Personalmente el uso de la categorización de variables sí que te aporta un valor añadido depende en qué situaciones pero también resta potencia en los datos en muchas otras.

Concretamente, en una segmentación donde lo importante es analizar perfiles de clientes que tienen un mismo patrón el cual agruparemos en clusters no es tan necesario como la eliminación de los outliers o bien la normalización de los datos para eliminar la influencia de las métricas.

La dispersión que recoge una variable y como interactúa ésta con el resto de variables que hemos escogido es la guía que sigue el método de segmentación para generar los clusters. Si categorizamos las variables recortamos el nivel de dispersión con lo cual si nuestra muestra no viene definida por patrones muy diferenciados de comportamiento encontraremos clusters que en media tenderán a valores muy similares.

Esto implica que los datos categorizados no son útiles? No, todo lo contrario. Imaginemos que queremos estimar la propensión de compra de un producto en concreto teniendo en cuenta una serie de variables. Este caso es diferente ya que tenemos una variable objetivo.

El procedimiento óptimo sería analizar de forma conjunta cada variable explicativa y el efecto que produce sobre la variable objetivo. En los puntos dónde se produce un cambio de pendiente será el punto óptimo para crear una nueva categoría. Así pues, en este modelo tendríamos las variables explicativas categorizadas, perdiendo información al no tener el dato real, pero teniendo marcado el punto óptimo dónde se produce un cambio en la variable objetivo como nivel o categoría de la variable explicativa.

Resumiendo, el uso de la categorización de la variables es correcto? Depende. En la segmentación es preferible no usarla ya que si no existen patrones muy nítidos  en los datos perderemos información y tendemos a encontrar clusters muy poco diferenciados. En un modelo de regresión sí que es correcto el uso de una variable categorizado, siempre con un estudio previo para determinar los puntos óptimos para establecer los cortes.

Espero que con esta reflexión os ayude en el planteamiento de vuestros futuros análisis.

Entradas relacionadas:

• Análisis RFM en retail. Empezando a segmentar clientes (I) (10-02-2011)
• Segmentación de clientes. Una propuesta de clasificación (I) (15-12-2009)
• Los pasos para diseñar e implantar un programa de fidelización (10-03-2010)

En ocasiones, el target viene definido directamente por el propio negocio. Así, la demanda de ropa infantil depende simplemente del número de niños. Aunque, bien pensado, quizá nuestra enseña tenga un posicionamiento de calidad más apropiado para familias con niños, sí, pero de un nivel de renta alto. O, al contrario, se posiciona como low-cost y nos interesan familias de renta media-baja. ¿Y para una categoría tan genérica como los libros?

En el caso anterior de la moda infantil, hemos incluido un indicador, nivel de renta, que no existe directamente en los datos sociodemográficos basados en censos y padrones, sino que debe ser inferido a partir de éstos. Necesitamos un modelo estadístico para predecir ese nivel de renta para cada microzona.

Más aún, a menudo nos encontramos con targets complejos que no tienen reflejo en una variable sociodemográfica bruta: conductores intensivos de vehículos (como ya explicamos en el post Geomarketing y buzoneo segmentado. Buscando niños y vehículos), heavy users de cuidado personal o, como veremos aquí, hogares compradores de libros.

Como es habitual, debemos trabajar a nivel de microzona o sección censal, por ser el nivel de agregación más bajo para el cual contamos con datos lo bastante ricos. La modelización de demanda por microzona se basa siempre en esta  metodología:

En el caso del modelo de predicción de gasto en libros, el método concreto es:

1. Elaboramos un modelo predictivo inicial, a partir de la Encuesta de Presupuestos Familiares realizada por el Instituto Nacional de Estadística (INE). Es decir, aplicamos algoritmos predictivos a los resultados de la encuesta a nivel de microdatos y obtenemos así un modelo que predice el gasto en libros de un hogar en función de una serie de variables sociodemográficas. Las variables de mayor potencia predictiva -no hay sorpresas- son el nivel de renta, nivel profesional y nivel de estudios del sustentador principal. Además, claro, del tamaño del hogar y, en menor medida, la presencia de niños.
2. Exportamos a microzonas. El modelo que hemos desarrollado y ajustado en el laboratorio lo aplicamos a los datos sociodemográficos por sección censal. De esta manera estimamos la presencia de target (% de los hogares responden al target) o el nivel de gasto (el gasto medio de los hogares de la sección A en libros es de 152€, mientras que en la sección B es de 45€).
3. Geocodificación y mapificación de los tres indicadores generados:

• Gasto medio (€) por hogar en la microzona. Indica el valor potencial de cada cliente, y hace posible el cálculo de la cuota de cliente (gasto real en mi enseña / gasto medio en la categoría).
• Gasto total (€) de los hogares de la microzona. Indica el valor monetario potencial de toda una sección censal (en la sección A sus 672 hogares gastan en total 71.180€ en libros), posibilitando el cálculo de la cuota geográfica (gasto real en la microzona / gasto estimado en la microzona). Así, en una acción de captación nos da la medida de cuánta cifra de venta anual hay en juego en cada zona, para seleccionar las de más potencial y fijar objetivos
• Índice de potencial de demanda. Es un indicador relativo (gasto medio en la microzona / media de gasto medio de todas las microzonas). Es útil para ordenar y seleccionar zonas “top”, por ejemplo, las 200 mejores secciones dentro del área de influencia de mis tiendas, o el 10% de secciones con mayor gasto medio.

El mapa muestra cómo se distribuyen los gastos medios en libros y la relación espacial entre microzonas y establecimientos de una enseña.Dado que, en este caso, conocemos el número de clientes, las ventas totales y los gastos medios en libros por sección censal, podemos comparar el real con el potencial, para el cálculo de la cuota geográfica de mercado. Vemos a continuación los clientes que compraron la categoría narrativa en nuestra enseña, como puntos, sobre el mapa de potencial.De igual manera, calcularíamos la cuota en la sección censal como venta real de libros (nuestros clientes) / gasto potencial de libros (todos los clientes potenciales), identificando áreas de mejora de venta de libros.

En defnitiva, combinando técnicas de data mining y micromarketing generamos un modelo predictivo del gasto anual en libros por hogar, para cada una de las más de 35.000 secciones censales que existen en España. Con esta información, podemos:

• identificar zonas con alto potencial para captación de nuevos clientes
• seleccionar zonas con alto potencial para ubicar nuevos establecimientos
• calcular la  cuota de cliente,como ratio entre el gasto de un cliente y su gasto en la categoría
• calcular la cuota geográfica de mercado, como ratio entre ventas a mis clientes y gasto en la categoría, para cada microzona
• de resultas de lo anterior, decidir acciones de marketing locales, específicas para cada tienda: buzoneo segmentado, publicidad exterior en los lugares ideales, ajuste del surtido, material plv, implantación de la tienda adecuada a la clientela potencial…

Entradas relacionadas:

• Micromarketing electoral. Viejas experiencias y nuevas tecnologías (26-04-2010)
• Estimación de la demanda de la farmacia como punto de venta (13-01-2010)
• Buzoneo segmentado, analizando el retorno de la campaña (11-11-2011)

El análisis consiste en clasificar a los clientes por su valor en función de tres variables:

Recencia. Días transcurridos desde la última compra.

Frecuencia. Número de compras por período de tiempo, como promedio. Por ejemplo, número de compras mensuales.

Money. Valor de las compras totales realizadas por el cliente en el tiempo de análisis.

Para ello, construímos escalas, basadas en estas variables, dando a cada cliente un valor según el percentil en que se encuentra (percentiles = n grupos de igual tamaño, o nº de clientes). Lo más habitual es trabajar con 5 valores (quintiles), aunque no es raro el uso de 10 valores (deciles), sobre todo en venta directa y online.

Por ejemplo, un cliente que estuviera entre el 20% de los que más recientemente han comprado, en el 2º 20% por frecuencia de compra y el 4º 20% en valor total de compras, se le asignaría el segmento 124,  (R)5 (F)4 (M)2 . Lo vemos en el gráfico:

El gráfico siguiente muestra cómo se distribuye la venta de una enseña de comercio minorista, en función del segmento de valor monetario M al que pertenecen los clientes. Efectivamente, refleja la distribución 20/80 (ligeramente reducida, como suele ocurrir al llevar los paradigmas a la práctica).

El análisis RFM presenta claros beneficios en la segmentación tanto estratégica como operativa de clientes en retail,

• sencillez de interpretación y aplicación
• relativa sencillez de cálculo, frente a técnicas multivariantes
• se integra fácilmente en las dinámicas promocionales habituales en un área de marketing y es ideal para marketing directo y relacional: ¿a qué segmentos dirijo qué comunicación? o ¿qué segmentos responden mejor a la oferta?
  
• dado que los modelos de abandono son complicados de ajustar en retail, el trabajo continuo sobre la recencia de compra es un medio excelente de reducción de abandono a medio plazo
• por todo lo anterior, se presenta como un magnífico punto de partida cuando nos enfrentamos a la segmentación de clientes sin un aprendizaje previo, y con la necesidad de aplicarla inmediatamente

La segmentación y medición de retorno de acciones por canales directos es una de las aplicaciones más usuales de este tipo de análisis. A continuación mostramos unos ejemplos de análisis de respuesta a emails basados en RFM.

fuente: http://www.dbmarketing.com/articles/Art148.htm

fuente: http://www.dbmarketing.com/articles/Art148.htm

Y más aplicaciones, como análisis de comportamiento de clientes por categorías, por temporadas y campañas, por tipo de pdv o implantación, integración de la dimensión espacial en análisis RFML (Location)… pero todo esto ya es materia suficiente para otro post.

Como siempre, esperamos vuestras opiniones, sugerencias, críticas. A vuestra disposición.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (II). La segmentación táctica (12-01-2010)
• Segmentación de clientes. Una propuesta de clasificación (I) (15-12-2009)
• El uso correcto de los datos: elemento básico para un buen análisis (11-01-2012)

Geomarketing y micromarketing nos ayudan a superar el primer problema. El micromarketing se basa en que personas similares se concentran en los mismos hábitats, o áreas contiguas. Todos sabemos intuitivamente que existen barrios obreros, ensanches, zonas residenciales de alto estatus o áreas de reciente expansión urbana. Sabemos que sus habitantes tienden a parecerse entre sí, y diferenciarse de los de otros barrios.

Las técnicas de micromarketing permiten modelizar datos de mercado potencial para estimar la presencia de un cierto tipo personas en unos determinados micro-territorios. O directamente estimar la demanda de un cierto producto o servicio, en función de la presencia de estos tipos de persona.

El Geomarketing nos permite conocer la relación espacial entre los diferentes tipos de zonas y nuestra red de establecimientos, calculando áreas de atracción.

Recientemente hemos trabajado en dos proyectos de optimización de buzoneo, muy diferentes.

Catálogo de verano, juguetes

El target es muy claro: hogares con niños. Para ello, lo ideal es trabajar con datos de padrón 2009 a sección censal, buscando zonas de alta presencia de este tipo en los límites de las áreas de influencia de las tiendas. Por supuesto, lo combinamos con las compras de los clientes en la categoría en temporadas anteriores.

En la imagen podéis ver el resultado. El mapa temático en azul muestra el porcentaje de niños, las líneas rojas son los códigos postales y las azules claras las áreas seleccionadas para buzonear. las etiquetas muestran el número de viviendas por microzona.

En esta tienda buscamos marcadamente las zonas con niños, dado que el área inmediatamente cercana no era capaza de aportar un número alto de compradores. El mapa permite apreciar las ventajas del análisis por sección censal frente al código postal -demasiado grande y heterogéneo-.

Catálogo de red de talleres

El target son propietarios de vehículos, sobre todo usuarios intensivos que circulen cerca del establecimiento. Para ello, generamos modelos basados en el censo de población y viviendas y datos de la DGT, usando finalmente como variables predictivas:

• nº alto de vehículos por hogar
• desplazamiento diario en vehículo propio, al trabajo, estudios…
• nivel de renta de los hogares
• distancia al establecimiento y probabilidad de circulación frente a él

El mapa muestra el número de vehículos por hogar y las zonas seleccionadas -en rojo-. El criterio sería la cobertura de áreas con más vehículos, así como las áreas más cercanas y que pasan habitualmente frente al establecimiento -las situadas hacia la izquierda en el mapa-.

O, visualizando el porcentaje de personas que se desplazan a diario al trabajo en su vehículo personal:

En definitiva, buscamos zonas donde nuestro target esté más representado, reduciendo la tirada necesaria para alcanzar el mismo target. Y así reducimos costes de impresión, distribución, y gastamos la cantidad de papel mínima para alcanzar nuestros objetivos comerciales.

No me olvido de la otra limitación del buzoneo, la dificultad de medición, pero sobre ello volveremos en otro post, que el tema requiere ser tratado con calma.

Entradas relacionadas:

• Buzoneo segmentado, analizando el retorno de la campaña (11-11-2011)
• Micromarketing y predicción de demanda ¿cuánto gastan en libros? (04-03-2011)
• Cuadro de mando geográfico. BI y geomarketing en un click (08-09-2011)

Con esta ideología creo ciegamente en que una segmentación masiva sólo permite llegar hasta una capa superficial de la realidad, y en muchos casos no recoge el verdadero comportamiento del cliente tipo de cada segmento debido a que la propia segmentación tiene que hacer el esfuerzo de separar clientes que nosotros mismos sabemos de antemano que ya son heterogéneos.

Así pues, nace la idea del filtraje anterior a una segmentación masiva y más concretamente en mi sector, el bancario, seria utilizar el ciclo de vida del cliente como segmentación estratégica a priori antes de la segmentación estadística. Varios artículos publicados ya recogen esta ideología como herramienta a tener en cuenta al segmentar una base de datos de cliente. Y el sentido común nos dice que un cliente sénior no tiene las mismas necesidades que uno joven.

Introducir el conocimiento teórico que se conoce del sector nos permite incrementar nuestra potencialidad de estimación de nuestros futuros modelos de propensión, valor del cliente, potencial del cliente,… simplemente escogiendo como muestreo los clientes correctos. La consecuencia directa es que no conseguimos segmentos 100% independientes ya que al tratar la edad como corte inicial podremos encontrar perfiles idénticos para diferentes tramos de edad. Ahora bien esto nos servirá para ver como el segmento del tramo de edad anterior puede evolucionar en un futuro próximo. No hay mal que por bien no venga.

Tener este tipo de segmentación permite calcular modelos de propensión dirigidos para cada segmento y pudiendo saber para cada uno el comportamiento promedio a partir del cual poder determinar que clientes son los óptimos. Análogamente se podría aplicar esta ideología al valor del cliente, a las sendas de abandono, siempre teniendo como referencia la segmentación, dando un valor añadido a todas estas técnicas.

Mi experiencia en estadística no se remite únicamente al sector bancario, así pues en el mundo de la consultoría he visto esta aplicación al crear tipologías de cliente (separando previamente por nacionalidad del cliente), en el mundo de estudios de mercado separando por la aceptación a un determinado producto. Dependiendo del sector en que nos movamos el conocimiento de este nos llevará a hacer un tipo de consideraciones previas u otras.

Espero que está reflexión en voz alta le sirva a alguien para poder tener otra visión de la segmentación, herramienta que me parece clave en el business intelligence.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (I) (15-12-2009)
• Segmentación de clientes. Una propuesta de clasificación (II). La segmentación táctica (12-01-2010)
• Geomarketing, zonas de paso, transeúntes… ¿una nueva era? (10-09-2010)

visto en http://pbhawnani.blogspot.com/

A menudo surge la pregunta ¿qué hay que hacer para diseñar y lanzar un programa de fidelización? Por supuesto, no hay una receta única, depende del sector, empresa, entorno competitivo, tipología de clientes, recursos…

Aun así, ahí va una lista, escueta y ordenada en el tiempo, de tareas imprescindibles, para garantizar que nuestro programa se parece a nuestra idea un poco más que el producto desarrollado en la imagen a la izquierda:

• Análisis de la situación. Política actual de relación con clientes, benchmarking de competencia, investigación y necesidades de los clientes.
• Objetivos del programa. A dónde queremos llegar en términos de clientes, comerciales, financieros -en este orden, por favor-; a corto y largo plazo.
• Indicadores de clientes para seguir su cumplimiento: cuota de cliente, retención, regularidad, profundidad y amplitud de demanda, prescripción… son los llamados KPI (key performance indicators)
• Objetivos de captación de clientes, penetración esperada del programa sobre la venta global de la compañía, al menos tres escenarios -alto, medio, bajo-.
• Formulación del concepto inicial del programa. Definición de la mecánica básica, incentivos comunes y personalizados, sub-clubs, operativa del programa online y offline
• Test de concepto. Investigación cualitativa con clientes potenciales socios del club, ¿es atractivo, interesa el planteamiento de programa?
• Diseño final del programa y desarrollo teórico de su operativa.
• Análisis funcional y plan de desarrollo informático. Documento de especificaciones, requerimientos técnicos del programa diseñado.
• Selección de proveedores para elementos y procesos –tarjetas, formularios, call center, grabación…-. Valoración de ofertas y recomendación de partners
• Diseño de imagen del programa y  elementos de comunicación, briefing a la agencia
• Formación a usuarios, comerciales, dependientes…
• Plan de partners de valor añadido. Identificación y plan comercial para captación de colaboradores que incrementen el valor que el programa aporta a los clientes. Si procede, incluiría colaboraciones con proveedores
• Segmentación estratégica y táctica de clientes
• Plan de marketing relacional y plan de contactos con socios, integración de canales, al servicio de la estrategia de clientes.
• Diseño del sistema de análisis de información de clientes, business intelligence y cuadro de mando
• Sistema de gestión de campañas y contactos con los clientes

En el desarrollo e implementación, es clave asegurar que se ha transmitido correctamente tanto objetivos -hacia arriba, la dirección- como necesidades, medios -hacia departamentos técnicos y operacionales-, para que el resultado se parezca a lo proyectado un poco más que en la imagen del inicio.

Una vez lanzado y corriendo el programa, mejora continua, mucho cariño en el tratamiento de la información, mucho análisis, segmentación, escuchar a los clientes, personalizar los incentivos según sus necesidades.

Y, ante la duda -que la habrá- testar, testar y testar.

Entradas relacionadas:

• El programa de fidelización eficiente (21-01-2010)
• Satisfacción, retención, fidelización, relación. ¿A dónde queremos ir? (02-03-2010)
• El uso correcto de los datos: elemento básico para un buen análisis (11-01-2012)

Aun cuando no es la aplicación única, la gran mayoría de segmentaciones tácticas de clientes se enfocan a la optimización de campañas de marketing directo o relacional. Nos referiremos aquí de manera indiferente a todos los canales directos -mailing, emailing, SMS, telemarketing o personalización web- pues lo que nos interesa es el análisis en cada tipo de campaña.

Las técnicas analíticas permiten la optimización de las campañas en tres momentos de la misma: segmentación inicial de clientes target, test -de canales, creatividades, ofertas- y análisis de los resultados. Así, el resultado final de una campaña retroalimenta  la segmentación de una nueva campaña, mejorando continuamente los resultados.

Existen cinco grandes tipos de campañas, en función de sus objetivos. Cada uno suele basarse en unas técnicas de segmentación concretas.

• Retención. Identificación de clientes más rentables, estimación de la cuota de cliente, simulación de sendas de abandono y alertas ante eventos de riesgo de abandono –reclamaciones, incidencias no resueltas, períodos de inactividad-.
• Recuperación de desertores. Son campañas altamente dependientes del motivo del abandono, y a menudo requieren una investigación de estas motivaciones de los clientes perdidos. Es clave conocer el valor de vida o valor futuro previsto del cliente, para dimensionar la oferta de recuperación, y actuar inmediatamente tras la deserción. Obviamente, siempre es preferible trabajar en la retención de un cliente que tener que hacerlo en su recuperación.
• Venta cruzada o cross-selling. Es definitivo el análisis de potencial de demanda por categoría. En  retail los análisis de asociación permiten generar cestas de la compra y patrones secuenciales de compra. Los motores de recomendación suponen una variante de cross-selling donde la campaña se lanza online, durante el proceso de compra. Son campañas muy rentables en compañías o grupos altamente diversificados.
• Mejora o up-selling. De nuevo es clave estimar correctamente la demanda total del cliente en la categoría, buscando maximizar la cuota de cliente. En distribución minorista, suelen dividirse en acciones de incremento de ticket medio y acciones de incremento de frecuencia, a menudo a partir de análisis RFM –Recencia, Frecuencia, valor Monetario-.
• Captación de nuevos clientes. El potencial de demanda se estima mediante la búsqueda de gemelos –clientes similares a los que me son más rentables- o modelización sociodemográfica –modelos predictivos de demanda basados en características sociodemográficas, generalmente provenientes de fuentes públicas como censos, padrones, estudios sectoriales-. Este potencial demanda indicará el valor esperado de cada cliente potencial y, por tanto, los recursos que conviene invertir en su captación.

Toda segmentación de clientes, por buena que sea, puede mejorarse. La respuesta a una campaña es una  función  compleja de gran número de variables, desde las características del producto a las necesidades del cliente, sí, pero sin olvidar el papel de la oferta, creatividad, copy, canal, acciones concurrentes de la competencia, lanzamiento de productos sustitutivos o complementarios, timing de impactos, etc. Por ello, conviene testar diversas combinaciones de estos elementos, en busca de aquéllas que mejor funcionan para los diferentes tipos de clientes.

Esta fase de test cobra una especial relevancia en el marketing online, donde es posible testar tantas combinaciones como se desee sin incrementar el coste del canal gracias a herramientas gratuitas como Google Analytics o Google web optimizer.

El análisis de resultados de los test permite optimizar la campaña real, de igual manera que el análisis de ésta realimentará las futuras campañas, en una espiral de incremento de valor.

El conjunto de técnicas de data mining conocido como clasificadores permite separar y describir los clientes que responden en función de una serie de variables predictivas. Estos modelos sirven, además, para identificar las variables que mejor funcionan en la clasificación, pudiendo prescindir de otras y reduciendo posibles costes de adquisición de datos. Por todo ello, esta fase de análisis de resultados es tan importante o más que la segmentación inicial.

Así, podríamos concluir, por ejemplo, que una campaña de recuperación de desertores ha funcionado mejor con los clientes con más de cinco años de antigüedad, que compran actualmente por internet y se les ha ofertado un cheque de cinco euros para su siguiente compra. Si además el análisis demostrara que su nivel de estudios no es relevante, podríamos ahorrarnos en adelante nuestras campañas de obtención de esta variable.

Si os han interesado estos dos posts sobre tipos de segmentación de clientes, podéis ver o bajaros este documento sobre el mismo tema. El contenido es muy similar, sólo que algo más detallado. Espero vuestros comentarios  sobre el tema.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (I) (15-12-2009)
• Análisis RFM en retail. Empezando a segmentar clientes (I) (10-02-2011)
• Satisfacción, retención, fidelización, relación. ¿A dónde queremos ir? (02-03-2010)

Segmentación y visión de cliente.

Los clientes son diferentes entre sí, tienen necesidades diferentes. Hoy en día es generalmente asumida la conveniencia de identificar segmentos de clientes similares con los que comunicarse de manera diferenciada.

La segmentación de clientes no debe confundirse con la segmentación de mercados. Ésta no se basa en el cliente-individuo, sino que suele describir un mercado en función del tipo de clientes que lo componen. Además, los clientes no están identificados, con lo que no es posible usar la segmentación para establecer una relación personalizada.

La segmentación de clientes parte de la existencia de bases de datos de clientes, y desarrolla todo su potencial con el uso de técnicas de análisis estadístico de estos datos. Dado que existen numerosas aproximaciones, proponemos en este documento varias clasificaciones, en función de diferentes criterios.

• Objetivos, finalidad de la segmentación: Segmentación estratégica y segmentaciones tácticas
• Dimensiones, o tipos de información utilizados
• Modo de aplicación, principalmente se distingue la aplicación diferida frente a la inmediata-automática

La segmentación estratégica.

Consiste en la reducción de toda la complejidad de datos de clientes, que pueden ser miles o millones de casos con cientos de datos, a una sola foto donde:

• Los clientes se agrupan en un número reducido de segmentos
• Las variables se reducen a una sola etiqueta descriptiva del segmento, que sintetiza la gran riqueza de datos que han configurado el segmento –las transacciones del cliente con todo el detalle, sus características sociodemográficas, su distancia al punto de venta, los canales de compra usados…-

La imagen a continuación muestra una distribución de segmentos típica en el comercion minorista, en un gráfico de dispersión sobre dos variables clave. Cada una de los segmentos representa a un grupo de clientes con comportamientos, perfiles sociodemográficos y necesidades similares. Los segmentos simplifican, manteniendo la información más relevante y permiten interpretar la  composición de la cartera de clientes desde una visión estratégica.

La segmentación estratégica permite hacer realidad la visión centrada en el cliente, al ser la única manera de fijar objetivos por cliente. Si, por ejemplo, una entidad financiera busca “reducir un 5% la tasa de abandono de clientes altamente vinculados en pasivo”, entonces es necesaria una segmentación estratégica de clientes. No lo será tanto si los objetivos se plantean en términos de producto, por ejemplo “incrementar el pasivo captado en un 5%”.

Igualmente, es imprescindible cuando se trata de imponer esta visión de cliente a través de diferentes divisiones, en el conjunto de enseñas y formatos de un distribuidor o de manera transversal a los canales de comercialización de, por ejemplo, una aseguradora. También es la mejor manera de empezar a comparar de manera homogénea el rendimiento real frente al potencial de diferentes establecimientos, representantes, distribuidores o procedimientos comerciales.

Una segmentación estratégica alcanza el éxito cuando es aceptada y utilizada por los responsables de negocio, convirtiéndose en el mapa conceptual de clientes que toda la organización acepta como punto de partida. Por ello, es clave que en su desarrollo, además de variables puramente estadísticas, sean tenidas en cuenta las  segmentaciones intuitivas que estos decisores y usuarios del modelo acostumbran a manejar en su día a día.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (II). La segmentación táctica (12-01-2010)
• Análisis RFM en retail. Empezando a segmentar clientes (I) (10-02-2011)
• El ciclo de vida del cliente. Un paso previo a la segmentación estadística en el sector bancario (23-03-2010)