El marketing predictivo es la clave para anticiparse a los movimientos del mercado y tener una ventaja competitiva en el mundo empresarial.
Anteriormente, los profesionales del marketing utilizaban estadísticas descriptivas y su intuición para predecir el comportamiento del mercado. (Era un poco como la técnica esa de levantar un dedo al aire y saber de dónde viene el viento… teniendo en cuenta todas las veces que habías usado este método en el pasado)
Sin embargo, ahora, gracias a la inteligencia artificial, podemos recopilar y analizar grandes cantidades de datos para crear modelos predictivos.
Estos modelos nos permiten predecir resultados futuros, saber quiénes son nuestros clientes potenciales y qué producto o campaña será más efectiva. Es decir, podemos tomar decisiones más precisas y acertadas en cuanto a nuestra estrategia de marketing.
Al basar nuestro marketing en datos, las empresas pueden optimizar sus recursos y maximizar sus beneficios. Además, el uso de modelos predictivos nos permite estar a la vanguardia y adelantarnos a las tendencias del mercado.
Por supuesto, otra vez, Philip Kotler es uno de los autores que más han profundizado en este tipo de marketing en su libro Marketing 5.0 que ya revisamos en otros posts.
Moneyball, el ejemplo clásico de aplicar la predicción de datos en la planificación.
Si eres asiduo de este blog y no conoces esta película y libro, probablemente es porque vivas en una cueva en medio de Ourense. No pasa nada te hago un resumen rápido.
En realidad se trata de un ejemplo de cómo jugar tus cartas para anticiparte a la demanda del mercado.
La historia es una especie de dramón deportivo lanzado allá por el 2011 basado en la historia real del gerente general de los Oakland Athletics, Billy Beane. El logro de Billy es construir un equipo de béisbol muy decente con un presupuesto limitado, utilizando un enfoque innovador basado en análisis estadísticos y estrategias de scouting poco convencionales.
Ésta técnica que en su momento fue ultra rompedora a día de hoy es una broma comparada con todo el artilugio estratégico de la estadística avanzada que se usa en las grandes ligas norteamericanas.
Es más al otro lado del océano atlántico tenemos de hecho un ejemplo de equipo reconstruído aplicando un modelo matemático. Nada más y nada menos que el Liverpool de Jurgen Klopp.
¿Quién nos iba a decir que el éxito de alguien tan pasional (sólo hay que ver estas caras) tiene detrás una ingente cantidad de análisis de datos?
Cómo aplicar el marketing predictivo.
Es muy probable que en tu pequeña agencia de marketing estés aplicando algo similar ya sin darte cuenta pero vamos a bajar definiciones un poco más:
- Gestión predictiva de clientes. Todo aquí gira alrededor de la pesadilla más recurrente de un director de márketing, dirigirse a un cliente y prestarle un servicio sin conocer los ingresos futuros. Todas esas dudas acerca del coste de adquisición del cliente. En general, la aplicación más práctica del marketing predictivo aquí suele ser:
1 Descubrir oportunidades de venta cruzada.
2 Predecir la lealtad de los clientes y detectar puntos de frustración alta.
3 Establecer un mapa de «mejores acciones siguientes» para los clientes. - Gestión predictiva de producto. Esto se entiende super rápido con el ejemplo de Netflix y House of Cards. Para impulsar su ventaja competitiva y reducir costes en contenidos la compañía se ayudó de estrategias estadísticas. La serie House of Cards se desarrolló a partir de un porcentaje de éxito que aportaría el mix de tener a Kevin Spacey de prota, David Fincher dirigiendo y una serie original con un éxito ya alcanzado (la versión británica original de los 90)
- Gestión predictiva de marca. Aquí entramos en un tema de percepción, feeling y sentimiento. Los modelos predictivos y el aprendizaje automático pueden ser de mucha utilidad a la hora de crear contenido. Escapar de la disonancia y acertar con el mensaje.
Modelos de marketing predictivo.
Por último, nos ponemos «tech» y vemos los principales modelos. Tranquilos que no vamos a entrar en materia ni a bailar con algoritmos. Lo importante aquí es entender las ideas fundamentales en cada modelo.
Modelo de regresión para predicciones sencillas.
Esto es el modelo más básico y útil y es a lo que muchos denominamos «proyecciones». Siempre se articula de la siguiente manera:
- Recoger datos de variables.
- Encontrar una ecuación que explique la relación entre variables.
- Interpretar la ecuación para generar nuevas ideas y conclusiones.
- Predecir variables dependientes una vez tenemos las variables independientes.
Modelo de filtrado colaborativo en sistemas de recomendación.
Otro modelo muy popular utilizado prácticamente en todos los e-commerce y marketplace del mundo y que está basado 100% en modelado predictivo.
Se basa en la idea de que los usuarios buscan productos similares a otros que ya han comprado o eligen otros productos que hayan comprado otros usuarios con preferencias parecidas a las suyas.
Para que funcione como un tiro es necesario:
-Recoger preferencias en bases de datos muy amplias.
Piensa en los «me gusta» de Youtube o las estrellas del rating de Amazon . Lo que hay detrás es la base de datos de un modelo predictivo de recomendación.
-Generar clusters de clientes y productos similares.
-Predecir calificaciones de un cliente a un nuevo producto.
Modelo de red neuronal.
Este es el modelo que te podría sonar más alienígena. Primero de todo; ¿Qué es una red neuronal?
Un red neuronal es una herramienta de aprendizaje automático inspirada en la red neuronal biológica humana existente dentro de nuestro cerebro.
Este modelo aprende de la experiencia procesando un gran número de ejemplos anteriores.
Estos modelos son accesibles a día de hoy en forma de software de código abierto. El más famoso de todos, probablemente TensorFlow.
Se trata de un modelo bastante «misterioso» para neófitos porque lo que hay en medio del sistema muchas veces se denomina «caja negra». El proceso funciona de la siguiente manera:
1. Se cargan los datos de entrada y de salida. Un poco como en el modelo de regresión, los valores independientes son la entrada, los dependientes la salida. Lo que pasa en el medio, las capas ocultas, son los algoritmos de la «caja negra».
2. Las redes neuronales hacen su magia. Se supone que estas redes son mucho más capaces de encontrar conexiones y patrones que un razonamiento casuístico normal.
3. El modelo resultante predice los datos de salida. Las funciones derivadas de los ejemplos pueden usarse para adivinar la salida de una nueva entrada. Es decir, el sistema aprende y se refina así mismo.
Te preguntarás, ¿cuándo un elegir un modelo predictivo u otro? Bien, aquí la clave es entender cómo es la información que te rodea. En información estructurada, los modelos tipo regresión son los que más se usan. En contextos más caóticos con información poco estructurada es donde los métodos de aprendizaje automático como la red neuronal son más útiles.
