Lecciones de e-Commerce: “Muchos tienen datos de sus clientes pero no saben cómo aprovecharlos

Hernán Litvac, participante del e-Commerce Day 2017 y confundador de Icommkt, se refirió al uso de Data Science en el retail, cómo personalizar hoy al cliente, y cómo no “quemarle la cabeza a los clientes llenándolos de mail.

Icommkt es el producto de la asociación de dos compañeros de la escuela secundaria, Hernán Litvac y Leonardo Faigenbom. A ambos les interesaba la computación y decidieron, al ver el panorama, saltar del desarrollo al marketing. Empezaron con el email marketing y hoy se dedican a lo que se conoce como “automation marketing . Incorporaron herramientas y desarrollos para analizar grandes volúmenes de información. Hoy, Icommkt trabaja para 900 clientes en la región, principalmente en el segmento turismo, donde el envió de mails fue fundamental desde el comienzo.

Leer más: Record de público en el eCommerce Day 2017

Litvac fue parte del E-Commerce Day 2017 que tuvo lugar el pasado 31 de agosto en el Hotel Hilton de Buenos Aires. Allí contribuyó al panel dedicado a presentar casos de negocios relacionado con la aplicación de la ciencia de datos al e-commerce retail. En charla exclusiva con INFOTECHNOLOGY, el confundador de Icommkt se refirió al uso de Data Science en el retail, cómo personalizar hoy al cliente, y cómo no “quemarle la cabeza a los clientes llenándolos de mail.

¿Qué diferentes técnicas de Data Science se pueden aplicar al retail?

El camino que trabajamos fue el de integrar la máxima cantidad de fuentes de datos posible, que son todos los touchpoints que tienen las empresas online y offline con el consumidor, entendiendo que las empresas hace un par de años no tenían datos -o pensaban que no tenían datos-, y ahora los tienen pero muchos no saben qué hacer con ellos. Lo que hacen -en el peor de los casos también- es utilizar técnicas muy antiguas de segmentación manual de información, una segmentación clásica, casi como agarrar un Excel y empezar de las categorías de demografía. Pero estás hablando en retail, o sea, una persona que acaba de ir a un local que dejó un dato, que después entró y navegó en la web, etcétera.

Hay una posibilidad de personalizar al cliente.

Definitivamente. Es muy dura la segmentación que muchos hacen hoy y no tiene nada que ver con la experiencia del consumidor, algo muy importante para el comercio electrónico. Cuando se habla de procesos de automatización de marketing, lo que entendemos es que hay que automatizar la toma de datos, las fuentes de información y hay que automatizar la segmentación. No puede haber pases manuales de información, no puede pasar que un comercio físico diga: “Acá está la base de datos de los que compraron un mes después.

Es una foto vieja porque un mes es un montón de tiempo.

Sí, la analogía es perfecta. Un cliente ellos armaban, tenían toda la información de los consumos offline y empezaron a tener consumos online también, entonces lo que hacían también era identificar cuáles eran los productos que habían investigado las personas, entonces si vos, por ejemplo, hubieses investigado la categoría TV Led - primero, lo hacían con dos meses para atrás-, los próximos tres meses vos recibías información de ofertas de TV Led, esa persona ya compró.

Leer más: Invirtieron $10 millones para crear un e-Commerce pensado para geeks

Hoy en día un cliente que tiene nuestra tecnología y que tiene una tecnología, por ejemplo, de comercio electrónico como Vtex, con tres datos que carga, nuestra plataforma al día siguiente le procesó todas la historia de las comprás de la tienda de comercio electrónico, es decir baja todas las órdenes de compra y empieza a aplanar la información. Nosotros tenemos que volver a empoderar al marketer y este no puede estar cruzando datos y pidiéndole al área de tecnología que le cruce un Excel de las compras históricas para ver, también, lo que navegó. Lo que hacemos es que las 24 horas posteriores a que esa integración es generar 75 indicadores de comercio electrónico. Les decimos cuándo fue la última vez que compró, qué día fue la última vez que compró, les decimos cuál es el ticket promedio de los últimos 30, 60, 90, 180, 360 días y todo el historial de compra.

¿Cómo se hace para no ‘quemarle la cabeza´ a los clientes?

Hicimos un estudio donde ya no nos importaban las categorías tradicionales de segmentación sino Armamos grupos que tenían un comportamiento similar, por ejemplo: hay un grupo, un cluster que se le arma a los clientes que se llama Grupo 1 y ese tiene una característica que cada vez que se le hace un envío de una oferta, más del 50% de la gente las abre, se comporta de forma homogénea, pero eso no tiene relación directa con las ventas.

Yo a veces trazo la analogía con Facebook. Cuando uno arranca una campaña en Facebook lo primero que te dice Facebook es: “¿Cuál es tu objetivo?, ¿querés lograr clics?, ¿querés lograr ventas? , porque puede ser que yo tenga un comportamiento de hacer clics, de poner likes pero no de comprar. Los consumidores, por ejemplo, a nivel marketing tienen comportamientos totalmente diferentes en apertura, en clics y en las compras.

El desafío es poder detectar que vos sos esa persona que investigó un producto online, que tal vez fue a la tienda, y que después, dentro de la misma tienda compró por e-commerce y querés que te lo entreguen en tu casa. Toda esa complejidad es la que tenemos que resolver nosotros como parte de un ecosistema.

Leer más: Por qué MercadoLibre puede ser el próximo Amazon

Creo que segmentar lo que le permite a la empresa es entender y asociarlo con el ciclo de vida del cliente, es decir: bueno, ¿es un comprador que es frecuente?, ¿se acaba de registrar y no compró?, ¿compró por primera vez? Bueno, ¿cuál es la personalización de la oferta para ese comprador que todavía no hizo su segunda compra? Y ahí es donde, si después  queremos llegar al uno a uno real, empiezan a existir estos algoritmos de marketing predictivo, es decir lo que hace Amazon. El secreto de Amazon es que cuando viste tal producto te dice que te podría interesar tal otro.

¿Es una cuestión de Big Data e Inteligencia Artificial entonces?

El machine learning no hace todo solo. Hay que ver el tipo de algoritmo que se trabaja o el tipo de tecnología que se utiliza, si le están poniendo los datos correctos, porque son algoritmos que aprenden en función de las entradas. Si están poniendo cinco entradas que no son conducentes en función de la salida, porque tiene que aprender en función de entradas. Bueno, hay como dos formas de trabajar: supervisada, no supervisada, que son las cosas que se van probando también. Si le están poniendo entradas que no condicen con la salida, bueno, puede ser que no aprenda la forma correcta, entonces puede ser que haya que ampliar la categoría de inputs que tiene ese algoritmo para aprender.

Temas relacionados
Más noticias de big data

Las más leídas de IT Business

Destacadas de Infotechnology

Compartí tus comentarios

¿Querés dejar tu opinión? Registrate para comentar este artículo.
Nombre