En el ámbito digital actual, siempre debemos aspirar a atraer a las personas más relevantes para nuestro negocio, guiarlas a las secciones adecuadas con las ofertas adecuadas para maximizar las posibilidades de que realicen una compra. Para ello, necesitamos comprender sus preferencias y su disposición a comprar; aprender mejor qué es lo que les motiva.
Algunos clientes siempre buscan gangas y rebajas, mientras que otros se entusiasman más con las novedades. Para identificar estas preferencias y tendencias, necesitamos disponer de un amplio conjunto de datos sobre cada cliente, como sus características demográficas y su historial de compras. Estos datos deben integrarse desde múltiples sistemas, depurarse y cotejarse, para que los modelos de segmentación, las predicciones y los motores de recomendación puedan producir resultados fiables.
Dicho esto, debemos asegurarnos de conocer la diferencia entre los conjuntos de datos con los que trabajamos, para obtener una visión holística y de 360° de nuestros clientes. La mayoría de los datos utilizados para la creación de perfiles, la segmentación y la modelización predictiva son datos históricos y, por lo tanto, estos procesos no son en tiempo real por naturaleza. Los llamamos «datos lentos». La interacción en tiempo real mediante señales en directo es lo que llamamos «datos rápidos». Ambos tipos nos sirven para diferentes fines y van de la mano como parte de una arquitectura Lambda. En este artículo, aclararemos cómo utilizar estos dos conjuntos de datos.
Agradable y lento
Veamos este ejemplo: cuando un usuario hace clic en el botón de compra en un sitio web, eso no significa necesariamente que la compra se vaya a completar, ni indica si el cliente está satisfecho con el producto recién adquirido. Sabemos que una transacción puede ser rechazada, que el cliente puede devolver el artículo o incluso enviar una reseña negativa.
Dado que estas situaciones se dan con frecuencia, no podemos basarnos únicamente en los datos de interacción obtenidos en tiempo real. Si lo hiciéramos, clasificaríamos erróneamente a los clientes que devolvieron su última compra y dejaron una reseña negativa como «clientes habituales».
Los datos más precisos necesarios para crear perfiles de clientes fiables solo se pueden obtener de «sistemas de registro», y luego estos datos deben procesarse y modelarse. Más aún, algunas ideas solo pueden generarse y validarse después de comparar las acciones de un cliente con las de otro cliente diferente. Todo esto no ocurre en tiempo real.
Una vez que tenemos los datos correctos, podemos crear múltiples segmentos de clientes y aplicar modelos predictivos que nos ayudarán a adaptar el mensaje adecuado al público adecuado.
Más rápido que una montaña rusa
Hay un punto importante que debemos tener en cuenta aquí: hemos hablado de cómo la automatización sin coordinación conduce al caos y, cuanto más granulares son nuestros segmentos de clientes y más canales de ejecución añadimos, más difícil resulta gestionar eficazmente todas estas comunicaciones.
En muchos casos, un solo cliente puede ser elegible para múltiples campañas, y si todas ellas se envían sobre la marcha, sin tener en cuenta qué otras campañas ya se han enviado o qué otras campañas se van a enviar más tarde ese mismo día, el mismo cliente podría recibir ofertas contradictorias o una campaña menos relevante que podría dar lugar a una oportunidad perdida. Siempre debemos planificar nuestras campañas de marketing con antelación y establecer un marco de prioridades y reglas de exclusión, de modo que el sistema pueda coordinar todas estas campañas programadas y optimizar la comunicación con cada cliente.
Una vez que hemos conseguido que nuestro cliente entre en la tienda, queremos cambiar a un modo de funcionamiento diferente: Seguimos teniendo todo nuestro perfil de cliente preprocesado, pero ahora también disponemos de información en tiempo real de la actividad de la tienda, que debemos utilizar para responder en tiempo real a señales específicas procedentes del cliente. Por ejemplo, si sabemos que una determinada clienta busca ofertas y vemos que está mirando productos sin descuento, podemos indicarle la sección de rebajas de la tienda. Otro ejemplo podría basarse en nuestro modelo de la categoría de productos preferida por el cliente: podemos dar la bienvenida a un cliente a nuestra tienda destacando una promoción de un producto de esa categoría específica.
La tortuga y la liebre
Hasta ahora, hemos hablado de cómo la interacción en la tienda es un proceso en tiempo real, mientras que la creación de perfiles y la coordinación inteligente no lo son. Pero también hay una tercera opción intermedia, en la que el plan de marketing se elabora con antelación, pero se adapta a las actualizaciones a corto plazo. Consideremos el siguiente escenario: planificamos una campaña para algunos de nuestros clientes ocasionales, con el fin de animarlos a realizar una segunda compra, y programamos el envío de esta campaña para esta tarde. Supongamos también que nuestro sistema ya ha completado el modelado y la priorización y ha identificado la lista óptima de clientes que deberían recibir esta campaña hoy, con sus recomendaciones de productos específicas. Pero justo antes de la ejecución, descubrimos que un par de estos clientes acaban de devolver los últimos artículos que compraron, lo que cambia significativamente su perfil y la forma en que queremos acercarnos a ellos. En su caso, ya no intentamos activar a los clientes ocasionales, sino evitar que se vayan. En este caso, y aunque ya hayamos establecido la lista optimizada de destinatarios de la campaña para clientes ocasionales, debemos reevaluar la audiencia justo antes de la hora de ejecución real, con el fin de asegurarnos de excluir a cualquier cliente que ya no se ajuste al perfil deseado. Este ejemplo muestra cómo la arquitectura Lambda, la combinación de procesamiento y modelado de datos rápidos y lentos, puede ayudar a alcanzar el resultado óptimo.
En conclusión
La identificación del perfil de un cliente se basa en diferentes fuentes de datos: integrarlas y limpiarlas, agregarlas y ejecutar varios modelos predictivos y de inteligencia artificial sobre ellas. Pero para obtener una visión completa y alcanzar el objetivo final de llegar a los clientes adecuados con las ofertas adecuadas en el mejor momento, no solo es necesario conocer la diferencia entre datos lentos y rápidos, sino, lo que es más importante, saber que siempre van de la mano.
