El entorno digital permite desarrollar ejercicios de segmentación muy notorios. Si a los procesos de segmentación habituales se les une velocidad de gestión de los datos, se genera capacidad de hacer un análisis predictivo, que permite crear una experiencia personalizada para el cliente.
Para tener capacidad de hacer análisis predictivo es necesario cruzar muchos datos de distinto origen.
Los foros digitalizados hablan del Big Data. Dicen que es necesario tenrelo en cuenta porque todo va en ese sentido, y que es calve en el análisis de predicciones. Razón no les falta pero, como toda disciplina más o menos reciente, están generando cierto nerviosismo que puede hacer que muchos vean el Big Data como una quimera indomable.
Cuantos más datos se crucen, más complicado y «big» será hacer predicciones con «data«. Bajo este supuesto, y para perder el miedo a lo que suena muy complicado, hay algunos temas que es necesario acotar para tener éxito en el terreno del análisis predictivo. Entre otros, creo que vale la pena destacar:
– Captación y deteccion de datos: Para segmentar y procesar predicciones es necesario captar datos de los usuarios. Las marcas deben poner todo su ingenio en la captación. Marketing de contenidos, acceso a contenidos premium que justifiquen la cesión de datos, políticas de afiliación o membresía, interacciones a través de móvil, wifi en tiendas, … son algunas ideas útiles en la persecución de esta causa. Otra forma de captar dato es analizar las búsquedas de los usuarios: ¡Son una interesante fuente de insights (localización, búsquedas, soporte de interacción…)! Este artículo lo explica muy bien.
– Detectar a los usuarios y segmentos más importantes. Este ejercicio de precisión requiere cruzar varios datos. La convivencia de bases de datos (data sets) de distinto origen plantea complicaciones; ya sea por la forma de alinear lecturas, o por aspectos de alógica organizativa empresarial en los que lo digital suele caer repartido entre distintos departamentos; cada uno muy celoso de lo suyo. Estas dificultades terminan afectando al proceso de segmentación de manera dramática. Deben combatirse desde los objetivos de negocio y la estrategia; asegurando la compatibilidad de los datos e imponiendo una visión de proyecto transversal respectivamente.
– Interpretar datos útiles. Los datos por si mismos carecen de valor. En exceso, pueden ser un lastre. Es importante emplear datos que respondan a la estrategia del negocio, que permitan hacer inferencias y tomar de decisiones. Cuanto más alineados estén los datos con las lógicas del negocio, más fácil será hacer interpretaciones, y más rápido será su procesamiento para hacer predicciones. Genís Roca sintetiza esta idea en su post El secreto del big data son las big questions.
– Dar respuesta / actuar en tiempo real: Entender el lugar en el que se producen las interacciones con los consumidores (contextualizarlos), y entender sus patrones de comportamiento ayudará en la construcción de la tan ansiada experiencia personalizada.
La falta de unos datos útiles, integrados y alineados con la lógica de nuestro negocio, condiciona la capacidad de analizarlos de forma ágil. Afecta a la posibilidad de dar respuesta en tiempo real, y la posibilidad de ofrecer una experiencia personalizada se ve limitada.
El big data, como conjunto de datos y data sets, seguirá siendo «big». En los próximos años crecerá hasta proporciones que no somos capaces de imaginar. El quid de la cuestión está en leer, interpretar y predecir sobre datos que puedan generar retorno a nuestro negocio.
Unos datos que deben resultar obtenibles, gestionables y comprensibles. Para que se cumplan los tres requisitos se deben alinear los objetivos estratégios, con los datos y con las acciones. Si no se hace un esfuerzo por conseguir esta alineación, lanzaremos acciones que nos brindarán zettabytes de datos, cuya gestión seguirá siendo inabordable.
