El sistema consiste en un cuadro de mando, desarrollado sobre tecnologías opensource y bases de datos analíticas, al que se une un módulo de visualización y análisis espacial. Ambos totalmente integrados, de manera que las selecciones realizadas en uno se aplican automáticamente al otro y viceversa, y todo ello enfocado a un usuario final, con perfil de negocio, sin formación en análisis estadístico o espacial.

El sistema permite a la organización (sea ésta un laboratorio, distribuidor o grupo de farmacias):

• conocer las farmacias según su mercado potencial
• fijar objetivos y valorar vinculación: facturación real versus potencial
• ranking y potencial de farmacias por categorías, gamas, áreas terapéuticas, incluso presentaciones
• optimizar red comercial: asignación de visitadores, rutas y frecuencias de visita
• oferta de servicios a la farmacia: mercado potencial, gestión por categorías
• distribución de la información y el conocimiento de mercado a todos los niveles: jefes de producto, visitadores, las propias farmacias

A continuación veremos cómo realizar con Geosmart algunos procesos analìticos típicos del marketing farmacéutico. La pantalla de inicio nos muestra un mapa de farmacias, junto con indicadores de consecución de objetivos para varias categorías. Aquí ya podríamos seleccionar una farmacia concreta, una zona, un comercial… y valorar el rendimiento.

Ya en la pestaña de geomarketing empezaremos consultando información de mercado potencial, en este caso perfil socidemográfico –personas mayores de 75 años-, así como centros de salud –inductores de demanda de prescripción-:

O, por ejemplo, la renta media por hogar, según nuestro modelo predictivo microtarget:

También podemos visualizar modelos de mercado potencial más complejos y elaborados a medida, a partir de estudios de targeting ad-hoc. Mostramos aquí un modelo de probabilidad de compra en farmacia de productos antiacné:

Sobre el mapa, o sobre la misma leyenda, seleccionamos zonas en función de su valor, la cercanía a farmacias, centros de salud o cualquier otro criterio relevante. En  el ejemplo, microzonas de renta alta, seleccionadas sobre el valor en la leyenda:

Podemos igualmente seleccionar objetos por criterios espaciales. En el siguiente ejemplo vemos una selección de farmacias a menos de 300 metros de un centro de salud:

Otra selección espacial interesante serían las secciones censales que se encuentran a menos de 100 metros de las farmacias de Barcelona  -o una selección de éstas-:

Estas selecciones pueden aplicarse como filtros, que se expanden a todos los elementos del cuadro de mando.

En el ejemplo vemos cómo la selección aplicada sobre el mapa tiene reflejo en el gráfico de población por edades (arriba a la derecha, las barras cambian respecto a imágenes anteriores). Pero además, todos los gráficos y tablas en el resto de pestañas se modifican para reflejar el comportamiento de los indicadores para las zonas filtradas.  En este caso cifras de venta para ciertas categorías de producto, en absoluto y en relación al potencial de demanda.

Los indicadores en cuadro de mando serán tantos como necesitemos, organizados por procesos de negocio a los que se aplican, y personalizados para cada tipo de usuario en la organización. Esta parte de business intelligence cuenta con las funciones habituales drill-down, drill-up, aplicación de filtros. El uso de bases de datos analíticas garantiza un alto rendimiento sin sacrificar flexibilidad:

Los estudios realizados pueden ser guardados, para volver sobre ellos, ponerlos a disposición de colaboradores, otros departamentos, incluso proveedores o clientes. Igualmente, mapas, gráficos y tablas pueden ser exportados a formatos estándar, por ejemplo para lanzar una campaña a las farmacias seleccionadas, o en las zonas geográficas de interés. el ejemplo muestra algunas opciones de exportación de una selección de secciones censales:

El sistema incluye un módulo de generación y distribución automática de informes. Podríamos utlizarlo para generar informes de mercado potencial de cada una de las aproximadamente 23.000 farmacias existentes en España, y distribuirlos a la red comercial o las propias farmacias (en el marco de proyectos de marketing relacional, servicios a la farmacia, fidelización…):

Se trata, en definitiva de crear un sistema de conocimiento de la farmacia desde todos los ángulos: ventas reales, potencial de demanda, relación espacial con centros de salud y hospitales, rutas comerciales, visitadas y rendimiento de las mismas, tipo de área de influencia, competencia con otras farmacias… y ponerlo al alcance de quienes deben tomar decisiones comerciales y de marketing.

Os agradecería mucho que me dierais vuestra opinión para seguir desarrollando y enfocando el proyecto.

Entradas relacionadas:

• Más sobre sistemas de inteligencia geográfica electoral
• Geosmart para banca, solución de cuadro de mando geográfico (I)
• Estimación de la demanda de la farmacia como punto de venta

Revisando estas tareas, se me ha ocurrido hacer un análisis ágil de los indicadores que han marcado las dos grandes tendencias demográficas en la última década:

• envejecimiento, reflejado en este caso por la población mayor de 65 años
• inmigración, a través de su indicador más “bruto” y directo, la presencia de extranjeros

Empezamos con un análisis evolutivo y comparativo por frecuencias. Para ello os propongo que uséis vosotros mismos el siguiente gráfico interactivo, elaborado con Google motion charts. Podéis cambiar las variables de los ejes, colores, tamaño de las bolas, pulsando el play el gráfico refleja la evolución anual en el período. ¿Qué os dice el gráfico? ¿A qué conclusión os lleva?

A mí lo primero que se me ha ocurrido es visualizar la población total (variable ‘TOTAL’) como tamaño de puntos, seleccionar las provincias con más mayores de 65, así como Madrid y Barcelona a modo de referencia. Mi gráfico inicial sería:

Éste es el gráfico final, en 2011, manteniendo las “rutas” temporales seguidas por las provincias de nuestro interés:

Y éste es el resultado sin rutas, para centrarnos en la “foto” final, al que he añadido una recta de regresión aproximada -ya que el software no la calcula-.

De ellos puedo sacar tres conclusiones, rápidas y relevantes:

1. Hay una  indudable correlación inversa: a más inmigración, menos envejecimiento. Esto está relacionado con el hecho de que muchos inmigrantes vuelven a sus países de origen al jubilarse, también con que muchos de los que inmigran son jóvenes (y hombres). Pero para sacar estas conclusiones necesitaremos otros gráficos, de éste no se derivan necesariamente.
2. De las provincias más envejecidas en 1998, aquellas que más inmigrantes han recibido han reducido su tasa de envejecimiento -Teruel, Soria-. Las que no tienen extranjeros continúan a la cabeza del ranking de envejecimiento -Ourense, Zamora-.
3. En Madrid y Barcelona, en el gráfico final con “rutas”, apreciamos claramente cómo a partir de 2009 declina la tasa de extranjeros, incrementándose al mismo tiempo la tasa de envejecimiento (que hasta entonces se había mantenido constante). Esto corrobora lo dicho anteriormente, y es coherente con la crisis, la caída de las ocupación y las políticas de facilitar el retorno a inmigrantes. Si embargo, es llamativo, menos obvio y no sabría explicar por qué en Soria y Teruel no se produce esta inflexión, manteniendo exactamente la misma evolución lineal hacia más inmigrantes y menor envejecimiento. Para esto, necesitaremos otro gráfico, con otros datos, ¿se os ocurre por dónde empezar?

Entradas relacionadas:

• Geomarketing en healthcare. Realidades y tendencias
• Análisis RFM en retail. Empezando a segmentar clientes (I)
• Elegir software de análisis y visualización

Geosmart banca y servicios financieros es una solución vertical, preparada para los análisis más habituales, sobre la cual personalizamos el sistema a la medida de las necesidades de cada entidad. El concepto fundamental es integrar los datos de negocio (las bases de datos internas) con los de mercado potencial (los mapas y datos sociodemográficos, económicos, demanda), analizarlos conjuntamente y tomar decisiones que puedan tener alguna componente geográfica.

Lo innovador del plantemiento radica en que el análisis espacial es un proceso de análisis más de los propios de la herramienta de business intelligence: selección de indicadores, creación de gráficos, cuadros de mando, aplicación de filtros… con la mayor sencillez y facilidad de uso para usuarios de negocio de diversos perfiles.

A continuación podemos ver cómo esta solución permite optimizar procesos de decisión concretos en el marketing bancario, principalmente en un enfoque de retail:

 Cuadro de mando de oficinas

La pantalla inicial presenta indicadores de oficinas tipo real vs objetivos, para total de oficinas, tipología de tamaño, antigüedad, especialización, dirección regional, o por supuesto selecciones de oficinas concretas hechas manualmente.

Visualización de indicadores de clientes reales y potenciales

Mapas temáticos de datos internos -presencia de clientes, penetración, cifra de negocio por actividad, tipología de clientes- y datos externos -clientes potenciales por nivel de renta, tipo de barrio, potencial de demanda de productos financieros, inmigrantes…-. Visualmente permiten explorar relación entre red de oficinas, negocio real y potencial, identificando oportunidades y áreas de mejora.

Geosmart banca, penetración de clientes por sección censal

indicadores externos, presencia 3ª edad por sección censal

indicadores externos, renta media por hogar y locales

Añadiendo a los datos anteriores la red de oficinas de entidades competidoras, tenemos el escenario completo para interpretar el negocio real -en términos de clientes y oficinas- en función de las oportunidades -clientes potenciales- y amenazas -presencia de competencia-.

indicadores externos, presencia de competencia

Creación de áreas de influencia de las oficinas

Con un simple botón obtenemos las áreas de influencia en torno a la red de oficinas (propia en este caso, igualmente podría ser la red de una entidad competidora). Las áreas de influencia son parametrizables en:

• método de cálculo: circulares,tiempo máximo de desplazamiento (drivetime)
• alcance: distancia en metros deseada, o tiempo de desplazamiento
• método de selección de clientes: secciones censales, códigos postales, portales, parcelas catastrales

Cada uno de estos métodos presenta ventajas e inconvenientes, siendo unos más precisos que otros. Además de poder seleccionarlo el propio usuario, en la fase de diseño colaboramos, aconsejamos y ayudamos a la entidad a decidir qué tipos de área de influencia le interesa utilizar para los diferentes procesos de negocio.

A continuación presentamos un ejemplo sencillo de selección de zonas para la realización de una acción comercial por canal directo (telemarketing, emailing, mailing, buzoneo). Seleccionamos las secciones censales a 300 metros de nuestra red de oficinas, mediante áreas de influencia, que podemos además modificar manualmente una vez calculadas (revisar zonas que añadir o quitar):

selección de secciones censales en áreas de influencia de oficinas

Selección de áreas, análisis de datos internos y lanzamiento de acción

Ahora nos puede interesar quedarnos solo con aquellas secciones con alto potencial de demanda de planes de pensiones, estimado por nuestro modelo predictivo microtarget®. Con un clic sobre la propia leyenda aplicamos este filtro, y ya solo vemos secciones cercanas a las oficinas con alto  potencial de demanda de planes de pensiones.

selección de secciones censales por áreas de influencia y filtro por indicador

Las zonas seleccionadas actúan como filtro del cuadro de mando, permitiendo ver el comportamiento de otros indicadores internos o externos en ellas. Podríamos chequear la penetración de clientes, el volumen de negocio de planes de pensiones, o consultar las acciones realizadas a los clientes residentes en estas áreas.

indicadores en cuadro demando filtrados por mapa

De nuevo podríamos volver al mapa, añadir o quitar zonas, analizar los datos resultantes -potencial de demanda, cobertura de clientes actuales, cifra de negocio afectada en la zona…- y seguir los cambios en las selecciones -por  ejemplo, número de viviendas a buzonear-.

Exportación de selecciones para ejecutar la acción

Una vez definida una selección para una acción, contamos con funciones de exportación a formatos estándar:

• MS excel para las tablas
• google earth/google maps para los mapas

exportación a google earth imagen excel

Todos los resultados son distribuibles, tanto dentro de la entidad, como para la  ejecución de una campaña -por ejemplo, secciones censales a buzonear, listado de códigos de cliente a contactar por email-.

Espero que os haya resultado interesante. Para un próximo post dejaremos análisis más complejos que el sistema permite, como la capilaridad de red, cobertura geográfica de la misma, análisis de escenarios de expansión -apertura de oficinas- y retracción -cierre de oficinas-, afectación a los clientes existentes y reasignación de cartera.

Si tenéis cualquier duda, sugerencia, crítica y por supuesto si os interesa ver una demo en profundidad, comentad o contactadnos. Estaremos encantados.

Entradas relacionadas:

• Cuadro de mando geográfico. Ya viene…
• Cuadro de mando geográfico. BI y geomarketing en un click
• Sistema de inteligencia geográfica de farmacias con Geosmart

Personalmente el uso de la categorización de variables sí que te aporta un valor añadido depende en qué situaciones pero también resta potencia en los datos en muchas otras.

Concretamente, en una segmentación donde lo importante es analizar perfiles de clientes que tienen un mismo patrón el cual agruparemos en clusters no es tan necesario como la eliminación de los outliers o bien la normalización de los datos para eliminar la influencia de las métricas.

La dispersión que recoge una variable y como interactúa ésta con el resto de variables que hemos escogido es la guía que sigue el método de segmentación para generar los clusters. Si categorizamos las variables recortamos el nivel de dispersión con lo cual si nuestra muestra no viene definida por patrones muy diferenciados de comportamiento encontraremos clusters que en media tenderán a valores muy similares.

Esto implica que los datos categorizados no son útiles? No, todo lo contrario. Imaginemos que queremos estimar la propensión de compra de un producto en concreto teniendo en cuenta una serie de variables. Este caso es diferente ya que tenemos una variable objetivo.

El procedimiento óptimo sería analizar de forma conjunta cada variable explicativa y el efecto que produce sobre la variable objetivo. En los puntos dónde se produce un cambio de pendiente será el punto óptimo para crear una nueva categoría. Así pues, en este modelo tendríamos las variables explicativas categorizadas, perdiendo información al no tener el dato real, pero teniendo marcado el punto óptimo dónde se produce un cambio en la variable objetivo como nivel o categoría de la variable explicativa.

Resumiendo, el uso de la categorización de la variables es correcto? Depende. En la segmentación es preferible no usarla ya que si no existen patrones muy nítidos  en los datos perderemos información y tendemos a encontrar clusters muy poco diferenciados. En un modelo de regresión sí que es correcto el uso de una variable categorizado, siempre con un estudio previo para determinar los puntos óptimos para establecer los cortes.

Espero que con esta reflexión os ayude en el planteamiento de vuestros futuros análisis.

Entradas relacionadas:

• Análisis RFM en retail. Empezando a segmentar clientes (I)
• Segmentación de clientes. Una propuesta de clasificación (I)
• Los pasos para diseñar e implantar un programa de fidelización

Ahora trataré de presentaros una metodología de medición del resultado de una campaña de buzoneo. Analizaremos una misma campaña, realizada en dos años sucesivos sobre diferentes áreas, y segmentada según tres parámetros:

• gasto real de hogares clientes en las categorías asociadas a la campaña
• presencia de target, niños principalmente
• distancia a las tiendas de la enseña, buscando hogares a no más de 10 minutos a pie

Haremos para ello un análisis de evolución de ventas, a posteriori de la campaña, y a nivel de sección censal. La campaña, en el año presente, y el anterior, ha tenido las siguientes características:

Tras la campaña, analizamos las ventas en las zonas buzoneadas, frente a aquéllas que no se han buzoneado. Para ello nos basamos en los socios del programa de fidelización, ya que conocemos sus direcciones postales y podemos asignarles su sección censal. Estos socios aportan más del 50% de la venta total de la enseña.

La evolución de clientes que han comprado es negativa, la de venta lo es aún más. Esto significa que han venido menos clientes que el año pasado, y que además cada uno de ellos ha gastado menos.

Si analizamos las zonas buzoneadas este año 2011, encontramos diferencias notables. En las zonas buzoneadas el número de clientes que han venido a las tiendas  crece (+9,1%). Eso sí, su gasto medio sigue siendo menor que en la misma campaña del año anterior, con lo que la venta tota se mantiene (+0,3%).

El cuadro ya nos da una idea clara de la mejora que nos ha aportado el buzoneo. Para afinarlo, comparamos a continuación las secciones censales, en función de si las hemos buzoneado en la presente campaña, y si las buzoneamos el año anterior. Esto es importante porque el indicador que usamos es la progresión, de clientes activos y venta, entre el año pasado y el presente. Y las ventas del año anterior deberían estar afectadas por el buzoneo del año anterior. O incluso, ¿mejora las ventas de este año el buzoneo en la misma campaña del año pasado?

En cuanto a clientes activos, la diferencia es muy clara.

Si nos fijamos en la venta, la diferencia es igualmente clara, aun cuando con cifras menores motivadas por el menor gasto medio por cliente en la campaña.

 Rresumiendo, podemos concluir que el buzoneo, en este caso:

• incrementa la generación de tráfico a la tienda, y el número de clientes que compran
• no influye en el gasto medio por cliente, este indicador mantiene su tendencia a la baja (generalizada en el retail en los últimos años de crisis)
• el efecto de atracción se mantiene en el tiempo, pero de una manera muy ligera (las zonas sí buzoneadas en 2010 y no buzoneadas en 2011 presentan progresiones algo mejores que las que nunca se han buzoneado)

A partir de estos datos, podemos estimar las ventas y el margen bruto que el buzoneo nos ha aportado (bajo la hipótesis de que la diferencia se debe precisamente al buzoneo, algo perfectamente aceptable), y compararlas con el coste completo de la campaña. Un ejercicio que nos gustaría presentaros completo en un post más adelante.

Entradas relacionadas:

• Geomarketing y buzoneo segmentado. Buscando niños y vehículos
• Micromarketing y predicción de demanda ¿cuánto gastan en libros?
• Estimación de la demanda de la farmacia como punto de venta

¿Qué?

Por fin os podemos presentar una herramienta que integra consulta, análisis, visualización y mapificación del comportamiento de clientes. Los análisis propios de geomarketing -procedencia de clientes, predicción de demanda, presencia de target, áreas de influencia, análisis de cobertura, optimización de buzoneo, marketing directo,  publicidad exterior…- se integran en tiempo real en un interface de cuadro de  mando, sencillo e intuitivo.

Geomarketing pasa a ser un análisis más que cualquiera puede realizar, sobre la totalidad de los datos de la base de datos corporativa.

¿Para quién?

Pensamos en un rango amplio de perfiles, desde analistas de datos a alta dirección pasando por estrategas de marketing, responsables de investigación, jefes de producto, directores de tienda… La arquitectura tipo cuadro de mando  permite adaptar los niveles de análisis, indicadores y funcionalidad a cada usuario.

Pero sobre todo, nos hemos centrado en que sea utilizable por usuarios de negocio sin formación en estadística o GIS. Igual que un cuadro de mando bien diseñado.

¿Para qué?

Ya hemos mencionado algunas funciones, a continuación listamos brevemente la funcionalidad esencial en análisis de geomarketing:

• Procedencia geográfica de clientes, mapas temáticos a diferentes niveles -municipio, código postal, sección censal, portal-
• Estimación de demanda y presencia de target, clientes potenciales. Cálculo de cuota de cliente y cuota geográfica integrando nuestros modelos de predicción de demanda en el sistema
• Cálculo de áreas de influencia en torno a los puntos de venta, análisis de cobertura geográfica, capilaridad, canibalización, competencia
• Selección de zonas y clientes, para acciones por canales directos: mailing, emailing, buzoneo, incluso para publicidad exterior, vallas

¿Cómo?

El módulo Geosmart ha sido desarrollado por nuestro partner Datknosys,  bajo la dirección funcional de Unica 360. Unimos así su expertise técnico en BI con nuestroconocimiento de análisis de datos y geomarketing.

Geosmart es un módulo de visualización y análisis espacial que se integra con el cuadro de mando Dashview, de Datknosys. Se comporta como un elemento más del cuadro de mando, interactuando con el resto de gráficos, filtros e indicadores.  Sus principales ventajas tecnológicas son:

• Se basa en BBDD analíticas, no relacionales, que optimizan el rendimiento sin comprometer la flexibilidad ni requerir tratamientos previos (indexación, tablas agregadas…).
• Se ha desarrollado sobre software open source, lo que nos permite un coste ajustado, garantizando la escabilidad (mayor número de usuarios no implica mayor coste), de manera que la tecnología no es nunca una barrera al crecimiento.
• Además, al basarse en open source, tenemos control total sobre los diferentes componentes del sistema, a la hora de continuar su desarrollo y personalizar el sistema para cada uno de nuestros clientes. Esto no siempre es posible al utilizar APIs de terceros.
• En breve, se integrará con otras plataformas de BI del mercado, que nuestros clientes usan.

Un sistema de análisis para la toma de decisiones vale, en el  mejor de los casos, lo que vale la información que lo alimenta. En Unica 360 somos expertos en la generación y tratamiento de datos de mercado, sociodemográficos y económicos. En este sentido, el sistema Geosmart cuenta siempre con los datos más precisos y actualizados existentes. Para ello, nos nutrimos de fuentes públicas, datos en la nube, modelos de elaboración propia, y colaboramos con terceros especializados en información de mercado.

Además, nuestro know-how en segmentación y geomarketing nos permite adaptar el software a cada empresa, en proyectos mixtos que combinan la consultoría, servicios de análisis y la implantación del software para que el departamento de marketing pueda explotar el conocimiento adquirido de manera autónoma.

 ¿Cuándo?

¡Desde ya! si te interesa verlo en acción, déjanos por favor un mensaje o contáctanos para que podamos enseñártelo. Estaremos encantados.

Entradas relacionadas:

• Geosmart para banca, solución de cuadro de mando geográfico (I)
• Cuadro de mando geográfico. Ya viene…
• Geolocalización y cuado de mando para elección de escuela

En ocasiones, el target viene definido directamente por el propio negocio. Así, la demanda de ropa infantil depende simplemente del número de niños. Aunque, bien pensado, quizá nuestra enseña tenga un posicionamiento de calidad más apropiado para familias con niños, sí, pero de un nivel de renta alto. O, al contrario, se posiciona como low-cost y nos interesan familias de renta media-baja. ¿Y para una categoría tan genérica como los libros?

En el caso anterior de la moda infantil, hemos incluido un indicador, nivel de renta, que no existe directamente en los datos sociodemográficos basados en censos y padrones, sino que debe ser inferido a partir de éstos. Necesitamos un modelo estadístico para predecir ese nivel de renta para cada microzona.

Más aún, a menudo nos encontramos con targets complejos que no tienen reflejo en una variable sociodemográfica bruta: conductores intensivos de vehículos (como ya explicamos en el post Geomarketing y buzoneo segmentado. Buscando niños y vehículos), heavy users de cuidado personal o, como veremos aquí, hogares compradores de libros.

Como es habitual, debemos trabajar a nivel de microzona o sección censal, por ser el nivel de agregación más bajo para el cual contamos con datos lo bastante ricos. La modelización de demanda por microzona se basa siempre en esta  metodología:

En el caso del modelo de predicción de gasto en libros, el método concreto es:

1. Elaboramos un modelo predictivo inicial, a partir de la Encuesta de Presupuestos Familiares realizada por el Instituto Nacional de Estadística (INE). Es decir, aplicamos algoritmos predictivos a los resultados de la encuesta a nivel de microdatos y obtenemos así un modelo que predice el gasto en libros de un hogar en función de una serie de variables sociodemográficas. Las variables de mayor potencia predictiva -no hay sorpresas- son el nivel de renta, nivel profesional y nivel de estudios del sustentador principal. Además, claro, del tamaño del hogar y, en menor medida, la presencia de niños.
2. Exportamos a microzonas. El modelo que hemos desarrollado y ajustado en el laboratorio lo aplicamos a los datos sociodemográficos por sección censal. De esta manera estimamos la presencia de target (% de los hogares responden al target) o el nivel de gasto (el gasto medio de los hogares de la sección A en libros es de 152€, mientras que en la sección B es de 45€).
3. Geocodificación y mapificación de los tres indicadores generados:

• Gasto medio (€) por hogar en la microzona. Indica el valor potencial de cada cliente, y hace posible el cálculo de la cuota de cliente (gasto real en mi enseña / gasto medio en la categoría).
• Gasto total (€) de los hogares de la microzona. Indica el valor monetario potencial de toda una sección censal (en la sección A sus 672 hogares gastan en total 71.180€ en libros), posibilitando el cálculo de la cuota geográfica (gasto real en la microzona / gasto estimado en la microzona). Así, en una acción de captación nos da la medida de cuánta cifra de venta anual hay en juego en cada zona, para seleccionar las de más potencial y fijar objetivos
• Índice de potencial de demanda. Es un indicador relativo (gasto medio en la microzona / media de gasto medio de todas las microzonas). Es útil para ordenar y seleccionar zonas “top”, por ejemplo, las 200 mejores secciones dentro del área de influencia de mis tiendas, o el 10% de secciones con mayor gasto medio.

El mapa muestra cómo se distribuyen los gastos medios en libros y la relación espacial entre microzonas y establecimientos de una enseña.Dado que, en este caso, conocemos el número de clientes, las ventas totales y los gastos medios en libros por sección censal, podemos comparar el real con el potencial, para el cálculo de la cuota geográfica de mercado. Vemos a continuación los clientes que compraron la categoría narrativa en nuestra enseña, como puntos, sobre el mapa de potencial.De igual manera, calcularíamos la cuota en la sección censal como venta real de libros (nuestros clientes) / gasto potencial de libros (todos los clientes potenciales), identificando áreas de mejora de venta de libros.

En defnitiva, combinando técnicas de data mining y micromarketing generamos un modelo predictivo del gasto anual en libros por hogar, para cada una de las más de 35.000 secciones censales que existen en España. Con esta información, podemos:

• identificar zonas con alto potencial para captación de nuevos clientes
• seleccionar zonas con alto potencial para ubicar nuevos establecimientos
• calcular la  cuota de cliente,como ratio entre el gasto de un cliente y su gasto en la categoría
• calcular la cuota geográfica de mercado, como ratio entre ventas a mis clientes y gasto en la categoría, para cada microzona
• de resultas de lo anterior, decidir acciones de marketing locales, específicas para cada tienda: buzoneo segmentado, publicidad exterior en los lugares ideales, ajuste del surtido, material plv, implantación de la tienda adecuada a la clientela potencial…

Entradas relacionadas:

• Micromarketing electoral. Viejas experiencias y nuevas tecnologías
• Estimación de la demanda de la farmacia como punto de venta
• Buzoneo segmentado, analizando el retorno de la campaña

El análisis consiste en clasificar a los clientes por su valor en función de tres variables:

Recencia. Días transcurridos desde la última compra.

Frecuencia. Número de compras por período de tiempo, como promedio. Por ejemplo, número de compras mensuales.

Money. Valor de las compras totales realizadas por el cliente en el tiempo de análisis.

Para ello, construímos escalas, basadas en estas variables, dando a cada cliente un valor según el percentil en que se encuentra (percentiles = n grupos de igual tamaño, o nº de clientes). Lo más habitual es trabajar con 5 valores (quintiles), aunque no es raro el uso de 10 valores (deciles), sobre todo en venta directa y online.

Por ejemplo, un cliente que estuviera entre el 20% de los que más recientemente han comprado, en el 2º 20% por frecuencia de compra y el 4º 20% en valor total de compras, se le asignaría el segmento 124,  (R)5 (F)4 (M)2 . Lo vemos en el gráfico:

El gráfico siguiente muestra cómo se distribuye la venta de una enseña de comercio minorista, en función del segmento de valor monetario M al que pertenecen los clientes. Efectivamente, refleja la distribución 20/80 (ligeramente reducida, como suele ocurrir al llevar los paradigmas a la práctica).

El análisis RFM presenta claros beneficios en la segmentación tanto estratégica como operativa de clientes en retail,

• sencillez de interpretación y aplicación
• relativa sencillez de cálculo, frente a técnicas multivariantes
• se integra fácilmente en las dinámicas promocionales habituales en un área de marketing y es ideal para marketing directo y relacional: ¿a qué segmentos dirijo qué comunicación? o ¿qué segmentos responden mejor a la oferta?
  
• dado que los modelos de abandono son complicados de ajustar en retail, el trabajo continuo sobre la recencia de compra es un medio excelente de reducción de abandono a medio plazo
• por todo lo anterior, se presenta como un magnífico punto de partida cuando nos enfrentamos a la segmentación de clientes sin un aprendizaje previo, y con la necesidad de aplicarla inmediatamente

La segmentación y medición de retorno de acciones por canales directos es una de las aplicaciones más usuales de este tipo de análisis. A continuación mostramos unos ejemplos de análisis de respuesta a emails basados en RFM.

fuente: http://www.dbmarketing.com/articles/Art148.htm

fuente: http://www.dbmarketing.com/articles/Art148.htm

Y más aplicaciones, como análisis de comportamiento de clientes por categorías, por temporadas y campañas, por tipo de pdv o implantación, integración de la dimensión espacial en análisis RFML (Location)… pero todo esto ya es materia suficiente para otro post.

Como siempre, esperamos vuestras opiniones, sugerencias, críticas. A vuestra disposición.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (II). La segmentación táctica
• Segmentación de clientes. Una propuesta de clasificación (I)
• El uso correcto de los datos: elemento básico para un buen análisis

¿Cómo funciona esto de la motivación, qué falla? y de paso ¿cómo funciono yo?

Dando una pensada al tema, doy con este post en el blog market intelligence, donde sintetizan el libro de Daniel Pink Drive: The Surprising Truth About What Motivates Us (aviso, no lo he leído, pero he visto el vídeo , es muy bueno). La tesis viene a ser ésta: en el principio, la motivación es la supervivencia. En la sociedad industrial, aquélla es sustituída por el impulso de buscar la gratificación y evitar el castigo (núcleo del paradigma psicoanalítico, nota del bloguero). Según Pink, en este siglo, y para tareas altamente conceptuales o creativas esta motivación ha dejado de ser efectiva. Lo que funciona es la motivación intrínseca, basada en 3 conceptos: autonomy, mastery and purpose. Es decir, que trabajamos mejor si contamos con mayor autonomía, percibimos posibilidades de desarrollo y participamos en proyectos trascendentales.

Esto encaja en mi experiencia personal, explica bastante bien las razones, y sobre todo las emociones que me llevan a desarrollar mi proyecto profesional, en el que tomo mis decisiones, puedo ser creativo en la búsqueda de soluciones, tengo expectativas de crecimiento profesional, de desarrollo individual y también grupal con mis socios, colaboradores, clientes, trabajando en red y compartiendo conocimiento. Además, puedo decantarme por proyectos inspiradores, relevantes para mí, colaborar a largo plazo con mis clientes, crecer con ellos. Y, cuando no puede ser y toca hacer trabajos menos motivadores, me sirve saber que estoy en el camino para conseguirlo. La motivación también como proceso y actitud.

Y todo esto me da pie para mencionar y recomendaos el proyecto Consultoría artesana, a cuya filosofía me adhiero plenamente. Cuando lo descubrí, me llamó la atención cómo en su manifiesto plasmaban tan fielmente el tipo de profesional que yo quería ser: Relación a largo plazo, compromiso, transparencia, autonomía, equipos horizontales, conocimiento compartido. Y en eso estamos.

Si queréis contarnos que os motiva, comentad, estáis en vuestra casa.

Espero que tengáis un gran año 2011.

City Analytics es un proyecto de la empresa Ciudad 2020, que se presenta como el Google Analytics del mundo real (¡nada menos!), aplicando los principios y perspectiva metodológica de Reality mining. Se basa en detectar los dispositivos bluetooth que pasan delante de un negocio, gracias a una antena instalada en un PC y el software correspondiente. Los datos monitorizados son enviados a los servidores de City Analytics, tratados y analizados, de manera que el usuario sólo tiene ya que conectarse para acceder a los informes de tránsito frente a su negocio, básicamente:

• número de transeúntes, diferenciando peatones de vehículos, tiempo de parada,
• por horario, día de la semana, festivos vs laborables, períodos vacacionales…
• tipo de transeúntes: residentes, habituales, ocasionales; si repiten o no

Los cálculos para obtener usuarios únicos, discernir el medio de transporte y demás requieren evidentemente algunas estimaciones y asunciones sobre el comportamiento de estas personas. Por ello, las cifras absolutas arrojadas por el sistema hay que tomarlas como una aproximación. Y habrá que hablarlo con ellos a fondo para valorar con precisión cuál puede ser el error cometido -de momento sólo lo hemos hablado a nivel general-.

Por otro lado, no todos llevamos dispositivos con bluetooth activado, muchos llevamos más de uno… Sea como sea, siempre sobre una muestra cuasi-exhaustiva y con una toma de datos continua, todo un lujo. Y además, a un coste asumible por cualquier pequeño comerciante.

Ésta es una primera aplicación, muy interesante, para un comerciante o una enseña minorista de cualquier sector. La otra gran aplicación está en las inferencias y estimaciones de flujos de personas para ciudades completas. Esto será posible una vez tengan instalado el número suficiente de antenas y equipos tomando datos en una ciudad, y subiendo a sus  servidores estos datos. Y eso nos interesa mucho a quienes estamos continuamente buscando estimadores de flujo de transeúntes para aplicarlos a nuestros estudios de geomarketing.

Enhorabuena a City Analytics por el proyecto, esperamos poder seguiros hablando de ellos y tener la oportunidad pronto de aplicar su tecnología en nuestros proyectos. Os lo contaremos.

Entradas relacionadas:

• Geomarketing, zonas de paso, transeúntes… ¿una nueva era?
• Geomarketing y buzoneo segmentado. Buscando niños y vehículos
• Estimación de la demanda de la farmacia como punto de venta