Resumen del White Paper (21 páginas) de 2 casos de negocio aplicando Big Data y Análisis de Cliente. Orientado a las áreas de marketing, ventas y expansión. Casos desarrollados:
1. Ratio de penetración de un punto de venta
2. Cuota de Mercado de un punto de venta
2. 2
Resumen Ejecutivo
“Cerca del 80 % de la información relevante para el desarrollo de negocio de una
compañía tiene una connotación espacial”. 1
1 Del libro “Potential of Geo-Marketing-Tools for the development of advanced Online-Marketing business models”
• Si a esta afirmación añadimos las oportunidades que ofrece el Big Data aportando mayor conocimiento a
esa información, estaremos generando una ventaja competitiva tomando decisiones basadas en
información.
• Este White Paper tiene una clara orientación de negocio, especialmente para las áreas de Marketing,
Ventas y Expansión. Por otra parte, es importante mencionar que este documento no trata los detalles
técnicos de las fuentes de información, ni de cómo obtenerlos, ni transformarlos. Se da por hecho que
existen proveedores especialistas en este tipo de servicios.
• El enfoque de este White Paper, como la mayoría del contenido del blog, es inminentemente práctico,
donde las dos entidades: clientes y puntos de venta son geo localizadas, enriquecidas y analizadas usando
fuentes Open Data y tratándolas en función del eje geográfico.
• Creo que el principal aporte de este White Paper (WP) está en ver más el “para qué”, que el “cómo”. El
“para qué” nos permite enfocarnos en los beneficios en vez de valorar las funcionalidades del Big Data.
Estos beneficios los veremos en dos casos de negocio:
o Caso 1 – Ratio de penetración de un punto de venta. Conocer esta métrica permite responder a la
pregunta ¿A qué parte del público objetivo al que accede mi punto de venta le interesa mi oferta?
o Caso 2- Cuota de mercado de un punto de venta. Esta métrica permite conocer qué parte del
mercado potencial monetizado representa la facturación del punto de venta.
3. 3
Introducción
2 Estudio realizado por IBM Business Value y la Universidad de Oxford a más 1.100 profesionales de negocio y tecnología
Según el estudio “Analytics: el uso de big data en el mundo real” 2 se extraen cinco recomendaciones clave para
que las empresas puedan avanzar en sus iniciativas de Big Data y obtener el máximo valor para el negocio:
1. Dedicar los esfuerzos iniciales a obtener resultados centrados en el cliente.
2. Desarrollar un plan de Big Data para toda la empresa.
3. Comenzar con datos ya existentes para lograr resultados a corto plazo.
4. Desarrollar capacidades analíticas sobre la base de prioridades de negocio.
5. Crear un caso de negocio sobre la base de resultados cuantificables.
En línea con buscar iniciativas centradas en el cliente y orientadas a mejorar los resultados del negocio, este White
Paper tiene como principales propósitos:
Presentar de forma práctica cómo
generar métricas que permitan
conocer el performance comercial
de un punto de venta
Mostrar cómo usando la
información interna más la
información externa se puede
mejorar el conocimiento comercial.
Mostrar una metodología de
trabajo básica, pero muy práctica
para desmontar la percepción que
es necesario gastarse centenares
de miles de euros para contar con
beneficios de Big Data.
6. 6
Enfoque de la solución - Data Quality
1 Data Quality
Consideremos que la empresa en cuestión cuenta con la información de sus clientes ya sea mediante el contrato de alta
(por ejemplo un producto bancario), un club de fidelización, una aplicación móvil o alguna otra forma que le permita a
la empresa conocer la dirección del cliente.
El maestro de clientes puede contener los siguientes campos:
• Nombre y apellidos
• Dirección
• Datos de contacto: email, teléfono fijo, teléfono móvil, etc.
Es probable que la información de estos clientes tenga deficiencias como por ejemplo: registros duplicados, registros
con campos en blanco o con información desactualizada. Por tanto, es necesario que la información deba pasar por
procesos de cualificación que mejoren la información de clientes.
Existen varias empresas que dan este tipo de servicios. Sin entrar en detalles técnicos, a la tabla de clientes se le deben
aplicar los siguientes procesos:
Normalización
De duplicación
También llamada estandarización, aplica principalmente a nombres y direcciones. El objetivo es
que la información de los campos se ajuste a una regla. Para el caso de las direcciones lo que
hacen los algoritmos son separar un campo tipo dirección postal en varios campos con: tipo de
vía (calle, avenida, etc.), nombre de vía, número de vía, etc.
Existen varios criterios para seleccionar el registro/campo válido y los registros/campos
duplicados. A modo de ejemplo, ante registros duplicados podríamos definir que el registro
válido (“el que manda”) es el de la compra más reciente o el de mayor facturación y, por tanto, se
descartan las otras direcciones y se asigna la dirección del registro válido al cliente en cuestión
7. 7
Enfoque de la solución – Geo localización
2. Geo Localización
La geolocalización es el proceso de asignación de coordenadas (latitud y longitud) a partir de una dirección postal. En el
caso del maestro de clientes, cada hogar se debe geo localizar. El proceso de geolocalización también aplica a la red de
puntos de venta.
En función de la dirección, los procesos de geolocalización pueden tener como salidas los siguientes niveles de precisión
(ordenados de mayor a menor precisión):
Precisión de un hogar en función de su dirección Nivel de Precisión
Número de vía Precisión alta
Número de vía, centroide de parcela catastral Precisión alta
Interpolación de número de vía Precisión alta
Número contiguo de vía Precisión alta
Número próximo de vía Precisión media
Centroide de vía Precisión media
Mínimo número de vía Precisión media
Sección Censal Precisión baja
Código Postal Precisión baja
Población Precisión baja
Municipio Precisión baja
+
-
Precisión
8. 8
Enfoque de la solución – Fuentes Big Data
3. Fuentes Big Data
A continuación se muestra el esquema de fuentes de información externa (Big Data) que se pueden
asociar a perfiles de clientes (demanda) y a los puntos de venta de la competencia (oferta).
Población
Residentes
Población
Flotante
Trabajadores Turistas
Punto de Venta
Competidores
Comprende a las
personas que residen
habitualmente en la
zona. También se le
conoce como
población de
derecho.
Población que realiza
más de 14
pernoctaciones al año
en la zona. Pueden
ser trabajadores,
estudiantes, etc.
Personas que
trabajan en la zona y
por tanto pueden
comprar en el PdV.
Personas que no
residen en la zona y
que se desplaza fuera
de su territorio de
origen o de su
residencia habitual
Pueden ser PdV que
dan los mismos
servicios/productos o
sustitutivos.
Fuentes Big Data por demanda (perfiles de clientes) y oferta (competidores)
Demanda Oferta
• Censo
• Catastro
• Listados
telefónicos
• …
• Ministerio Fomento
• Censo
• Catastro
• …
• Registro
Mercantil
• Catastro
• …
• Puntos de Interés
(monumentos,
teatros, museos,
etc.)
• Alojamientos
(hoteles, camping,
etc.)
• …
• Descarga de las
páginas web de
competidores
• Trabajo de
campo
(observación)
• …
Fuentes de información
9. 9
Briefing
(capítulo no disponible en esta presentación)
White Paper – Big Data + Clienting – Dos casos prácticos aplicados a una cartera de clientes y tiendas
Áreas de
influencia
Briefing
Caso 1 - Ratio
de penetración
Caso 2 – Cuota
de Mercado
Conclusiones y
Recomendaciones
Recursos
adicionales
Resumen
ejecutivo
Introducción
Enfoque de la
solución
Situación
de partida
Fuentes Big Data
Suscríbete para acceder
al contenido completo
(21 páginas)