Big Data en el sector retail (parte 1)

Cookie	Funcionalidad
APISID, HSID, NID, SID, SSID	Cookie creada por Google que se utiliza para personalizar los anuncios que se muestran en los servicios de Google, como por ejemplo, la Búsqueda de Google, especialmente cuando no se ha iniciado sesión en Google
LOGIN_INFO	Cookie técnica de reproducción de contenido
PREF	Cookie de Google que almacena las preferencias de los usuarios (por ejemplo, el idioma o el número de resultados por página)
SAPISID	Cookies utilizada por Google Analytics que contiene un identificador anónimo usado para distinguir usuarios
YSC	Cookies técnicas utilizadas por Youtube

Cookie	Funcionalidad
ASPXAUTH	Esta cookie permite almacenar un identificador único por sesión a través del que es posible mantener la sesión privada de un usuario que se ha logueado en el sistema de emisión de Certificados.
ASP.NET_SessionId	La primera vez que un usuario accede a una aplicación ASP.NET con sesión habilitada se crea esta cookie. Cada vez que un usuario quiere autentificarse se limpia la sesión y se sobreescribe esta cookie en el navegador. Es una medida de seguridad en el control de sesiones de aplicaciones ASP.NET
LanguageMenu_lpmru	Cookie utilizada para guardar el idioma predeterminado del usuario
VISITOR_INFO1_LIVE	Realiza el seguimiento de los videos visitados que se encuentran incrustados en la web
DSID, IDE	Llevar un registro de los anuncios que se muestran en cada navegador, evita publicar anuncios que el usuario ya ha visto.
MUID	Estas cookies nos permiten suministrar información relevante a nuestros visitantes.

Cookie	Funcionalidad
__utma, __utmb, __utmc, __utmz	Google Analytics
_ga, _gid	Cookies utilizada por Google Analytics que contiene un identificador anónimo usado para distinguir usuarios.

Información básica sobre protección de datos
Responsable	Ágora comunicación y análisis S.L. (Revista infoRETAIL)
Finalidad Principal	Gestión de la suscripción y envío de newsletters informativas
Legitimación	Consentimiento del interesado
Destinatarios	No se cederán datos a terceros, salvo autorización expresa u obligación legal
Derechos	Acceder, rectificar y suprimir los datos, portabilidad de los datos, limitación u oposición a su tratamiento, transparencia y derecho a no ser objeto de deciciones automatizadas.
Información adicional	Puede consultar la información adicional y detallada de nuestra política de privacidad en http://www.revistainforetail.com/politicadeprivacidad.aspx
Data Protection Officer (DPO)	Grupo Adaptalia legal - Formativo S.L. 91 553 34 08 legal@grupoadaptalia.es

El Blog del Retail

Pablo Penas Franco

Director de Scale Up Partner y profesor

Big Data en el sector retail (parte 1)

Un recorrido por la evolución del Big Data en la distribución mundial, desde el ejemplo básico de Target en 2012 a la actual hiperpersonalización

10/06/2018

Hace años que algunas empresas han aprendido a utilizar los datos de sus clientes en el sector retail. Seguramente el ejemplo más conocido es el caso del que se hizo eco Forbes de una adolescente a la que Target le envió en 2012 publicidad para mujeres embarazas. El padre, muy molesto, fue a quejarse acusándoles de querer incitar a una niña a quedarse embarazada. Poco después volvió a pedir perdón, ya que tras hablar con su hija había comprendido que una empresa en la que ella compraba se había enterado de que estaba embarazada antes que él mismo.

Este ejemplo resulta interesante por dos motivos. El primero de ellos es que permite hacernos una idea de lo que se puede medir. Gracias al comportamiento, su retailer de cabecera puede descubrir muchas cosas sobre usted. Solamente es necesario que le facilite sus datos empleando una tarjeta de fidelización, pagando con tarjeta de crédito o similar. ¿Una clienta en edad fértil ha dejado de comprar jamón ibérico? Habrá distintas explicaciones como que se haya vuelto vegana o que esté embarazada. Analizando el resto de sus compras podrán confirmar el embarazo o el veganismo, en función de los productos que siga incluyendo en su cesta de la compra (y de los que no). Nuestro comportamiento revela mucho más de lo que nos gustaría. De hecho, Target no solamente era capaz de predecir con altísima precisión si sus clientas estaban embarazadas, sino también la fecha estimada de parto con un margen de error muy bajo (hay productos que se asocian a las primeras semanas de embarazo, otros a las últimas…).

Target era capaz de predecir la fecha estimada de parto de sus clientas con un margen de error muy bajo

El segundo motivo es que la publicidad personalizada con productos únicamente para embarazadas funcionaba mal. El efecto conseguido no era el deseado porque las clientas se daban cuenta de cuánto sabían sobre ellas (a fin de cuentas, en las primeras semanas se suele comunicar la noticia sólo a un círculo muy íntimo). Target comenzó a mezclar los cupones de productos para embarazadas con otros que nunca comprarían para que dieran la impresión de que habían sido elegidos al azar. Con este tipo de ofertas, sus ventas de productos para embarazadas aumentaron, al tener las clientas la sensación de que la publicidad era genérica y casualmente incluía productos que necesitaban. La personalización gana peso, independientemente de que la percibamos o no.

De hecho, cada vez hablamos con más frecuencia de la hiperpersonalización, que la lleva un paso más allá y es una de las consecuencias del análisis de datos. Pensemos en cómo Amazon responde a nuestras compras de libros. Es posible que nuestro patrón de consumo incluya temáticas variadas como libros de transformación digital (útiles para nuestro trabajo), la última novela de 'Juego de Tronos' (o cualquier otro vinculado a gustos, hobbies o aficiones personales), cuentos de 'Peppa Pig' (para padres con hijos pequeños) o novelas de gustos dispares (para regalar a otra persona).

Cada vez hablamos con más frecuencia de la hiperpersonalización, que es una de las consecuencias del análisis de datos

Identificar las distintas necesidades es clave. A priori no ofreceríamos un producto de 'Peppa Pig' a un comprador de literatura empresarial, pero una buena analítica de datos permitiría a nuestro retailer ofrecernos libros complementarios de innovación para nuestros intereses profesionales, de 'Star Wars' para los personales y de 'Patrulla Canina' cuando actuamos como padres. Todos ellos son relevantes para un tipo de compra diferente.

Amazon analiza lo que estamos buscando cada vez que entramos en su web y la siguiente recomendación se (hiper)personaliza para la necesidad del momento. Aunque seamos el mismo cliente, en este sencillo ejemplo actuamos como varios distintos. Por eso gana peso el criterio de relevancia, estando vinculada a una búsqueda o situación concreta en un momento dado: recibimos publicidad hiperpersonalizada para cada persona y situación.

En el campo analítico, los competidores online llevan años de ventaja. Podemos medir absolutamente todo, cuánto tiempo pasa cada visitante, en qué página/s, desde que dispositivo y sistema operativo accede, qué días y en qué franja horaria… Sin embargo, no debemos volvernos locos. Que algo sea medible no significa que deba medirse. Podemos sacar cientos de métricas pero no todas serán útiles. Pensemos en un ejemplo sencillo: una página de comercio electrónico. El objetivo es claro: vender. ¿Nos aportará valor saber el número de internautas que acceden a nuestra web vía Google los lunes entre las 7:00 y 8:00 de la tarde desde Alpedrete empleando móviles con iOS versión 10 o superior? Seguramente, no.

Que los competidores online lleven ventaja, no significa que no se pueda medir también lo que se hace en el comercio físico tradicional

Con 3 KPIs (indicadores clave de rendimiento) como número de pedidos, importe medio por pedido y tasa de conversión tendremos la información básica que necesitamos. Podremos añadir otras métricas útiles pero no medir todo porque sí. Al igual que al hacernos análisis de sangre nos centramos en indicadores de salud clave como azúcar y colesterol, pero nuestro médico no solicita marcadores tumorales si no hay una sospecha fundada de un posible cáncer.

Que los competidores online lleven ventaja, no significa que no se pueda medir también lo que se hace en el comercio físico tradicional. A través de dispositivos, podemos capturar datos de posición dentro de una tienda, traspasando el poder de análisis de Internet al mundo físico. Mediante el empleo de sensores como beacons (pequeños dispositivos basados en tecnología Bluetooth que permiten conocer la distancia a la que se encuentran otros objetos como teléfonos inteligentes) se puede medir y predecir el customer journey, ofrecer servicios de marketing en proximidad en el punto de venta: posibilidad de notificaciones push vía GPS, de remitir a los clientes a la web, hacer geofencing, incentivar comentarios en redes sociales... La tecnología posibilita el envío de nuevos servicios e información digital a través de localización basada en el contexto con ofertas y contenidos electrónicos pertinentes. Ejemplo de hiperpersonalización en las tiendas físicas.

Entradas anteriores del blog

Ver más artículos del blog

Entradas anteriores del autor

Ver más artículos del autor

Uso de cookies