Análisis descriptivo

1. Ayuda a responder preguntas sobre lo que sucedió. Al desarrollar (KPI), estas estrategias pueden ayudar a rastrear los éxitos o fracasos.

Diagnóstico

2. Ayuda a responder preguntas sobre por qué sucedieron las cosas. Toman los hallazgos del análisis descriptivo y profundizan para encontrar la causa.

Predictivo

3. Ayuda a responder preguntas sobre lo que sucederá en el futuro. Estas técnicas utilizan datos históricos para identificar tendencias y determinar si es probable que se repitan.

Prescriptivo

4. Ayuda a responder preguntas sobre lo que se debe hacer. Esto permite a las empresas tomar decisiones informadas frente a la incertidumbre. CASO DE USO EN APS: Tras realizar el análisis y evaluar qué opciones son las mejores, tenemos diferentes aplicaciones como:

• Marketing: Campañas inteligentes dirigidas.
• Provisión: Optimización de Procesos Provisión.
• Compras: Entender procesos de compras.
• Gestión de stock: Optimización Inventarios.
• CUSTOMERCARE: Recomendaciones a los agentes.

Machine Learning: Aproximación iterativa basada en algoritmos con los que se construyen modelos estadísticos en función de los datos. Relación explicabilidad y precisión: (Relacionarlos 1 a 2):

• Explicabilidad: basada en modelos descriptivos o de diagnóstico. Descubre patrones de datos, entender comportamientos y tendencias de grupos, descubrir anomalías y causas.
• Precisión: basada en modelos predictivos – predicción comportamiento futuros, hace recomendaciones, ayuda en la automatización.

Construcción y uso de modelos:

• Preparación y limpieza de datos: Limpieza: eliminar registros o columnas con valores dañados, no válidos o con muchos valores vacíos.
• Transformaciones: Tratamiento especial de determinados atributos (cambio de tipo, escalado, normalización, binarización, tratamiento de missing values, tratamiento de valores atípicos, corrección de errores tipo gráficos…)
• Selección de instancias: selección de muestras para construcción del data set (balanceo de valores de clase, undersampling, oversampling).
• Selección de Atributos: segunda parte de la construcción de un modelo. Es una de la más importante y comprende entre el 70-80 % del tiempo. Es una actividad crucial del pre-procesamiento de datos cuando se desea realizar descubrimiento de conocimiento en bases de datos. Se divide en:

– Filtrado de Atributos: Reducir el número de atributos, eliminando aquellos irrelevantes para separar la clase objetivo o aquellos de pendientes (mediante uso de correlación eso algoritmos específicos de filtrado).

– Creación de Atributos: creación de atributos nuevos mediante funciones matemáticas, combinación de atributos, aplicación de reglas de negocio conocidas.

– Reducción de dimensionalidad: Reducir el número de atributos mediante creación de representaciones de datos más pequeñas, pero más potentes (PCA, LDA…).

Construcción del data set: Los mismos mecanismos de limpieza, transformación y selección de atributos se aplican a los data sets utilizados para construir los modelos y sobre todas las instancias nuevas a las que apliquemos el modelo resultante. Los modelos van a estar preparados para recibir la entrada siempre en el mismo formato y se construye el modelo.

Métodos de aprendizaje:

• Supervisado: Optimización precios y su elasticidad (linear regression). Predicción probabilidad compra (linear/quadrátic discriminant análisis).
• Entendimiento atributos producto que mayor impacto tienen en los clientes (decisión tree)… Predicción probabilidad clic en un anuncio online (support vector machine).
• NO supervisado: Clusterización clientes (K-means clustering / Gaussian mixture model). Microsegmentación fidelización basada en actividad redes sociales (hierachical clustering).
• Recomendador contenidos (recommender systems).
• Refuerzo: Optimización precio puja en gestión cuentas SEM o compra programática. TEST A/B contenidos.

Nuevos ecosistemas: Los datos de primera mano son los datos que recopilas directamente de tus clientes y clientes potenciales. Segundo: Los datos de terceros son los datos propios recopilados por una empresa ‘asociada’, puestos a disposición para nuestro uso de alguna manera. Tercero: los datos de la parte son recopilados de los clientes por una empresa que no está directamente involucrada en la transacción. Una DPM es una herramienta tecnológica que recoge, agrega y centraliza diferentes tipos de datos de distintas fuentes y permite la gestión de estos datos (psicográficos, demográficos, y de comportamiento) en una misma plataforma, lo que nos sirve para crear segmentos de audiencia. Este tipo de software se ha convertido en una herramienta indispensable en marketing digital, y especialmente necesaria para llevar a cabo campañas de publicidad online.

• Recogida de datos.
• Procesamiento de datos. Toda la información recopilada se ordena para dar lugar a segmentos de audiencia coherentes y se asocia toda esa gran cantidad de información.
• Transmisión de los datos a los servidores de anuncios. Cuando tenemos identificadas las audiencias a las que queremos impactar, la información se comparte con los DSPs (plataformas de los anunciantes).

DSP: Los Demand Side Platforms son las plataformas donde anunciantes y agencias compran inventario de forma automatizada, eficiente y optimizada. La plataforma que usan los demandantes de espacio publicitario, los anunciantes, para encontrar el inventario que más les interese. En estas plataformas, puedes usar la segmentación para llegar a la audiencia idónea, recibes resultados en tiempo real, por lo tanto, puedes modificar tus campañas según corresponda. SPSS: es un programa estadístico informático que originalmente se usaba únicamente en las investigaciones de las ciencias sociales y en las ciencias aplicadas y también se aplica ahora en el ámbito la de investigación de mercado. Significa Sell Side Platforms que representan a los publishers, es decir, los vendedores de espacio publicitario. SP.

Plataformas en la nube: Los servicios en la nube son servicios que se utilizan a través de Internet. Es decir, no están físicamente instalados en tu ordenador. Se trata de un nuevo paradigma que surgió con el advenimiento de la World Wide Web.

• Cloud Computing: Modelo de entrega y consumo de servicios: Flexibilidad, Acceso inmediato a recursos, Pago por uso.
• Impacto del cliente: Importancia del contrato de servicios cloud. Cloud conlleva industrialización y automatización.
• Impacto para el prestador: Fuerte inversión anticipada. Automatización. Hay varios tipos:

– Software as a Service (SaaS): El más utilizado. El software está alojado en servidores de los proveedores y el cliente accede a ellos a través del navegador web. Todo lo relacionado con mantenimiento, soporte y disponibilidad es manejado por el proveedor. Platform as a Service (PaaS): En este tipo de servicios en la nube el proveedor ofrece acceso a un entorno basado en cloud en el cual los usuarios pueden crear y distribuir sus propias aplicaciones. El proveedor proporciona la infraestructura subyacente.

Martech: El “Martech” es la unión del marketing y la tecnología, son un conjunto de metodologías, tecnologías y datos que permiten conseguir objetivos de marketing. Podemos afirmar que hoy es imposible gestionar una relación personalizada con el cliente sin tecnología. Nos podemos preguntar: cómo gestionamos una relación con 1 millón de clientes personalizada, relevante, bidireccional que permita gestionar campañas y programas. La respuesta es utilizando la tecnología y automatizando los procesos.

El “marketing automation”: es parte del Martech. En este momento las marcas disponen de la tecnología para desarrollar estrategias de marketing relacional avanzadas. El reto está en transformar el negocio, adaptarnos a las nuevas condiciones de mercado, atraer y mantener el talento. Las empresas necesitan profesionales formados en el uso de las nuevas herramientas y metodologías porque necesitan responder rápidamente a una nueva situación de mercado.