Cinco formas de utilizar el análisis predictivo

El análisis predictivo ofrece una visión del futuro, así como acceso a información estratégica que puede generar nuevas oportunidades. Aquí tienes cinco maneras de utilizar el análisis predictivo y cómo puedes cambiar tu perspectiva sobre los datos.

Clientes potenciales calificados

Según un estudio de Forrester, el análisis predictivo ha identificado tres casos de uso principales para la gestión de leads. En concreto:

1. Puntuación predictiva: Este método analiza cómo responden los clientes potenciales a tus estrategias de marketing y la probabilidad de que actúen en función de esa información. De esta forma, puedes identificar más rápidamente en qué clientes potenciales concentrar más recursos y de cuáles desviarlos.
2. Modelos de identificación: Este caso de uso es un enfoque que se centra en comparar clientes potenciales con clientes que ya han realizado acciones. De esta forma, puede dirigir recursos a los clientes potenciales más prometedores según sus acciones previas, así como identificar nuevos mercados desconocidos.
3. Personalización: Además de predecir qué clientes potenciales tienen más probabilidades de realizar determinadas acciones, los mismos datos pueden utilizarse para determinar qué clientes potenciales responden mejor a qué tipo de mensajes. Esta segmentación avanzada permite ir más allá de simplemente dividir a los clientes potenciales en grupos, enviándoles mensajes mucho más personalizados.

Un ejemplo destacado de esto fue abordado en Harvard Business Review, donde se detalla cómo un concesionario Harley Davidson incrementó sus oportunidades de venta en un 2930% utilizando una IA llamada Albert.

La IA analizó datos de CRM para identificar las características y comportamientos de los compradores anteriores. Posteriormente, los dividió en microsegmentos según dichas características. Para cada segmento, probó diferentes combinaciones de titulares, elementos visuales y otros elementos para determinar cuál funcionaba mejor.

El valor de la calificación de sus clientes potenciales depende en gran medida del valor y la cantidad de sus datos. Por muy buenos que sean sus modelos estadísticos, su capacidad sigue siendo muy limitada sin acceso a la información necesaria para conocer a sus clientes.

En el espacio digital, especialmente si no utiliza un CRM, el mejor lugar para comenzar con el análisis predictivo casi con certeza será una integración de Google Analytics y Google BigQuery.

Modelado del comportamiento del cliente

Si bien la calificación y conversión de leads es el caso de uso más obvio del análisis predictivo, y probablemente el que vale la pena analizar primero, está lejos de ser la única aplicación de marketing de esta tecnología emergente. Sin embargo, prácticamente cualquier uso se basará en el modelado de clientes.

Puede dividir el modelado de clientes en tres tipos básicos: modelos de clúster, modelos de propensión y filtrado colaborativo.

Modelos de clúster

La agrupación en clústeres es una forma de segmentar a los clientes en grupos según diversas variables. Un modelo de clústeres busca correlaciones entre diversos atributos e identifica una serie de equilibrios en los que ciertos tipos de atributos tienden a acumularse. Lo que hace especial a la agrupación en clústeres, en comparación con la segmentación tradicional, es la gran cantidad de variables involucradas. Los clústeres suelen utilizar 30 variables o más, muchas más de las que serían posibles si se segmentara manualmente a los clientes, o incluso si ellos mismos se segmentaran manualmente.

Los clústeres vienen en tres formas:

1. Clústeres de productos: son grupos de clientes que tienden a comprar solo tipos específicos de productos, ignorando otras cosas en su catálogo.
2. Grupos de marcas: estos clientes tienden a comprar de una colección específica de marcas.
3. Grupos de comportamiento: son segmentos de clientes con un conjunto específico de comportamientos, como compradores frecuentes que realizan pedidos pequeños o clientes que prefieren el centro de llamadas al carrito de compra.

Lo importante de estos clústeres es que permiten predecir a qué grupos pertenecen las personas, incluso con información limitada. Si compran un producto de una marca específica, el clúster de marca puede predecir qué otras marcas podrían interesarles, en lugar de la recomendación más obvia de ofrecer todo lo demás de la misma marca.

Modelos de propensión

Un modelo de propensión realiza predicciones futuras sobre el comportamiento del cliente basándose en correlaciones con otros comportamientos y atributos. Esto puede lograrse mediante análisis de regresión o aprendizaje automático. Un buen modelo de propensión controla el mayor número posible de variables para evitar que las correlaciones se confundan con causas.

A continuación se muestran algunos ejemplos de modelos de propensión:

• Propensión a abandonar: son clientes que probablemente se irán si usted no toma medidas, pero que pueden ser de gran valor en caso contrario.
• Propensión a cancelar la suscripción: un modelo como este le permite determinar la frecuencia adecuada de los correos electrónicos, sopesando la posibilidad de que un destinatario cancele la suscripción frente a cualquier posible resultado positivo.
• Valor de vida: modelar el valor de vida de un cliente puede ayudarle a tomar decisiones de marketing estratégicas si lo lleva a clientes con mayor valor de vida o conduce a comportamientos que extienden el valor de vida.

Otros modelos de propensión incluyen predecir en qué punto se encuentra el valor de vida de una persona y qué probabilidades hay de que se convierta o compre.

Collaborative filtering

Si has visto las recomendaciones de Amazon "A los clientes a los que les gustó este producto, también les gustó...", sabes de qué tipo de modelo se trata. A primera vista, el filtrado colaborativo puede parecer similar a los modelos de clústeres basados ​​en productos, pero es un poco diferente. En lugar de agrupar a los clientes por los tipos de productos que probablemente compren, los filtros colaborativos hacen recomendaciones basadas en el comportamiento agregado.

En otras palabras, se trata menos de las preferencias de productos del usuario y más de los comportamientos que los productos tienden a provocar en los usuarios.

Hay tres tipos de filtros colaborativos:

1. Recomendaciones de venta adicional. Se trata de recomendaciones para una versión superior de un producto antes de realizar la venta.
2. Recomendaciones de venta cruzada. También se ofrecen antes de la venta; se trata de una recomendación para un producto que suele adquirirse simultáneamente con el primero.
3. Recomendaciones de seguimiento. Son recomendaciones para productos que las personas suelen comprar después de haber comprado un producto anterior, como reemplazar un producto agotado o comprar platos después de comprar una mesa.

Conectando el producto adecuado al mercado adecuado

Trabajando en reversa desde el modelado de clientes, es posible identificar mercados para sus productos que quizás desconocía. Estos son solo algunos ejemplos de cómo se puede implementar este caso de uso:

• Incorpore fuentes de referencia a sus modelos de clúster. Esto le permitirá identificar qué fuentes de tráfico se correlacionan con qué tipos de productos, marcas o comportamientos. A partir de esto, podrá identificar inmediatamente un nuevo mercado para estos productos o marcas.
• Incorpore fuentes de referencia en sus modelos de propensión al valor de por vida. Esto le permitirá determinar en qué ubicaciones invertir más recursos de marketing, ya que conoce aproximadamente el ROI.
• Busque correlaciones entre las fuentes de tráfico y el éxito con ventas adicionales, ventas cruzadas y recomendaciones de seguimiento.
• Busque correlaciones entre palabras clave y sus modelos de clientes
• Analice los atributos que son fuertes predictores de la compra de tipos específicos de productos y haga una lluvia de ideas sobre otros mercados que podrían compartir esos atributos a los que aún no se ha dirigido.
• Investigar los valores atípicos de alto rendimiento donde haya datos limitados disponibles e investigar si expandirse en esos mercados es una buena opción.

Conectando a los usuarios adecuados con el contenido adecuado

Hay varias maneras de aprovechar tus modelos de clientes para conectar a los clientes potenciales con el contenido de forma que te ayuden a alcanzar tus objetivos; algunas son más obvias que otras. Aquí tienes algunos ejemplos:

• Coincidencia de contenido relacionado con productos o marcas según los grupos apropiados
• Hacer coincidir a los usuarios con el texto de conversión cuando los modelos de propensión predicen que es más probable que compren
• Recomendar contenido a los usuarios que mejore sus puntuaciones de propensión
• Recomendar contenido a los usuarios que mejore sus probabilidades de responder bien a una venta adicional o cruzada
• Hacer coincidir las fuentes de tráfico con el contenido que tiende a producir puntuaciones de propensión altas para cada fuente de tráfico en particular.

Como puede ver, la cantidad de enfoques disponibles aumenta rápidamente. Piense estratégicamente sobre cómo aprovechar al máximo sus modelos.

Descubriendo perspectivas de marketing estratégico

Si bien algunas herramientas de análisis predictivo pueden optimizar automáticamente su proceso de marketing y generar resultados (como lo hizo Albert para Harley Davidson), es importante recordar que las decisiones humanas aún juegan un papel muy importante en el proceso.

Donde el análisis predictivo y las herramientas de IA relacionadas suelen fallar es en su propensión a sobreajustar los datos. Pueden estancarse en máximos y mínimos locales, incapaces de dar el salto a nuevos terrenos.

Para escapar de trampas como estas y aprovechar al máximo estas herramientas en general, es necesario encontrar información estratégica dentro de los modelos de análisis predictivo.

Por ejemplo, supongamos que descubre que un contenido específico tiende a aumentar la propensión de sus clientes potenciales; cualquier automatización que tenga implementada puede aplicarse para personalizar la estrategia de marketing dirigida a sus usuarios y dirigirlos hacia ese contenido. Sin embargo, lo que el análisis predictivo no puede decirle es si existen otras fuentes de tráfico que aún no haya probado y que podrían ser adecuadas para ese contenido. Con su experiencia y su capacidad de generar ideas, puede identificar otros mercados potenciales para ese contenido, incorporarlos a su modelo y ver cómo la exposición influye en la situación.

Su objetivo al trabajar con este tipo de modelos debe ser siempre encontrar información como esta y probarla para ver si los resultados son los esperados. Si su modelo funciona en piloto automático, no descubrirá nuevas oportunidades por sí solo.

_____

by Manish Dudharejia

Fuente: searchenginewatch.com