¿Te fías de lo que dicen tus clientes o de sus datos?

Uno de los principales intereses de cualquier empresa, y en especial del marketing, es conocer a sus clientes, sus deseos y sus necesidades para tratar de satisfacerlas de una manera rentable. Sin embargo, esto no siempre es fácil.

Las organizaciones piensan que la mejor forma de saber qué quieren los consumidores es preguntándoles directamente. Entre las técnicas más utilizadas y extendidas están las encuestas, las entrevistas, los focus group, etc. Sin embargo, aunque la gente esté dispuesta a explicar sus conductas de compra, esas explicaciones, en especial las de las emociones subconscientes que motivan sus decisiones, no necesariamente son certeras. Tal y como Jaime Romano indica en su libro Neuropirámide, cualquier compra es la consecuencia del surgimiento de una emoción: si la emoción es placentera el cliente compra, si es displacentera no lo hace. Esta es la base del marketing emocional: en un mundo en donde los rasgos funcionales de los productos ya no ofrecen prácticamente una ventaja competitiva debido a que es muy fácil copiar la tecnología de la competencia, lo realmente importante es la capacidad de emocionar a los clientes. De hecho, investigaciones recientes de marketing han llegado a la conclusión de que no es la lógica lo que impulsa a los consumidores a comprar, sino los sentimientos.

Por tanto, el inconveniente fundamental de las técnicas antes mencionadas es que uno no sabe si se puede fiar de esas respuestas. Por ejemplo, en un estudio se eligieron personas al azar y se les preguntó si mantendrían relaciones sexuales sin precaución. La gran mayoría respondió negativamente, pero sin embargo luego se comprobó que gran parte no había tomado medidas en alguna de sus relaciones.

Si esto lo aplicamos al marketing, uno puede preguntar a sus clientes si prefieren una marca u otra, este o aquel producto, unas características u otras, pero el propio consumidor no es consciente de que llegado el momento de compra lo más probable es que no siga una conducta lógica.

Y si no podemos estar seguros de lo que nos dicen nuestros clientes, ¿cómo sabemos lo que realmente quieren? Por sus datos: lo que compra, cómo lo compra, dónde lo compra, dónde vive, interacciones con la marca, etc. Hoy en día hay un mundo lleno de información y a través de la minería de datos una empresa puede utilizar todo ese compendio para saber lo que realmente quieren sus clientes, cómo y dónde lo quieren e incluso cuánto. Una vez identificado, la organización podrá desarrollar el producto o el servicio que el cliente quiere (si no lo tenía ya) y hacérselo llegar a través del marketing emocional, de manera que el cliente conecte con su marca.

Lo importante finalmente es ver que los ámbitos racional y emocional se han de complementar perfectamente para poder captar y fidelizar a tus clientes. Por un lado, la minería de datos ayudará a saber lo que realmente quiere la gente para poder obtener el producto y/o servicio. Por otro lado, el marketing emocional guiará al cliente para que vea y sienta que tu empresa tiene lo que él quiere y lo compre.

 

¿Qué es la Minería de Datos o Data Mining?

M. Berry y G. Linoff exponen al comienzo de su libro Data Mining Techniques el mejor ejemplo de lo que es la Minería de Datos o Data Mining, en donde el dueño de un local que uno de los autores frecuenta conoce sus gustos y es capaz de hacerle buenas recomendaciones.

Imaginemos un pequeño establecimiento llamado Wine Cask dedicado a la venta de vinos y especialidades como quesos, patés y embutidos.

Con el paso del tiempo, Wine Cask consigue mantener fieles a sus clientes a su establecimiento. El personal aprende de los gustos de los clientes y sus rangos de precios, de manera que cuando les preguntan, la respuesta está basada en el conocimiento acumulado de las preferencias y presupuestos de sus clientes así como en su conocimiento de los productos.

Es decir, basado en su experiencia de atender a sus clientes, la gente de Wine Cask es capaz de conocer las preferencias de los mismos tan bien que podría clasificarlos en distintos segmentos. También es capaz de sugerir recomendaciones (predecir qué producto llevar) a cada cliente y ofrecer nuevos productos en base a lo que otros han combinado con buenos resultados (cross selling o venta cruzada).

Otra tienda de vinos podría abrir justo al lado o al cruzar la calle y contratar sumilleres y enólogos con un gran conocimiento, pero alcanzar el mismo nivel de conocimiento de sus clientes les llevaría meses o años.

Muchas empresas que cuentan con miles de clientes no tienen la posibilidad de Wine Cask, aunque no tienen por qué renunciar al uso de una estrategia similar. La diferencia está en el tipo de herramienta usada para conocer las preferencias e inferir recomendaciones. En el caso de Wine Cask, su inteligencia de negocio se basa en el aprendizaje a través del trato directo y cercano con el cliente. En el caso de una gran compañía, su instrumento deberá ser un ordenador.

Una empresa con miles de clientes deberá almacenar su relación con los mismos en una base de datos y deberá usar programas que tengan capacidades inductivas (para encontrar reglas o patrones de comportamiento) y deductivas (para usar estas reglas a fin de hacer recomendaciones).

Este proceso de negocio que utiliza grandes volúmenes de datos almacenados para descubrir patrones y reglas de comportamiento significativos se denomina Minería de Datos o Data Mining.

Dentro de dicho proceso existen diferentes fases (identificación del problema, transformación de datos en información…) y una gran variedad de técnicas (de predicción, de clasificación, de segmentación, etc.) que iremos viendo en otros posts.

Data Preparation for Data Mining

Cualquier analista sabe que el 80% del tiempo en minería de datos se consume en la preparación de los datos, mientras que el 20% restante se dedica al modelado. Sin embargo, es bastante más fácil encontrar referencias bibliográficas de apoyo para ese 20% que no para la preparación de datos.

Data Preparation for Data Mining es simplemente genial ya que proporciona las mejores prácticas sobre la esencia de la minería de datos: cómo pasar de variables continuas a discretas y viceversa, tratamiento de valores nulos y vacíos, normalización de variables, reducción de variables, etc.

————————————————–

Any analyst knows that 80% of data mining time is spent in data preparation, nevertheless most authors focus on the remaining 20% : techniques and tools, where the value is more «visible». However, it is easier to find any good book for that 20% time consuming task than for data preparation.

Data Preparation for Data Mining is simply great since it provides the best practices about the essence of data mining: converting continuous variables into discrete variables and vice versa, treatment of null and empty values, normalization, variables reduction, etc.

Data Mining Techniques: For Marketing, Sales and Customer Relationship Management

Data Mining Techniques: For Marketing, Sales and Customer Relationship Management de Michael J.Berry y Gordon S. Linoff es un libro ideal como primera toma de contacto con la Minería de Datos.

Muestra una visión general de lo que es la Minería de Datos y las distintas técnicas disponibles para llevarla a cabo: Market Basket Analysis, Memory Based Reasoning, Automatic Cluster Detection, Link Analysis, Decision Trees, Artificial Neural Networks, Regression Analysis. Todo ello sin llegar a entrar en detalle en el aspecto estadístico o matemático de cada técnica.

Lo mejor son los ejemplos de cómo aplicar cada técnica a diferentes casos prácticos y lo amena que se hace su lectura.

————————————————–

Data Mining Techniques: For Marketing, Sales and Customer Relationship Management written by Michael J.Berry and Gordon S. Linoff is the ideal reference as first Data Mining book.

This book gives an overview of what data mining is and the tools available to perform it; Market Basket Analysis, Memory Based Reasoning, Automatic Cluster Detection, Link Analysis, Decision Trees, Artificial Neural Network, Regression Analysis. In each case the authors describe the principles behind the tool, its strengths and weaknesses, but they don’t go into the statistical and mathemathical details behind each tecnique.

The best of the book is that it is easy to read and includes many examples from their experience of data mining in the real world.