El lado oscuro de los analíticos

Con toda la información que las marcas recaban sobre sus consumidores como, nombre, edad, género, preferencias, domicilio, teléfono, email, frecuencia, recurrencia, valor de la compra, forma de pago, productos consumidos, histórico de compras, redes sociales usadas, posts, y más.

Estos datos deberían ser infalibles en ejecutar un mercadeo directo con ofertas personalizadas y muy segmentadas a sus clientes. La triste noticia es que las marcas están muy lejos de poder usar toda esa información para poderle hablar de tú a los consumidores.

¿Por qué? ¿Qué está fallando? ¿Que no saben usar la información para crear ofertas personales y segmentadas? Pongamos algunos ejemplos:

Los Clubes de Precio en donde necesitas una membresía para comprar, nos tienen perfectamente identificados: quienes somos, edad, dirección, frecuencia y recurrencia de compra, canasta de productos adquiridos, historial de compras, etc. No nos hacen ofertas personalizadas. Jamás he recibido una promoción que esté basada en mis hábitos de consumo y etapa de vida, o en invitarme a visitar la tienda si ven que no he regresado en más de tres meses.

Los programas de lealtad que tienen toda nuestra información de hábitos de consumo y viajes, le mandan ofertas “segmentadas y personalizadas” a mi hijo de cuatro años invitándolo a viajar a Las Vegas.

Los Bancos que tienen en sus tarjetas de crédito una base de datos riquísima de hábitos de consumo y potencial de compra, me mandan promociones que jamás uso porque no me hablan a mí, le hablan a un segmento genérico pensando más en el clásico >3 por ciento de response rate para justificar la inversión que hacen, ya que le apuestan al volumen masivo y no a la efectividad de la segmentación. Recientemente compré un par de tenis para correr en una tienda en línea especializada en zapatos deportivos. Desde que les dejé mis datos, todos los días recibo de dos a tres correos con ofertas que tratan de venderme otros tenis para correr.

No creo que los consumidores compremos tenis todos los días. Que error más grande no valorar la confianza que los consumidores tenemos en dejar nuestra información de contacto. Lo que promueven con estas acciones es el “opt out” de sus bases.

Quizás la falta de efectividad de las marcas en el análisis de grandes bases de datos esté en varios factores. Algunos de ellos pueden ser:

 

  • Bases de datos incompletas: Todas las marcas enfrentan este reto; bases de datos viejas, con informaciones incompletas que han dejado caducar con el paso del tiempo; pero esto tiene remedio. Las marcas deben implementar iniciativas de actualización de bases de datos, recabar los emails o teléfonos, campañas en call centers o en tiendas y a través de incentivos a los clientes para actualizar sus datos.

 

  • Infraestructura insuficiente: con un archivo de exel o una base de datos en access las marcas piensan que podrán tener modelos de bases de datos y administrar grandes cantidades de información. Esto no es suficiente para poder pasar de un nivel amateur a un grado sofisticado de analíticos. Es necesario que las marcas inviertan en software y hardware necesarios para procesar grandes cantidades de datos.

 

  • Mentes analíticas: actuarios, matemáticos, físicos e ingenieros con grandes capacidades de extracción de datos y de síntesis informativa son requeridos para llevar a cabo estas actividades. Difícilmente otros perfiles podrán tener este grado de sofisticación y experiencia.

 

  • Fuentes de información diferentes. En promedio, una empresa utiliza 6 bases de datos diferentes en donde guarda la información de los clientes. De esta forma, es muy difícil que la información este consolidada y armonizada.

 

  • Falta de asociación omnicanal: por móviles, tienda física, e-commerce, redes sociales, call center, etc…los clientes pueden tener acceso con la marcas. Las bases de datos deben considerar este multi relacionamiento para poder generar contactos eficientes y holísticos.

 

  • Segmentación eficiente: los clientes no pueden ser tratados todos por igual. Las bases de datos deben ser segmentadas usando diferentes criterios. Algunos de los más usados es el RFV (Recency, Frequency, Value) que mide la Recencia de compra, es decir, la cantidad de días transcurridos entre la fecha de la última compra y la actual, o en otras palabras, mide las compras recientes. Frecuencia de compra, con la que un producto es adquirido dentro de un periodo de tiempo determinado y Valor monetario de la compra que mide el monto del ticket. Otras segmentaciones usadas son la segmentación demográfica, geográfica,  la que se basa en comportamientos, en estilo o etapa de vida, ocasional o multi variable, entre otras.

Si tu marca es de las que pide los datos de contacto a los clientes para mandar de dos a tres correos diarios con cualquier promoción inservible, o lo que es lo mismo, no mandar nada de ofertas, deberás pensar que tarde o temprano el cliente te va a eliminar de sus preferencias y poco a poco te olvidará.

Etiquetas:
Shortlink: https://ndlb.red/1dd

Comentarios