Ricardo Saez

31 marzo 2021

|

Compartir:

En pocas palabras, una visión 360 grados es la base que hace que la relación de una organización con los clientes sea experiencial en lugar de transaccional, la clave para relaciones de valor y duraderas.

Hoy en día es una realidad poder construir esta visión 360 con unos costes contenidos y con tecnología, que hasta hace muy poco tiempo supondría un capex a veces complejo de justificar, y de un opex con alto impacto en la infraestructura de la compañía.

Veamos en este artículo cómo podemos aplicar una visión customer centric desde la base de nuestra capa tecnológica y con herramientas como Google Cloud y trabajar de una forma más eficiente y estratégica.

 

Customer centric desde los inicios

Para cualquier compañía que quiera obtener buenos resultados en su estrategia de marketing digital es obligatorio partir del análisis de los datos que tenemos del cliente en la compañía y del comportamiento de nuestros clientes.

La aparición de las plataformas Customer Data Platform (CDP), que tienen como objetivo disponer de esta visión de los clientes en tiempo real, no ha hecho más que acelerar los procesos para movilizar la información del cliente mucho más rápido y con menor coste de proceso, justificando si cabe aún más una visión 360.

Sobre esta definición, el CDP parte de los datos que tenemos en las diferentes plataformas del stack tecnológico de la compañía. Sin embargo, para que puedan operar convenientemente es necesario que antes dispongan de la información procesada.

¿Cómo preparamos toda la información para que pueda ser consumida por otros sistemas?

En primer lugar, cabe mencionar qué tipos de información de cliente tenemos:

      • Demográfica: atributos inherentes al cliente que nos permiten complementar los diferentes buyer / persona.
      • Comportamiento: información recogida desde los diferentes canales de comunicación con el cliente (first party) y herramientas de marketing automation.
      • Negocio: relación tanto en la capa comercial, CRM, plataformas de datos de atención al cliente o con los sistemas de gestión de la compañía (ERP).
      • Modelos analíticos: basados en la información de los anteriores.

La unificación de toda esta información no es una tarea sencilla, y pasa por un tratamiento previo de la información que se realiza en:

      • Data Warehouse: es una colección de datos que viene de al menos dos fuentes de información completamente diferentes y son unificadas con el fin de construir procesos analíticos. Normalmente la información que contiene es bien conocida, está estructurada y el resultado del procesamiento analítico es compartido por una gran cantidad de usuarios dentro de la compañía. Están pensados para soportar una gran concurrencia de accesos y ejecutar querys complejas.
      • Data Lake: es una colección de datos en bruto (raw data), no se ha realizado ningún tipo de transformación (o muy escasa), y no se garantiza la calidad del dato. Además, se captura un gran número de eventos de otros sistemas. La arquitectura de un Data Lake está diseñada para soportar procesos de preparación del dato (DataPrep), exploración de datos y actividades vinculadas a Data Scientist. Por tanto, un Data Lake es capaz de almacenar semánticas complejas, incorpora procesos de Machine Learning y procesos de datos pesados en batch.

En este sentido, Google Cloud Platform dispone de la tecnología que abarata el coste de puesta en marcha de estos procesos, reduciendo el time to market de la solución con una menor inversión y obteniendo un ROI positivo en menor tiempo, ya que no es necesario realizar un set up costoso de la plataforma.

El Dato como Servicio

No sólo Google nos va a ayudar a preparar los datos, sino que también podremos ofrecerlo como servicio al resto de sistemas que están relacionados. Si realizamos el análisis de cobertura de productos de Google en función de los datos que procesamos del cliente, tendremos lo siguiente:

      • Información demográfica: Google Analytics nos aportará información sobre la ubicación de nuestro cliente cuando interactúa con nuestra web.
      • Comportamiento: otra vez Analytics nos indica cuál es el comportamiento del cliente para cada uno de los canales que podemos monitorizar, y entender la atribución a cada canal.
      • Negocio: Google Cloud  nos permitirá realizar la analítica bajo un modelo híbrido (Data WareHouse - DataLake) a través de lo diferentes productos y servicios cómo DataPrep, DataFlow, BigQuery, Cloud Storage (Data Lake)
      • Modelos analíticos: basados en los procesos de Machine Learning que dispone (Auto ML) o en algoritmo que se puedan lanzar para la modelización y/o clusterización de clientes: AI Platform, Auto Machine Learning, Deep Learning y TensorFlow

De acuerdo con este mapa de cobertura, Google nos facilita de forma sencilla utilizar diferentes building blocks para conseguir la visión unificada del cliente.

 

BigQuery, del comportamiento del cliente a la Analítica

Google Cloud nos aporta información del cliente de forma sencilla, intuitiva y gratuita en muchos de sus productos. El collect de data de comportamiento podemos realizarlo utilizando productos cómo Analytics y Firebase para las aplicaciones móviles, o ya el nuevo modelo GA4 como evolución en la medición e integración con Google Ads, mejora en los modelos, etc.

La información de negocio, como se ha identificado antes, viene normalmente de sistemas transaccionales (CRM y ERP) y requiere la ejecución de procesos de extracción, transformación y carga (ETL) en BigQuery, siendo uno de los puntos críticos, la ingesta de datos.

Y hasta aquí el artículo Google Cloud aplicado a una visión customer centric 360. ¿Tienes preguntas o dudas? Ahora es tu turno. En el siguiente post veremos en detalle cómo diseñar una estrategia robusta que permita obtener la información agrupada y con la calidad esperada.

Ricardo Saez

Chief Technology Officer

Te pueden robar las ideas, ¡no el talento!

También te puede interesar