Análisis predictivo para marketing: lo que es posible hacer y cómo funciona.

Importancia de la creatividad para las marcas.
9 marzo, 2021
Integrando su Inbound Marketing con su estrategia de redes sociales
11 marzo, 2021
Mostrar todo

Análisis predictivo para marketing: lo que es posible hacer y cómo funciona.

El análisis predictivo para marketing se habría adoptado hace años: si solo el poder de cómputo fuera más ubicuo, los datos fueran más accesibles y el software fuera más fácil de usar. Ahora, el “análisis predictivo” en sí mismo es casi una palabra de moda, después de casi 30 años de seguimiento de marketing retroactivo.

Hoy, más de 30 años después de la fundación de Lotus Software, incluso las empresas medianas a menudo siguen operando sus “marcadores” de marketing en Google Sheets o One Drive … “colocarlo en una hoja de cálculo” todavía funciona.

Pero las empresas con miras al futuro quieren saber algo más que lo que sucedió en el pasado. Los “marcadores” (la mayoría de las herramientas de análisis y seguimiento) no te dicen cuál será el puntaje a futuro. Cada vez más ejecutivos están buscando formas de mirar hacia adelante con sus números, no solo al pasado.

El análisis predictivo es el uso de datos, algoritmos estadísticos y técnicas de aprendizaje automático para identificar la probabilidad de resultados futuros basados ​​en datos históricos. El objetivo es ir más allá de saber qué ha pasado para proporcionar una mejor evaluación de lo que ocurrirá en el futuro.

En este artículo, nuestro objetivo será resaltar algunas de las aplicaciones de marketing predictivo más prometedoras y aclarar el papel del aprendizaje automático y la inteligencia artificial en la llegada de las herramientas de análisis predictivo.

Este artículo tratará de cubrir lo siguiente:

  • Aplicaciones actuales de análisis predictivo para marketing y publicidad.
  • El papel de los datos y el aprendizaje automático.
  • Investigación de mercado existente en análisis predictivo.

El objetivo de este artículo no es ofrecerle una visión detallada de todos los casos de uso y la ciencia detrás de las innovaciones en el análisis predictivo, sino ofrecerle una base en sus casos de uso fundamentales, junto con un poco de información. en cuanto a cómo funciona la tecnología. Comenzaremos con algunas aplicaciones modernas que vale la pena mencionar:

Cinco aplicaciones actuales de análisis predictivo para marketing

Aunque una lista completa (y sub-listas) puede extrapolar 20 o más casos de uso individuales, hemos resaltado 5 aplicaciones actuales de análisis predictivo con las que los profesionales de marketing deberían estar familiarizados hoy:

1 – Modelado predictivo para el comportamiento del cliente

Predecir el comportamiento y las preferencias de los clientes es el sello distintivo de compañías como Amazon y eBay, pero la tecnología se está volviendo cada vez más accesible y relevante para las empresas más pequeñas.

Crear un catálogo completo de modelos predictivos sería un proceso extenso y engorroso, pero existen varios tipos de modelos relativamente simples que se aplican bien en el dominio de marketing:

  1. Modelos de clúster (segmentos): se utilizan para la segmentación de clientes; los algoritmos segmentan los grupos objetivo en función de numerosas variables, desde demografía hasta promedio total de pedidos. Los modelos de clúster comunes incluyen clústeres de comportamiento, clústeres basados ​​en productos (también denominados clústeres basados ​​en categorías) y clústeres basados ​​en marcas.
  2. Modelos de propensión (predicciones): se utilizan para dar predicciones “verdaderas” sobre el comportamiento del cliente. Los modelos comunes incluyen valor de vida predictivo; probabilidad de compromiso; propensión a darse de baja; propensión a la conversión; propensión a comprar; y la propensión a batir.
  3. Filtrado colaborativo (recomendaciones): se utiliza para recomendar productos, servicios y anuncios a los clientes en función de una variedad de variables, incluido el comportamiento de compra anterior. Los modelos comunes (como los utilizados por Amazon y Netflix) incluyen recomendaciones de venta ascendente, venta cruzada y próxima venta.

El análisis de regresión en sus diversas formas es la herramienta principal que utilizan las organizaciones para el análisis predictivo. Definido en términos simples, un analista realiza un análisis de regresión para detectar la fuerza de las correlaciones entre variables específicas del cliente con la compra de un producto en particular; luego pueden usar los “coeficientes de regresión” (es decir, el grado en que cada variable afecta el comportamiento de compra) y crear un puntaje para la probabilidad de compras futuras.

Los resultados para el modelado predictivo son, al igual que muchos enfoques de análisis predictivo, altamente dependientes de los datos, pero existen varias formas comunes en que esta información puede transformarse en resultados, como se describe en las siguientes cuatro aplicaciones.

Un ejemplo concreto del archivo del estudio de caso de Tableau: Arby realizó un seguimiento y encontró un aumento en las ventas en las tiendas renovadas, lo que resultó en 5 veces más remodelaciones de tiendas en el año siguiente.

2 – Calificar y priorizar clientes potenciales

Un estudio reciente publicado por Forrester identificó tres categorías de casos de uso de marketing B2B que reflejan el éxito predictivo temprano y establecen las bases para un uso más complejo de análisis de marketing predictivo:

  1. Puntaje predictivo: Prioriza los prospectos conocidos, clientes potenciales y cuentas en función de su probabilidad de entrar en acción.
  2. Modelos de identificación: Identificar y adquirir prospectos con atributos similares a los clientes existentes.
  3. Segmentación automatizada: segmentación de leads para mensajería personalizada.

Todo lo anterior se refiere a calificar y priorizar clientes potenciales, y al hacer este trabajo preliminar se preparan los equipos para aplicar las estrategias que siguen. El personal de ventas que puede priorizar los clientes potenciales con mayor probabilidad de comprar (o los siguientes pasos específicos con mayor probabilidad de hacer avanzar la venta) estará en una mejor posición para cerrar con más frecuencia.

Se debe tener en cuenta que si bien las capacidades de marketing predictivo serán cada vez más accesibles para las nuevas empresas y las pequeñas empresas, estas técnicas requieren un alto volumen de ventas para construir y capacitar adecuadamente un modelo predictivo. Si bien incluso las pequeñas empresas pueden generar miles de millones de impresiones o millones de clics y ventas de productos de comercio electrónico de bajo costo, los datos sobre las ventas cara a cara son más difíciles de acumular con compañías más pequeñas o más nuevas. Esto potencialmente pone a las empresas más grandes a favor de obtener con éxito un retorno de la inversión de técnicas que involucran datos de ventas.

3 – Llevando productos / servicios correctos al mercado

La visualización de datos es una herramienta valiosa que no solo es atractiva para la vista, sino que también se puede utilizar para informar, inspirar y guiar acciones basadas en el comportamiento del cliente (y otra información comercial de relevancia).

Por ejemplo, un equipo de marketing de Brick-and-Mortar podría usar toda la información disponible sobre los clientes para tomar decisiones basadas en datos sobre qué productos y servicios es mejor traer al mercado. Al utilizar la visualización de datos para mostrar qué tipos de clientes viven en el vecindario de una tienda, los equipos pueden concentrarse en preguntas de orientación importantes: ¿Compran productos más duros o blandos? ¿Existe una densidad de rango de edad que muestre lo que se debe almacenar? ¿Cambia la composición del producto deseado a medida que avanza o se aleja de las ubicaciones de la competencia?

Este tipo de información también se puede vincular a estrategias generales de gestión de la cadena de suministro.

4 – Dirigirse a los clientes adecuados en el momento adecuado con el contenido adecuado

Dirigirse a los clientes adecuados en el momento adecuado con la mejor oferta en base a la segmentación de clientes. Esta puede ser la aplicación de marketing más común para el análisis predictivo porque es una de las formas “más simples” y directas de optimizar una oferta de marketing y ver un cambio rápido en un mejor retorno de la inversión.

Según un estudio realizado por Aberdeen Group, los usuarios de análisis predictivo tienen el doble de probabilidades de identificar clientes de alto valor y comercializar la oferta adecuada. Su conjunto de datos es importante, y las mejores prácticas dictan el uso de datos históricos sobre el comportamiento de los clientes existentes para segmentar, y el uso de los mismos datos para crear mensajes personalizados.

Se puede usar una variedad de modelos analíticos predictivos, que incluyen análisis de afinidad, modelado de respuesta y análisis de abandono, todo lo cual puede, por ejemplo, decirle si es una buena idea combinar suscripciones digitales e impresas o mantenerlas separadas. o ayudarlo a determinar el contenido al que se le debe cobrar una tarifa de suscripción frente al contenido al que se le debe otorgar un precio de venta único u otra estructura.

Muchos proveedores, como Salesforce, ofrecen una plataforma de marketing en la nube, a través de la cual los equipos de marketing pueden crear perfiles de audiencia combinando datos de múltiples vías, desde CRM hasta datos fuera de línea. Alimentar los datos adecuados del sistema y el comportamiento de seguimiento a lo largo del tiempo crea un modelo de comportamiento que permite a los equipos tomar decisiones basadas en datos en tiempo real a largo plazo.

5 – Impulsar estrategias de marketing basadas en análisis predictivo.

Además de los descritos anteriormente, otros usos detallados para el análisis predictivo en marketing incluyen:

  • Acceso a datos estructurados internos.
  • Acceso a los datos de las redes sociales.
  • Aplicación de la puntuación de comportamiento a los datos del cliente.

La información analítica predictiva produce una herramienta eficaz para hacer frente a la “proliferación de canales y al cambio de comportamiento del comprador”; todas las aplicaciones anteriores podrían usarse para determinar si una campaña de marketing a través de las redes sociales tendrá un mayor impacto, o si una a través del móvil es más adecuada para el público objetivo.

El análisis de texto y el análisis de sentimientos aplicado a los datos de las redes sociales es otro ejemplo de la captura de información que se puede utilizar para ayudar a impulsar campañas de marketing y la futura creación de productos.

¿Porqué ahora? El papel de los datos y el aprendizaje automático

Si bien se puede decir que las aplicaciones iniciales del análisis predictivo son casi tan antiguas como el campo del aprendizaje automático, el análisis predictivo como campo (y ciertamente como un enfoque de los capitalistas de riesgo) sigue el fuerte interés en las tecnologías basadas en el ML siguiendo al Dr. Geoffrey Hinton y la famosa victoria en el concurso de reconocimiento de imágenes ImageNet 2012. Hinton y su equipo de investigación fueron contratados rápidamente de la Universidad de Toronto para Google, y la carrera para aplicar modelos estadísticos avanzados para el manejo de datos (aprendizaje automático) comenzó a impulsar su popularidad en el mundo de los negocios.

De manera similar, dado que casi todas las empresas que existen en la actualidad operan muchas de sus funciones en el espacio digital (finanzas, mercadotecnia, ventas, relaciones con los clientes, datos de proveedores, contratación, etc.), los datos ahora son agregados y accesibles como nunca antes. Ahora, incluso una pequeña operación de comercio electrónico de 2 personas con solo $ 800,000 en ingresos anuales tiene más datos de marketing para manipular y explorar (tráfico de búsqueda orgánico, tiempo en el sitio, impresiones, varios canales de anuncios de PPC, valor de por vida del cliente según lo rastreado dentro de un CRM, etc …) que un negocio mucho más grande en tamaño de hace diez años. Los Millennials que ingresan a los profesionales del marketing no conocen otro mundo que el mundo de las métricas y los datos digitales cuantificables. Esta información permite a las empresas de todos los tamaños capacitarlos  y aprovechar el análisis predictivo.

El aprendizaje automático sería aún más como un raro “arte oscuro” en los negocios si no fuera por un ecosistema completo de proveedores que hacen que los análisis predictivos sean más fáciles de entender y aplicar en los negocios, incluso sin un título avanzado en informática.

Investigación de mercado existente en análisis predictivo para marketing

Al igual que el aprendizaje automático, el análisis predictivo está recibiendo mucha atención. Si bien el análisis predictivo ha estado dando vueltas en el mundo de los negocios y el marketing durante más tiempo que el de ML, parece ser que cada vez los equipos que utilizan alguna forma de plataforma de análisis de marketing están comenzando a superar a aquellos que aún prefieren quedarse sin estas prácticas. Forrester publicó un estudio hace unos años en el que describe dos grandes desafíos a los que se enfrentan los publicistas modernos:

  • Creando mensajes más personalizados y relevantes para compradores cada vez más selectivos.
  • Crear campañas de marketing personalizadas que involucren una gama más amplia de tomadores de decisiones clave e influyentes antes en el proceso de compra

Los números están disponibles y el análisis predictivo parece tener el potencial de duplicar las medidas de éxito de marketing en el compromiso del cliente y las ventas dirigidas en las industrias B2B y B2C. El estudio de Forrester arrojó tres hallazgos clave:

  • El uso predictivo de análisis de marketing se correlaciona con mejores resultados empresariales y métricas
  • El análisis predictivo de marketing ayuda a los profesionales de marketing a desempeñar un papel de liderazgo en sus empresas
  • Los comercializadores predictivos utilizan estrategias avanzadas para generar un mayor impacto en el ciclo de vida del cliente

Por Daniel Faggella

0
0
0