mineria de datos para predecir

Use la minería de datos para predecir si su producto fallará y se quemará

Cómo el análisis predictivo salva a los clientes y separa a los buenos clientes de los «presagios del fracaso».

Parecería ir en contra de Marketing 101, pero ¿es posible que, en ciertos casos, las ventas sólidas y los comentarios positivos de los consumidores sobre un nuevo producto puedan ser… malos?

Absolutamente, si los consumidores que apuestan por ese nuevo producto también tienen un historial demostrado de favorecer los artículos que fallan. Esos compradores son, como describieron el experto en marketing Eric Anderson y sus colegas en un artículo de investigación fundamental de 2015 , «presagios del fracaso».

Resultó que las personas que compraron Diet Crystal Pepsi tenían más probabilidades de haber comprado Frito Lay Lemonade, encontraron los investigadores. (Si ninguno de los dos suena familiar, bueno, exactamente). Y siguieron comprando, mientras pudieron, eso es, solo promoviendo el espejismo de un mercado de apoyo.

«Una compra única de Diet Crystal Pepsi es parcialmente informativa sobre las preferencias de un consumidor», escribieron los investigadores. “Sin embargo, es más probable que un consumidor que compró Diet Crystal Pepsi repetidamente tenga preferencias inusuales y que otros clientes elijan otros productos nuevos que fracasarán en el futuro”.

La investigación contradijo los modelos de marketing convencionales, como el modelo de difusión de Bass, que correlacionan fuertes ventas tempranas con una mayor probabilidad de éxito a largo plazo. Mostró, en resumen, que un corredor de maratón no hace un comienzo rápido de la marca.

La investigación también convergió con los primeros días de la adopción de big data por parte del comercio minorista . Los autores analizaron dos grandes muestras de datos de una farmacia nacional: un conjunto de datos de transacciones de clientes individuales, que abarca más de 10 millones de transacciones realizadas con tarjetas de fidelización de clientes durante dos años; y una muestra de datos agregados de transacciones a nivel de tienda, que abarca 111 ubicaciones de tiendas en 14 estados durante más de seis años.

El análisis académico puede haber sido más post hoc de lo que vemos a menudo en las arquitecturas comerciales contemporáneas: ingesta de datos en almacenes y lagos, luego canalizados para análisis o informes de equipos de inteligencia comercial o ciencia de datos, pero, sin embargo, fue un triunfo de la minería de datos, o usar grandes volúmenes de datos para descubrir patrones y anomalías significativos.

Principales beneficios de la minería de datos en marketing

  • Análisis de la cesta: ¿Qué es? Descubrir qué productos o servicios a menudo se compran juntos. ¿Cómo utiliza la minería de datos? Aprendizaje de reglas de asociación.
  • Recomendación de producto: ¿Qué es? Adaptar las sugerencias de productos a usuarios individuales en función de los datos. ¿Cómo utiliza la minería de datos? Aprendizaje de reglas de asociación, junto con técnicas como filtrado colaborativo y filtrado basado en contenido.
  • Segmentación de clientes: ¿Qué es? Subagrupar clientes o clientes en subconjuntos basados ​​en características y hábitos comunes. ¿Cómo utiliza la minería de datos? Análisis de conglomerados.
  • Valor de por vida del cliente: ¿Qué es? Cuantificar cuánto dinero es probable que genere un cliente para una empresa. ¿Cómo utiliza la minería de datos? Árboles de decisión y boosting.
  • Predicción Churn: ¿Qué es? Cuantificar la probabilidad de que un cliente deje de hacer negocios con una empresa. ¿Cómo utiliza la minería de datos? Clasificación y regresión.

Desde la publicación de Harbingers of Failure, los autores han sido honrados por la “contribución significativa a largo plazo” del artículo al marketing. Incluso generó una secuela en 2019 (hay códigos postales completos que son presagios de fallas en los productos, y es más probable que los residentes también donen a los candidatos al Congreso que no tienen éxito). Y, por supuesto, la proliferación de big data solo se ha intensificado, lo que aparentemente impulsaría a las empresas a implementar los hallazgos del documento y evitar tales presagios tanto como sea posible. Pero eso no ha sucedido exactamente.

«Sigo encontrándome con personas que saben sobre esto… pero las empresas realmente están luchando por descubrir qué hacer al respecto», dijo Anderson a Built In. “La mayoría de ellos tienen una visión sorprendentemente estrecha del mundo”.

La mayoría de las empresas solo compran datos que perciben como directamente relevantes, dijo Anderson. Una empresa de cosméticos, por ejemplo, probablemente comprará datos relacionados con la belleza de una empresa de investigación de mercado de bienes de consumo envasados ​​como Nielsen o IRI, pero eso probablemente no les diga quién está bebiendo la versión 2021 de Frito Lay Lemonade.

Los datos de categorías cruzadas pueden ser difíciles de obtener porque los conjuntos de datos a menudo están rígidamente segregados. Anderson recordó cómo, mientras estaba en Ocean Spray, su equipo compraba datos que solo cubrían las bebidas rojas. Brindó información sobre el mundo del jugo de arándanos, “pero no vio nada relacionado con otras bebidas”, dijo Anderson. “No era la base de datos de bebidas, era la base de datos de bebidas rojas”.

Anderson cree que los minoristas con muchos tentáculos y los sitios de comercio electrónico como Amazon y Walmart están mejor preparados para implementar su investigación, en parte porque poseen una gran cantidad de datos de ventas en muchas categorías.

El efecto precursor, sin embargo, está tangencialmente relacionado con varios ejemplos de cómo la minería de datos y el marketing se cruzan en el mundo real. Es, en efecto, una versión extraña del análisis de la cesta: la técnica que utilizan los especialistas en marketing para descubrir cómo los consumidores a los que les gusta el producto X también tienden a tener afinidad por el producto Y, o los juntan en su cesta.

También podría tener implicaciones para el valor de por vida del cliente, que les dice a las empresas qué clientes generan el mayor valor y, por lo tanto, deben ser atendidos en mayor medida. (Curiosamente, los clientes precursores no son malos para los minoristas . Se puede contar con ellos para seguir comprando, pero no para los artículos «adecuados») . de segmentación de clientes, o dividir a los consumidores en subconjuntos basados ​​en algunas características o hábitos.

A continuación se muestran algunos ejemplos de minería de datos en marketing con antecedentes de éxito en el mundo real. Considéralos precursores del éxito del marketing.

Relacionado: Así es como se ve el futuro de los datos

cesta análisis minería de datos marketing
Imagen: Shutterstock

Análisis de cesta

La historia de la cerveza y los pañales ha existido durante décadas. Un minorista experto en datos supuestamente procesó los números y descubrió que los compradores a menudo compraban los dos productos no relacionados juntos a la misma hora del día. Eran, cuenta la historia, padres jóvenes que, cuando salían a cambiar pañales a altas horas de la noche, se premiaban a sí mismos con un paquete de seis, ya sea como regalo o por un sentido de eficiencia de dos pájaros de un tiro. Es casi seguro que la historia es apócrifa, pero es una ilustración útil de cómo los patrones de compra tienen implicaciones en la forma en que las empresas eligen realizar promociones cruzadas y orientar sus esfuerzos de marketing.

Por ejemplo, la firma de análisis Quantzig en 2019 integró las fuentes de datos dispares de un minorista de alimentos europeo, luego aplicó el aprendizaje de reglas de asociación para mantener un panel de recomendaciones de paquetes de productos en tiempo real. Esas sugerencias de agrupación generaron un aumento de casi el 300 por ciento en los retornos publicitarios, según la firma .

Instacart, como era de esperar, también es ilustrativo del análisis de canastas en la práctica. La empresa extrae sus masas de datos para descubrir afinidades, que ocasionalmente comparte con el público. Los compradores de verduras tienden a ser «preparadores de comidas pesadas» que trazan sus planes de comidas semanales, a menudo con tortillas, pepinos y sandías, mientras que los compradores de frutas son más del tipo de refrigerios, y también comen con frecuencia yogur y hummus, según una publicación reciente del blog de Instacart.

Por cierto, el conjunto de datos de comestibles publicado por Instacart en 2017, el más grande de su tipo, es un excelente recurso para los especialistas en marketing basados ​​​​en datos que buscan asimilar la ciencia de datos detrás de la predicción del hábito del consumidor.

recomendación de productos minería de datos marketing
Imagen: Shutterstock

Recomendación de producto

Esos ejemplos provienen del mundo de los productos empaquetados, pero la misma idea, por supuesto, es fundamental para el comercio electrónico contemporáneo, donde el concepto se conoce más simplemente como recomendación de productos .

Etsy, por ejemplo, tiene más de 80 millones de artículos a la venta, por lo que opera un sofisticado sistema de recomendación que ayuda a prevenir la parálisis de la paradoja de la elección, dijo el director de tecnología de Etsy, Mike Fisher , al Wall Street Journal el año pasado. El sistema ha evolucionado a lo largo de los años hasta convertirse en un marco de procesamiento de lenguaje natural que incorpora búsquedas y compras anteriores: «miles de millones de puntos de datos históricos», según el Journal . Investigaciones recientes publicadas por científicos de datos de Etsy también propusieron extraer datos de actividad de usuarios recientes para impulsar la personalización «dentro de la sesión» de las preferencias de atributos, como el color, el tamaño y las opciones de material.

Las plataformas de transmisión como Netflix y Spotify, que utilizan un híbrido de filtrado colaborativo y recomendación basada en contenido, también han demostrado cómo la extracción de datos para un compromiso sofisticado basado en recomendaciones puede impulsar el éxito.

marketing de minería de datos de valor de por vida del cliente
Imagen: Shutterstock

Valor de por vida del cliente

Todas las personas pueden ser iguales, pero no todos los clientes merecen por igual los esfuerzos de una empresa. Ese fue el punto central de Peter Fader, el experto en marketing que fue pionero en el concepto de valor de vida del cliente (CLV), una proyección de la cantidad de ganancias que generará un cliente, cuando habló con Built In a principios de este año. Las empresas no deberían agotar los presupuestos “tratando de convertir patitos feos en hermosos cisnes”, sino dirigir el alcance promocional en función del valor de un cliente, dijo.

Hoy en día, eso significa un aprendizaje automático complejo arraigado en la minería de datos, ya sean los árboles de decisión de Cars.com que aumentan el gradiente o las redes neuronales que ayudan a potenciar al proveedor de software CLV Retina . Uno de los ejemplos más sofisticados, según Fader, es el editor de juegos Electronic Arts, que actualiza diariamente las estimaciones de CLV en función de los datos de comportamiento de los jugadores. EA pasó de gastar el 22 por ciento de los ingresos en marketing a menos del 12 por ciento después de que inició las actualizaciones de su modelo CLV, dijo Zach Anderson, exdirector de análisis de EA, en el podcast Customer Equity Accelerator en 2018.

Relacionado: Lo que realmente hace un hacker de crecimiento

segmentación de clientes minería de datos marketing
Imagen: Shutterstock

Segmentación de clientes

El beneficio de dividir la base de clientes de una empresa en distintos subgrupos es probablemente obvio: los especialistas en marketing pueden personalizar los mensajes y las promociones en función de cómo ese grupo específico interactúa con la marca. Pero la segmentación no puede ser arbitraria y la minería de datos permite una segmentación de clientes significativa.

El método de minería de datos llamado análisis de conglomerados es una técnica de referencia en el análisis de marketing. Los equipos de datos utilizan técnicas de clúster, como el agrupamiento k-means, para determinar qué puntos de datos están cerca o lejos en una distribución, o qué usuarios son similares y diferentes. A partir de ese análisis, surgen personajes de clientes relevantes. El espectro en, por ejemplo, esta publicación que analiza un conjunto de datos de comercio electrónico abarca seis grupos/personas, va desde «ingresos medios, gasto anual bajo» a «ingresos altos, gasto anual alto» a «ingresos muy altos, gasto anual alto». gastar.»

Otra técnica de minería de datos basada en conglomerados es el análisis de conglomerados de clase latente (LCCA), que permite a los modeladores crear segmentos utilizando datos más allá de los datos no numéricos. La firma de análisis del área de Dallas, Decision Analyst, usó LCCA para un trabajo de segmentación de clientes cuando un cliente estaba introduciendo un nuevo dispositivo en el mercado, creando grupos de respuestas de panel de ideas afines para determinar la mejor manera de posicionar los nuevos productos.

churn predicción minería de datos marketing
Imagen: Shutterstock

Predicción de abandono

Punto de marketing de hecho: es más barato mantener un cliente que adquirir uno nuevo. La predicción de abandono es el intento de medir la probabilidad de que un cliente cancele o no renueve un servicio, una señal que los especialistas en marketing pueden usar para interceptar ese volumen de negocios antes de que suceda.

Las técnicas de minería de datos, como el humilde análisis de regresión y la clasificación, son los pilares tradicionales de la predicción del abandono. (El conjunto de datos clásico de rotación de Telco se usa generalmente para la clasificación).

Como señaló a principios de este mes el investigador cuantitativo y colaborador experto de Built In, Sadrach Pierre , las empresas ahora pueden usar bibliotecas de Python como Streamlit para crear modelos de clasificación/abandono que se enfrentan con interfaces intuitivas. También hay un ecosistema creciente de herramientas de predicción de abandono mejoradas con aprendizaje automático que, gracias a la gran cantidad de puntos de datos que procesan, pueden proporcionar puntajes de abandono más lejanos.

«Puede averiguar cómo va a abordar la rotación con los cambios de su producto y cómo va a hacer que sea más fácil para el cliente trabajar con usted», dijo Kristen Hayer, fundadora de la firma de consultoría The Success League, a Built. En mayo. “Cambia la conversación porque te da tiempo suficiente para planificar”.