With Big Data comes Great Power

El éxito en los negocios está en saber algo que los demás desconocen.

Aristóteles Onassis

Lo esencial es invisible para los ojos,

Solo con información se puede ver bien.

Yo soy yo y mi circunstancia (Unamuno)

Tal como la tui@é y pos@é en facebook

Adaptado de How Companies Learn Your Secrets -‐ NYTimes.com

Redefinamos Big Data

•  Big Data se suele definir en términos del volumen, velocidad y variedad de la data que almacenan las empresas, o en términos de modelos predictivos o herramientas de software

•  Para ser relevante, Big Data debe definirse en función de valor (táctico) y transformación del negocio (estratégico)

•  Big Data es un viaje, no un destino –  Empecemos con Small Data para un impacto inmediato –  Construyamos capacidades y aprendamos de éxitos y errores

•  Pensemos en el ejemplo del caso de Target. Que ha logrado? –  Impacto directo en el trafico y rentabilidad de sus tiendas –  Establecer una relación con el shopper ofreciendo productos

relevantes en el momento correcto –  Lograr un cambio de comportamiento duradero, no en una transacción

(no caer en la trampa promocional)

Analy&cs La Estrategia

Analytics, Big Data, Data Mining

Data Mining Las Herramientas Cambio

Organizacional El metodo

Big Data El Insumo

• 

1.44MB 1 GB

20 PB

1 TB

Exabyte Zettabyte Yottabyte

Xenottabyte

1 PB

Colaboración de The Retail Factory, especialistas en shopper marketing desde la “a” a la “z”

MM

1986 2007

Volumen 3 exabytes 295 exabytes

Variedad 99% análoga 94% digital

Procesamiento 0.001 billones de MIPS

6,380 billones de MIPS

2009 – la información digital creció 62%, 800 billones de gigabytes (800 Exabytes = 0.8 Zettabytes) 2010 – 1.2 Zettabytes producidos, equivalen a: •  La informacion creada por cada ser humano tuiteando

continuamente durante 100 años •  75 billones de iPad 16Gb (llenarían más de 40 estadios

grandes) Si toda esta info se imprimiera y se apilara, llegaría a Plutón 16 veces !

Para el 2020, la información se habrá multiplicado 44 veces.

En el 2020, el 30% de esta

información estará en la nube.

70% de la info es generada por individuos, pero almacenada principalmente por empresas.

hVp://www.emc.com/leadership/digital-‐universe/index.htm

Velocidad, Variedad y Volumen sin precedentes

•  Gracias a la Data Social y Movil ahora podemos saber: –  Donde estas? –  Donde has estado? –  Donde podrias ir? –  Con quien has estado? –  A quien llamas? –  Quien te llama? –  A quien conoces? –  Que estas haciendo? –  Que apps y juegos usas? –  Que musica escuchas? –  Que series ves? –  Que lees? –  Que productos compras? –  Que opiniones tienes? –  ………

?Y dónde está el Valor

Aplicaciones Site Location Segmentación Category Management Campaign Management Ejecución fuera de tienda

Generando valor

•  Macy’s aplica Pricing en tiempo real para 73 millones de SKUs, basado en patrones de demanda e inventario

•  Tipp24 AG, una plataforma de apuestas y loterías, analiza miles de millones de transacciones y cientos de atributos de clientes para personalizar ofertas de marketing “al vuelo”

•  Wal-Mart Stores Inc. utiliza un motor de data semántica para analizar textos, buscar sinónimos y simplificar la búsqueda de productos en linea; esto ha logrado que los clientes incrementen el cierre de sus pedidos en 10-15%

•  Una cadena de comida rápida entreno sus cámaras en el drive-trough para medir el trafico; cuando las colas son largas ofrece productos fáciles de preparar, y cuando son cortas ofrece productos mas elaborados de mayor margen

•  Tesco PLC recolecto 70 millones de datos relacionados con sus refrigeradores para medir la performance de sus equipos de frio, optimizar su calibramiento y hacer mantenimiento proactivo. Espera ahorrar US$34MM al año en costos de energía y reducir su huella de carbono en 50%

Extracto de la presentación de Doug Laney (Gartner)

Algunos Ejemplos Locales

•  Un Supermercado desarrollo un modelo para detectar fraude en las cajas a partir del comportamiento inusual de canjes y devoluciones, que representaban 6% de la venta total. Combinando SAP y QlikView se creo un sistema de mintoreo, 6 meses después los canjes y devoluciones habían bajado a la mitad.

•  Un Banco declara que el 80% de sus ventas provienen de oportunidades identificadas por sus modelos analíticos.

•  Una empresa de consumo masivo incremento la productividad de que equipos de frio en 80% combinando data mining con modelos de Location Intelligence

•  Una empresa de venta por catalogo multiplico x6 sus tasas de respuesta y x 4 su pedido promedio al aplicar modelos predictivos a sus campañas de marketing directo

•  Una entidad de microempresa estima que la productividad de su fuerza de ventas se incrementara en 50% al cambiar su método de prospección actual (barrido de zonas comerciales) a otro que combina una aplicación móvil, seguimiento con Google y la compra de prospectos precalificados a Experian

1991 1995 2000 2005 2010

Piloto con basket data de 14 @endas

Show me the Money

Bigger Data, Bigger Decisions. Tim McGuire, McKinsey & Co

Lanzamiento de Clubcard Primer estado de cuenta

Segmentacion de sensibilidad al precio

Iden@ficar gaps en Canastas

Tesco baby club, Tesco wine club

Tesco Finanzas Personales

Tesco.com Segmentacion de es@lo de vida

Herramienta de Mix de Productos

₤1 billon en premios acumulados

Se recorta 25% de las promociones, percepcion del programa mejora

Relanzamiento de Clubcard

Op@mizacion de espacio

Programa se lanza fuera de UK

Panel de clientes

100

675

Margen Neto (1991 = 100)

Aplicaciones

Site Location

Site Selection

Big Data en Geo

•  La Informacion de sus clientes, ademas:

Mapa de Oportunidad

•  Objetivo: Identificar las áreas de oportunidad para la venta de productos que sirvan como base para el despliegue de sus tiendas.

•  La naturaleza del Mapa de Oportunidad estará condicionado por la naturaleza de la Ocasión de Compra

Consumo Residencial Trafico Peatonal Trafico Vehicular

Distribución Geográfica de Segmentos por Conos y Distritos

Segmento 05: Clase Media Típica

DISTRITO LA PERLA

Nivel socioeconómico medio, presencia significaFva de viviendas en departamentos, alta densidad de trabajadores empleados y pequeñas empresas.

Micro mercados y Canibalizacion

Alta densidad

Densidad Media (oportunidad)

Periféricos

El Peru no es Lima

Aplicaciones

Mix de Productos, Layout de tienda

Colaboración de The Retail Factory, Especialistas en shopper marketing desde la “a” a la “z”

EL PENTÁGONO DIFERENCIACIÓN Estrategias diferenciadoras que generan tráfico en la tienda

EYE TRACKING TECHNOLOGY Funcionamiento y beneficios

Alinea movimiento del ojo con análisis del SW

Shopper hace su recorrido normal por la tienda

Codifica movimiento entre áreas en espacio Retail

Codifica movimien-to ocular en zonas clave


EYE TRACKING TECHNOLOGY Funcionamiento y beneficios

Análisis de Conversión de Categorías

Análisis recorrido shopper por tienda

Análisis de tiempos de compra

Análisis de efectivi-dad de materiales in-store


Aplicaciones

Segmentacion de Clientes

Metodos de segmentacion

Eres lo que ganas NSE (todavia se usa mucho en publicidad)

Eres lo que dices de @ mismo

Cues@onario de es@lo de vida. Interesantes pero caros de mantener y poco confiables

Eres Donde Vives

Geo Marke@ng (se usa mucho en marke@ng directo)

Eres lo que haces Relevante

Segmentos de Valor Entendiendo el QUE

Valor y Tendencia (Reciencia, Frecuencia y Valor)

Compo

rtam

iento/

Necesidad

• Compra Regularmente • Compra marca • Paga precio normal • Pide Delivery • Usa Tarjetas de Crédito/Debito

Comportamiento

Life stage

Valor y Tendencia

• Compro en las 2 ul@mas semanas • Compra 4 veces por mes • Alto @cket promedio

Familia Joven

• 20-‐40 años • Compra productos para niños y bebes

Busca Calidad

Premium

Fuentes •  Lifestage: DNI (Edad, Sexo), Transacciones •  Valor y Lealtad: data de transacciones Club •  Comportamiento/Necesidad: data de transacciones IClub

Segmentos de Comportamiento Entendiendo el QUIEN

Segmentos de Comportamiento Entendiendo el QUIEN

•  El objetivo es agrupar a los clientes en un número de grupos con perfiles y necesidades distintos, basados en variables como:

•  Delivery o presencial? •  Marca o Genérico? •  Recurrencias/Crónicas •  Valor y Frecuencia •  Tendencia •  Contado o crédito? •  Usa Seguro? •  Prescripción u OTC?

•  Compra de categorías •  Productos galénicos •  Productos naturales •  Perfumería •  Familiares (accesorios para bebes,

leches, panales) •  Geriátricos

Crónicos Bebes

Delivery Cuidado Personal Geriátricos

Ofertas y Genéricos

DIFERENCIACIÓN Misiones de compra identifican need-states de los shoppers en formatos retail

CASO MEJORAMIENTO DEL HOGAR


ATRIBUTOS DE TIENDA

1.  La tienda tiene stock del producto que necesito

2.  La tienda queda cerca 3.  Puedo obtener lo que

quiero rápidamente

COMPRA URGENTE

GRANDES CANTIDADES

COMPRAS REGULARES

OBTENER IDEAS

1.  La tienda tiene stock del producto que necesito

2.  La tienda ofrece precios bajos

3.  Sé que esta tienda tiene lo que necesito


2.  La tienda ofrece precios bajos

3.  La tienda maneja productos de calidad

1.  Puedo elegir entre diferentes modelos del producto que quiero

2.  2. La tienda maneja lo último en productos


Cadenas de tiendas pequeñas

Cash & Carry o Barraca con tiendas

de gran surtido

Tienda independiente,

de barrio

Gran superficie con tiendas muy

grandes

CASO MEJORAMIENTO DEL HOGAR

DIFERENCIACIÓN Cada misión de compra necesita formato retail diferente para satisfacerse


Aplicaciones

Category Management

Netflix

•  Netflix esta comprometido en saber exactamente que es lo que quieren sus clientes

•  Para ello ha categorizado todas las peliculas y series de su catalogo en categorías especificas, algunas de ellas tan especificas como:

hVp://[email protected]/technology/archive/2014/01/how-‐neqlix-‐reverse-‐engineered-‐hollywood/282679/

Tesco

•  Cada producto que se vende en Tesco se califica en una serie de dimensiones para describir sus principales atributos como: –  paquete pequeño o grande, –  de larga duración o perecederos; –  vegetarianos; –  Bajo/alto precio –  Requiere cocinarse

•  Mirando los artículos en la canasta de la compra de cualquier cliente, y sus puntuaciones de dimensiones asociadas, al cliente puede asignarse a un segmento de estilo de vida o "ADN".

•  Las lecturas "ADN" de cada cliente se utilizan como los insumos para crear un perfil del cliente, que es una forma de agrupar los clientes que tienen características y necesidades similares.

Dos vistas de la data

Colaboración de The Retail Factory, especialistas en shopper marketing desde la “a” a la “z”

ROLES DE TIENDAS Comparación de roles definidos con performance en la sala

Aberturas

Ampolletas Y Tubos

Automotor Baños Y Cocinas

Construccion

Electricidad

Electro Hogar

Ferreteria

Flooring

Herramientas

Iluminacion

Jardin Y Mascotas

Maderas Menaje Y Deco

Muebles

Organizadores

Outdoor

Pinturas

Plomería

Textil Hogar

Gen

erac

ión

de T

rafi

co

Aporte a la rentabilidad

Comportamiento de Rutina

Comportamiento de Destino

Comportamiento de Conveniencia

Comportamiento de Complemento

Destino Rutina Estacional

Roles Definidos

Para proyectos en Madera

Para proyectos de Interior/Exterior

Para proyectos Especiales

IMPERMEABILIZANTE

PINTURA PARA TECHOS

ANTIOXIDO ANTICORROSIVO

BARNIZ AL AGUA

BARNIZ MARINO

BARNIZ POLIURETANO

PINTURA PARA PISCINA

PINTURA PARA PISOS

PROTECTOR DE MADERA

SPRAY

TINTAS

VITRIFICANTE SELLADORES

ESMALTE AL AGUA

ESMALTE SINTÉTICO

LACAS

LATEX

OLEO BRILLANTE

OLEO SEMIBRILLO

OLEO OPACO

PASTA MURO

TEXTURA GRANO

Para Impermeabilizar

Para pintar en los exteriores del hogar

Para pintar los interiores del hogar

Para proyectos completos (pintar un departamento, casa, local, etc)

Para superficies de madera

Para pintar sin utilizar otros accesorio (brochas, rodillos, etc) Para uso artístico (murales, grafitis, etc)

Para pintar pisos de cemento

Para pintar mueblería y carpintería

Para texturizar muros y superficies

Para terminación y protección de puertas, ventanas, etc, de madera

Para que los muros y superficie tengan una textura diferente

Prevenir la formación de hongos y bacterias Busco renovar, proteger y cambiar el aspecto de una fachada

Busco renovar y embellecer el color de los elementos metálicos expuestos a la intemperie

Busco evitar que el polvo y la suciedad se instalen en la superficie

Busco protección y resistencia para maderas expuestas al desgaste ambiental y decoloración

Busco decorar

Busco sellar y proteger maderas

Busco economía (poder pintar yo)

Busco proteger superficies expuestas a la humedad Busco proteger el deterioro de las planchas en techo y accesorios (canaletas)

Busco renovar el cielo

Busco mayor higiene y facilidad de limpieza

Busco mejorar las condiciones del muro/superficies antes de pintar

Busco lacar elementos y muebles de madera en interiores

Ocasiones de Uso

Producto Motivaciones de Uso

Para proyectos pequeños

DIFERENCIACIÓN EJEMPLO CREACIÓN MUNDOS DE CONSUMO PINTURAS (CHILE) Cómo el shopper relaciona tipos de pinturas a diferentes ocasiones y motivaciones de uso


ROLES DE TIENDAS Entender las misiones de compra para definir los roles de tienda (ejemplo)

% Misión 11% 35% 7% 15% 10% 14% 7% % Gasto 20% 43% 4% 8% 7% 14% 1%

Panadería Abarrotes Higiene personal Embutidos

Panadería Nabs Abarrotes Frutas y verduras

Panadería Frutas y verduras Nabs Higiene personal

Frutas y verduras Panadería Nabs Abarrotes

Panadería Nabs Higiene personal Frutas y verduras

Abarrotes Nabs Panadería Frutas y verduras

Nabs Panadería Comidas preparadas

Categorías Cliente

Otras Categorías

Galletas Cereales Leche evaporada

Leche evaporada Galletas Cereales

Leche evaporada Galletas Salsas



Galletas Leche evaporada Chocolates

Galletas Chocolates

Gasto Promedio 86,9 59,5 27,5 26,2 36,4 48,2 11,0 Gasto Cliente 5,69 5,71 4,38 5,1 6,92 4,95 3,6 Visita al menos 1x semana 83% 85% 97% 90% 81% 82% 93%

Abastecimiento Faltantes Compra múltiple

Urgencias Compra – Restaurant

Ofertas Antojos

Vine a comprar

productos para

abastecerme

Vine a comprar

productos que me faltaban

Vine a comprar

comida lista para comer

hoy

Vine a comprar

varios para consumo

diario

Vine a una compra

puntual de urgencia

Aproveché a comprar ya que habían

ofertas

Vine a comprar antojos


Aplicaciones

Campaign Management

Targeting de Campañas

•  Los ciclos tradicionales de marketing directo son muy largos. Alguien en alguna parte ya esta planeando la Navidad del 2014

•  El éxito de una campaña se basa en 4 factores 1.  La oferta (que ofrecer) 2.  La lista de clientes seleccionados (a quienes) 3.  Timing (cuando) 4.  Creatividad/mensaje (como)

•  Los retailers exitosos aplican Analytics para optimizar y automatizar los tres primeros componentes y produciendo –  Cientos de campañas por año –  Retornos 2x a 6x superiores

Canasta de Compras

Familia Objetivo Ferreteria Familia Objetivo Joyeria

Familia Asociada Confianza Lift Index Familia Asociada Confianza Lift Index Equipos 42% 1.54 Cosmeticos 22% 1.55Electronicos 32% 1.39 Ropa 19% 1.39Cosmeticos 46% 1.19 Ropa deportiva 19% 1.35Accesorios para el hogar 43% 1.10 Juguetes 17% 1.22Juguetes 42% 1.06 Deportes 15% 1.06Enseres 41% 1.04 Equipos 15% 1.05Ropa 40% 1.02 Electronicos 13% 0.95Ropa deportiva 38% 0.96 Accesorios para el hogar 13% 0.90Deportes 37% 0.96 Enseres 12% 0.87Joyeria 36% 0.92 Ferreteria 11% 0.79

Caso de negocio de promociones personalizadas - Shufersal

•  Más de 2 000 000 miembros del club de fidelización son responsables de alrededor del 75% de las ventas de la cadena

•  Ventas generadas en más de 200 puntos de venta en todo Israel, sitio Web y central de llamadas

•  Ingresos anuales (2011) mayores de 2000 millones de euros •  Shufersal implementó GSTAT Next Best Offer como solución

automatizada de cupones personalizados •  Objetivos:

–  Pasar de cupones fijos a cupones personalizados en base al análisis de comportamiento de compra de los clientes

–  Permitir que los analistas sin experiencia ni conocimientos estadísticos ejecuten modelos de DM

Caso de negocio de promociones personalizadas - La solución

•  Solución –  El proyecto de implementación llevó 4 meses, con

resultados piloto en 2 meses –  La solución asigna a cada cliente, en base a

algoritmos de optimización, los 10 cupones adecuados seleccionados de un conjunto de 200 cupones que cambian cada mes

–  Las recomendaciones de GSTAT se envían a la imprenta y se distribuyen al domicilio de los clientes

•  Resultados –  El % de canje total pasa de 1% a 4%-6% –  Alrededor del 15% de los clientes canjean al menos

un cupón por mes –  El % de canje de cupones personalizados es 300%

mayor que el canje entre clientes que reciben cupones fijos

–  Los clientes que reciben promociones personalizadas extienden su gasto mensual en un 2% promedio en comparación con los clientes que reciben cupones fijos

Aplicaciones

Ejecucion fuera de la tienda

Creación de tareas

Visión de tareas Priorizar tareas, aceptarlas, generar ruta óptima, ver detalles de cliente

Ruteo para Delivery

Ruta óptima tracks para la ruta

Planeamiento de Rutas

Informar a los clientes

Como Empiezo?

Obtén toda la info que puedas, ya luego veremos para que nos sirve.

El camino equivocado

Hágalo todo al mismo @empo

Hágalo todo Ud. mismo

Ponga toda su data en las aplicaciones

Almacene toda la data

en sus servidores

Conre al 100% en Hadoop

Escalabilidad

Performance

Disponibilidad

Diversidad

Administración

Seguridad

Costos

Los retos

Big Data

1. Compar@r información

2. Como ges@onar VVV

3. Qué data u@lizar para qué

4. Generar confianza en los

modelos

5. Personal adecuado

6. Compromiso C-‐level

7. Herramientas de presentación

8. Procesos op@mos

9. Donde concentrar las inversiones

10. Qué hacer con los resultaos

Ecosistema de Datos

Iden@ficar partners con los cuales colaborar y compar@r data

Crear una cultura de apertura y soporte al uso

de informacion

Motor de Datos

Construir sistemas de datos escalables, eficientes y

flexibles

Desarrollar capacidades para capturar, analizar e

interpretar datos

Uso de Datos

Construir una cultura de innovación y

experimentación

Establecer la confianza del consumidor para permi@r el

uso de sus datos

Big Data Transformacion del Negocio

Fuente: The Boston Consul@ng Group

Cultura de Aprendizaje Continuo

RRHH – Organizacion -‐ Procesos

Desarrollar insights de clientes y entender el mercado

Segmentar clientes para atender necesidades

Lanzar campañas personalizadas

Medir y monitorear performance

▪ Recolectar data ▪ Análisis descrip@vo de clientes y transacciones –  Cuan@ta@va –  Cualita@va (*)

▪ Benchmarks ▪ Definir los economics de CRM

▪  Segmentacion de clientes –  Valor –  Necesidades

▪ Definicion de segmentos obje@vo

▪  Programas y campañas personalizadas –  Campañas por perfil/life stage

–  Servicio diferenciado

–  Cross/up selling –  Retención

▪  Ejecución de campañas por dis@ntos canales

▪ Definir criterios de exito, –  KPI –  ROI por campana, segmento o canal

▪ Medir performance vs obje@vos

▪  Presupuesto e inversion

IT

Adaptado de How Companies Learn Your Secrets -‐ NYTimes.com

To be con@nued …

With Big Data comes Great Power

Business

Transcript of With Big Data comes Great Power