Las oportunidades que ofrece el Business Intelligence para mi empresa

By | 7 junio, 2015

6 minutes

La oportunidad de explotar el dato aparece cuando muchas empresas se dan cuenta que tienen muchos datos en diferentes sistemas y archivos (ERP, CRM, hojas de cálculo, redes sociales, etc), y no los explotan. Y aquí el principal problema está en que no hay una “explotación cerrada“. Es decir, no hay un conjunto de utilidades o preguntas tipo. Cada conjunto de datos, cada realidad de empresa, es un proyecto nuevo. Es difícil industrializar esto. Hay tantos enfoques prácticamente como empresas. Por eso el Big Data y el Business Intelligence (que ahora diferenciaremos) va más de preguntas o de “consultores curiosos“, que otra cosa. Por eso suelo decir que los filósofos, que se hacen preguntas del origen y el significado de las cosas son consultores ideales.

Dado que entonces parece que lo que necesitamos es obtener conocimiento nuevo a partir de datos para caracterizar fenómenos, cabría preguntarse desde el punto de vista de los modos de inferencia de conocimiento, cuál adoptar: el hipotético-deductivo (inferencia desde las causas hacia los efectos, desde lo universal hacia lo particular) o el inductivo (que recorre el camino inverso).

Cuando hablamos del Business Intelligence, hablamos de adoptar un enfoque hipotético-deductivo en nuestras empresas. Me hago preguntas y busco entre los datos para responder. De las causas a los efectos. Es decir, ¿qué hipótesis/preguntas me hago yo y quiero responder para mejorar la competitividad de mi empresa? Una disciplina que tiene un objetivo a medio plazo; la herramienta de la estrategia y de la dirección, que busca dar respuestas a preguntas concretas y formuladas a priori analizando datos.

Frente a ello está el Big Data, que básicamente es analizar masivamente datos “a ver si sale algo“. Es decir, un enfoque inductivo: de analizar un efecto, a ver si encuentro una causa. Esto último tiene problemas obvios; me pueden salir correlaciones o relaciones espúreas o sin fundamento ni sentido. Un campo que permite aprovechar el dato a corto plazo buscando patrones, inferencias, etc., entre los datos, sin ningún objetivo a priori concreto. Con este enfoque de Big Data puro y duro que tanto criticamos en el mundo académico, me pueden salir cosas tan absurdas como que con un coeficiente de correlación de Pearson del 94,71%, cuanto más queso consumimos, más personas mueren enredadas entre sus sábanas (para leer más sobre correlaciones espúreas, ver esta web de Spurious correlations de Tyler Vigen):

Correlación absurda: no comamos más queso, que sino más personas morirán enredadas entre sus sábanas  (Fuente: http://www.tylervigen.com/spurious-correlations)

Correlación absurda: no comamos más queso, que sino más personas morirán enredadas entre sus sábanas (Fuente: http://www.tylervigen.com/spurious-correlations)

Por lo tanto,  para una empresa, el enfoque acertado y sobre el que centralizar esfuerzos es el del Business Intelligence. En aportar ese valor estratégico de dirección. Los beneficios que una empresa puede obtener son claros: conocimiento de sus clientes, mercados, productos, etc, redundando esto en nuevos mercados, nuevos segmentos, alineamiento de la empresa a los clientes. En definitiva nuevos ingresos y ahorros. Oportunidades que se enmarcan en una era en la que personalización y especialización que demanda un cliente exigente e informado.

Y, las preguntas como filósofos que podemos hacernos para nuestras empresas las suelo clasificar en tres grandes vectores de interés: 1) Ganar más dinero; 2) Evitar perderlo; 3) Optimizar procesos.

En primer lugar, queremos ganar más dinero. Aquí es donde básicamente hablamos del marketing intelligence. La idea es analizar la parte más transaccional (de compra-venta) con las acciones de marketing. Con este dúo, sacamos acciones de marketing con objetivos, personalizado e hipersegmentado. Se trata de analizar los datos contextuales de una compra (momento, lugar, composición de la cesta de la compra), lo enmarcamos en perspectiva (frecuencia, tiempo entre última compra, etc.) analizamos el cliente (si lo hace con tarjeta de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc.) y el canal por el que entra (online -tienda online, landing page, redes sociales, etc- u offline), y preguntarnos cosas como:

  • Segmento y perfil de cliente que más compra a una hora determinada y en un lugar concreto.
  • Quién (influenciadores) o qué (drivers de compra) influye más en la decisión de compra de un cliente. Ante el juego de suma cero que resulta conseguir clientes, poder apalancar una relación con unas personas para llegar a otras, resulta de enorme atractivo.
  • Qué relación de productos permite modelizar el perfil de cliente. De este modo, podemos inferir perfiles (solteros, familia, jóvenes, etc) sin tener que preguntarlo a través de encuestas (una alternativa que siempre ha sufrido el sesgo de pregunta y respuesta)
  • Reglas de asociación de productos como “Si compra foie, también adquiere vino crianza“, y así enfocar el cross-selling o up-selling en tienda o en promociones.
  • Clusterizar clientes y productos para conocer así familias de personas y productos por las compras realizadas y poder mejorar la oferta a esos grupos.
  • Árbol de decisión que permite determinar cuáles son los drivers que llevan a comprar un producto determinado. Por ejemplo, conocer qué variables de hora, perfil de cliente, frecuencia, tamaño cesta, etc. se deben dar para que un cliente adquiera un producto dentro de nuestras referencias.
  • Optimizar la inversión en las acciones de marketing digital. Para un tamaño de cesta dado (y en definitiva, de margen absoluto determinado), ¿qué acción online u offline de marketing reforzar? Conocer cuáles son las que más leads convierten, y por segmentos de población, para así poder personalizar las acciones. Hoy en día, ya disponemos de herramientas como Chaordic o Hubspot que permiten hacer la traza de navegación desde que un futuro cliente es un lead, para así poder conocer cuál ha sido la acción y el canal que le ha llevado a su conversión a cliente final.
  • etc.

En segundo lugar, las empresas también queremos evitar perder clientes. Ya conocemos el famoso mantra de la importancia que tiene mantener clientes por el coste que tiene adquirir nuevos. Y esto es más posible que nunca gracias al análisis masivo de datos. Por lo tanto, aquí básicamente hablamos del perfil de fuga de cliente. Es decir, hacer un customer profiling o un customer scoring. Caracterizar a nuestros clientes por una serie de atributos identificativos y hacer un modelo analítico para “poner una nota” a un cliente, y así evitar perder a los que cumplan el perfil del modelo de los que se suelen marchar.

Customer scoring o calficación de clientes según su importancia para la empresa (Fuente: https://bizappia.files.wordpress.com/2011/04/customer-value-analysis-w-nps.jpg)

Customer scoring o calficación de clientes según su importancia para la empresa (Fuente: https://bizappia.files.wordpress.com/2011/04/customer-value-analysis-w-nps.jpg)

Imaginemos la siguiente situación para una compañía retailer. Si un socio de su club de fidelización va menguando su cesta en más de un 10% en los últimos tres meses, acude a su centro habitual de compra con menor frecuencia (en términos de tendencia), ha hecho comentarios negativos sobre nuestra marca en redes sociales, y encima ha visitado menos la tienda online, entonces, con una probabilidad de un x% podremos afirmar que puede dejar de comprarnos. Es importante expresar esto en la incertidumbre (de ahí la probabilidad), porque así podemos centrar acciones de retención por márgenes de incertidumbre. A los que tienen entre un 85 y un 95% de probabilidad de irse, les voy a regalar un cheque de 20€ o a los que tienen más de un 60% de probabilidad de irse, y encima es su cumple, les doy 50€ si compran más de 100, etc. En definitiva, que el marketing decida las políticas de retención pero con evidencias en la mano a través de técnicas de lead nurturing. Modelos de propensión a la fuga que permiten igualmente aumentar la cifra de negocios de nuestra compañía.

Y, por último, también necesitamos optimizar procesos para ser competitivos. En el mundo del Business Intelligence, esto consiste en la creación de modelos que permitan ahorrar esfuerzo económico en diferentes procesos. Supongamos la logística o la gestión de una central de compras. Si yo integro todas las transacciones de compras, y analizo frecuencia, proveedores, descuentos, etc., podemos hacer un modelo que nos seleccione en tiempo real el mejor proveedor o distribuidor por descuentos que viene haciendo históricamente, considerando lo que ahora quiera comprar. Éste es un caso que se da mucho en centrales de compra a proveedores o en consumos energéticos. Si analizo patrones de compra o consumo y centralizo todos los datos, puedo saber cómo reducir costes buscando la opción que minimice coste maximizando la calidad. Básicamente son modelos de optimización lineal en base a restricciones. Y esto se puede aplicar a energía, proveedores, utilities, distribuidores, rotación de personal, etc. Todo, con el foco puesto en maximizar una variable y minimizar otras.

En definitiva, en el campo del Business Intelligence, vamos a poner las matemáticas al servicio del negocio. Las ciencias exactas, el lenguaje preciso y eficiente del campo matemático, al servicio de nuestra propuesta de valor como compañía. Y tú, ¿a qué esperas para empezar a transformar tu empresa hacia una orientación a la toma de decisiones basado en evidencias y datos?

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *