NOTICIAS / DATOS
Esto es especialmente cierto cuando se trata de saber qué data es más importante para comprender a los consumidores. Se trata menos de QUIÉNES son, QUÉ hicieron y mucho más de CÓMO se comportaron. La forma en que los consumidores se comportan en una plataforma en línea le dirá más sobre su propensión a gastar que otros factores. Las marcas necesitan captar este data, y muchas no lo hacen.
Esto es especialmente cierto cuando se trata de saber qué data es más importante para comprender a los consumidores. Se trata menos de QUIÉNES son, QUÉ hicieron y mucho más de CÓMO se comportaron. La forma en que los consumidores se comportan en una plataforma en línea le dirá más sobre su propensión a gastar que otros factores. Las marcas necesitan captar este data, y muchas no lo hacen.
El gasto de los consumidores chinos crecerá a un ritmo medio anual del 7,7% en términos reales durante la próxima década, convirtiéndose en un motor clave de la demanda global de consumo y del crecimiento mundial, según las previsiones de IHS. Los consumidores chinos están trasladando una mayor parte de sus compras a Internet en los últimos años, lo que convierte a China en uno de los mercados de comercio electrónico más avanzados del mundo. Dado que la emergente clase media china exige productos y servicios de alta calidad, muchos comerciantes en línea están tomando medidas para comprender mejor y, por tanto, dirigirse mejor a este grupo de consumidores tan batallador. Obviamente, todo se reduce a data, pero ¿qué data es realmente más valioso?
A través de un reciente estudio de caso, Artefact puede aportar algo de luz a esta cuestión. Al comprar en línea, (por servicios o productos), las marcas y plataformas captarán data sobre estos consumidores. Al entrenar un modelo basado en el aprendizaje automático para predecir si un cliente será un gran gastador, combinamos y organizamos todos los tipos de data sobre los consumidores. Resulta que el tipo de data que más influye en su propensión a comprar no es QUÉ hicieron, ni QUIÉNES son, sino CÓMO se comportaron en la plataforma en línea. La pregunta ahora es: ¿cuánto data capta sobre CÓMO se comportan sus consumidores al comprar su producto?
Estudio de caso: una empresa de servicios de viajes en línea que aprovecha un modelo de aprendizaje automático
Una plataforma de servicios de viajes al extranjero que conecta a conductores y guías locales con viajeros chinos ofrece todo tipo de servicios de viaje, como recogida en un aeropuerto, alquiler de coches, contratación de un conductor guía local, etc. El problema al que se enfrentaban era que no muchos consumidores estaban dispuestos a pagar por su servicio premium. Ellos, sin embargo, realmente quieren establecer una reputación con los clientes de gama alta.Esta empresa esperaba utilizar su data acumulado para reconocer quiénes son sus clientes premium potenciales y luego tratar de volver a dirigirse a ellos de manera más proactiva.
Para predecir la posibilidad de que un cliente pague por el servicio premium, primero extrajimos numerosas características. Estas características pueden organizarse en 3 grupos:
- OMS ¿son los clientes? Esto incluye la edad del cliente, el sexo, la provincia, la ciudad, etc.
- QUÉ ¿han hecho? Esto incluye información sobre lo que han comprado, si han cancelado un pedido, el número de pedidos totales, etc.
- CÓMO ¿se comportaron los consumidores? Este grupo incluye información sobre el tiempo total que pasaron en la plataforma, la velocidad a la que hicieron clic a través de la aplicación, el número de clics diferentes que se hicieron, si se dejó un comentario o no, etc.
La mayoría de las características disponibles se referían a QUÉ hacían los clientes (que es el punto de partida de cualquier ejercicio de captación de data). Pero al analizar la importancia de las variables, el CÓMO se comportaron los consumidores fue lo que más influyó en que acabaran comprando servicios premium: 62% de la previsibilidad fue impulsada por estas características, mientras que sólo representaban 35%.
Además, con las reseñas de consumidores de data anteriores, habíamos utilizado algunas herramientas para hacer un análisis sentimental con el fin de extraer características de las reseñas. Basándonos en estas reseñas podemos señalar rápidamente el lugar que debe mejorarse. También puede utilizarse para targeting personalizados, especialmente para aquellos que han tenido una mala experiencia pero que aún tienen potencial para ser clientes.
Conclusión
Para comprender mejor cómo toman los clientes sus decisiones de compra, hemos observado en muchos casos que el factor más importante es la variación de los comportamientos de los clientes, más que las acciones y los datos demográficos. Con una data rica en comportamientos, funciones derivadas y análisis avanzados, los comerciantes pueden identificar y seleccionar fácilmente a los clientes que probablemente se conviertan en suscriptores premium. La buena noticia es que en el comercio electrónico, las marcas pueden ver mucho más data sobre el comportamiento de los consumidores en comparación con el comercio minorista fuera de línea. Pero más vale anticiparse.
En resumen, no utilice “ojos fuera de línea” en un mundo en línea. Esto también es cierto cuando se trata de data.
