métricas de marketing intelligence: midiendo y evaluando para mejorar el marketing
TRANSCRIPT
Programa Big Data y Business
IntelligenceM3.1. Business Analytics
M3.1.03.5. Métricas de Marketing Intelligence
David Ruiz Uceta y Alex Rayón [email protected] y [email protected]
25 de Septiembre de 2015Bilbao
Guión de la sesión
2
3
4
Tabla de contenidosEl marketingMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing Intelligence
5
Tabla de contenidosEl marketingMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing Intelligence
6
El marketing¿Qué es?
Marketing=
Mercado+
Oferta7
El marketing¿Qué es? (II)
8
MercadoRAE: “7. m. Conjunto de consumidores capaces
de comprar un producto o servicio.”
OfertaRAE: “6. f. Econ. Conjunto de bienes o
mercancías que se presentan en el mercado con un precio concreto y en un momento determinado.”
El marketing¿Qué es? (II)
9
Fuente: http://www.profesionalesmarketing.es/2015/02/marketing-online-para-hoteles-5-claves-para-posicionar-tu-hotel-en-internet/
El marketing¿Qué es? (III)
10
En la era de Internet, dentro del mundo del marketing, el usuario tiene el poder
BúsquedasRecomendacionesQuién, qué, cómo,
cuándo, cuánto, etc.
Fuente: http://moisesnaim.com/es/books/el-fin-del-poder/
El marketing¿Qué es? (IV)
11
El marketing no es solo publicidadLa publicidad es el impacto para llegar al mercado
No tiene el valor añadido de la experiencia, del contenido, etc.
Fuente: http://www.revistasumma.com/la-publicidad-que-quieren-que-veamos-sin-darnos-cuenta/
El marketingDrivers of Big Data
12
El marketingEconomía digital
13
En la actividad digital, todo genera un dato
Tarjetas de créditoTeléfonos móvilesRedes socialesProveedores de
InternetTarjeta de fidelización
de mercado...
Fuente: http://www.privacidadlogica.es/2012/05/31/modelo-de-informe-sobre-sistema-de-control-horario-basado-en-huella-digital/
El marketingEconomía digital (II)
14
El marketingLa importancia del dato
15
En la economía digital, captar datos de clientes es cada vez más crítico
De1º Vender2º Capturar el dato
A1º Capturar el dato2º vender
El marketingLa importancia del dato (II)
16
Estrategia de venta directa: nuevo enfoque
1-2) Gestionar audiencia1-2) Capturar datos
3) Convertir a ventas
El marketingLa importancia del dato (III)
17
1) Gestionar audienciaFijar público objetivoIdentificar espacios digitales donde encontrarlos
Crear espacios propios para captar datos y crear la Base de Datos
Definir líneas editoriales y métodos de captación
El marketingLa importancia del dato (IV)
18
2) Captar datosCreación landing page para captar dato
Pedir datos necesarios y clasificarlosRealizar seguimiento
El marketingLa importancia del dato (V)
19
3) Convertir a ventaSegmentación de usuariosPersonalización de la ofertaPlanificar accionesRealizar seguimiento
El marketingEvolución: Las Tres Olas
20
El marketingNueva coyuntura
21
El marketingNueva coyuntura (II)
22
Las marcas ya no se anuncian, se relacionan
El marketingNueva coyuntura (III)
23
Fuente: http://www.slideshare.net/FranciscoEgeaCastejn/omnichannel-commerce-v1-29975328?qid=a49aadc2-7032-4304-b96b-145ffb0e2dae&v=default&b=&from_search=20
El marketingDe multicanal a omnicanal
24
Experience
Transaction
El marketingAproximación digital
25
El marketingAproximación digital: Datos estructuras y no
estructurados
26
El marketingAproximación digital: Mayor número de variables
27
El marketingAproximación digital: Proceso casi en tiempo real
28Event-Based Marketing
El marketingAproximación digital: Mayor profundidad de datos
29
El marketingEstructura organizativa
30
Para que esto funcione...
Fuente: http://blogs.icemd.com/blog-customer-centric-customer-experience/tag/estrategia-omnicanal/page/2/
El marketingEstructura organizativa (II)
31
El marketingCustomer Journey
32
El marketingFindability
33
El marketingSoportes digitales
34
El marketingSoportes digitales (II)
35
El marketingPuntos de contacto y experiencia de usuario
36
Tabla de contenidosEl marketingMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing Intelligence
37
Método del caso
38
Definición del problemaCriterios Decisión
Plan de acción
Evaluar alternativas
Generar alternativasSíntesisSíntomas
Análisis
1
2
3 4 5 7
6
Método del caso
39
Fuente: http://www.brandemia.org/magazine
Analytics www.tiendaosborne.es Nuevo informe personalizado 20150101-20150921
Método del caso1) Definición del problema
40
Definición de objetivosNecesidad de información
AntecedentesNuevas oportunidadesMejora toma de decisiones…
Datos disponiblesAlcance
Método del caso1) Definición del problema (II)
41
Modelo de datos
Transacción
ClientePromociónProducto/Servicio
Proveedor
Tienda
Web Analytics
Identidad digital
Social Media
Analytics
Lead
Tarjetafidelización
- Atributos personales
- online/offline- localización- tamaño- secciones- fecha apertura...
referencias
Empleado
- id- precio- categoría- tamaño- marca- fecha introducción- fecha retiro- estado...
- fecha- hora- medio de pago- día/mes/mes del año...
- fecha inicio- fecha fin...
Grupo
Acción marketing
visita
Categoría
Tiempo
Método del caso1) Definición del problema (III)
42
Modelo de datos
Método del caso1) Definición del problema (IV)
43
Estudiar datos tiene dos objetivos principales
Informar¿Qué ha ocurrido?
Predecir¿Qué podría ocurrir?
Método del caso1) Definición del problema (V)
44
Modelo de datos
Método del caso1) Definición del problema (VI)
45
Planteamos cinco problemas1.Relación entre CAC y Margen Unitario2.Predecir cifra de ventas a partir de la
cantidad y grupo de promoción3.¿Qué productos son comprados a una
determinada hora del día?4.¿Qué compras siguen un patrón parecido?5.Reducir a dos dimensiones la matriz de datos
Artículo Alex
Método del caso1) Definición del problema (VII)
46
Categorías de problemas
Problemas
Predictivos(supervisados)
Descriptivos(no supervisados)
Clasificación
Regresión
Análisis correlacional
Agrupamiento
Reglas asociación
Método del caso1) Definición del problema (VIII)
47
Categorías de problemas
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
Método del caso1) Definición del problema (IX)
48
Método del caso1) Definición del problema (X)
49
Para estudiar la correlaciónSe escogen dos o más variables entre las que
se hipotetizar una relación causalSe pone a prueba mediante técnicas
estadísticas (test chi2, etc.)
¿Cómo identificar qué variables son las que explican (son independientes)?
Por los métodos de controlMétodo experimental
Método estadístico
Método comparativo
Microcualitativo
Uso de datos en el mundo del marketingCustomer profiling: hábitos, necesidades,
valor, potencial → Know Your Customer (KYC)Customer Intelligence: targeting, modelos
de cliente (ciclo de vida relacional y existenciales), modelos de producto (propensiones), segmentación, análisis del Valor Cliente (Customer Lifetime Value), análisis patrones de compra (Market Basket Analysis), métrica RFM (Recency, Frequency, Monetary), etc.
Estrategias omnicanal y de Social CRM: findability, social CRM, gestión de canales, etc.
Método del caso1) Definición del problema (XI)
50
Uso de datos en el mundo del marketingBrand Intelligence: valor de una marca,
influencia de la marca en la oferta y demanda, valoración de marca, etc.
Marketing experiencial: Customer Experience Management, Customer journey, Indicadores de Experiencia de Cliente (NPS, etc.)
Del marketing masivo al marketing one2one: Event-based marketing, marketing en tiempo real (retargeting), retargeting personalizado (Right Offer, Right PersoN), estrategias de cross y up-selling
Método del caso1) Definición del problema (XII)
51
Uso de datos en el mundo del marketingInbound marketing: engagement con
contenidos, capturando datos de touchpoints, relación con clientes, etc.
Social Media Intelligence: Social Business, Social Media Analytics, análisis de medios sociales y conversión, etc.
Geomarketing: Sistemas de Información Geográfica (GIS)
Producto: nichos de mercado, nuevos productos y servicios, pricing inteligente, etc.
Método del caso1) Definición del problema (XIII)
52
Uso de datos en el mundo del marketingFidelización de clientes: programas de
fidelización, técnicas de fidelización (endógena y exógena)
Marketing ROI & optimización del presupuesto de marketing: CLV vs. CAC, modelos de atribución, modelo analítico de atribución, evaluación de las acciones, campañas, segmentos y audiencias, optimización de la inversión
etc.
Método del caso1) Definición del problema (XIV)
53
Método del caso2) Análisis
54
Necesidad de informaciónEntidad/entidadesConceptos mediblesAtributosMétricasIndicadores → KPIsEjemplo
Método del caso3) Síntesis
55
Resumen de indicadoresCategoría de indicadores
MercadoOfertaProductoAcciones de marketing
Cuadro de Mando Integral
Método del caso4) Generar alternativas
56
Oportunidades de mejoraExperimentos orientados a la mejora de
resultados
Para los cuatro problemas planteados, vamos a construir:
Clasificación/clusterizaciónModelo de regresiónReglas de asociaciónAnálisis de Componentes Principales
Método del caso5) Evaluar alternativas
57
Fuente: http://globalo2.es/satisfaccion-clientes/
Método del caso6) Decisión
58
Toma de la decisión considerando KPIs
Fuente: https://actitudinternacionaluca.wordpress.com/author/intacuca/page/9/
Método del caso7) Plan de acción
59Fuente: http://www.sedputumayo.gov.co/sedputumayo/SITIO/site/index.php?option=com_k2&view=item&id=679:plan-de-acci%C3%B3n-secretaria-de-educaci%C3%B3n-departamental-a%C3%B1o-2014
Tabla de contenidosEl marketingMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing Intelligence
60
MétricasIntroducción
Beneficios de la medición/evaluaciónAnalizar, comprender (los atributos de un ente)Controlar (la calidad del producto, etc.)Predecir (el tiempo y coste de un proyecto)Mejorar (la calidad de un servicio, proceso,
etc.)
Conceptos medibles (factores)Calidad, calidad de uso, productividad, coste,
eficiencia de una acción, etc. 61
MétricasIntroducción (II)
“Metrics are welcome when they are clearly needed and easy to collect and understand” (Pfleeger)
“Indicators are ultimately the foundation for interpretation of information needs and decision-making”
62
MétricasUtilidades
Medición objetiva antes que subjetivaEspecificar en el mundo formal, la correspondencia de un atributo del mundo empírico
Servir de base a métodos cuantitativos de evaluación o predicción
La métrica no puede interpretar por sí sola un concepto medible → necesitamos indicadores 63
MétricasMétodos de evaluación
Categorías TestingInspecciónConsulta (inquiry)Modelo analítico
Simulación
Los métodos y técnicas a aplicar sonCuantitativos vs. cualitativosAutomáticos, semiautomáticos o manualesDesde fácil a difícil de usar y aprender
64
MétricasConceptos asociados a métricas
65
EntidadAtributoConcepto medibleModelo conceptualMétrica (Medición, medida)MétodoEscala y unidadIndicador
MétricasEntidad
66
Un objeto que va a ser caracterizado mediante la medición de sus atributos
Puede ser física -tangible- o abstracta -intangible-
Objetos de interés para el marketing:
ServicioProductoAcciónCampañaOferta...
MétricasAtributo
67
Propiedad mensurable, física o abstracta, de una entidad
Puede ser interno o externo de la entidad
El atributo se puede medir (cuantificar) por medio de una métrica directa o indirecta
MétricasConcepto medible
68
Una relación abstracta entre atributos de una o más entidades, y una necesidad de información
Fuente: https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_medida
MétricasModelo conceptual
69
El conjunto de subconceptos y las relaciones entre ellos, que sirven de base para una posterior evaluación o estimación
Ejemplo: características y sus relaciones que proveen las bases para modelar la calidad
Una característica puede estar conformada por subcaracterísticas y atributos
MétricasModelo conceptual (II)
70
MétricasMétrica
71
El método de medición definido y la escala de medición (ISO 14598-1:1999)
MediciónActividad que usa la definición de la métrica para
producir el valor de una medida
MedidaNúmero o categoría asignada a un atributo de una
entidad mediante una medición (ISO 14598-1:1999)
MétricasMétrica (II)
72
Es la correspondencia de un dominio empírico (mundo real) a un mundo formal, matemático
La medida incluye el valor numérico o nominal asignado al atributo de un ente por medio de dicha correspondencia (Fenton)
MétricasMétrica (III)
73
Juan es más alto que María si y sólo si M(Juan) > M(María)
MétricasMétrica (IV)
74
Pueden serMétricas directas
Una métrica de un atributo que no depende de ninguna métrica de otro atributo
Métricas indirectasUna métrica de un atributo que se deriva de una o
más métricas de otros atributosSe formaliza por medio de una función de medición
(fórmula, ecuación)
Función de medición: un algoritmo o cálculo que permite combinar dos o más métricas
MétricasMétodo
75
Secuencia lógica de operaciones y potenciales heurísticas, expresadas de forma genérica, que permite la realización de una descripción de actividad
El tipo de método de medición va a depender de la naturaleza de las operaciones utilizadas para cuantificar el atributo
Subjetivo: cuando la cuantificación supone un juicio realizado por un ser humano.
Objetivo: cuando la cuantificación está basada en métodos numéricos
MétricasEscala
76
Un conjunto de valores con propiedades definidas (ISO 14598-1)
Escala numérica (continua o discreta)Escala categóricaTipos de escala
Nominal
Ordinal
Intervalo
MétricasEscala (II)
77
MétricasEjemplo
78
Necesidad de informaciónEvaluar la confianza de los enlaces en una web
EntidadWebsite
Concepto medibleConfiabilidad de los enlaces
AtributosInternal Broken Links (IBL)External Broken Links (EBL)Invalid Links (IL)
MétricasEjemplo (II)
79
Métrica posible 1#IBL
Unidad: enlace
Escala: numérica, enteros
Tipo de escala: absoluta
Tipo de método de medición: objetivo
Métrica posible 2%IBL = (#IBL/#TL) * 100
Unidad: normalizada a porcentaje
Escala: numérica, reales
Tipo de escala: absoluta
Tipo de método de medición: objetivo
MétricasIndicador
80
El método de cálculo y la escala definidos, además del modelo y criterios de decisión con el fin de proveer una evaluación o estimación de un concepto medible con respecto a una necesidad de información
Las métricas no pueden interpretar por sí solas un concepto medible
Se necesitan indicadores
MétricasIndicador (II)
81
Criterio de decisión“Thresholds, targets or patterns used to
determine the need for action or further investigation, or to describe the level of confidence in a given results” (ISO 15939)
EjemploNo satisfactorio: de 0 a 40
Marginal: entre 40 y 60
Satisfactorio: más de 60
MétricasIndicador (III)
82
MétricasEstrategia medición: claves
MétricasEstrategia medición: Esquema
MétricasEstrategia medición: Elementos
¿Qué necesitamos para llevar a cabo esta estrategia?
Conocimientos del negocioObjetivos de negocio
Estrategias de marketing digital
Formación analítica digitalConocimientos técnicos
MétricasEstrategia medición: Objetivos
eCommerce
Cualificación de leads
Engagement
Compromiso y fidelización
MétricasEstrategia medición: Objetivos (II)
MétricasEstrategia medición: Objetivos (III)
MétricasEstrategia medición: Objetivos (IV)
VentasVentas por hora, día, semanales, mensuales,
trimestrales y anualesCompra media (ticket medio de venta)Margen medioRatio conversión ventas respecto a usuarios% Carritos abandonados% de nuevos pedidos respecto pedidos de
usuarios recurrentes% de nuevos pedidos respecto usuarios nuevosProductos más vendidosProductos más visualizados
MétricasEstrategia medición: KPI
eCommerceUnique visitors
Total visits
Page views
New visitors
New customers
Total orders per day, week, month
Time on site per visit
Page views per visit
Funnel - Checkout abandonment
Funnel - Cart abandonment
Call center – clientes que realizan preguntas online, chats, email, etc.
etc.
MétricasEstrategia medición: KPI (II)
MarketingSite traffic
Unique visitors vs. returning visitors
Time on site
Page views per visit
Traffic source
Newsletter subscribers
Chat sessions initiated
Facebook, Twitter, or Pinterest followers or fans
Pay-per-click traffic volume
Blog traffic
Brand or display advertising click-through rates
Affiliate rates
...
MétricasEstrategia medición: KPI (III)
Customer serviceCustomer service email countCustomer service phone call countCustomer service chat countAverage resolution timeetc.
Ahora veamos como pintar este cuadro...
MétricasEstrategia medición: KPI (IV)
Tabla de contenidosEl marketingMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing Intelligence
94
Ciclo Business Intelligence
Introducción
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación de consumidores, cesta de la compra, etc.) y predictivos (predicción de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
Interpretación de los resultados
Reporting: usos, ejemplos y herramientas
Cuadros de mando: usos, ejemplos y herramientas
Elementos clave del éxito/fracaso: ventaja competitiva
Tendencias
95
Ciclo Business Intelligence
Entendiendo el problema a resolver
Entendiendo el problema a resolver
Saber plantear las preguntas correctas
Identificando los problemas
Pensamiento creativo y crítico
Definiendo las métricas de negocio
Aplicación de técnicas
Los modelos analíticos: relación entre variables
Modelización del problema: Modelos descriptivos (segmentación de consumidores, cesta de la compra, etc.) y predictivos (predicción de abandonos o fugas, pasos por taller,...)
Visualización de resultados para aportar valor al negocio
Interpretación de los resultados
Reporting: usos, ejemplos y herramientas
Cuadros de mando: usos, ejemplos y herramientas
Elementos clave del éxito/fracaso: ventaja competitiva
Tendencias
96
Ciclo Business Intelligence
Entendiendo el problema a resolver (II)
97
No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas
Una disciplina que tiene un objetivo a medio plazo
La herramienta de la estrategia y de la dirección
Busca dar respuestas a preguntas concretas y formuladas a priori analizando datos
Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/
Ciclo Business Intelligence
Entendiendo el problema a resolver (III)
98
Por contra, Big Data, básicamente consiste en analizar masivamente datos "a ver si sale algo"
Esto último tiene problemas obviosMe pueden salir correlaciones o relaciones
espúreas o sin fundamento ni sentido (si analizamos la aparición del cambio climático y la desaparición de los piratas, la correlación es muy alta, y su sentido ninguno)
Un campo que permite aprovechar el dato a corto plazo buscando patrones, inferencias, etc., entre los datos, sin ningún objetivo a priori concreto
Ciclo Business Intelligence
Entendiendo el problema a resolver (IV)
99
Tabla de contenidosEl marketingMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing Intelligence
100
Data-driven marketingGanar más dinero
101
Marketing intelligence
La idea es analizar la parte más transaccional (de compra - venta) con las acciones de marketing
Con este dúo, sacamos acciones de marketing
con objetivos, personalizado e
hipersegmentado
Fuente: http://www.boats.com/boat-content/2010/page/152/
Data-driven marketingGanar más dinero (II)
102
Se trata de analizar los datos: Contextuales de una compra → momento,
lugar, composición de la cesta de la compraLo enmarcamos en perspectiva →
frecuencia, tiempo entre última compra, etc.Analizamos el cliente → si lo hace con tarjeta
de fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc.
Y el canal por el que entra → online -tienda online, landing page, redes sociales, etc- u offline
… y preguntarnos cosas como...
Data-driven marketingGanar más dinero (III)
103
Segmento y perfil de cliente que más compra a una hora determinada y en un lugar
concreto
Fuente: http://es.slideshare.net/Elife2009/perfil-del-consumidor-de-bebidas-alcohlicas-en-mxico
Data-driven marketingGanar más dinero (IV)
104
Quién (influenciadores) o qué (drivers de compra) influye más en la decisión
de compra de un cliente → drivers
Data-driven marketingGanar más dinero (V)
105
Qué relación de productos
permite modelizar el
perfil de cliente
Data-driven marketingGanar más dinero (VI)
106
¿Cuál es la estructura de mi marca?
Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext
Data-driven marketingGanar más dinero (VII)
107
Reglas de asociación de productos como
"Si compra foie, también adquiere vino crianza", y así enfocar el cross-
selling o up-selling en tienda o en promociones,
product placement, gestión de inventarios, etc.
Expresión de la formaX → Y
{pañales} → {cerveza}
{cerveza} → {pañales}
{pan, leche} → {huevos}
{pan} → {leche, huevos}
Fuente: http://noticias.buscopisocasa.com/category/alimentacion-2/
Data-driven marketingGanar más dinero (VIII)
108
MROI: Marketing Return on InvestmentMcKinsey review: “An integrated analytics approach could save up to 15-
20% total budget”
Source: http://www.thecmosite.com/author.asp?section_id=1137&doc_id=234474
Data-driven marketingGanar más dinero (IX)
109
Clusterizar clientes y productos
Source: http://inside-bigdata.com/2013/12/18/tech-tip-power-pitfalls-clustering/
Source: http://www.cs.bilkent.edu.tr/~saksoy/research.html
Data-driven marketingGanar más dinero (X)
110
¿Cómo están relacionados mis clientes?
Análisis de Redes Sociales (ARS)
Source: http://rs.resalliance.org/2010/11/03/reading-list-using-social-network-analysis-sna-in-social-ecological-studies/
Data-driven marketingGanar más dinero (XI)
111
¿Cómo generar lealtad y preferencia hacia mi producto?
Data-driven marketingGanar más dinero (XII)
112
Customer Experience
Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/
Data-driven marketingGanar más dinero (XIII)
113
Lead generation, Nurturing and Scoring
Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/
Data-driven marketingGanar más dinero (XIV)
114
Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html
Data-driven marketingGanar más dinero (XV)
115Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem
Data-driven marketingGanar más dinero (XVI)
116
RecencyCuán reciente es la última compra del cliente
FrequencyCon cuánta frecuencia compra el cliente
MonetaryCuánto gasta el cliente
Esta técnica de análisis está basada en el axioma de marketing de que el 80% del negocio procede del 20% de los clientes
Data-driven marketingGanar más dinero (XVII)
117
Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing
Data-driven marketingMaturity model
118
Data-driven marketingMaturity model (II)
119
Data-driven marketingMaturity model (III)
120
Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)
Data-driven marketingAumentando el valor
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Data-driven marketingVisión única del cliente
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Data-driven marketingMatriz de estrategias con clientes
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Data-driven marketingMarketing digital y Big Data/Business Intelligence
Landing page
- GIS- Segmentación- Dashboard
Cadena de valor del dato en acciones de captación directa
BBDD
Business Intelligence
SEO
Performance marketing
Social Media
Data-driven marketingConozca sus clientes y aumente sus ventas
Tabla de contenidosEl marketingMétodo del casoMétricas e indicadoresCiclo de Business IntelligenceData-driven marketingAplicaciones de Marketing Intelligence
126
Experiencias Big DataCustomer Intelligence
Experiencias Big DataRetención de clientes
Experiencias Big DataEstrategias omnicanal
Experiencias Big DataEstrategias omnicanal (II)
Experiencias Big DataGeomarketing
Experiencias Big DataCLV vs. CAC
Experiencias Big DataMantener un diálogo a lo largo del Ciclo de Vida del
Cliente
Copyright (c) 2015 University of DeustoThis work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative Commons “Attribution-ShareAlike” License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/3.0/
David Ruiz Uceta y Alex Rayón JerezSeptiembre 2015
Programa Big Data y Business
IntelligenceM3.1. Business Analytics
M3.1.03.5. Métricas de Marketing Intelligence
David Ruiz Uceta y Alex Rayón [email protected] y [email protected]
25 de Septiembre de 2015Bilbao