Compañías bien administradas forman relaciones de aprendizaje con sus clientes. A medida pasa el tiempo aprenden mas y más sobre sus clientes, y ese conocimiento les ayuda a servirles mejor. El resultado es un cliente feliz, leal y un negocio rentable. Grandes compañías, con cientos y miles de clientes no gozan del lujo de una relación personal con cada uno de sus clientes. Hoy aprenderemos un poco sobre como pasar de datos de clientes a conocimiento sobre el cliente.
Gestión Analítica de la relación con el cliente.
Ampliamente se sabe que grandes compañías están tratando de emular lo que pequeñas empresas orientadas al servicio están haciendo bien - creando relaciones de uno a uno con sus clientes. Dichas compañías han entendido la importancia de mejorar las habilidades de las formas de relaciones de aprendizaje de sus clientes.
En las compañías visionarias se están movilizando a la meta de entender a cada cliente de manera individual, y usar ese entendimiento para hacer negocios con el cliente mas fácil que con sus competidores. Estas empresas ven los valores aportados por los clientes y ellos evalúan que vale la pena invertir y hacer dinero y en que no invertir.
En el sentido estricto, la Minería de Datos es una colección de datos y técnicas. Es una de varias herramientas tecnológicas requeridas para apoyar a las compañías centradas en los clientes.
Es un sentido mas amplio, la Minería de Datos es un proceso y una metodología para aplicar las herramientas y técnicas.
Para que la Minería de Datos sea efectiva, los otros requerimientos de CRM analíticos deben estar en su lugar.
Para que una empresa pueda formar una relación de aprendizaje con sus clientes debe de:
- Notar lo que sus clientes están haciendo
- Recordar lo que sus clientes y la misma empresa han hecho en el tiempo
- Aprender de lo que se recuerde (aprender del pasado)
- Actuar con lo que se ha aprendido para hacer clientes mas rentables.
Al aprender de lo que ha pasado en el pasado, deben haber sistemas que procesen transacciones para capturar las interacciones de los clientes, data warehouses para almacenar información histórica del comportamiento de los clientes, Minería de datos para traducir historial en planes de acción a futuro, y una estrategia de relación de clientes para poner esas acciones en practica.
El Rol de los Sistemas de Procesamiento de Transacciones
Los pequeños negocios basan su trato e inversion en sus negocios al tratar con sus clientes personalmente. Esto les ayuda a conocer cara a cara sus necesidades, sus gustos y sus preferencias. Pero como puede una empresa colosal conocer estas necesidades y preferencias de sus clientes si rara vez tiene un contacto personal o intimo con dichos clientes? Aun cuando haya servicio de call center, siempre sera atendido por una persona diferente cada vez que llame, o en cada sucursal. Como pueden las empresas aprender de estas interacciones?
En una palabra: nada. Pero se puede intentar. En las grandes empresas, el primer paso ya esta ampliamente automatizado: Notar lo que el cliente hace. Sistemas de procesamiento de transacciones están por todas partes, colectando datos de todo. Los registros generados por los cajeros automáticos, switches telefónicos, servidores web, scanners de puntos de venta, y el botón Me Gusta son el material crudo para la Minería de Datos.
En estos días todo lo que hacemos deja un rastro constante de registros de transacciones realizadas. Cuando hablas por teléfono para ordenar una Canoa de un restaurante salvadoreño ;) un registro telefónico es mostrado en la compañía telefónica mostrando entre otras cosas la hora de tu llamada, el número que marcaste, la compañía a la cual llamaste, etc. Estos datos combinados con otros registros que almacenan tu plan de factura, nombre, y dirección para poder generar una factura de esa llamada. En el catálogo de la empresa, un log de tu llamada es guardado también con la información sobre el catalogo particular el cual ordenaste y alguna promoción especial a la cual respondes. El representante del servicio al cliente solicita tu información personal y tu información de tarjeta, la cual es enviada a un sistema de verificación de validación de tarjeta, el cual también crea un registro. Pronto la transacción alcanza los sistemas bancarios que expidieron tu tarjeta, donde se muestra tu balance, tu plan de pago, tus ultimas transacciones, y por supuesto, la cantidad a descontar al comprar tus canoas. En pocas horas tu orden genera mas registros de transacciones en un sistema de envío como Fedex o UPS permitiéndote localizar donde viene tu paquete de canoas.
Estas transacciones no se generan pensando en Minería de Datos, mas bien son creados pensando en satisfacer las necesidades operacionales de la compañía. Cuando y a quien enviar cupones de canoas según la cantidad comprada o según los gustos de cada cliente.
Estos sistemas de transacciones son los puntos de contacto con el cliente, donde la información sobre el comportamiento del cliente entra por primera vez en la empresa. Y como tal, ellos son los ojos, las orejas(y quizá la nariz, la lengua y los dedos) de la empresa.
El Rol de Data Warehousing
Todas las empresas que están enfocadas en sus clientes al registrar cada transacción realizada por cliente, visualizan - cada visita al website, cada compra en linea, cada llamada a su servicio al cliente - como una oportunidad de aprendizaje. Pero aprender conlleva mas que solo reunir toneladas de información. Muchas empresas contienen gigabytes de información sin saber que hacer con ellas. Esa data es almacenada con una finalidad, tal y como se hace como los controles de inventario y facturar.
Para que toda esta información obtenida de comprar online, llamadas al servicio al cliente, etc, etc, debe ser juntada y organizada consistentemente y de forma útil. A esto se le llama Data Warehousing. Data Warehousing le permite a la empresa recordar lo que se ha notado sobre sus clientes.
Uno de los aspectos mas importantes del Data Warehouse es la capacidad de rastrear el comportamiento del cliente en el tiempo. Cuán frecuentemente el cliente regresa? Qué canales prefiere el cliente? A cuales promociones responde dicho cliente mas a menudo?
Un buen Data Warehouse provee acceso a la información recogida por los datos transaccionales en un formato que es mucho mas amistoso que en la forma que es almacenado en los sistemas operacionales donde la data se originó. Idealmente los datos en Warehouse se ha recogido de muchas fuentes, limpia, fusionada, apegada a ciertos clientes, y resumida en varias formas útiles.
El Rol de la Minería de Datos
Los data Warehouse proveen una memoria a la empresa. Pero dicha memoria es de poco uso sin inteligencia. La inteligencia te permite tomar de tus memorias y responder preguntas correctas, aportar nuevas ideas, hacer predicciones sobre el futuro.
Que script de tele-mercadeo es mejor para esta llamada? Donde deberíamos abrir un nuevo local? Respuestas a preguntas como estas yacen enterradas en data corporativa.
La idea central de Minería de Datos para la gestión de relación con el cliente es que la data obtenida del pasado contiene información que sera útil en el futuro. Funciona porque el comportamiento de los clientes capturados en data corporativa no son al azar, pero refleja las necesidades cambiantes, preferencias, y tratamientos a los clientes.
La meta de la minería de datos es encontrar patrones en la data histórica que arroje luz en esas necesidades y preferencias. La tarea se hace difícil por el hecho que los patrones no siempre son fuertes, y las señales enviadas por los clientes es bulliciosa y confusa. Separar el ruido de las señales- reconocer los patrones fundamentales bajo las aparentes variaciones al azar- es una importante rol de la minería de datos.
El rol de la Estrategia para la Gestión de las relaciones con los Clientes
Para ser efectiva, la minería de datos debe ocurrir dentro de un contexto en el que permita a una organización cambiar su comportamiento como resultado de lo que se ha aprendido. De nada sirve saber que los clientes que usan telefonía inalámbrica están en un plan de pago erróneo y están propensos a cancelar sus subscripciones sino hay nadie empoderado que les proponga que se cambien a un mejor plan como sugiere el sistema. Si ocupan mas minutos del plan que pagaron, entonces esos minutos son cobrados a un costo mas caro, lo cual es propenso a que este cliente se marche a nuestra competencia. De lo contrario, si este cliente habla menos del plan que compro, entonces esta pagando minutos que no utiliza. Data Mining ayuda a entender esto y la empresa decide si ofrecer un plan que se ajuste o deja hasta que el cliente lo solicite.
La minería de Datos debería estar incrustada en una estrategia corporativa de relación con los clientes que permita explicarles las acciones a llevarse a cabo como resultado de lo que se ha aprendido a través de la minería de datos.
Cuando los clientes de bajo valor son identificados, como son tratados? Hay planes creados para estimular su uso e incrementar su valor? O tiene mas sentido bajarles el costo del servicio a ellos? Si algunos canales consistentemente traen clientes mas rentables, como se puede cambiar esos recursos a esos canales?
Minería de datos es una herramienta y como tal, no es suficiente entender cómo funciona; Es necesario entender cómo será usada.
Qué es Minería de Datos?
La Minería de Datos (de ahora en adelante mencionado como MD), es la exploración y análisis de una gran cantidad de datos para descubrir patrones y reglas significativos. Asumimos en este caso que tu estas aqui porque tu meta es la de permitir a tu empresa mejorar su mercadeo, sus ventas, y operaciones de soporte al cliente a través de un mejor entendimiento de tus clientes. Aunque ten en mente que las técnicas aportadas aqui son aplicables a cualquier campos de la empresa. El proceso de MD es a menudo referido como descubrimiento de conocimiento o también como KDD.
Qué tareas pueden ser Desarrolladas con la Minería de Datos?
Muchos problemas de interés intelectual, económico, y de negocios pueden ser expresados en términos de las siguientes 6 tareas:
- Clasificación
- Estimación
- Predicción
- Agrupamiento por afinidad
- Clustering
- Descripción y perfilado
Los primeros 3 son todos ejemplos de MD, donde la meta es encontrar el valor de un objetivo particular variable. Agrupamiento por afinidad y clustering son tareas indirectas donde la tarea es descubrir estructura en los datos sin importar un objetivo particular variable. Perfilado es una tarea descriptiva que puede ser directa o indirecta.
Clasificación
Es una de las tareas mas comunes en MD, pareciera ser un imperativa humano. Para entender y comunicar sobre el mundo estamos constantemente clasificando, categorizando, y graduando.
La clasificación consiste en examinar las características de un objeto presente y asignarlo a un set de clases predefinidas. Los objetos a clasificar son generalmente presentados por registros en la base de datos o un archivo, y el acto de clasificarlos consiste en añadir una nueva columna con un código de clase de algún tipo.
La tarea de clasificación es caracterizada por una definición bien definida de las clases y un conjunto de entrenamiento consistente en ejemplos preclasificado. La tarea es de construir un modelo de tal tipo que puede ser aplicado a una data sin clasificar para poder clasificarla.
Ejemplos de tareas de clasificación de tareas que han sido dirigidas usando la técnica descritas previamente, incluyen:
- Clasificar aplicantes a créditos como bajo, mediano y alta riesgo
- Escoger contenido a mostrar en una página web.
- Determinar cuales números de teléfono corresponden a maquinas de fax.
- Detectar reclamaciones de seguro fraudulentas.
- Asignar códigos industriales y designaciones de trabajo en base a descripciones de trabajo sin texto.
En todos estos ejemplos hay números limitados de clases y esperamos poder asignar cualquier registro en cualquiera de ellos.
Estimación
En la práctica, la estimación es a menudo usada para desarrollar una tarea de clasificación. Una empresa de tarjetas de crédito deseando vender espacios para anuncios en sus sobres de facturas a un fabricante de botines para esquiar, puede construir un modelo de clasificación que ponga a todos sus titulares de tarjetas como esquiadores y no esquiadores. Otro enfoque es construir un modelo que asigne a cada titular la descripción: propenso a la puntuación esquí. Esto podría ser un valor entre 0 y 1 indicando la probabilidad estimada de que el titular es un esquiador. La tarea de asignación se reduce ahora a establecer un límite de puntuación. Cualquier con una puntuación mayor o igual al límite esta clasificado como un esquiador, y cualquier con una puntuación baja sobre el límite es considerado un no esquiador.
El enfoque de estimación tiene la gran ventaja que los registros de cada individuo pueden ser ordenados en rangos de acuerdo a la estimación. Para ver la importancia de esto, imagina que el fabricante de botines para esquiar ha presupuestado para un envío de 500,000 piezas. Si el enfoque de clasificación es usada y 1.5 millones de esquiadores son identificados entonces podría simplemente añadir los anuncios en los sobres de facturas de 500,000 personas seleccionadas al azar. Por otro lado, si cada titular es propenso a la puntuación de esquí, entonces puede enviar el anuncio a los 500,000 candidatos mas probables. Ejemplos de tareas de clasificación incluyen:
- Estimación del número de niños en una familia
- Estimación de entradas totales de ingresos por familia
- Estimación de valor del cliente
- Estimación de la probabilidad que alguien responda a la solicitación de transferencia de balance
Predicción
Es lo mismo que clasificación y estimación, excepto que los registros son clasificados de acuerdo a algunos futuros comportamientos predictivos, o valores de futuro estimado. En una tarea de predicción, la única forma de verificar la exactitud de las clasificaciones es esperar y ver. La razón primaria para tratar las predicciones como una tarea separada de la clasificación y la estimación es que en un modelo predictivo hay issues relacionados con respecto a la relación temporal de las variables de entrada o predictores de la variable objetivo.
Cualquiera de las técnicas usadas para clasificar y estimar puede ser adaptada para uso en predicción al usar ejemplos de entrenamiento donde el valor de la variable a predecir ya es conocida, junto con la data histórica para esos ejemplos. La data histórica es usada para construir un modelo que explica el actual comportamiento observado. Cuando este modelo es aplicado a las entradas actuales, el resultado es una predicción de un comportamiento futuro.
Ejemplos de tareas de predicción dirigidas por las técnicas de MD incluyen:
- Predecir el tamaño de balance que será transferido si un prospecto de tarjeta de crédito acepta una oferta de transferencia de balance.
- Predecir cuales clientes se irán dentro de los siguientes 6 meses.
- Predecir cuales suscriptores telefónicos ordenaran un servicio de valor añadido tal como llamadas de tres vías o correo de voz.
Agrupamiento por afinidad o Reglas de Asociación
La tarea de agrupamiento por afinidad es determinar que cosas irán juntas. El ejemplo prototipico es determinar que cosas van juntas en un carrito de compras en el supermercado. Cadenas minoristas pueden usar agrupamiento por afinidad para planear el arreglo de items en los cajones de almacenaje o en un catálogo de items de modo que productos a menudo comprados juntos se verán juntos.
Agrupamiento por afinidad puede ademas ser usado para identificar oportunidades de venta y diseñar paquetes atractivos o grupos de productos o servicios.
Agrupamiento por afinidad es un enfoque simple para generar reglas de la data. Si 2 items, digamos comida perro o de gato, suceden a ambas frecuentemente juntos, podemos generar 2 reglas de asociación:
- La gente que compra comida para perro tambien compran comida para gato con probabilida1
- La gente que compra comida para gato tambien compra comida para perro con probabilidad2
