En la actualidad las dinámicas de consumo están en constante cambio. En este entorno, en el que los consumidores tienen la posibilidad de contactar con las empresas a través de diversos canales, el machine learning surge como la opción perfecta para facilitar y mejorar la toma de decisiones gracias al análisis de datos.
Uno de los primeros retos observados en la transformación digital de una empresa es cómo resolver el puzzle de la omnicanalidad. En este sentido, tender puentes entre los diferentes puntos de contacto con los consumidores es clave para la mejora de la toma de decisiones ya que, desde una perspectiva holística-omnicanal, conseguimos que los datos finales sean más valiosos que si permanecen separados, en compartimentos estancos.
Esta diversidad de canales no debe verse como una dificultad, sino como una oportunidad para enriquecer y alimentar nuestros algoritmos, ganando en inteligencia y eficientando de este modo la compra de medios global de la compañía.
Tender puentes entre los diferentes puntos de contacto con los consumidores es clave para la mejora de la toma de decisiones.
Construyendo puentes entre diferentes entornos
Como comentaba anteriormente, se antoja imprescindible la conexión de las diferentes realidades de la empresa en un único entorno, desarrollando una capacidad de integración total de todos los elementos clave para alimentar con más datos y de mejor calidad a los algoritmos.
En este sentido, es necesario tener en cuenta diferentes elementos para la consecución de la integración:
- ID de usuario único entre los canales, para poder de este modo realizar atribución cross-channel.
- Integración de comportamiento y ventas online.
- Integración de ventas en tienda física.
- Integración de datos de CRM.
- Consolidación de toda la data en Google Big Query.
Con esta integración de datos conseguiremos enriquecer los algoritmos no solamente con información online, sino también de tienda física, llevándonos a un espacio mucho más valioso tanto cuantitativa como cualitativamente.
Atribuyendo de manera correcta ventas y valor
La normalización de toda la información que podamos reunir tanto en tiendas físicas, CRM y tienda online nos proveerá de un conocimiento global acerca de todos los canales del negocio, una información no sesgada que permite obtener una panorámica completa de la situación de la empresa.
De este modo, el análisis omnicanal al que podremos llegar a través de un modelo Data Driven (dejando de lado modelos tradicionales estáticos como last/first click, time decay, linear, position based) aumenta exponencialmente debido al enriquecimiento de los datos en todos los puntos de contacto con el cliente, ya sean online u offline.
La normalización de toda la información que podamos reunir tanto en tiendas físicas, CRM y tienda online nos proveerá de un conocimiento global acerca de todos los canales del negocio.
Además de ello, no solamente se trata de realizar una correcta atribución de las ventas a corto plazo, sino de tener una mayor visión a largo plazo, incorporando también la capacidad de analizar el lifetime value de los clientes para, de este modo, poder tomar mejores decisiones en el largo plazo y centrarnos en las audiencias pertinentes.
Transicionar de big data a smart data
La gran cantidad de datos recogidos en un primer momento puede llegar a abrumar y entrar en el terreno de la “parálisis por análisis”, donde realmente no sabemos qué hacer con la información recabada y retrasamos la toma de decisiones, convirtiéndose en un cuello de botella.
La importancia del tratamiento y normalización de data, así como la generación de un modelo de atribución específico, nos permite transicionar desde un escenario de exceso de información a otro de información analizable de manera sencilla, es decir, del Big Data al Smart Data, facilitando de este modo la toma de decisiones.
¿En qué nos ayuda el machine learning?
La evolución de una atribución data driven tradicional a otra sustentada en machine learning implica cambiar hacia un modelo más dinámico, en constante aprendizaje, reutilizando experiencias anteriores para seguir mejorando con el tiempo.
Esta evolución constante nos permitirá comprender mejor los canales más eficientes debido a la mejora de la atribución y la eliminación de posibles fraudes, además de optimizar también con el paso del tiempo las audiencias en base a los diferentes parámetros definidos.
Teniendo todo esto en cuenta, la posibilidad de utilizar modelos específicos en Google Big Query o crear nuestros propios modelos de machine learning, nos permitirá realizar análisis predictivos para elegir la asignación ideal de inversión al plan de medios futuro, teniendo en cuenta las ventas globales de la empresa y el valor esperado de las audiencias, volcando toda la inteligencia de la compañía (on y off) para tomar las mejores decisiones basada en datos.
