Hay muchas formas de ser inteligente en tu marketing de retención. Puedes utilizar grupos de control para ver qué es lo que realmente funciona. Puedes medir la eficacia de tus campañas por el aumento monetario y decir adiós a las métricas vanidosas. Puedes realizar pruebas A/B/n, pero en lugar del método tradicional de «el ganador se lo lleva todo», puedes optar por diferentes ganadores en diferentes segmentos de clientes (de la misma campaña, sí).
Puedes examinar los datos, mirarlos fijamente a los ojos y luego ignorar con confianza los comentarios del tipo «siempre lo hemos hecho así» y dar prioridad a los clientes existentes sobre los nuevos en momentos álgidos como el Black Friday/Cyber Monday o la Copa del Mundo, porque es lo correcto. Puedes volver a desafiar a los tradicionalistas y seguir los números que muestran cómo tus campañas habituales y recurrentes pueden superar a las puntuales, sí, de nuevo, incluso durante las vacaciones u otros grandes eventos.
Hay mucho más de donde vino eso: un océano de conocimientos que pueden ayudarte a aumentar significativamente el valor del ciclo de vida del cliente. Pero todo ello, en esencia, se basa en una segmentación inteligente de los clientes: la capacidad de crear Y gestionar cada vez más grupos de clientes de forma rápida y sencilla, en tiempo real, basándose en sofisticados flujos de datos y cálculos, a medida que tu negocio y tu estrategia de marketing CRM crecen y maduran al unísono.
Si lo combina con el poder de la tecnología de marketing basada en IA de última generación, podrá hacer que todo esto sea una realidad (y resulta que conocemos a alguien que puede ayudarle, guiño, guiño).
Pero incluso con una IA líder en el sector como base de nuestra plataforma, no existe un marketing de retención hipersegmentado sin el modelo de cliente, que es fundamental y que nuestro equipo de ciencia de datos, con gran experiencia, crea a medida para cada nueva marca aquí en Optimove.
Conozca el modelo de cliente
El modelo de cliente se basa en «estados», también llamados «etapas del ciclo de vida» (LS), y en las migraciones previstas entre ellos, basadas en datos y en el aprendizaje automático. En cada momento, cada cliente puede encontrarse en un estado u otro, pero nunca en dos a la vez. Imagine «Nuevo cliente» o «Abandono». No se puede ser ambas cosas.
A continuación, utilizando un robusto algoritmo de aprendizaje automático, aprendemos cómo y qué hace que los clientes pasen de un estado a otro. ¿Es la promoción X o el mensaje Y? ¿Es un correo electrónico o un SMS? Para cada cliente, sus propias preferencias y su recorrido están dictados por su comportamiento personal.
La creación del modelo de cliente es donde identificamos la LS más significativa en torno a la cual cada nuevo cliente que incorporamos debe construir su estrategia de marketing CRM. También es donde definimos qué significa exactamente cada LS. Por supuesto, cada uno de nuestros clientes obtiene su propio modelo de cliente, ya que no hay dos bases de clientes iguales.
Por ejemplo, los conocimientos que nuestro equipo de ciencia de datos extrajo de los datos de clientes de la marca A significaban que su estrategia de marketing CRM solo debía incluir los LS básicos de «Nuevo (cliente)», «Activo», «VIP» y «Abandono». También se determinó que, en este caso, un cliente permanece «activo» solo durante 30 días desde la última compra.
Al mismo tiempo, un análisis similar realizado para la marca B significó que su estrategia de marketing CRM debía ser un poco más compleja, con los LS adicionales de «Solo registrado», «De una sola vez» y también «Inactivo». En este caso, un cliente permanece «activo» durante 90 días desde la última compra.
Son los datos de los clientes los que dictan los LS, y son también los datos de los clientes los que conducen a la definición precisa de cada estado. Porque, como hemos dicho antes, no todas las bases de clientes se crearon iguales.
Bien, entonces...
Quizás se pregunte por qué estos LS son el núcleo de una estrategia de marketing CRM hiper segmentada y personalizada a gran escala. La respuesta tiene dos partes:
- Mejoramos el LS determinado con capas de segmentación basadas en datos de clientes que crean microsegmentos sobre las diferentes etapas. Definimos un conjunto de capas de segmentación para cada LS, que describen aspectos clave del comportamiento del cliente. Algunas capas de segmentación son de tipo conductual, mientras que otras pueden ser de naturaleza demográfica.
Más información sobre la microsegmentación aquí.
- Dejamos que nuestro aprendizaje automático mapee las posibilidades de las diferentes migraciones entre dos microsegmentos y lo que se necesita para fomentar la migración más deseada. Ahí es donde nuestro análisis predictivo hace su magia.
A partir de aquí, calcular el valor futuro de cada cliente y determinar la mejor estrategia de marketing CRM para cada cliente en cualquier punto de contacto es «la parte fácil».
Contar con una plataforma que hace todo eso por usted en tiempo real es lo que permite a nuestros clientes ofrecer básicamente una verdadera experiencia de cliente 1 a 1, siempre personalizada y que maximiza el valor del ciclo de vida del cliente. Y es por eso que no hay personalización a gran escala sin el modelo de cliente.
Un tipo diferente de actividad
Recientemente, nuestro equipo de ciencia de datos se encontró con un caso interesante relacionado con un servicio de inversión en línea. Al analizar el comportamiento de la base de clientes de esta marca, parecía que no había mucha diferencia entre sus clientes «nuevos» y «activos». Al menos, en apariencia.
Porque, si lo piensas bien, si un cliente se registró E hizo una inversión, sigue siendo un cliente «activo» incluso seis meses después, aunque no haya hecho nada desde entonces, en el sentido de que sigue teniendo dinero invertido a través de la aplicación, que puede supervisar y al que puede añadir o retirar dinero cada día.
Sin embargo, para crear el modelo de cliente más valioso posible, es necesario distinguir entre nuevos y... no nuevos, porque queremos poder ver cómo es el ciclo de vida de un cliente a lo largo del tiempo.
Así pues, tras analizar los datos en profundidad, nuestro equipo de ciencia de datos decidió lo siguiente:
- Dado que el 63 % de todos los segundos depósitos se realizaron en los primeros 31 días desde que el cliente se unió y realizó su primer depósito, el ciclo de vida del «cliente nuevo» se fijará en 31 días.
Después de ese periodo, pasarán a «activo».
- (A menos que el cliente haya retirado su dinero y cerrado su cartera en los primeros 31 días, en cuyo caso, una vez finalizado el periodo «Nuevo», pasará a «Churn»).
- Sin embargo, el ciclo de vida «Activo» se divide ahora en dos tipos de «Activo»:
- «Inversores activos»: clientes que siguen siendo inversores pero que no han realizado un segundo depósito.
2. «Depositantes activos»: clientes que han realizado un segundo depósito.
Al examinar los datos, también observamos que, entre los «Depositantes activos», si un cliente ha realizado un depósito en los últimos 30 días, hay un 95 % de posibilidades de que realice otro en 6 meses. Ese tipo de análisis es donde podemos empezar a ser más «predictivos».
Además, alrededor del 89 % de los «depositantes activos» realizan un depósito adicional cada 60 días, y 2 de cada 3 realizan un depósito cada mes. ¿El cliente no ha realizado otro depósito en 60 días? Ahora entra en el 11 % que realiza un depósito una o dos veces al año. Sigue siendo «activo», pero no todos los clientes «activos» son iguales. Ni siquiera dentro de la misma base de clientes.
Por lo tanto, como hemos dicho, hay muchas formas de ser inteligente en el marketing de retención. Y ahora, parece que se puede añadir a la lista «tratar a los diferentes tipos de clientes activos con diferentes estrategias de marketing CRM».
