NUEVO MARKETING, NUEVA FORMACIÓN

NUEVO MARKETING, NUEVA FORMACIÓN

Nos enfrentamos a una nueva era. En particular, a un Nuevo Marketing. Y esto va a llevar a nuevas necesidades de formación de todos los integrantes de los departamentos de Marketing en las empresas.

Los datos, los analytics (nuevos datos que se obtienen a partir de análisis) y la tecnología, son cada vez más importantes en las empresas. Con datos y analytics: 1) construimos y mantenemos las relaciones con los clientes, 2) personalizamos los productos, los servicios,… hasta los precios y las promociones… y, de la mano de la tecnología, 3) todo sucede en tiempo real, que es la gran clave del cambio.

Muchos Datos + Tiempo Real = Un Nuevo Marketing, basado en la personalización.

Este Nuevo Marketing necesita reforzar la empresa con perfiles con algo de formación analítica. Veámoslo sobre un ejemplo:

Antes: el product manager de una empresa de Seguros de Coches decidía bajar el precio de un producto

Ahora: ¡está claro que no va a poder tomar esa decisión para cada consumidor que está ahí fuera!

¿Cómo lo hacía antes? Tenía una serie de “reglas” en su cabeza, dadas por su experiencia y una serie de datos “a la mano”

¿Cómo lo hace ahora? Las reglas se multiplicarán (pero seguirá estando él detrás, porque es el entendido en Seguros de Coches). Se necesitarán perfiles analíticos (al servicio del product manager) que conviertan esas reglas en algoritmos y los lleven a las máquinas, que parecerá que son las que toman las decisiones,… pero no. De las máquinas regresará de forma resumida al product manager, que deberá seguir aprendiendo y mejorando sus reglas.

camino-product-manager

Ahora bien, ¿qué tiene que saber el product manager para manejarse en este Nuevo Marketing y no perecer?

En primer lugar, un poco de historia del dato y de los modelos que dan lugar a los analytics. Me gusta mucho el gráfico que han diseñado en este sentido Michel Wedel y P.K. Kannan:

historia-datos-y-analisis_750

Es importante entender cómo han ido evolucionando los modelos a medida que el dato cambiaba. Simple cultura que facilitará el entendimiento de la situación actual.

En segundo lugar, a la hora de plantearse los análisis de datos, será importante que sepa distinguir entre cuatro grandes grupos, relacionados con la complejidad de los mismos:

  • Descriptivo: por ejemplo, si hago A, pasa B (Estadística descriptiva, Visualización, Métricas, etc.)
  • Diagnóstico: por qué pasa B si hago A (Modelos de Regresión, Modelos Logísticos, etc.)
  • Predicción: qué va a pasar si hago A (Series Temporales, Machine Learning, etc.)
  • Optimización: qué es lo mejor que puedo hacer para que pase B (Programación No Lineal, etc.)

En tercer lugar, tendrá que tener al menos una opinión (o un criterio) sobre cuál deberá ser el análisis concreto ante un conjunto de datos. De nuevo, Michel Wedel y P.K. Kannan nos regalan un gráfico donde se ve muy bien los diferentes tipos de análisis que se pueden aplicar. Distribuyen los modelos en una matriz que va desde datos internos (que por lo general suelen ser estructurados), a datos externos (que se caracterizan por ser desestructurados).

tipos-de-analisis_750

¿Cuál es la realidad del product manager y el posicionamiento que están teniendo las empresas?

Una de las ventajas que tienen los entornos Big Data es que, al haber tantos datos, basta con hacer análisis descriptivos para conseguir resultados muy buenos. Seguramente modelos más complejos conseguirían resultados mejores, pero el problema de aplicar modelos en entornos Big Data es la dificultad tanto en el desarrollo de los modelos como en todo lo referente a computación y sus altos costes. Las empresas están apostando más por apoyar los avances computacionales y no tanto los analíticos.

La consecuencia es que las empresas no están dando importancia a la formación en analytics de los miembros del departamento de marketing. Se pone el foco en mejorar el entorno computacional, quedándose con modelos más sencillos que manejan los analistas y, por tanto, se trata de un juego solo entre dos:

camino-erroneo

Sin embargo, desde mi punto de vista, esto es una visión miope. El reto está en mejorar los algoritmos, y poder implementarlos en entornos Big Data. No solo centrarnos en la mejora de la tecnología, sino también en la mejora de los modelos.

El product manager va a jugar un importante papel en esto y tiene necesariamente que estar formado en analytics. No saber hacer los modelos, pero sí entender cuáles son las técnicas dentro de las que se puede elegir, qué tipo de problema se quiere resolver y cuáles son los errores que no se pueden cometer.

 

Comentarios

  1. Hola Maca,
    como siempre, me ha encantado tu post. Muy fácil de leer y de entender para cualquiera que no sepa de analítica.
    Un placer seguir aprendiendo contigo 😉

Dejar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *