Problema y Oportunidad
Hoy en día, los consumidores o “shopper” son cada vez más exigentes, pues tienen cada vez más alternativas donde elegir y están más informados y conscientes de su poder al momento de optar dónde comprar.
Hoy los shoppers comparan precios y revisan comentarios de otros clientes antes de comprar un producto o servicio, además comentan sus experiencias por el servicio que les entregó el retail.
Algunas estadísticas:
Más del 86% de los consumidores comparan los precios en diferentes portales antes de seleccionar uno. Y alrededor del 78% de los compradores eligen precios más baratos.
(http://www.cpcstrategy.com/blog/2017/05/ecommerce-statistics-infographic/)
Más del 88% de los compradores en línea incorporan revisiones de productos en su decisión de compra.
https://www.vendasta.com/blog/50-stats-you-need-to-know-about-online-reviews
Un cliente insatisfecho con su experiencia de compra tiene un 50% de probabilidad de cambiar de tienda o canal de venta la próxima vez, instando a otros a hacer lo mismo. Una mala experiencia se la transmite a 11 personas, en cambio si su experiencia de compra es satisfactoria, la recomienda solo a 3
(Marketing 8ª Edición. Philip Kotler y Gary Armstrong).
Este panorama, sumado al avance del e-commerce obliga a los retailers a sofisticarse cada vez más para abordar sus definiciones estratégicas y tácticas, avanzando en la comprensión del comportamiento de compra de los consumidores, utilizando herramientas tecnológicas para almacenar y procesar los datos, además de técnicas de modelamiento matemático o Retail Analytics para explotarlos.
El retail analytics permite al retail mejorar procesos como: Gestión de shopper, de tienda, de vendedores y de proveedores.
CloudPromo se centra en mejorar la Gestión de shopper del retail usando retail analytics y machine learning para lograr: Perfilamiento e identificación de grupos de interés; análisis de canastas de compra; recomendaciones personalizadas de mix y promociones; medición del comportamiento y el sentimiento del cliente y comprensión de la interacción de los consumidores en la tienda; y finalmente como optimizar los datos de contactabilidad con los clientes.
Beneficios para el Retail
Retail analytics ofrece un diagnóstico claro y certero sobre los mecanismos que desencadenan un determinado comportamiento de los clientes. Esto permite implementar estrategias de marketing y campañas de publicidad dinámica de gran precisión, basadas en los elementos predictivos que estas herramientas proporcionan.
Se considera que, mejorando el conocimiento sobre el comportamiento del consumidor, se puede optimizar un 21 % la eficacia y rentabilidad de las campañas publicitarias (https://www.tecbrain.com/blog/retail-analytics-tiendas/)
Según la consultoría McKinsey, durante un período de cinco años, los negocios que en estos momentos invierten en analítica retail como parte de sus ventas y programas de marketing están obteniendo un ROI de entre el 15 y el 20 por ciento. Y el sector retail es uno de los mayores beneficiarios de este sistema.
Algunas de las grandes marcas ya han obtenido resultados mediante el uso de la analítica retail. Por ejemplo la marca Sterling Jewelers aumentó un 49 por ciento las ventas en periodo de vacaciones con la ayuda de la analítica (https://blog.wivoanalytics.com/c%C3%B3mo-usar-la-anal%C3%ADtica-retail-para-incrementar-ventas)
Transformarse en un competidor analítico permite al retail comprender al “shopper” y sus valoraciones al elegir y comprar (atributos, categorías y canales de venta), todo desde lo realmente conocido (comportamiento). Esta perspectiva analítica apoya sustentar las decisiones tácticas y estratégicas. La información de los clientes es el principal activo para competir. debe ser usada y convertida en una ventaja competitiva. que permitirá aumentar ROI y Ventas del retail.
Los impactos anteriores tienen efecto en los ingresos de la compañía. Pero también se espera beneficios por el lado de los costos. En efecto, la optimización de los datos de contactabilidad vía su priorización por mayor probabilidad de contacto, aumentara la tasa de contacto para todos los canales en el orden del 20%, para un nivel de esfuerzo dado.
Solución Propuesta
Una empresa de retail puede captar data de clientes desde el canal presencial (sucursal), y no presencial (como call center, redes sociales y dispositivos móviles). Para su acopio se modela un warehouse (con motores SQL y NoSQL) y se alimenta con: Servicio ETL (que diariamente cargan data de clientes y transacciones capturada en el CRM y otros sistemas transaccionales), microservicios de web scraping y social media analytics, carga de data inbound generada en canal móvil. Se desarrollo una base central de clientes ampliada que contiene clientes y prospectos, que junto al data warehouse son consumido por los siguientes servicios:
1)Analítica de Clientes y Prospectos: Segmenta los clientes por comportamiento de compra
2) Contactabilidad: Entrega por cliente-canal datos de contactabilidad priorizados por probabilidad de contacto.
3) Sistema Decisional: Segmenta a los clientes por riesgo de crédito.
4) Modulo Web Scraping y Social Media Analytics
5) Ofertas & Beneficios personalizados: Configura ofertas personalizadas para cada cliente.
Para cada uno de estos módulos subyacen modelos analíticos construidos utilizando las técnicas de maching learning, tanto descriptivas como supervisadas, que entregan una herramienta capaz de gestionar a un menor costo el ciclo de vida del cliente, desde su captura a su fidelización.
Para ofrecer una solución omnicanal y escalable, que pueda ser usada desde una tienda o un ecommerce, estos servicios se basan en una arquitectura de microservicios, independiente de la plataforma tecnológica y puede ser instalada en servidores propietarios, datacenters o en la nube.
Se implementa Analítica de Clientes, a partir de data estructurada y no estructurada, se aplican modelos no supervisados para segmentar los clientes según diferentes dimensiones, y se usan algoritmos que generen modelos de Propensión de compra, Propensión de Fuga y Análisis de Canastas
Se Implementa Analítica de Prospectos utilizando atributos demográficos, de comportamiento de uso y compra, para identificar nuevos clientes. Estos modelos son del tipo no supervisado tales como clustering en sus diversas modalidades.
El Sistema Decisional da cuenta de la dimensión de riesgo de clientes vigentes y prospectos. Esta conformado por un set de reglas más un set de modelos analíticos. Estos modelos son del tipo scoring utilizando regresión logística. Estos modelos se complementan con la técnica de ensambles la cual utiliza, ya sea en cascada o secuencia, varias técnicas de tal forma de incrementar el valor predictivo del conjunto.
Se propone Implementa algoritmos para priorizar datos de contactabilidad (registros de gestiones telefónicas, mails, interacciones con el sitio web, redes sociales y direcciones para los clientes). Estos modelos se construyen a nivel de usuario-canal-dato de contactabilidad, empleándose la técnica de ensambles que incluyen modelos de regresión logística.
.
Millones de interacciones se producen en redes sociales. La data no estructurada generada que es posible de capturar vía APIs de las plataformas u otras aplicaciones, es un recurso invaluable de información y conocimiento. Nuestro servicio de Social Media Analytics captura esta data, la trata y modela para la aplicación de herramientas de analytics. Por su parte, las técnicas de web scraping, permiten buscar en sitios web data no estructura relevante para monitorear la competencia.
El uso de web scraping permite obtener información de productos, precios, promociones y beneficios de la competencia relevante. El uso de social media analytics permite hacer tracking en redes al comportamiento del cliente para conocer opiniones y sentimientos. Nuestra empresa ya desarrolló una solución para la administración de promociones que está en producción. Este Proyecto Apoya la generación de promociones y beneficios personalizados por clientes según sus intereses y comportamiento de compra, y que además el cliente podrá consultar por distintos canales: web , nuestra app móvil, aplicaciones de mensajería y asistentes de voz
.
Generar promociones personalizadas para clientes (según intereses y comportamiento de compra) que podrán consumirse desde distintos canales.
Módulos transversales
Módulos transversales que brindan soporte a los anteriores.
Módulo de monitoreo: cuya función es hacer seguimiento al poder predictivo de los modelos analíticos que subyacen a los servicios
Módulo de reportería: que entrega dashboard y KPIs que permiten la trazabilidad del negocio
Módulo orquestador: que es el que gestiona el conjunto de la aplicación.
Para cada uno de los módulos propuestos, subyacen modelos analíticos construidos utilizando las técnicas de maching learning, tanto descriptivas como supervisadas
Conclusiones
Nuestra solución entrega herramientas cognitivas para identificar tendencias emergentes de compra y la evolución de los gustos. Permitiendo:
- Integrar fuentes de información dispersas, de distinto formato y subutilizada
- Disponer de información de Clientes y Productos consistente, oportuna y confiable, para entregar una mejor calidad de servicio a los clientes, e incrementar los niveles de comunicación y fidelización.
- Reaccionar más rápidamente ante los cambios y señales del mercado.
- Apoyo y orientación con datos objetivos obtenidos a través de herramientas de analytics para la toma de decisiones táctica y estratégica.
- Potenciar el uso canales presenciales y no presenciales a través de la mejor de la calidad de los datos de contactabilidad.
- Ofrecer una solución omnicanal y escalable, que pueda ser usada desde una tienda o un ecommerce, Estos servicios se basan en una arquitectura de microservicios, independiente de la plataforma tecnológica
