La ciencia no es solo una disciplina de razón, sino también de romance y pasión"
Stephen Hawking
En artículos anteriores nos detuvimos en explicar nuestro modelo de madurez, y cómo entendemos que es la evolución natural de la analítica en las organizaciones actuales. Sin embargo, aplicar el modelo y especialmente ir subiendo de nivel, no es sencillo.
Como para prácticamente todo lo “grande” que queramos llevar a cabo, necesitamos metodología, una forma de trabajar que poco a poco, pero de forma segura, nos lleve hasta donde queramos.
Eso, y las preguntas de negocio adecuadas. Una buena pregunta, de la mano de la analítica, nos puede llevar muy lejos, transformando toda una estrategia de negocio. En El Arte de Medir lo basamos todo en preguntas. Buscamos entender el negocio para plantearnos preguntas, y usamos la analítica para intentar responderlas, reportando de nuevo al negocio el conocimiento que le puede llevar a tomar pequeñas o grandes decisiones.
Quiero conocer mis tipos de clientes”
Vamos a partir de un ejemplo, donde un gran compañía del sector retail con millones de facturación anual, y miles de clientes, busca responder a una pregunta que marcará su estrategia de captación, retención, fijación de precios, marketing, etc. La pregunta, aparentemente simple, es: ¿qué tipos de clientes tengo?
Para enfrentarnos a esto, en El Arte de Medir tenemos nuestra propia metodología. No hemos inventado la rueda, pero hemos intentando mejorarla. Nos hemos basado en una metodología ya existente llamada CRISP-DM (Cross Industry Standard Process for Data Mining), y la hemos adaptado a nuestra área de conocimiento. Internamente la denominamos el método “MAMBO”, y aplicarla es como los pasos de este famoso baile. Un simple movimiento no significa nada, pero la combinación de todos ellos, ejecutados con maestría, hará saltar los aplausos de la sala y conquistar a nuestra pareja (en este caso, el negocio). ¿Os marcáis un baile con nosotros? Vamos a responder a nuestra pregunta, paso a paso.
(M)editar sobre el negocio
Este es el paso más importante. Empezar con mal pie puede dar al traste con todo el trabajo. Aquí vamos a entender exactamente los objetivos del negocio, y dado que buscamos que queremos entender cómo son los clientes, es preciso empezar por entender cómo es el sector de la empresa, cómo es su producto, su competencia, su público objetivo, etc. Incluso es recomendable probar la experiencia de compra, el producto y empaparnos del negocio hasta el límite. Esto puede parecer excesivo, pero va a marcar la diferencia en el último paso, el que nos permitirá analizar los datos y extraer conocimiento de ellos.
Los datos pueden ser excelentes, y los análisis muy potentes, pero si no sabemos de qué negocio hablan, serán prácticamente inútiles porque careceremos del contexto para darles inteligencia.
(A)dquirir los datos
Segundo paso. Ya estamos arrancando. Llega el momento de la verdad: ¿Tenemos los datos que necesitamos para responder a la preguntas que hemos efectuado? Y aún más grave ¿Los datos tienen calidad como para obtener respuestas fiables?
En nuestro caso necesitaremos, para empezar, un listado de todas las transacciones de la compañía que ha realizado cada cliente y, si existe, información de perfil de estos clientes. En entornos donde los compradores están identificados por la factura, o porque se trate de un tienda online, esta fuente de datos es relativamente sencilla de obtener. En el caso de un gran retail en venta off-line, será algo más complejo trabajar con ello. No siempre tendremos identificados a los clientes (si acaso por el medio de pago o por la tarjeta de fidelización).
En este punto, además, como indicábamos arriba, es vital asegurarse de que tenemos datos de calidad y que el dataset está lo más completo posible. Cuantos más datos poseamos del perfil del cliente y de los producto(s) que ha comprado, mayor precisión y calidad lograremos para responder a la pregunta planteada. No lo olvidemos ¿cómo son mis clientes?
(M)anejar los datos
Tercer paso. ¡Vamos lanzados! Ahora toca extraer los datos de las herramientas, tratarlos, limpiarlos y dejarlos listos para empezar a trabajar.
Esta es probablemente una de las partes más tediosas del trabajo, pero tan importante como las demás. En nuestro caso, extraeremos los datos de las transacciones realizadas durante los últimos 4 años desde las herramientas de negocio. Estas transacciones, asociadas a un ID de cliente, se van a cruzar con la base de datos de clientes del CRM, donde disponemos de información más detallada de los clientes.
Tocará limpiar transacciones de prueba, transacciones con datos mal grabados, e incluso transacciones que se sean auténticas outliers (valores extremos) por una razón u otra.
(B)uscar en los datos
Casi hemos terminado. Llega el momento de la verdad, el paso decisivo. Vamos a analizar los datos disponibles para entender bien lo que nos dicen. Para responder a nuestra pregunta, vamos a empezar por aplicar un algoritmo de agrupamiento o clustering. Lo que obtendremos son una serie grupos o clusters de clientes que están relacionados entre sí por lo que gastan en nuestra marca, el importe de lo que devuelven, la rentabilidad obtenida con ellos, la recurrencia con la que compran, o cuando fue la última vez que compraron. En este caso es un análisis RFM típico utilizado en Customer Analytics, aunque vitaminado con métricas adicionales de negocio. Lo que va a continuación es un ejemplo básico, pero este agrupamiento se puede enriquecer con mucha más información que tengamos disponible.
En nuestro ejemplo, tras aplicar el algoritmo a los datos, obtendremos cinco grupos de clientes relacionados entre sí por las diferentes variables que hemos utilizado. Lo que nos permite esta técnica es, en base al análisis de una serie de métricas de todos los clientes, agrupar aquellos que tienen características comunes en una o varias de estas métricas. Además, el nº de grupos lo calcula el propio algoritmo, ajustándose un número ideal de grupos a partir de técnicas estadísticas. En nuestro caso, podemos ver que los más numerosos (por número de clientes asignados) son los grupos 1 y 5:
Ahondando en cada grupo, podemos ver cómo se distribuyen los clientes entre los diferentes grupos, según algunas de las variables utilizadas al aplicar el agrupamiento (cada gráfica es una métrica):
Bien, vale. Si vemos los datos saltan a la vista cosas interesantes. Por ejemplo, que el grupo nº 3, muy pequeño en el cómputo global, es el que mayor frecuencia de compra y devolución tiene. Umm, interesante. O que el grupo 4, el tercero más numeroso, es de los que más gasta de media y el segundo en cercanía de la compra (recencia).
¿Qué hacer con todo esto? Vamos al último paso. El decisivo.
(O)ordenar y Visualizar
Vamos a finalizar nuestro baile con el paso que probablemente sea más importante. Por experiencia, estamos acostumbrados a ver como muchas veces los analistas de datos y data scientist se quedan en el paso anterior. Entregan directamente a negocio tablas de resultados y gráficos con multitud de datos representados, y no van mucho más allá. Piensan que su trabajo termina ahí, y corresponde a otros hacer algo con ellos.
Cuántos grandes insights y oportunidades se pierden por no sentarse delante de los datos, analizarlos con detenimiento y hacer las conexiones mentales entre la realidad (el negocio) y lo que nos cuentan los datos. Y esto, amigos, es la tarea primordial del analista. Un data scientist trata, transforma, explora y aplica potentes algoritmos o modelos estadísticos sobre los datos. El analista es el que debería poner en valor de dichos resultados al mezclar el conocimiento del negocio, sus preguntas, y el entendimiento sobre lo que aporta cada tratamiento, algoritmo y modelo ejecutado por el data scientist.
En nuestro caso, empezamos a tener respuestas a nuestra pregunta inicial. Lo obvio es que a grandes rasgos, tenemos 5 grandes tipos de clientes. Pero si analizamos con detenimiento cada grupo, veremos que tiene peculiaridades muy concretas:
- El primer grupo, el más numeroso, es un cliente que hace tiempo que no nos compra, que no repite compra, y que gasta una cantidad por debajo de la media, aunque no devuelve las compras. Es decir, compradores que nos han probado para algún producto o promoción puntual, y no han vuelto. Esto, además, ocurrió hace ya tiempo. ¿No nos interesaría intentar recuperarlo? ¿No nos interesaría hacer algún tipo de acción para ver si podemos reactivarlo y convertirlo en recurrente?
- El segundo grupo, el penúltimo en nuestro ranking, hace aún más tiempo que nos compra, su frecuencia es llamativa pero, aunque gasta una cifra cercana a la media, es el segundo que más artículos nos devuelve. Esto huele a cliente que no nos interesa demasiado recuperar, pues parece tener una baja calidad para nosotros.
- Vamos al tercer grupo de clientes. Este ya lo hemos comentado antes. Es el menos numeroso, pero aunque compran con mucha frecuencia, hace tiempo que no les vemos y su volumen de devoluciones es exagerado. En este caso concreto diría que se trata de fraude, importadores paralelos u otro tipo de fauna indeseable que puedes encontrar y que, de nuevo no te interesa trabajar.
- Llegamos al cuarto grupo. Este probablemente es al que más esfuerzos deberíamos de dedicar si tenemos que focalizar prioridades. Se trata del grupo con una recencia moderada, que ha gastado más del doble de la media en sus compras y apenas ha provocado devoluciones. Aquí hay oro. Aquí hay un grupo de clientes que hay que entender y retener como sea. Hay que lograr conquistarles de nuevo e intentar que su frecuencia se incremente.
- Finalizamos con el quinto grupo. El de los clientes nuevos. Clientes que nos han comprado recientemente (por tanto sin frecuencia), pero que han gastado de media mucho menos que el resto de los clientes, aunque al menos no han generado devoluciones. Este grupo, de nuevo, tendremos que tenerlo bajo vigilancia y trabajar con él de manera diferente al resto para intentar que se conviertan en recurrentes y mejoren sus volúmenes de compra.
Una vez entendidos y comprendidos los datos, es preciso proponer acciones al negocio y transmitir este conocimiento. Es la parte realmente delicada. En nuestro ejemplo, donde estamos ante una empresa de retail B2C, las acciones que el negocio puede hacer con el cliente son limitadas. En el mejor de los casos tenemos un email. Sin embargo, esto puede ser suficiente para empezar.
En lugar de mandar newsletter de novedades a TODA nuestra base de datos sin ninguna clase de personalización, podemos empezar por atacar al cuarto y quinto grupo. Profundicemos en ellos, intentemos averiguar de qué perfil demográfico hablamos (si tenemos datos), y sobre todo, que categoría de productos compraron y en que fechas. Sería arrancar de nuevo, sí, pero con las ideas mucho más claras. Se trataría de generar nuevas preguntas de negocio, pero con mucho más conocimiento a nuestras espaldas.
Si descubrimos, por ejemplo, que el grupo cuatro son personas que compraron productos para el invierno justo al comienzo de este, y que su gasto medio, como ya vimos era muy superior a la media, podemos sorprenderles este próximo otoño con un adelanto de los productos de invierno, productos/servicios relacionados con esta época del año, y por supuestos ofertas exclusivas para ellos como clientes “repetidores”.
En el caso del quinto grupo, en cambio, podemos encontrar que el tipo de productos que han comprado han sido mayoritariamente accesorios y productos en oferta. Intentemos ir más allá, y tentarles con algún tipo de cupón u oferta (gastos de envío gratis, descuento directo por un importe mínimo, etc.) para que vuelvan, y vuelva a probar nuestros productos y nuestra experiencia de compra.
Lo anterior es sólo un ejemplo rápido. Pero esta clase de metodología y técnicas permite responder preguntas de negocio y, sobre todo, permite llevarnos a formular preguntas de negocio mucho más profundas e inteligentes que nos llevan a transformar nuestra estrategia y táctica. Ya no vamos a lanzar una oferta a nuestros clientes. Ahora vamos a lanzar una oferta personalizada, a un grupo de clientes que hemos identificado con patrones de comportamiento similares, y donde detectamos un potencial de crecimiento o de gasto mayor que en otros grupos. Hilamos fino, focalizamos esfuerzos y recogemos mejores resultados.
Y si esto lo repetimos de manera recurrente, nuestras decisiones cambiarán los hábitos de los clientes reteniéndolos o alejándolos, llevándoles a consumir de manera diferente. Y por tanto, nuestros cluster también irán cambiando. Nuestro objetivo será ver cómo evolucionan e ir ajustando nuestras acciones según cómo evolucionen.
Si necesitas aclarar alguna duda al respecto, puedes consultar nuestro podcast sobre el tema:
¿Tienes preguntas de negocio sin responder? ¿Quieres que te ayudemos a responder tus preguntas en base a los datos?