Vivimos en un mundo donde si hay algo que sobreabunda es información. Las empresas tienen en sus manos terabytes de información que se genera minuto a minuto acerca de sus clientes. ¿Cómo aprovechar esos datos para alargar su ciclo de vida y para seguirle ofreciendo lo que busca, aún antes de que esa misma persona lo sepa?
Tal como lo dicta el marketing predictivo, es posible mediante el conocimiento de las conductas de una persona, deducir lo que necesita o bien lo que desea. Ahí es donde entra en el escenario Data Intelligence, una herramienta para comprender mejor la información que se recolecta y así tomar mejores decisiones de negocio.
Las empresas han encontrado en los marketplaces un aliado clave a la hora de llevar adelante estrategias de fidelización de sus clientes. La tecnología que proveen las tiendas permiten mejorar la oferta de productos y optimizar la inversión en marketing. En el caso específico de las tiendas bancarias, que es un segmento que post pandemia ha explotado en Argentina, le permite a la entidad financiera canalizar mejor su oferta hacia aquellos productos que se puede predecir que le pueden resultar de interés a un cliente.
“Trabajamos con un enfoque de ciclo de vida, donde los desafíos que se presentan es identificar con qué herramientas lograr retener a un cliente. De acuerdo a análisis predictivos, podemos estimar la probabilidad de que un incentivo genere realmente una modificación en el comportamiento en el mediano y largo plazo. En este sentido, contar con un marketplace con beneficios diferenciales para nuestros clientes, nos ayuda a materializar y customizar este tipo de incentivos”, explica Lucas Odasso, coordinador de Segmentos de Banco Ciudad.
Complementa esta mirada Daniel Jejcic, CEO de avenida+, empresa especializada en la construcción de marketplaces: “En 2021 todos los bancos tomaron conciencia de que sí o sí tienen que contar con una tienda propia para complementar su programa de fidelización a clientes. ¿Por qué? Porque contar con un marketplace propio le permite al banco canalizar mejor su oferta financiera hacia productos de interés para sus clientes. Se trata de un ecosistema donde los clientes individuos tienen la posibilidad de acceder a productos con una financiación preferencial, con los medios de pago del mismo banco, mientras que se genera un nuevo canal para que sus clientes empresas puedan ofrecer sus productos”.
De esta manera, el banco puede hacerle llegar a su cliente una oferta personalizada, optimizando la inversión en marketing, ya que está sujeto a acciones de conversión concretas. Se pueden ofrecer beneficios diferenciales sobre un mismo producto a distintos segmentos. El análisis de los datos permite hacer una microsegmentación y de esta manera mejorar la experiencia del cliente. Esta es una de las principales ventajas de un marketplace en relación a un e-commerce cualquiera: la información que ya tienen de sus clientes.
¿Qué es lo que hay que tener en cuenta a la hora de hacer modelos basados en datos? Odasso comparte estos cuatro tips:
- ¿Para qué un modelo?: Entender bien el por qué lo estamos haciendo y responder las preguntas: ¿Resuelve un problema? ¿Optimiza un proceso? ¿Reduce costos? ¿Optimiza ingresos?
- Enamorarse del problema, no del modelo: No perder el foco del objetivo (el para qué). Muchas veces pensamos que el objetivo es armar un modelo, cuando en realidad es resolver un problema a través de él. Es fundamental investigar y comprender la problemática en profundidad antes de “lanzarse” a armar un modelo para resolverla.
- Medir antes de hacer: Hay que pensar de antemano, los indicadores de desempeño con los cuales mediremos la performance del modelo. Esto nos permitirá además de medir qué tan cerca estamos de resolver el problema, tomar la decisión de avanzar o de abandonar el modelo.
- Lo bueno, si simple, dos veces bueno: Ya son conocidas las bondades de trabajar con metodologías ágiles, y de los procesos de iteración para la mejora continua. Con este ítem me refiero a la importancia -en ciertos contextos- de poder comunicar a un público no familiarizado con la ciencia de datos, cómo el modelo resuelve/explica el problema (lo cual es difícil de hacer con modelos “caja negra”). Esto sucede sobre todo en equipos que se encuentran en instancias iniciales. Una vez que el trabajo del equipo demostró resultados, el camino se encuentra más allanado para trabajar con soluciones más complejas.
