Problema General
Cuales son las aplicaciones mas comunes de la minería de datos en la mercadotecnia que ventajas y desventajas existen en este campo?
Objetivo General
Conocer las aplicaciones mas comunes de la minería de datos en la mercadotecnia, las ventajas y desventajas que existe en este campo.
1. Introducción
La minería de datos es un campo muy grande con muchas aplicaciones, en este caso veremos respecto a la mercadotecnia. Veremos que nos puede favorecer en muchos aspectos, pero también tiene desventajas y las vamos a mencionar.
2. Conceptos de minería de datos y mercadotecnia
El datamining (minería de datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto.
Básicamente, el datamining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales.
De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y ese modelo represente un valor agregado, entonces nos referimos al conocimiento.
ver mas
3. Porque utilizar minería de datos en la mercadotecnia
5. Conclusión
La Minería de Datos ayuda a identificar cuáles son los registros que no aportan alguna información y que están almacenados innecesariamente, viéndose incrementado el volumen de la información en las bases de datos.
De igual forma pueden ser detectados los registros que, no obstante ser considerados a simple vista de poca importancia, son verdaderas fuentes de información que no han sido debidamente explotadas.
Puede afirmarse, entonces, que la Minería de Datos no solamente es útil para detectar registros que no aportan información valiosa, sino que también sirve para encontrar datos catalogados como “tesoros”, que siempre estuvieron allí pero nunca fueron considerados “importantes”, simplemente porque nunca se les vio como tales o por no haber sido observado su verdadero valor.
6. Referencias
http://www.sinnexus.com/business_intelligence/datamining.aspx
http://www.monografias.com/trabajos15/mercadotecnia/mercadotecnia.zip
dspace.utalca.cl/retrieve/21963/roa_ferrada_a_resumen.pdf
http://www.slideshare.net/nicoalejandro/gerenciar-el-conocimiento-crm-data-mining
Para empezar podemos definir la mercadotecnia como una ciencia, un proceso social y administrativo mediante el cual grupos e individuos obtienen lo que necesitan y desean a través de generar, ofrecer e intercambiar productos de valor con sus semejantes. El especialista en el área de mercadotecnia se llama "Mercadólogo".
La mercadotecnia es una orientación administrativa que sostiene que la tarea clave de la organización es determinar las necesidades, deseos, valores de un mercado de meta, a fin de adaptar la organización al suministro de las satisfacciones que se desean, de un modo más eficiente y adecuado que sus competidores.
3. Porque utilizar minería de datos en la mercadotecnia
3.1Ventajas de la minería de datos en la mercadotecnia
Los mercado están en un constante cambio, los consumidores se tornan cada día mas críticos, esperan cada vez un mejor producto, mas individualizado y que solucione sus problemas particulares.
La Competencia crece cada día más y nuevos medios de distribución se apoderan del mercado a una velocidad que no da tiempo para la reacción.
Todos estos factores ejercen una presión sobre la organización y la empresa actual. Para poder mantener(y más que mantener mejorar) una relación con el cliente, y en consecuencia, mantener un liderazgo por sobre la competencia, se hace necesario tener mecanismos de adaptación a las necesidades del cliente (que, como son estáticas).
Es por esta razón que la velocidad y flexibilidad de la organización son factores críticos a la hora de definir las ventajas competitivas de la empresa de hoy.
Uno de los cambios paradigmáticos que se propone es que hoy el cliente en sí mismo forma el capital real de la empresa. Así, el foco ya no está en el producto sino en los intereses del cliente.
¿Qué quiere decir esto?
Ofreciendo a nuestros clientes “Los productos que ellos necesitan”, a través de los canales de distribución adecuados y en el tiempo requerido la organización podrá sobreponerse a los “traumáticos” cambios que se viven en el mercado actual.
Para poder lograr estos objetivos (que desde luego no son nada fáciles, ni mucho menos triviales) hay que conocer las preferencias de los clientes, que, por si fuera poco, no son las mismas para todos. Aquí juegan un rol importantísimo las bases de datos que pueden albergar gran cantidad de información que identificará las necesidades de los clientes.
Sin embargo, la acumulación de grandes cantidades de datos en las Data Warehouses no implica necesariamente un incremento en el conocimiento.
La clave para lograr el objetivo plateado es la Minería de Datos, con esta herramienta se puede extraer conocimiento enfocado a grupos de clientes (con objetivos comunes por ejemplo). Las bases de datos (a través de la minería de datos) se exploran a través de miles de “puntos de vista”; lo que permite encontrar información escondida acerca del comportamiento de clientes para establecer patrones. Así los departamentos de marketing se adaptan rápidamente y la flexibilidad a los requerimientos y necesidades de cada cliente se alcanzan.
En resumen, usar minería de datos para construir un modelo desde las bases de datos tiene las siguientes ventajas.
- Los modelos son fáciles de entender.
Personas sin un back up importante de estadísticas (como un analista financiero o ejecutivos en general) pueden interpretar el modelo y compararlo con sus propias ideas; recordemos que en la organización de hoy, son los mismos ejecutivos los que deben “meter las manos” a las bases de datos para obtener la información que necesitan. Así, el usuario gana más conocimientos sobre el comportamiento de los clientes y puede (y debe) usar esta ventaja para optimizar el proceso de negocios de la organización.
- Enormes bases de datos pueden ser analizadas.
Enormes bases de datos pueden ser analizadas mediante la tecnología de la minería de datos. Estas Bases de datos pueden ser enormes tanto en largo como en ancho. Por ejemplo, para cada cliente se puede tener cientos de atributos que contienen información detallada; y además tener miles de registros de clientes.
- La minería de datos descubre información que no se esperaba obtener.
Como muchos modelos diferentes son validados, algunos resultados inesperados tienden a aparecer. En muchos estudios, se ha descubierto que combinaciones particulares de factores entregan efectos inesperados que entregan valor a la compañía.
- Los Modelos Son Confiables
El modelo es probado y comprobado usando técnicas estadísticas antes de ser usado, luego las predicciones que se obtienen por el modelo son válidas y confiables.
- Los modelos se construyen de manera rápida.
La minería de datos permite construir y generar modelos en sólo uno minutos u horas. El modelado se torna mucho más fácil puesto que muchos algoritmos son probados y sólo el mejor modelo es entregado al usuario.
3.2 Desventaja de la minería de datos en la mercadotecnia
A continuación se enumerarán algunas de las desventajas más comunes que se pueden presentar en la implementación de un Data Warehousing:
- Requiere una gran inversión, debido a que su correcta construcción no es tarea sencilla y consume muchos recursos, además, su misma implementación implica desde la adquisición de herramientas de consulta y análisis, hasta la capacitación de los usuarios.
- Existe resistencia al cambio por parte de los usuarios.
- Los beneficios del almacén de datos son apreciados en el mediano y largo plazo. Este punto deriva del anterior, y básicamente se refiere a que no todos los usuarios confiarán en el DW en una primera instancia, pero sí lo harán una vez que comprueben su efectividad y ventajas. Además, su correcta utilización surge de la propia experiencia.
- Si se incluyen datos propios y confidenciales de clientes, proveedores, etc, el depósito de datos atentará contra la privacidad de los mismos, ya que cualquier usuario podrá tener acceso a ellos.
- Infravaloración de los recursos necesarios para la captura, carga y almacenamiento de los datos.
- Infravaloración del esfuerzo necesario para su diseño y creación.
- Incremento continuo de los requerimientos de los usuarios.
- Subestimación de las capacidades que puede brindar la correcta utilización del DWH y de las herramientas de BI en general.
4. Aplicaciones de la minería de datos en la mercadotecnia
4.1Prediccion con minería de datos
Uno de los campos de aplicación tradicionales de la minería de datos es la predicción de la evolución en el futuro de una variable (o conjunto de variables) a partir de datos históricos sobre su comportamiento en el pasado. Las técnicas de minería de datos constituyen una alternativa útil y eficaz alas aproximaciones matemáticas tradicionales, especialmente en el caso de variaciones muy irregulares, complicadas de modelar con los métodos clásicos.
La empresa Bayer mantiene un registro histórico de diferentes datos, entre ellos las cifras de ventas.
Basándose únicamente en los datos de ventas de uno de sus productos, sin indicadores adicionales, pretende desarrollar un modelo del comportamiento de dicho producto en el mercado que le permita
predecir las ventas del mismo con cierta anticipación. En concreto, se dispone de las cifras de los últimos 56 meses.
Con esta información, los resultados obtenidos aplicando métodos de predicción tradicionales no son suficientemente precisos. Así, tomando como estimación para un mes el importe correspondiente al mes anterior, se obtiene un error del 25,6%, y del 14% si se usa el de ese mes en el año anterior. La calidad de la predicción mejora utilizando medias móviles, pero el error es aún del 11,8%. Debido a los altos porcentajes de error obtenidos, ninguno de estos métodos satisface las necesidades de la compañía. Para mejorar la precisión del modelo y conseguir la exactitud necesaria en las predicciones, se han aplicado técnicas de minería de datos. En primer lugar, se han analizado las características básicas de la serie. A simple vista, se observa que las ventas presentan una tendencia creciente en el tiempo que puede modelarse con medias móviles. También se observan oscilaciones estacionales, aunque estas regularidades no aparecen en todos los meses. Por ejemplo, si bien los valores de las ventas son siempre bajos en agosto, los de mayo presentan grandes variaciones. Esto puede significar que la serie incluye varios factores de influencia con distintos periodos. Estas observaciones se ven confirmadas por el análisis del espectro de frecuencia, que muestra varios máximos.
4.2 Fidelización de clientes
El reto de conservar a los clientes actuales está estrechamente relacionado con la generación de campañas de marketing dirigidas a los clientes con mayor propensión a la compra.
Oferta de paquetes combinados. La experiencia demuestra que es más probable que un cliente con dos pólizas en la misma compañía renueve su suscripción que un cliente con una única póliza. Del mismo modo, es menos probable que un cliente con tres pólizas cambie de compañía que un cliente con menos de tres pólizas. Ofreciendo «descuentos por cantidad» y vendiendo paquetes combinados a los clientes, como seguros de hogar y automóvil, una empresa gana valor y aumenta la fidelización del cliente. De este modo estamos reduciendo la probabilidad de que nuestro cliente cambie a una compañía de la competencia.
Análisis a nivel de cliente. Para conservar a los clientes, es necesario analizar los datos en el nivel adecuado, esto es, el nivel de cliente, en lugar de en conjuntos de clientes. Durante mucho tiempo, el sector seguros ha sido líder en análisis a este nivel.
Este análisis permite dar respuesta a preguntas tales como ¿Qué póliza es más probable que compren los clientes?. Soluciones combinadas de Data Warehouse y minería de datos permiten dar respuesta a estas y otras muchas preguntas clave.
Mediante una técnica de minería de datos denominada análisis de asociación, las compañías aseguradoras pueden seleccionar con mayor precisión qué pólizas y servicios ofrecer a cada cliente. Con esta técnica las compañías aseguradoras pueden:
• Segmentar la base de datos de clientes para crear perfiles de cliente.
• Llevar a cabo análisis de siniestros y primas en un único segmento de clientes y para un único producto. Por ejemplo, las compañías pueden realizar un análisis en profundidad de un producto potencialmente nuevo para un segmento de clientes determinado.
• Analizar segmentos de clientes para varios productos utilizando el procesamiento en grupo y varias variables de destino. Por ejemplo, ¿qué rentabilidad tienen los paquetes de seguros (automóvil, hogar y vida) para determinados segmentos de clientes?
• Llevar a cabo análisis secuenciales (en el tiempo) de la cesta de mercado para determinados segmentos de cliente. Por ejemplo, ¿qué porcentaje de nuevos suscriptores de seguros de automóvil adquiere también un seguro de vida en un plazo de cinco años?
4.3 Optimización de campañas de mercado
Como tenemos una base de datos enorme con información de los clientes. Podemos sacar información muy útil para el diseño de las campañas electorales.
Una empresa que organiza varias campañas de mercadeo cada mes encontrará dificultades para llegar a sus clientes potenciales en el momento más oportuno y de la manera más adecuada. La solución está en las aplicaciones predictivas dirigidas específicamente a la optimización de campañas, que emplean el análisis estadístico y la extracción de información de las bases de datos (data mining) para aprovechar al máximo la información disponible y enfocarlas con toda precisión a través de los canales idóneos.
La detección de transacciones de blanqueo de dinero o de fraude en el uso de tarjetas de crédito o de servicios de telefonía móvil e, incluso, en la relación de los contribuyentes con el fisco. Generalmente, estas operaciones fraudulentas o ilegales suelen seguir patrones característicos que permiten, con cierto grado de probabilidad, distinguirlas de las legítimas y desarrollar así mecanismos para tomar medidas rápidas frente a ellas.
4.4 Manejo de deserción de clientes
¿Le gustaría saber cuándo su cliente más provechoso está a punto de abandonar de su empresa?
¿Sabía que muchos ya lo saben? es porque cuesta cada vez más ganar uno nuevo, y esto porque:
El costo de adquirir nuevos consumidores, es cada vez mayor. No le ha pasado que.
¿Ha interrumpido su cena por una llamada telefónica que le ofrecía cambiar su servicio de telefonía de larga distancia?
¿Le llenan su casilla de correo electrónico empresas de internet extranjeras ofreciendo cuotas bajas mediante tarjeta de crédito para vender productos para América Latina que usted jamás estuvo interesado en adquirir?
Muchas compañías están realizando eso definidamente para atraer nuevos y cada vez más preciados consumidores.
Esto creó la gran diferencia en el marketing.
Muchas compañías están enfocándose más en retener clientes dado que cuesta 7 veces menos mantener un consumidor actual que adquirir uno nuevo.
Y la mejor manera de mejorar la retención es realizar la acción necesaria antes que el cliente nos deje.
En base a esto trabaja "el modelo de deserción o abandono de clientes", investigando por qué nos compra y obteniendo información sobre cuando podrá dejar de comprarnos.
"Los churn models", son también conocidos como "retention o attrition models" y predicen la probabilidad de la deserción del cliente. Dado que la deserción posee tan poderoso impacto en los beneficios, muchas compañías están empleando dichos modelos como el principal foco de sus programas de lealtad.
La mejor manera de fidelizar el cliente es ofrecer productos y servicios de calidad, como parte de la corriente de la Calidad Total. Luego nos interesamos en cada cliente en particular con el CRM, pero ahora podemos también conocer si existen otros factores que no “podíamos” manejar y que hacen constantemente que clientes nos dejen de comprar.
Obviamente siempre que hay muchos datos de por medio está el Data Mining, pero los modelos de Mortalidad de clientes no son nuevos, sino es nueva su inserción en los procesos decisionales regulares de las empresas de punta. Son aplicables al supermercadismo, a la venta de servicios como reparación de autos, peluquerías, turismo y todos los servicios profesionales, entre otros, así como de parte de un gimnasio, club, etc. respecto a sus socios adherentes, para solo nombrar algunos desarrollos maduros en este ámbito.
Prácticamente, cualquier empresa en cualquiera sea su rubro, si maneja muchos datos de sus clientes, podrá emplear el Data Mining para manejar eficientemente su relación con ellos, optimizando costos y ampliando beneficios, al conocer que desean sus clientes, y que harán en el futuro.
4.5 Hábitos de compra
La industria del Retail en Chile ha experimentado un significativo crecimiento durante los últimos años, posicionándose en un mercado atractivo y competitivo en donde tiendas por departamento como Multihogar, buscan la diferenciación en Curicó. Para lograr este objetivo, herramientas propias de Minería de Datos son utilizadas para el desarrollo de tres estudios, que en base a información transaccional de los años 2006 y 2007, pretenden la identificación de productos complementarios ofrecidos en la tienda, con el objetivo de reconocer los hábitos de compra de los consumidores.
Además, se genera un modelo de migración del cliente con el propósito de detectar de manera anticipada, que clientes son propensos a terminar su relación con la empresa, pronosticándose que un 10,7% de los clientes abandonan la tienda al cabo de 3 meses. Finalmente, se desarrolla un estudio para determinar el Valor de Vida del Cliente, para el cual se establece que los consumidores que visitan la tienda más de dos veces y realizan compras de $ 123.000 mensuales en promedio, corresponden a los clientes más rentables para la empresa. Posteriormente los modelos generados
son validados en base a información transaccional del año 2008 para luego presentar conclusiones que permitan a la empresa tomar medidas futuras en base al conocimiento adquirido.
El ejemplo clásico de aplicación de la minería de datos tiene que ver con la detección de hábitos de compra en supermercados. Un estudio muy citado detectó que los viernes había una cantidad inusualmente elevada de clientes que adquirían a la vez pañales y cerveza. Se detectó que se debía a que dicho día solían acudir al supermercado padres jóvenes cuya perspectiva para el fin de semana consistía en quedarse en casa cuidando de su hijo y viendo la televisión con una cerveza en la mano. El supermercado pudo incrementar sus ventas de cerveza colocándolas próximas a los pañales para fomentar las ventas compulsivas.
5. Conclusión
La Minería de Datos ayuda a identificar cuáles son los registros que no aportan alguna información y que están almacenados innecesariamente, viéndose incrementado el volumen de la información en las bases de datos.
De igual forma pueden ser detectados los registros que, no obstante ser considerados a simple vista de poca importancia, son verdaderas fuentes de información que no han sido debidamente explotadas.
Puede afirmarse, entonces, que la Minería de Datos no solamente es útil para detectar registros que no aportan información valiosa, sino que también sirve para encontrar datos catalogados como “tesoros”, que siempre estuvieron allí pero nunca fueron considerados “importantes”, simplemente porque nunca se les vio como tales o por no haber sido observado su verdadero valor.
6. Referencias
http://www.sinnexus.com/business_intelligence/datamining.aspx
http://www.monografias.com/trabajos15/mercadotecnia/mercadotecnia.zip
http://www.slideshare.net/nicoalejandro/gerenciar-el-conocimiento-crm-data-mining
No hay comentarios:
Publicar un comentario