Fresh Content

We base our passion on EMOTIONS. Ours, yours, his, hers, theirs. Emotions can turn into attitudes, and we believe attitudes can change the world.

Por qué Marketing Analytics no ha cumplido las expectativas

junio 11, 2018 Data Science Digital Marketing News

http://agahgroup.com/iran-islamic-financial-market/

Nos encontramos en una paradoja con dos tendencias de analítica. En una encuesta realizada por La Escuela de Negocios de Duke, Fuqua, y patrocinada por Deloitte LPP y The American Marketing Association, se reporta que el presupuesto que las compañías planean dar para el análisis de datos incrementará en un 198% en los próximos 3 años. Este incremento se espera a pesar que la mayoría de mercadólogos indica que las expectativas de Marketing Analytics no se han cumplido. Esto debido a que el efecto que tiene el análisis de datos en el desempeño de la compañía es mínimo. Cuando se pide que califiquen el análisis de datos en una escala de 1 – 7, siendo 1 no efectivo y 7 altamente efectivo, este recibe una puntuación promedio de 4.1. Aún más importante es el hecho que el impacto en el desempeño de la compañía ha mostrado un incremento muy bajo en lo últimos 5 años, cuando antes tenía una puntuación de 3.8.

¿Cómo es posible que a pesar que las compañías no vean ninguna mejora estén dispuestos a incrementar el presupuesto de análisis de datos? Basados en un trabajo hecho en conjunto con compañías miembros de  The Marketing Science Institute, dos fuerzas que compiten explican la razón de esta discrepancia. Las fuerzas a analizar son la data versus el talento del analista que la produce. Discutimos cómo cada una de estas fuerzas ha evitado que las organizaciones alcancen el potencial máximo de marketing analytics. Incluimos sugerencias sobre cómo alinear de mejor manera los resultados del análisis de datos a través de un incremento en el presupuesto.

El desafío de la data

La data se está convirtiendo en algo omnipresente. Esto hace que pensemos que el análisis de datos debería de cumplir con la promesa de la creación de valor agregado. Sin embargo, la data crece de acuerdo a sus propias condiciones. Este crecimiento muchas veces depende de las inversiones que la compañía realice en IT en lugar de crecer según las metas de mercadeo. Como resultados muchas veces es muy difícil separar la basura de las perspectivas útiles en una biblioteca de data.

En la mayoría de compañías la data no está integrada. La data recolectada por diferentes sistemas está desarticulada, no tiene variables con las cuales se pueda organizar y cada quien utilizando diferentes esquemas de código. Por ejemplo, la data de dispositivo móviles y de las computadoras pueden indicar rutas de navegación similares. Si la data del consumidor y la data de las páginas navegadas no puede ser relacionadas entre sí, es muy difícil llegar a definir el comportamiento de navegación. Es por esto que es importante entender cómo la data será integrada y medida al final. Esto debería de planificarse antes de recolectar la data, precisamente porque reducirá el costo de hacer las relaciones.

Además, la mayoría de compañías tienen grandes cantidades de data lo cual hace que sea difícil procesarla en tiempos aceptables. Unir data proveniente de una cantidad grande de clientes y de interacciones implica “traducir” código, sistemas y diccionarios. Una vez adherida, grandes cantidades de información pueden sobresaturar la capacidad de procesamiento y los algoritmos. Existen varias formas de llevar a cabo análisis a escala pero recolectar data que no puede ser analizada siempre es ineficiente.

La ironía de tener mucha data es que muchas veces se obtiene muy poca información. Entre más data y más campos sean recolectados, menos posibilidad hay que se puedan traslapar, creando “agujeros” en la data. Por ejemplo, dos clientes con la misma cantidad de transacciones podrían fácilmente tener diferentes cantidades en su cuenta bancaria. Mientras uno representa una oportunidad de venta, el otro podría tener poco potencial de ganancia. La data debería de ser diseñada pensando en que podrá ser llenada más tarde, de esta manera los agujeros en la data pueden ser llenadas conforme sea necesario para poder llevar a cabo la estrategia.

Quizás lo peor de todo es que la data no es casual. Por ejemplo, es cierto que los anuncios en búsquedas pueden ser relacionados con las compras porque los clientes se encuentran en un estado de motivación para comprar. Sin embargo, esto no significa que el anuncio haya provocado la venta. Aún cuando la tienda no haya comprado publicidad el consumidor está motivado a comprar, entonces ¿cómo saber cuando la publicidad está siendo efectiva? Esto se pone peor conforme crece la data, los problemas se vuelven más complejos. Sin el enfoque correcto no hay inversión que logre traducir esta data a perspectivas útiles.

Las compañías deberían hacer dos cosas para aprovechar el poder de marketing analytics. Primero, en lugar de crear data y luego decidir qué hacer con ella, las compañías deberían decidir qué desean hacer primero y luego indicar a data que necesitan para hacerlo. Esto significa una mejor integración entre mercadeo e IT, desarrollando sistemas alrededor de la información que la gerencia necesita en lugar de tener una cultura de “capturar data y rezar”.

Segundo. Las compañías deberían crear una vista integrada 360 que considere todos los comportamientos del cliente desde que se despierta hasta su hora de ir a dormir. Cada punto de engagement, tanto de comunicación como de compra, debería de ser capturado. Sólo cuando una compañía puede entender a su cliente por medio del análisis de datos puede desarrollar experiencias únicas y costumizadas. La encuesta a la que hacemos referencia al principio muestra que el desempeño de las compañías en realizar esta labor no ha mejorado en los últimos 5 años. Esto es crea un reto para la compañía al querer contestar las preguntas más importantes sobre sus clientes.

El desafío del analista

La encuesta también descubrió que solamente el 1.9% de los líderes de mercadeo reportaron que sus compañías tienen el talento necesario para aprovechar el marketing analytics. Un buen analista, así como la buena data, es difícil de encontrar. Se calificó a los analistas utilizando una escala de 7 puntos en donde 1 es “no tiene el talento adecuado” y 7 es “tiene el talento adecuado”. Tristemente el promedio de 3.4 puntos no ha mejorado desde el 2013.

La razón de la diferencia entre la promesa y la realidad del análisis de datos apunta a una desconexión que necesita solución. Las compañías necesitan alinear de mejor manera su estrategia de data y su talento en análisis de datos para poder llegar al potencial que marketing analytics ofrece a los gerentes de mercadeo. Cuando no hay talento, aún teniendo la mejor data es imposible obtener todo su potencial. ¿Cuáles son las características principales que una compañía debería de ver en un analista?

Define claramente el problema de negocio. Los gerentes que dependen en data scientists para saber qué pueden hacer con data encuentran más útil simplemente dejar que la persona le ayude a definir el problema. Por ejemplo, un mercadólogo que pregunta hace preguntas sobre cómo dirigir conversiones a un data scientist quizá no se de cuenta que existe data en final del funnel de compra que pueda ser más relevante para generar ventas a largo plazo. En lugar de tomar solicitudes de forma literal, los analistas deberían de tomar las solicitudes en la forma en que se están haciendo las preguntas. De esta forma pueden integrar sus consejos con las necesidades de la compañía. Por ejemplo, una solicitud es definir como los ascensos están relacionados con las ventas. El analista puede ver a de forma macro que la pregunta es ver el efecto de los ascensos en la marca en general.

Entiende cómo los algoritmos y la data se relacionan con los problemas del negocio. Las compañías verán la eficiencia del análisis de data de mejor manera si los equipos son claros en sus objetivos, los mantienen informados sobre la estrategia, son conscientes de la estructura organizacional y son expuestos a los clientes. Para motivar este entendimiento, los analistas deben pasar tiempo físico fuera del análisis de data. Quizás visitando clientes que les permitan tener un mejor entendimiento de los requerimientos del mercado, asistir a eventos de planeación, etc. Esto ayudará a que puedan participar en la alineación de IT con mercadeo y así tener mejor data.

Entiende las metas del negocio. El análisis de data está lleno de solicitudes, así como un mesero que atiende a muchos clientes. Un reconocimiento claro de las metas del negocio permite a los analistas priorizar y utilizar su tiempo en las cosas más importantes. Las solicitudes deberían estar centralizadas y luego priorizadas por:

  1. Si los hallazgos tienen el potencial de cambiar cómo se hacen las cosas.
  2. Las consecuencias económicas de dichos cambios.

Muchas compañías tienen formularios estandarizados para asegurar que todas las solicitudes realizadas son analizadas de la misma forma. Un beneficio de este proceso es que mitiga la posibilidad de que una persona solicite una investigación con objetivos personales.

Comunica perspectivas, no hechos. La teoría de la comunicación nos dice que el transmisor y el receptor de la información deben compartir un mismo dominio del conocimiento de la información que será transmitida. Esto significa que el analista necesita entender lo que el mensajero de la compañía puede entender. Letras pequeñas, ecuaciones complejas y énfasis en el modelo de la data en lugar de explicaciones y perspectivas son errores comunes a la hora de presentar resultados. ¿Por qué utilizar un modelo complicado para presentar información que podría entenderse fácilmente con una infografía? Las presentaciones deberían ser hechas alrededor de perspectivas en lugar de tecnicas de analisis. Esta es otra razón por la cual los analistas deben estar conectados con clientes y gerentes. Además, en lugar de reportar sobre “un estimado de un parámetro” el analista debería de comunicar como los resultados apuntan a ciertas acciones estratégicas. Esto requiere que los analistas estructuren su análisis en un marco que permita a los gerentes ver el peor y el mejor escenario.

Desarrolla un instinto para ubicar la variación de la data de acuerdo a las preguntas del negocio. Esto significa dos cosas: Primero. Los analistas necesitan tener un entendimiento exhaustivo sobre los factores y los resultados. Por ejemplo, para saber los efectos de anuncio sobre las ventas, es necesario reconocer que cambios concurrentes en el diseño de un producto puede afectar las ventas. Así no se atribuirá de forma errónea el cambio en las ventas al anuncio. Segundo. Los analistas deben de tener los medios para asegurar que los conductores lleven a los resultados y no los resultados guiar a los conductores. De nuevo, esto requiere que el analista entienda la naturaleza de los mercados que están siendo analizados. Sobre este último, no existe un modelo que pueda compensar totalmente la falta de entendimiento sobre la variación casual. Los likes conducen a compras y las compras provocan likes. Sin embargo, desenmarañar estos dos aspectos requiere tener de un factor que de forma independiente manipule a uno y no al otro.

Identifica la mejor herramienta para el problema. En el lado de análisis, es un hecho que los años de entrenamiento y práctica son necesario. Uno no puede pretender saber cómo se toca un instrumento sin aprender antes y lo mismo sucede con los analistas. Los más importante es saber cuál herramienta de las disponibles es la mejor para cada problema. A un nivel granular, métodos de experimentación son especialmente buenos para evaluar la casualidad. Machine learning bajo supervisión es increíble en predecir. Machine Learning con supervisión es capaz de descomponer estímulos no numéricos en tags o atributos que permitan hacer un análisis más profundo. La economía y la psicología permiten tener un entendimiento profundo sobre la naturaleza del consumidor. Las estadísticas nos permiten sobresalir en la inferencia. Una sólida compresión sobre los motivos de la comercialización de todas estas herramientas y disciplinas en el contexto comercial es necesario para poder dar un asesoramiento eficaz.

Amplía los límites de sus habilidades. Algunos analistas de mercado sobresalen en matemática y programación. Algunos otros son muy buenos en exponer problemas, desarrollar explicaciones y conectar las implicaciones en el negocio. Muy pocos son buenos en las dos cosas. Las compañías tienen dos opciones. La primera es agrupar estas habilidades diversas en una sola persona a través del entrenamiento y experiencias. Las segunda (y más probable) es tener un equipo que se lo suficientemente hábil con las técnicas de forma que puedan interactuar productivamente. Asegurar que existe un mecanismo para relacionar el enfoque y el analista con el problema, esto requiere de talento con experiencia. Talento que tenga la capacidad de alinear los recursos de análisis con los problemas del negocio.

En vista del crecimiento exponencial en clientes, competidore e información sobre el mercado. Las compañías están encontrando una oportunidad sin precedentes para poder deleitar a sus clientes por medio de la entrega de productos y servicios hechos a la medida. Productos y servicios entregados en el formato correcto, la hora correcta, la ubicación correcta, el medio necesario y canal solicitado. Sin embargo, darse cuenta de este potencial requiere de un enfoque proactivo y estratégico sobre marketing analytics. Las compañías necesitan invertir en la mezcla correcta de data, sistemas y personas para poder alcanzar las metas.

 

**Obtenido de Harvard Business Review**

 

 

Newsletter Radii

Radii Digital Marketing es una compañía de mercadeo digital establecida en Guatemala y en Estado Unidos. Es una Premiere Factivate Agency, además de tener certificaciones con Hubspot y Marketo.

You may also like:

UTM cover Códigos UTM ¿Qué son? ¿Por qué utilizarlos? 28/09/2018 Español, Technology - Un código UTM es simplemente un código que se agrega al final de una URL con el objetivo de tener trazabilidad, principalmente, sobre fuentes, medios y campañas. Si tenemos la disponibilidad de utilizar Google Analytics dentro de nuestro sitio web, con los códigos UTM se vuelve muy fácil saber de dónde viene el tráfico de mi sitio web así como también la campaña que los hizo llegar. Un código UTM está formado principalmente por tres componentes: Source (fuente): Es la referencia de donde viene el usuario. Algunos ejemplos son periódico, newsletter y Facebook. Medium (medio): La forma en que se transmitió el link. Algunos ejemplos son correo electrónico, valla y video. Campaign name (nombre de la campaña): Este es el nombre con el cual se identifica una campaña. Una misma campaña puede tener varios anuncios y estos se agruparan bajo este mismo nombre. Ejemplos de nombres de campaña son venta_fin_de_anio, awareness_cancer y cupones_bebidas. Existen otras dos propiedades secundarias que podemos agregar en un código UTM: Terms: Es muy útil para campañas que se pagan por keywords ya que aquí podemos agregar los keywords que se utilizaron para el ad, por ejemplo zapatos o camisas. Campaign content: Una forma de utilizar ...
Obtenido de https://diymusician.cdbaby.com/music-rights/indie-musicians-can-monetize-music-facebook/ Como Spearmint Love logró una campaña exitosa en Facebook 30/08/2018 Case Studies, Consulting, Español - No se logra obtener 220,889 fans en Facebook de la noche a la mañana. Especialmente no obtiene un 62.48% de sus fans hablando sobre su marca en Facebook. En promedio, el porcentaje de personas que han dado “me gusta” a una página y que interactúan con esta es un 1%. Esto es cuando se tiene un buen engagement rate o tasa de interacción. Todos los negocios en línea conocen muy bien la narrativa del engagement en Facebook. El algoritmo de Facebook sigue evolucionando a promover las marcas en el newsfeed de los usuarios cada vez menos. La búsqueda orgánica es imposible de conquistar. Facebook se ha convertido en una plataforma que le exige pagar para poder participar. Aún pagando no es del todo claro si esos likes y clics en algún momento se convierten en dinero para la marca. Para Spearmint Love no hay ninguna duda que su inversión en Facebook sí se convirtió en dinero real. Ellos lograron convertir a esta plataforma oscura en una historia de éxito. La co fundadora Shari Lott pasó tres año siendo una blogger mamá. Así construyó una base de fans fieles en Facebook y en Instagram, plataformas en donde las imágenes son oro. ...
Cover reportería y análisis Diferencia entre reportería y análisis web 06/07/2018 Consulting, Data Science, Español - Muchas veces nos hacen una pregunta muy sencilla, ¿Cuál es la diferencia entre reportería y análisis web? Nuestro instinto es hacer una observación fácil sobre el análisis “Lo reconocemos cuando lo vemos”. Sabemos que esa no es una respuesta muy útil. La respuesta real fue la siguiente: Si ve mucha data entonces puede saber que está viendo un reporte. Aun cuando tenga como título “Dashboard”. Si ve palabras en español mencionando acciones que debe tomar acompañado de data relevante, entonces estamos hablando de un análisis. Nos hemos dado cuenta que las imágenes en verdad hablan más que mil palabras. Por eso tenemos algunas que le pueden ser de utilidad. Esto es un reporte web: Apesar que este se ve mejor, también es un reporte web: Es muy probable que se sienta tentado a pensar que esto no es un reporte web. Tiene muchos colores y data, hasta algunos segmentos. Créanos, es un reporte web: ¿Ve las características en común de los tres ejemplos? El trabajo de los reportes web es menospreciado. Su trabajo es dar la responsabilidad de entender el contexto, interpretar data e identificar las acciones necesarias al pobre que recibe el reporte. Si su trabajo es el de ...
http://agahgroup.com/iran-islamic-financial-market/ Por qué Marketing Analytics no ha cumplido las expectativas 11/06/2018 Data Science, Digital Marketing News, Español - Nos encontramos en una paradoja con dos tendencias de analítica. En una encuesta realizada por La Escuela de Negocios de Duke, Fuqua, y patrocinada por Deloitte LPP y The American Marketing Association, se reporta que el presupuesto que las compañías planean dar para el análisis de datos incrementará en un 198% en los próximos 3 años. Este incremento se espera a pesar que la mayoría de mercadólogos indica que las expectativas de Marketing Analytics no se han cumplido. Esto debido a que el efecto que tiene el análisis de datos en el desempeño de la compañía es mínimo. Cuando se pide que califiquen el análisis de datos en una escala de 1 – 7, siendo 1 no efectivo y 7 altamente efectivo, este recibe una puntuación promedio de 4.1. Aún más importante es el hecho que el impacto en el desempeño de la compañía ha mostrado un incremento muy bajo en lo últimos 5 años, cuando antes tenía una puntuación de 3.8. ¿Cómo es posible que a pesar que las compañías no vean ninguna mejora estén dispuestos a incrementar el presupuesto de análisis de datos? Basados en un trabajo hecho en conjunto con compañías miembros de  The Marketing Science Institute, ...