$ Prom. Compras Mensual Aprendizaje 4.887,3 4.917,5 5.064,3 2.492,2
$ Prom. Compras Mensual Test 5.342,4 5.385,7 1.040,6 7.603,2
# Prom. Compras Mensual Aprendizaje 6,1 6,1 6,4 3,6
# Prom. Compras Mensual Test 6,3 6,3 1,6 6,1
210. Clasificación vs. Predicción
CLASIFICACIÓN:
Para predecir el valor de un atributo categórico (discreto o
nominal). Algunas técnicas son:
-Regresión logística
-Árboles de Decisión
-Support Vector Machine, K Nearest Neighbours, ….
PREDICCIÓN:
Para modelar funciones que toman valores continuos (esto es,
predecir valores numéricos desconocidos).
- Regresión múltiple
- Árboles de regresión
211. Ejemplos…
• Concesión de créditos
• Campañas de marketing dirigido
• Diagnóstico médico
• Detección de fraudes
• Predicción de demanda
• Predicción del abandono
• Predicción de ventas
• ….
212. Consideraciones generales
Construcción del modelo: muestra de entrenamiento
• El conjunto de datos utilizado para construir el modelo predictivo se
denomina muestra de entrenamiento.
• Cada caso/tupla/muestra corresponde a una clase predeterminada: los
casos de entrenamiento vienen etiquetados por su atributo de clase.
Uso del modelo: muestra de testeo
• El modelo construido a partir del conjunto de entrenamiento se utiliza para
clasificar nuevos datos (muestra test)
213.
214. Predicción: Técnicas de regresión
Las técnicas de regresión modelan la relación entre una o
más variables independientes (predictores) y una variable
dependiente (variable de respuesta).
Métodos de regresión más populares:
Regresión lineal (simple y múltiple)
Regresión no lineal
Árboles de regresión (p.ej. CART)
…
215. La variable dependiente (cuantitativa) y se quiere explicar a través de las
variables independientes x1, x2 , …, xn .
Regresión lineal
errorxb...xbxbby nn 22110
Se estiman los coeficientes bi a través del método de mínimos cuadrados (se
busca la combinación de coeficientes que minimice el término de error).
De esta manera se obtiene la estimación de y:
nnxbˆ...xbˆxbˆbˆyˆ 22110
representa cuánto se espera que incremente la variable a explicar y cuando
aumenta en 1 unidad la variable explicativa xi .
De esta manera se puede identificar cuáles son los predictores que tienen mayor
relación e impacto en la variable independiente y.
ibˆ
216. Representación gráfica: Regresión
lineal simple
Se busca la recta
que minimice la
distancia entre
cada punto y la
recta (‘la que pasa
más cerca de todos
los puntos’).
217. VALIDACIÓN:
1. Significación del modelo y parámetros:
Se realizan pruebas de hipótesis para verificar si el ajuste del modelo es aceptable,
y si los parámetros son significativos.
2. Verificación de supuestos:
El ajuste del modelo de regresión requiere que se cumplan algunas condiciones,
que deben ser testeadas mediante pruebas de hipótesis adecuadas. Entre los
supuestos, encontramos:
- el promedio de los errores debe ser 0
- los errores deben seguir la distribución normal
- los errores deben ser homocedásticos (estar incorrelacionados y tener
la misma varianza)
Regresión lineal
219. Clasificación: Regresión Logística
Objetivo:
Explicar una variable cualitativa (categorías) a través de otros factores.
Variantes:
-Variable a explicar binaria: Regresión Logística Binaria
-Variable a explicar múltiples categorías: Regresión Multinomial.
Permite:
- Identificar qué factores están relacionados con la variable a explicar
- Crear una fórmula para ser utilizada en la predicción de futuros
valores
220. Regresión Logística Binaria
VARIABLE A EXPLICAR:
La variable a explicar y se recodifica como 1 (si el suceso que se quiere medir
ocurre) y 0 (si no):
A través de las variables independientes x1, x2 , …, xn .
sucesoelocurrenosi
sucesoelocurresi
0
1
y
Se construye el modelo para predecir la probabilidad de que ocurra el suceso.
Nota: para la estimación de parámetros no se requiere realizar supuestos, por tanto,
no deberán verificarse en la instancia de validación.
221. Representación gráfica
Se crea la función
logística (línea azul)
que mejor separe los
valores “1” de “0”
Probabilidad de
ocurrencia del suceso
222. 1. Selección de variables a incluir como predictoras
2. Estimar los parámetros bi asociados a cada variable predictora
(mediante método de máxima verosimilitud)
3. Verificar significación de parámetros (prueba de hipótesis). Si un
parámetro bk no es significativo, se deduce que dada la presencia
del resto de las variables, la variable k no está relacionada a la
variable a explicar.
4. Quitar las variables no significativas y volver a estimar los
parámetros. Repetir el procedimiento hasta lograr el modelo
óptimo.
5. Validar la clasificación utilizando el conjunto de datos de testing.
Regresión Logística… Procedimiento
223. La idea es que la regresión logística aproxime la probabilidad
de obtener "0" (no ocurre cierto suceso) o "1" (ocurre el
suceso) con el valor de las variables explicativas x.
La probabilidad estimada del suceso (p) se aproximará
mediante una función logística:
)xbˆ...xbˆxbˆbˆ( nn
e
pˆ)Y(P
22110
1
1
1
Para predecir en qué categoría De esta manera, se fija un
punto de corte c tal que:
1
0
yˆcpˆ
yˆcpˆ
224. VALIDACIÓN:
1. Error de clasificación.
Se realizan pruebas de hipótesis para verificar si el ajuste del modelo es aceptable,
y si los parámetros son significativos.
2. Verificación de supuestos:
No requiere.
Regresión lineal
225. PRONOSTICADO
Total
% aciertoŶ=0 Ŷ=1
OBSERVADO
Y=0 # Verdaderos 0 # Falsos 1 # Buenos % Especificidad
Y=1 # Falsos 0 # Verdaderos 1 # Malos % Sensibilidad
Total # Automatizados # Rechazados # Total analizado % Automatizado
% acierto
% acierto en
automatizados
% acierto en
rechazados
% Malos % Acierto Global
Tasa Especificidad = V0/B
Tasa Sensibilidad = V1/M
Tasa Acierto Global = (V0+V1)/Total
Tasa Automatización = (V0+F0)/Total
Tasa Acierto en Automatizados = VB/(VB+FB)
Tasa Acierto en Rechazados = VM/(FM+VM)
El resultado del pronóstico
depende básicamente del modelo
y del punto de corte seleccionado
El resultado observado depende
exclusivamente del
comportamiento de los clientes y
por lo tanto es externo al modelo
CALIDAD del PODER PREDICTIVO
226. 0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
PUNTO DE CORTE P(A)
SENSIBILIDAD ESPECIFICIDAD TASA ACIERTO GLOBAL
A mayor especificidad (% “1” bien
clasificados) desciende la sensibilidad (%
de “0” bien clasificados).
CALIDAD del PODER PREDICTIVO
227. h
El área entre la curva de poder
predictivo del modelo para
clientes recurrentes y la recta de
indiferencia es de h.
La curva de poder predictivo del modelo aparea
las tasas de Sensibilidad y Especificidad para los
diferentes puntos de corte.
Cuanto más convexa sea la misma, mayor
capacidad de acople entre ambas medidas y por lo
tanto mejor ajuste del modelo
CALIDAD del PODER PREDICTIVO: Curva Cor
230. Se pueden crear distintas conformaciones de árboles a partir de
los mismos datos. ¿cuál es el mejor?
La que nos proporciona nodos más homogéneos…Necesitamos medir la
impureza de un nodo.
Existen distintas medidas…
- Ganancia de información (Sesgado hacia atributos con muchos valores
diferentes.
- Criterio de proporción de ganancia (Tiende a preferir particiones poco
balanceadas - con una partición mucho más grande que las otras)
- Índice de Gini (Funciona peor cuando hay muchas clases y tiende a
favorecer particiones de tamaño y pureza similares).
231. 1. Utilizando medidas de distancias se busca, para cada individuo,
los k casos más cercanos.
2. Se clasifica al individuo según el “voto” de sus k vecinos más
cercanos.
7-nearest
neighbor
1-nearest
neighbor
? ?Clasifica
círculo
Clasifica
cuadrado
k-NN (Nearest Neighbour):
233. LINEAMIENTO GENERAL DE PROYECTO:
2. Actividad: Analizar el comportamiento de los clientes en todas sus
dimensiones y obtener la segmentación de la cartera total.
3. Resultado esperado:
• Mayor enfoque de la empresa centrado en el cliente
• Obtener y administrar mejores resultados al elaborar propuestas
específicas al comportamiento de los clientes
• Maximizar el retorno de cada cliente.
• Mayores ingresos al realizar acertadas ventas cruzadas.
4. Beneficios al utilizar la “nueva información” de sus clientes:
• Obtener la ventaja competitiva en el mercado
local/regional/internacional.
• Facilitar el alineamiento de la organización alrededor del cliente
• Focalizar las ventas de acuerdo a las necesidades del cliente
1. Objetivo de empresa: “maximizar el ROI conociendo mejor a mi
cliente”.
234. HOJA DE RUTA:
Dar un primer paso (una segmentación transaccional o una
prueba de cross selling, o una promoción dirigida, etc.)
1. Objetivo claro y alcanzable a nivel de UN.
2. Armar equipo multidisciplinario
3. Definir tiempos, tareas, responsabilidades, resultados
esperados y métricas de medición.
4. Implementar, ACCION!
5. Medir los resultados
236. CLAVES PARA IMPLEMENTACION DE ESTRATEGIA:
•Ejemplo: Mantener liderazgo
•$$$ y/o
•# Clientes, cuentas, otros
•Aumentar el Retorno sobre la Inversión (ROI)
1.
Premisas:
•Liderazgo ejecutivo
•Transmitir eficientemente la Estrategia: mapa
•Alinear la organización: Unidades de Negocio, Soporte y Dirección
•Motivar a empleados: entrenamiento, educación, otros
•Integrar la estrategia al planeamiento y presupuesto
2.
Definición
de
Estrategia:
•Actividades de distintas Unidades de Negocio, Soporte, Dirección
Ejemplo: nuevo canal de ventas. Ventajas?
•Imperativo: nivel corporativo con “Rol Activo” en identificar y
coordinar oportunidades
3.
Sinergía y
Alineación:
239. Cómo definimos la “estrategia”?
Qué lineamiento deberíamos seguir?
Se definen sobre la base de:
1. Aumentar el ROI
2. Crear mayor valor a la empresa
Cómo?:
Conociendo al Cliente
Con qué herramienta?:
Marco de trabajo de 4 perspectivas
245. Las Tres Dimensiones de la Relación
Sobre estas tres dimensiones es posible trabajar a nivel individual
Duración (en el tiempo)
Profundidad
(cantidad de
cada prod.)
Alcance
(cantidad de
productos)
Existe una relación positiva entre
estas tres dimensiones
Retención
Venta Cruzada
Venta en
Profundidad
247. ¿QUÉ ES MINERIA DE DATOS?
• Es la exploración y análisis de grandes
cantidades de datos con el objetivo de
descubrir patrones significativos de
comportamiento de clientes que están
ocultos.
• Cada interacción con el cliente es una
oportunidad de aprendizaje. Lo importante es
que sea registrado y contar con las
herramientas para analizarlo.
Data Warehouse es la memoria de la
institución.
Data Mining, su inteligencia.
248. COMPORTAMIENTO
Transacciones
Historia transaccional y tendencias
de utilización de los servicios
Participación en promociones
MI
CLIENTE
DESCRIPTIVOS
Características
Socio y geo
demográficos
ACTITUDINALES
Opiniones
Preferencias
Necesidades
Deseos
249. Analítica tiene poder de decisión:
Retención
Cliente
Respuesta
Campañas
Tasas de
Adquisición
Conversión
Online
Fraude CrimenGastos Riesgo
252. EJEMPLO: TENDENCIA DE VENTAS ($URUG. Y #) DE NUEVAS CUENTAS
CORRIENTES EN LA SUCURSAL CORDÓN DURANTE EL MES OCTUBRE
2009 (DÍA A DÍA Y EN COMPARACIÓN CON OCT. 2008):
253. HASTA AHORA…..:
Mejores decisiones operacionales
resultan en aumento del ROI
Modelos Predictivos
pueden mejorar las decisiones operacionales
Se necesita:
Dar el primer paso........
Enfocarse en acciones.......
Rápida implementación.......
Unidades de Negocio y Sistemas comprometidos
(Equipo multidisciplinario)
Transmitir la experiencia y motivar.......
254. Para MARKETING
Aumentar significativamente la cantidad y efectividad de Campañas.
Mejorar la rentabilidad de acciones focalizadas.
Aprovechar oportunidades puestas en evidencia por el comportamiento de sus
Clientes.
Producir resultados inmediatos de retención y cross-selling.
Para SISTEMAS
Resolver con una solución llave en mano e integrada los requerimientos de la nueva
dinámica de negocio
Para la GESTION
Automatizar procesos analíticos aplicando esta información a una herramienta de
Gestión de Marketing Relacional de múltiples indicadores de performance.
Para el NEGOCIO
Maximizar el ROI mediante la identificación, retención y crecimiento de los mejores
Clientes.
Aplicaciones de Minería de Datos….hasta ahora nos
pueden ayudar en lo siguiente:
MIS:
computerized system that collects, processes, and reports data needed to manage a family planning delivery system
DSS:
Supports business and organizational decision-making activities. A properly designed DSS is an interactive software-based system intended to help decision makers compile useful information from raw data, documents, personal knowledge, and/or business models to identify and solve problems and make decisions.
Typical information that a decision support application might gather and present would be: Accessing all of your current information assets, including legacy and relational data sources, cubes, data warehouses, and data marts Comparative sales figures between one week and the next Projected revenue figures based on new product sales assumptions The consequences of different decision alternatives, given past experience in a context that is described
EIS:
Executive Support System (ESS) is a reporting tool (software) that allows you to turn your organization's data into useful summarized reports. These reports are generally used by executive level managers for quick access to reports coming from all company levels and departments such as billing, cost accounting , staffing, scheduling, and more.
Llegamos a la conclusión con seba que no se puede
Hacer de nuevo!
Lo que hablamos de poner acá “CUANTO CAE” está en la diapo q sigue…. Quedaba muy amontonado sino
Cambiar llave porq en proyector ni se va a ver
Carlos y Martín ajustarán
FUENTE: ISO 9001 - UNIT - Instituto Uruguayo de Normas Técnicas