Resumen m3-4 PDF

Preview

Summary

m 34...

Description

M3 Customer analytics Es el proceso que brinda a las organizaciones un conocimiento más profundo sobre el comportamiento del cliente, que puede usarse para tomar decisiones comerciales. Este proceso ayuda a convertir los datos de clientes en algo que es de valor para la organización: una herramienta de marketing que ayudará a convertir todos sus obstáculos en oportunidades Si las empresas comprenden sus hábitos de compra y su comportamiento, pueden predecir el comportamiento futuro del cliente, que las ayudará a lanzar los productos relevantes en el momento correcto. Esto también aumentará las ganancias de su negocio. Características: -

Genera una mayor lealtad de los clientes y, por lo tanto, aumentará el retorno de la inversión. Reduce los costos de la campaña de la organización al dirigirse a los clientes adecuados en el momento adecuado. Ayuda a disminuir la tasa de desgaste al predecir las expectativas del cliente y entregarles el producto exacto. Segmenta a los clientes de manera más efectiva y ayuda a entenderlo mejor.

Objetivos: -

Comprender cómo se usan los datos para averiguar el comportamiento del cliente. Descubrir cuáles son las mejores prácticas para usar los datos para crear estrategias comerciales más efectivas. Descubrir la tasa de éxito de las estrategias comerciales utilizando los datos actuales. Seguimiento de las necesidades del cliente y entrega de lo que espera en el momento adecuado. Tomar mejores decisiones comerciales sobre los datos relacionados con los clientes del negocio

CRM (Customer relationship management) -

El CRM operacional, que incluye todas las áreas de contacto directo con el cliente: desde la fuerza de ventas hasta el soporte. El CRM analítico, que busca comprender el comportamiento del cliente mostrado en las interacciones en el CRM operacional. Este se ha apoyado tradicionalmente en las tecnologías de la inteligencia y la analítica de negocio para desarrollar el conocimiento del cliente.

Customer Analytics hace referencia a la captura, gestión, análisis y generación de valor estratégico de los datos de cliente de una organización. Caracteristicas -

La granularidad del dato Foco en predicción Multiplataforma

-

Multisector/multiaplicación Multidisciplinar Estudio del comportamiento Longitudinal

Las organizaciones interesadas en generar valor a partir de los datos de cliente pasan por diferentes fases que van incrementando el valor que se genera a partir de dichos datos: -

-

-

-

-

Análisis descriptivo: la organización es capaz de entender qué pasó en las interacciones del cliente. Por ejemplo, qué han comprado, cuántos clientes han dejado de usar los servicios de la compañía o han comprado productos. Análisis de diagnóstico: la organización es capaz de entender las razones de las interacciones con los clientes. Por ejemplo, por qué los clientes compran un determinado producto. Análisis predictivo: la organización es capaz de predecir ciertas interacciones de cliente. Por ejemplo, qué clientes tienen la intención de abandonar los servicios de la organización. Análisis prescriptivo: la organización es capaz de tomar decisiones vinculadas con las interacciones de clientes basadas en escenarios. Por ejemplo, identificar los clientes a los que aplicar estrategias de retención. Análisis preventivo: la organización es capaz de actuar con antelación a las necesidades de los clientes. Por ejemplo, enviando ofertas a los clientes antes que se definan sus necesidades.

Customer Analytics se usan las mismas metodologías que en minería de datos: CRISP-DM La metodología CRISP-DM es un marco de procesos para diseñar, crear, construir, probar y desplegar soluciones de aprendizaje automático. Fases 1) Entendimiento empresarial: se enfoca en la comprensión de los objetivos y requisitos del proyecto desde una perspectiva comercial y luego convierte este conocimiento en una definición de problema de minería de datos y en un plan preliminar. 2) Comprensión de datos: comienza con una recopilación inicial de datos y procede con actividades para familiarizarse con estos, para identificar problemas de calidad de datos, para descubrir primeros conocimientos sobre los datos o para detectar subconjuntos interesantes para formar hipótesis sobre información oculta. 3) Preparación de datos: la fase de preparación de datos abarca todas las actividades para construir el conjunto de datos final a partir de los datos brutos iniciales. 4) Modelado: las técnicas de modelado se seleccionan y aplican. Dado que algunas técnicas, como las redes neuronales, tienen requisitos específicos con respecto a la forma de los datos, puede haber un bucle aquí para la preparación de datos. 5) Evaluación: una vez que se han construido uno o más modelos que parecen tener alta calidad en función de las funciones de pérdida seleccionadas, es necesario probarlos

para garantizar que se generalicen frente a los datos no vistos y que todos los problemas comerciales clave se hayan considerado suficientemente. El resultado final es la selección del/de los modelo/s campeón/es. 6) Despliegue: generalmente, esto significará desplegar una representación de código del modelo en un sistema operativo para calificar o categorizar nuevos datos no vistos a medida que surja y crear un mecanismo para el uso de esa nueva información en la solución del problema comercial original. Es importante destacar que la representación del código también debe incluir todos los pasos de preparación de datos previos al modelado para que el modelo trate nuevos datos brutos de la misma manera que durante el desarrollo del modelo. SEMMA La sigla SEMMA significa muestra, explora, modifica, modela y evalúa. A partir de las muestras de datos que se consideran estadísticamente representativos, SEMMA facilita la aplicación de técnicas de visualización y estadísticas que buscan o exploran, eligen y transforman las variables de predicción más significativas, modelan variables para predecir diversos resultados y descargan una confirmación de la precisión de los resultados. Al evaluar los resultados en cada etapa del proceso SEMMA, el modelador puede determinar cómo se modelan nuevas preguntas desencadenadas por los resultados del proceso anterior y, por lo tanto, retornan a la fase de exploración a la detección avanzada de los datos, como en el CRISP -DM, SEMMA impulsado por un ciclo altamente iterativo de experimentación. La principal diferencia entre CRISP-DM y SEMMA es que CRISP-DM tiene un enfoque de proyecto DM para una comprensión más completa del negocio e incluye datos relevantes, mientras que SEMMA supone implícitamente que las metas y objetivos del proyecto DM y sus fuentes de datos ya fueron definidas con anterioridad. -

Sample (muestra): creación de una muestra significativa para el modelo. Explore (exploración): comprensión de los datos buscando relaciones entre variables y anomalías. Modify (modificación): transformación de las variables para las necesidades del modelo. Model (modelización): aplicación de uno o varios modelos/técnicas al conjunto de datos en la búsqueda de resultados. Assessment (asesoramiento): evaluación de los resultados del modelo.

KDD Proceso de búsqueda de conocimiento en datos y enfatiza la aplicación de "alto nivel" de métodos particulares de extracción de datos. Es de interés para los investigadores en aprendizaje automático, reconocimiento de patrones, bases de datos, estadísticas, inteligencia artificial, adquisición de conocimiento para sistemas expertos y visualización de datos. El objetivo unificador del proceso KDD es extraer conocimiento de los datos en el contexto de grandes bases de datos

Lo hace mediante el uso de métodos de extracción de datos (algoritmos) para extraer (identificar) lo que se considera conocimiento, de acuerdo con las especificaciones de medidas y umbrales, utilizando una base de datos junto con cualquier pre procesamiento requerido, submuestreo y transformaciones de esa base de datos. 1) Desarrollar una comprensión de:  el dominio de la aplicación;  el conocimiento previo relevante;  los objetivos del usuario final. 2) Crear un conjunto de datos de destino: seleccionar un conjunto de datos o concentrarse en un subconjunto de variables o muestras de datos en las que se realizará el descubrimiento. 3) Limpieza de datos y pre procesamiento:  eliminación de ruido o valores atípicos;  recopilación de información necesaria para modelar o explicar el ruido;  estrategias para manejar los campos de datos faltantes;  contabilización de información de secuencia de tiempo y cambios conocidos. 4) Reducción de datos y proyección:  encontrar funciones útiles para representar los datos según el objetivo de la tarea;  usando métodos de reducción o transformación de dimensionalidad para reducir el número efectivo de variables bajo consideración o para encontrar representaciones invariantes para los datos. 5) Eligiendo la tarea de minería de datos:  decidir si el objetivo del proceso de KDD es la clasificación, regresión, agrupación, etcétera. 6) Elección del algoritmo/s de minería de datos:  selección de método/s que se usará/n para buscar patrones en los datos;  decidir qué modelos y parámetros pueden ser apropiados;  hacer coincidir un método de minería de datos en particular con los criterios generales del proceso de KDD. 7) Minería de datos: 7  la búsqueda de patrones de interés en una forma de representación particular o un conjunto de representaciones tales como reglas de clasificación o árboles, regresión, agrupación, etcétera. 8) Interpretación de patrones minados. 9) Consolidación del conocimiento descubierto TECNOLOGIAS Las tecnologías de Customer Analytics son aquellas que forman parte de la inteligencia de negocio, la analítica de negocio, Big Data y la gestión de datos. Podemos encontrar dos tipos de plataformas: genéricas y especializadas. Las plataformas genéricas permiten analizar cualquier tipo de dato corporativo. Las plataformas especializadas están solo orientadas a los datos de clientes. Business Intelligence El foco principal del BI es proporcionar análisis descriptivo y de diagnóstico. En algunas organizaciones se emplean herramientas de Data Discovery o descubrimiento de datos, para permitir que usuarios no técnicos puedan realizar análisis sencillos en modo autoservicio. Permite que los gestores de áreas de negocio se familiaricen con los datos y de modo gráfico puedan plantear escenarios de what-if, avanzando respecto a los reportes estandarizados Business Analytics

Los aspectos más avanzados de analítica de clientes son los métodos y herramientas de data mining. Permiten que las organizaciones gestionen con rapidez grandes volúmenes de datos, testar hipótesis, predecir propensiones de compra, estimar tasas de rotación de clientes en distintos segmentos, determinar el valor del cliente y segmentarlo por hogar e ingresos, etc Big Data Permite a las organizaciones capturar, procesar y analizar grandes volúmenes de datos, de múltiples fuentes y a una gran velocidad. Suelen desarrollarse sobre entornos de capacidad de procesamiento en paralelo y de forma masiva. Las tecnologías de Big Data pueden combinarse con las de Business Intelligence y Business Analytics y así desplegar todo tipo de análisis sobre datos que presentan una mayor complejidad. La atribución del canal de éxito de una venta y su análisis es un problema de Big Data, dada la cantidad y variedad de datos existentes. Las organizaciones que emprendan estos estudios necesitarán bases de datos especializadas y complejidad de análisis. Se trata de manejar complicados algoritmos y mucho volumen y detalle de datos para encontrar la senda adecuada. Para estos análisis lo óptimo será integrar la información procedente del comportamiento del cliente en el mundo online y offline TIPOS DE ANALISIS Creación de una vista de cliente 720º: Es la disponibilidad de acceso completo a un cliente desde todos los aspectos. Combinando datos estructurados, semiestructurados y no estructurados disponibles a través de aplicaciones CRM, las órdenes y facturas, registros de servicio al cliente y registros de llamadas, calificaciones y comentarios proporcionados en la compra, publicaciones y tweets a través de las redes sociales, la ubicación demográfica y los detalles del censo, presenta una imagen general del cliente. La expansión de cada canal ofrece una mejor perspectiva. La segmentación de clientes: tiene como objetivo tratar a cada cliente por separado y proporcionar una vista personalizada de las ofertas. Uno de los enfoques más comunes incluye la agrupación de la población del cliente en diferentes niveles según sus acciones. En un entorno big data donde hay miles de millones de clientes, se prefieren los modelos de propensión porque pueden manejar grandes cantidades de datos y dar buena precisión. Se logra un sentido de categorización de alto nivel agrupando los datos en subconjuntos más pequeños. Las recomendaciones de productos (basadas en Collaborative/Content filtering o un enfoque híbrido) son más efectivas cuando se conoce una imagen clara en la segmentación. Con la información obtenida, se puede proporcionar una mejor elección de preferencias Compromiso y retención de clientes: Es decir, comprender realmente las necesidades del cliente y atenderlo con la mayor relevancia y la menor latencia posible. Una forma destacada de lograr esto es garantizar un aumento continuo en la participación del cliente, lo que a su vez hace que la tasa de desgaste disminuya, como se representó anteriormente. Gestión de inventario inteligente: La vinculación de los datos generados a través de las interacciones cliente-producto y las transacciones generadas por proveedores pueden ser utilizadas por los sistemas de gestión para controlar el pedido y la distribución de productos a lo largo de la cadena de suministro extendida de una compañía. A través de análisis predictivos

es posible observar las correlaciones y las relaciones entre los elementos de datos y las decisiones de la cadena de suministro y tomar decisiones como la demanda actual de un producto, la localidad de compras frecuentes, etcétera.

M4 La visualización de datos es la presentación de datos en un formato gráfico o pictórico. Permite a los responsables de la toma de decisiones ver los análisis presentados visualmente, para que puedan captar conceptos difíciles o identificar nuevos patrones. Con la visualización interactiva, se puede llevar el concepto un paso más allá mediante el uso de la tecnología para profundizar en cuadros y gráficos y obtener así más detalles y cambiar de forma interactiva qué datos ve y cómo se procesa. Características

-

-

-

-

Comprender información rápidamente: La visualización de datos es una manera rápida y fácil de transmitir conceptos de forma universal, y usted puede experimentar con diferentes escenarios haciendo pequeños ajustes Identificar tendencias emergentes: Usar la visualización de datos para descubrir las tendencias, tanto en el negocio como en el mercado, puede dar a las empresas una ventaja sobre la competencia y, en última instancia, afectar el resultado final. Identificar relaciones y patrones: Incluso grandes cantidades de datos complicados comienzan a tener sentido cuando se presentan gráficamente. Así, las empresas pueden reconocer parámetros altamente correlacionados. Comunica la historia a otros: Una vez que una empresa ha descubierto nuevas perspectivas del análisis visual, el siguiente paso es comunicar esas ideas a los demás. Usar diagramas, gráficos u otras representaciones de datos visualmente impactantes es importante en este paso, porque es atractivo y transmite el mensaje rápidamente.

Dashboard Un dashboard o cuadro de mando es una herramienta de business intelligence que representa, de manera visual, los KPI’s o métricas que afectan en el logro de los objetivos de tu estrategia de Marketing digital. Con los dashboard podemos analizar los datos y detectar los posibles problemas, así como encontrar las acciones que podemos llevar a cabo para solucionarlos. Se puede decir que un dashboard es una especie de “resumen” que recoge los datos más importantes para el departamento de Marketing y en el que se representan de la manera más visual posible. Visual y Data Discovery Es un proceso empresarial orientado al usuario para detectar patrones y valores atípicos mediante la navegación visual de datos o la aplicación de análisis avanzados guiados. El descubrimiento es un proceso iterativo que no requiere una amplia creación de modelos iniciales. Lo agrupamos en tres categorías principales: -

-

Preparación de datos: Es una recopilación de datos para el usuario empresarial tanto interno como externo ya que los datos cada vez se vuelven mas complejos por lo que se requieren funciones flexibles para poder acceder de manera eficiente y preparar sus datos para su análisis Análisis visual: Permite plasmar la decisión y evaluar tendencias, tomas de decisiones, etc. Análisis avanzados: Proporcionan información estadística sobre los datos que los usuarios pueden emplear para un análisis de datos más sofisticado y orientado a patrones

Visual Analitycs Surge de la teoría que el Big Data es inútil sin la funcionalidad de análisis y presentación de datos que se encuentra en las herramientas de análisis visual. Las visualizaciones son valiosas porque muestran una gran cantidad de datos en un formato visual fácil de entender que funciona bien para nuestras mentes visuales. Esto permite permite que la toma de decisiones combinando la flexibilidad humana, creatividad y su conocimiento previo con la enorme capacidad de almacenamiento y proceso de los ordenadores para encontrar soluciones a los problemas más complejos. Por lo tanto necesita de Métodos automáticos de análisis que en este caso se aplican métodos de data mining para crear modelos a partir de los datos originales. Una vez se ha creado un modelo, debemos evaluar y mejorar los modelos, que puede realizarse mejor si interactuamos con los datos, para luego implementar métodos visuales de análisis, que permiten interactuar con los métodos automáticos modificando los parámetros ó seleccionando otros algoritmos de análisis....