Datos para geomarketing – indicadores de estilos de vida

Continuamos hoy nuestra serie de artículos con los que pretendemos dar a conocer con más detalle el conjunto de datos englobados bajo el paraguas de microtarget desarrollado por unica360.   

En esta duodécima entrega presentaremos el último de los indicadores microterritoriales disponible para la totalidad del territorio español: se trata de un conjunto de indicadores que reflejan la percepción de los ciudadanos sobre calidad de vida, sus actitudes y valores y sus estilos de vida. Describiremos este modelo, así como las diferentes aplicaciones prácticas de este conjunto de datos para location intelligence, geomarketing y customer intelligence. 

Como hemos visto en los diferentes artículos sobre el conjunto de datasets que forman microtarget, estos indicadores se hacen necesarios para: 

• Conocer como es el entorno asociado a un establecimiento comercial o cualquier otro tipo de negocio 

• Estimar la demanda en función del entorno, cuantificando el valor potencial de una ubicación determinada. 

• Enriquecer datos de clientes, de ubicaciones o de empresas: en función de dónde vives y dónde estás podemos inferir cómo eres. 

El dataset de estilos de vida, actitudes y percepciones que hoy tratamos, responde a todos esto usos, pero especialmente al de enriquecimiento de clientes. 

El desarrollo de este dataset se planteó como una iniciativa ambiciosa y muy valiosa para entender en profundidad cómo viven las personas en contextos territoriales específicos.

Metodología y datos utilizados para el desarrollo del dataset

Los indicadores de estilos de vida, actitudes y percepciones reflejan el perfil de la población residente a nivel microterritorial, en cuanto a sus condiciones de vida, percepción de su entorno, hábitos laborales y de ocio, preocupaciones por diferentes aspectos de su día a día o posicionamiento ideológico.  

Partiendo de una dirección postal, como puede ser el lugar de residencia de una persona, un cliente, un usuario o un ciudadano en una base de datos, podemos enriquecerla con estos indicadores. De igual forma, a partir de la ubicación de un negocio de cualquier tipo, podemos dar una imagen fiel de cómo son los habitantes a su alrededor.  

Para generar estos indicadores, nos hemos apoyado en multitud de fuentes de datos, la mayoría procedentes de administraciones públicas, datos abiertos y registros oficiales. Algunas de estas fuentes son: 

• Censos 

• Padrones 

• Datos de resultados electorales 

• Encuestas del INE (Instituto Nacional de Estadística) a nivel de microdatos sobre múltiples aspectos de la vida de los ciudadanos 

• Datos de movilidad adquiridos a operadores por el MITMS (Ministerio de Transportes y Movilidad Sostenible) 

Para llevar a cabo este tipo de estimaciones de estilos de vida y hábitos de consumo, existen también otras aproximaciones. Una de ellas, tal vez de las más populares en los últimos tiempos, ha sido la obtención, a partir de aplicaciones móviles, de hábitos de navegación y uso de aplicaciones junto con las coordenadas del dispositivo. Esta es una fuente que puede aportar considerable riqueza e interesantes oportunidades de explotación, pero de cara al enriquecimiento sistemático de bases de datos presenta problemas.  

La metodología que hemos desarrollado en unica360 presenta importantes ventajas frente a otras aproximaciones:  

• Robustez estadística, basada en el cuidadoso diseño de las muestras en fuentes públicas, a salvo de sesgos de edad, intereses o hábitos digitales 

• Confiabilidad y legalidad, dadas las fuentes usadas la metodología es compliant by design, algo que es crítico en muchos sectores económicos  

• Precisión espacial, al ser los indicadores modelizados, de manera nativa, a nivel de celdas de 100 metros de lado. Esta es una división del territorio propia desarrollada por unica360 que permite disponer de los indicadores para más de 2,5 millones de estas celdas, lo que da un nivel de granularidad que no existe con otras divisiones territoriales tradicionales como la sección censal, el código postal o el municipio. En todo caso, las celdas pueden ser agrupadas a estos niveles superiores de ser necesario. 

• Coste asequible: los costes de acceso al dataset son muy accesibles. Al trabajar con datos abiertos, nuestro aporte es la modelización y la metodología aplicada sobre ellos. 

• Escalabilidad: el modelo cubre la totalidad de la población española y es fácilmente replicable en otros países o llevando a cabo modelos locales a medida con datos específicos de ese territorio. 

Los indicadores generados con todo este conjunto de datos estadísticos deben interpretarse como propensión a que los ciudadanos cuenten con este tipo de perfiles, y no como un dato absoluto para cada uno de ellos.

¿A qué preguntas dan respuesta los indicadores de estilos de vida, actitudes y percepciones?

El dataset resultante se ha estructurado en 5 dimensiones, que tratan de dar respuesta a aspectos concretos en la vida del ciudadano, en 10 grupos de indicadores temáticos y en algo más de 50 indicadores microterritoriales.     

Primera dimensión ¿Cómo son las personas?  

Este conjunto de indicadores define un primer perfil de las personas residentes en una ubicación con una selección de variables sociodemográficas como lugar de origen, estudios o renta. Esta dimensión está formada por 3 grupos de variables y un total de 6 indicadores.  

• Origen – Arraigo 

• • Total de personas nacidas en el territorio nacional 

• • Total de personas nacidas en la Unión Europea 

• • Total de personas nacidas en otros países 

• • Nivel de arraigo en su lugar actual de residencia 

• Estudios 

• • Nivel de estudios finalizados 

• Renta 

• • Renta neta por hogar

Segunda dimensión ¿Qué tienen las personas? 

Esta segunda dimensión está formada por un único grupo de variables formado por 3 indicadores, que nos hablan de la propensión de los habitantes a disponer de ciertas comodidades materiales que definen sus formas de vida.  

• Comodities 

• • Tenencia de vivienda en propiedad 

• • Equipamientos de la vivienda 

• • Tenencia de vehículo propio 

Tercera dimensión ¿Cómo viven las personas? 

Esta tercera dimensión es la que más indicadores aglutina en 4 grupos que nos hablan sobre situación laboral, ocio y movilidad, digitalización y estructura familiar, aportando al dataset un total de 28 indicadores. 

• Edad – Actividad: dada la fuerte relación entre la edad de las personas y su situación laboral, hemos desarrollado una matriz con 5 posibles situaciones laborales (estudiando, ocupado, parado, tareas del hogar y jubilado) y 4 franjas de edad (<25 años, entre 25 y 45, entre 45 y 65 y >65 años). Esto permite, si disponemos de información de la edad, enriquecer las bases de datos con el indicador de actividad, no como un valor único para todos los habitantes del grid, sino discriminando en función del tramo de edad: 

• • Número de personas menores de 25 años, estudiando 

• • Número de personas menores de 25 años, ocupados 

• • Número de personas menores de 25 años, en paro 

• • Número de personas entre 25 y 45 años, ocupados 

• • Número de personas entre 25 y 45 años, en paro 

• • Número de personas entre 25 y 45 años, dedicados a tareas del hogar 

• • Número de personas entre 45 y 65 años, jubilados 

• • Número de personas entre 45 y 65 años, ocupados 

• • Número de personas entre 45 y 65 años, en paro 

• • Número de personas entre 45 y 65 años, dedicados a tareas del hogar 

• • Número de personas mayores de 65 años, jubilados 

• • Número de personas mayores de 65 años, en paro 

• • Número de personas mayores de 65 años, dedicados a tareas del hogar 

• Movilidad: otro aspecto interesante de la forma de vida de la gente es su forma de desplazarse por motivos de ocio. Hemos definido para ellos indicadores de propensión estimada a desplazamientos motivados por ocio de fin de semana y por ocio nocturno, combinado por bandas de edad, similar a como hacemos con el apartado de ocupación: 

• • Movilidad en fin de semana, personas menores de 25 años 

• • Movilidad en fin de semana, personas entre 25 y 45 años 

• • Movilidad en fin de semana, personas entre 45 y 65 años 

• • Movilidad en fin de semana, personas mayores de 65 años 

• • Movilidad por ocio nocturno, personas menores de 25 años 

• • Movilidad por ocio nocturno, personas entre 25 y 45 años 

• • Movilidad por ocio nocturno, personas entre 45 y 65 años 

• • Movilidad por ocio nocturno, personas mayores de 65 años 

• Digitalización y tecnologías de la comunicación 

• • Propensión para disponer de fibra óptica 

• • Propensión para comprar por internet 

• • Propensión para el uso de redes sociales 

• Forma de convivencia y tipo de hogar 

• • Singles y parejas sin hijos 

• • Familia nuclear tradicional: progenitores y niños 

• • Familia extensa tradicional: familia nuclear con 3 o más generaciones 

• • Convivencia no familiar: piso compartido, estudiantes, … 

Cuarta dimensión ¿Cómo valoran su entorno? 

Este cuarto subconjunto dentro del dataset está formado por un único grupo que contiene 8 indicadores que nos permiten conocer la percepción subjetiva de los individuos sobre su entorno y condiciones de vida. 

• Indicadores de percepción 

• • Percepción de molestia por turismo 

• • Percepción de entorno contaminado 

• • Percepción de incivismo 

• • Percepción de inaccesibilidad a servicios 

• • Percepción de dificultad para pago de vivienda 

• • Preocupación por sostenibilidad: reciclaje, autoconsumo, energía renovable, … 

• • Percepción de posibilidad de conciliación 

• • Percepción de accesibilidad a empleo 

Quinta dimensión ¿Qué propuesta ideológica propone? 

Esta última dimensión, formada por un único grupo de 8 indicadores, clasifica el territorio y sus habitantes en función de los resultados electorales, datos que resultan igualmente muy útiles para conocer, entender y clasificar individuos y hogares.  

Los indicadores surgen a partir de una matriz con dos dimensiones: votantes de izquierda y derecha y votantes a partidos regionalistas o no regionalistas: 

• Ideología 

• • Ideología centro-derecha, no regionalista 

• • Ideología derecha, no regionalista 

• • Ideología centro-izquierda, no regionalista 

• • Ideología izquierda, no regionalista 

• • Ideología centro-derecha, regionalista 

• • Ideología derecha, regionalista 

• • Ideología centro-izquierda, regionalista 

• • Ideología izquierda, regionalista 

Casos de uso 

Dada la amplitud de materias que reflejan los indicadores que forman el dataset de estilos de vida, las aplicaciones prácticas que tienen son muchísimas. Más allá de las aplicaciones genéricas, comunes al conjunto de los indicadores microtarget que ya hemos visto en anteriores artículos, estas variables vienen a cubrir una demanda creciente de recursos para enriquecer datos de domicilios o ubicaciones de particulares en proyectos analíticos, geomarketing, location intelligence, enriquecimiento de bases de datos, etc. 

Por ejemplo, las administraciones públicas pueden apoyarse en estos indicadores en procesos de  

• Planificación urbana, adaptando servicios según tipo de hogar, movilidad o arraigo 

• Puesta en marcha de políticas sociales, focalizando ayudas en zonas con renta baja y alta percepción de exclusión 

• Fomento de la participación ciudadana, para resolver aquellos aspectos que más preocupan a la población  

En cualquier caso, estos procesos pasan por: 

• Diagnosticar: mediante un análisis territorial profundo, podrían identificar zonas con desigualdades invisibles como baja percepción de calidad de vida, alta vulnerabilidad o baja cohesión social 

• Diseñar políticas focalizadas: por ejemplo, diseñar programas de conciliación en barrios con alta presencia de familias tradicionales y percepción negativa sobre el empleo 

• Evaluar el impacto: es importante finalmente medir cómo cambian las percepciones tras las intervenciones urbanas o sociales llevadas a cabo. 

De esta manera, por ejemplo, un Ayuntamiento podría priorizar inversiones en barrios con alta percepción de inaccesibilidad a servicios y baja tenencia de vehículo propio, mejorando el transporte público o la digitalización de trámites. 

Si profundizamos en los proyectos de planificación urbana, se abre también un amplio abanico de posibilidades: 

• Segmentación residencial: adaptar el tipo de vivienda a los hogares predominantes (solteros, familias extensas, estudiantes) 

• Prevención de gentrificación: detectar zonas con alta presión inmobiliaria y baja tenencia en propiedad. 

• Diseño de espacios públicos: por ejemplo, en zonas con alta movilidad nocturna de jóvenes y percepción de incivismo, se podrían diseñar espacios seguros y fomentar actividades culturales nocturnas. 

 De igual forma, en el ámbito de la salud pública, estos indicadores pueden ayudar a mejorar los servicios ofrecidos a la población:  

• Promoción de salud personalizada: según ocupación, edad y percepción ambiental. 

• Prevención de riesgos: en zonas con alta percepción de contaminación o de falta de acceso a servicios relacionados con la salud y el bienestar. 

• Diseño de servicios sanitarios: según arraigo, edad y movilidad. De esta manera, por ejemplo, en barrios con alta proporción de jubilados y baja movilidad, se podrían instalar unidades móviles de atención médica o farmacias de proximidad. 

Y, como no, a la hora de hacer análisis políticos y electorales e investigación social 

• Segmentación del electorado: según estilo de vida, valores y percepción de problemas urbanos. 

• Diseño de campañas: segmentadas y adaptadas a preocupaciones locales (turismo, sostenibilidad, empleo). 

• Estudios de polarización: zonas con mayor tensión entre percepción y voto. De esta forma un partido político podría enfocar su campaña en barrios con alta percepción de incivismo, proponiendo medidas de seguridad y convivencia. 

• Estudios en el largo plazo: sobre evolución de estilos de vida y valores. 

• Modelos de comportamiento urbano: cruzando movilidad, tecnología y percepción sobre diferentes aspectos. 

• Análisis de cohesión social: según arraigo, tipo de hogar y confianza institucional.

Yendo al ambito de la empresa privada, por ejemplo, las empresas del sector  retail y consumo también encuentras múltiples aplicaciones prácticas para estos indicadores. Las cadenas de comercio minorista explotan programas de fidelización con gran riqueza de datos transaccionales -los tickets detallados- pero necesitan saber más sobre sus clientes, sus características, forma de vida, valores, preocupaciones, intereses… 

• Geomarketing avanzado: este dataset permite segmentar zonas según el estilo de vida predominante, el uso de redes sociales o la tendencia a la compra online 

• Ubicación de puntos de venta: en función de la renta del hogar, del tipo de hogar y movilidad. 

• Planificación horaria y gestión de equipo humano: usando datos de movilidad nocturna y fin de semana para definir horarios de apertura óptimos y dimensionar adecuadamente el equipo humano. 

• Diseño de productos y servicios: adaptados tanto el producto como el mensaje a valores y actitudes locales (sostenibilidad, conciliación, etc.). También podemos definir formatos de empaquetado de producto, adaptando formatos según tipo de hogar predominante: monodosis, para solteros, packs familiares, etc. Por ejemplo, una cadena de supermercados podría adaptar su surtido en barrios con alta presencia de hogares compartidos y jóvenes, incluyendo productos individuales, veganos o de conveniencia. O podría lanzar una línea de productos ecológicos en barrios con alta percepción de sostenibilidad y voto progresista, mientras que en zonas con alta renta y familias tradicionales podría reforzar productos premium y gourmet. 

• Estimación de la demanda. Estos análisis nos pueden llevar a adaptar nuestra oferta de productos y servicios, ajuste del inventario o estimación de demanda de forma específica (por ejemplo, en una tienda determinada de nuestra cadena de distribución), según el volumen y características de la población en su entorno. 

• Innovación y desarrollo: desde detectar nichos de mercado en zonas con alta digitalización y compra online hasta testear nuevos productos en barrios con alta apertura al cambio (jóvenes, estudiantes, alta movilidad). Una marca de bebidas podría lanzar una edición limitada en barrios con alta presencia de jóvenes y uso de redes sociales, usando influencers locales y distribución en tiendas de conveniencia. 

En el ámbito del comercio electrónico, las empresas que a él se dedican suelen disponer del domicilio de sus clientes con un nivel alto de calidad, pero son reticentes a pedir información de clasificación por el temor a desincentivar la conversión.  

Enriqueciendo sus clientes, acceden a un nuevo nivel de conocimiento para segmentar, identificando diferencias de sus clientes, respecto de los indicadores, frente a la población total, que permite actuar de formas diferentes según la ubicación de sus clientes: 

• Adaptar la interfaz y recomendaciones según perfil sociodemográfico del barrio (idioma, productos, valores). 

• Ofrecer métodos de pago flexibles en zonas con baja renta o percepción de dificultad económica. 

• Optimización logística, definiendo zonas de entrega rápida según movilidad o estableciendo puntos de recogida en barrios con alta ocupación laboral y baja accesibilidad.  

• Segmentación de campañas digitales, usando datos de uso de redes sociales y compra online para definir audiencias o adaptando el mensaje según percepción local ante temas como sostenibilidad conciliación, empleo, … Por ejemplo, una plataforma de ecommerce podría lanzar una campaña de productos sostenibles en barrios con alta percepción ambiental y voto ecologista, usando publicidad programática y segmentación geográfica. 

De igual forma, en el ámbito financiero, banca y seguros, se puede hacer uso de estos indicadores en diferentes procesos. Se trata de entidades con mayor cultura analítica, son sectores maduros, que permanentemente buscan fuentes de información con las que sofisticar sus perfilados de clientes y modelos predictivos (churn, cross-selling, up-selling, pricing dinámico…) y los indicadores de estilo de vida son datos atractivos para optimizar estos modelos: 

• Diseño de productos financieros: como seguros para estudiantes, hipotecas para jóvenes o planes de ahorro para jubilados. 

• Gestión de riesgo territorial: cruzando renta, tenencia de vivienda y percepción de dificultad económica se pueden aplicar modelos predictivos para segmentar zonas con mayor o menor riesgo crediticio. 

• Inclusión financiera: en zonas con baja digitalización o baja tenencia de vehículo. Por ejemplo, una entidad financiera podría lanzar productos de microcrédito en barrios con baja renta y alta percepción de dificultad para pagar vivienda. O podría implementar oficinas móviles en lugares con falta de accesibilidad a la baja presencial. 

• Modelos de tarificación dinámica, ajustando primas según perfil territorial: renta, tipo de vivienda, movilidad, percepción de riesgo, … Se pueden incorporar variables como equipamiento del hogar, tenencia de vehículo o uso de la tecnología 

• Análisis de comportamiento financiero, estudiando patrones de consumo, ahorro y endeudamiento u oportunidades de inversión según tipo de hogar, ocupación, renta, … 

En sectores emergentes como energías renovables, vehículos eléctricos, transporte alternativo, rehabilitación de vivienda requieren información actitudinal y relacionada con valores y estilos de vida para perfilar sus clientes potenciales.  

O en el caso del enriquecimiento en publicidad en teléfono móvil: a partir de las coordenadas en que el dispositivo se encuentra en el momento de la puja por el espacio publicitario -una app, por ejemplo-, se enriquece y aplica una segmentación o modelo de propensión previamente entrenado, optimizando la compra de publicidad programática. 

En el mundo del real estate, también podemos enriquecer las ubicaciones de nuestra oferta de inmuebles con indicadores de estilo de vida y percepción, para facilitar al futuro comprador el proceso de selección de viviendas que cumplan con sus gustos. En el siguiente link mostramos un ejemplo a través de story maps de como el location  intelligence, apoyado en las diferentes variables microtarget, ayudan a seleccionar y visualizar, de una forma muy sencilla, los inmuebles que son candidatos óptimos, según nuestras preferencias.  

El enriquecimiento combinado de los indicadores de estilo de vida junto con otros indicadores incluidos en microtarget, permite multiplicar el potencial de ambos y aumentan los casos de uso que podemos llevar a cabo:  indicadores de oferta comercial y de equipamientos, que nos permiten analizar la accesibilidad de la población a establecimientos y equipamientos en diferentes categorías, indicadores de accesibilidad a zonas verdes, podemos profundizar en aspectos relacionados con las características de los inmuebles y sociodemografía, o analizar aspectos relacionados con la movilidad de peatones y de vehículos o analizar la afluencia de población presente por motivos laborales o la afluencia de turistas.  

En la siguiente imagen podemos ver un ejemplo del uso de datos para location intelligence. El análisis territorial del que hablamos se ve simplificado con este tipo de proyectos de consultoría location intelligence que combinan software y datos para geomarketing. 

Con este artículo finalizamos el recorrido por los diferentes conjuntos de indicadores que forman microtarget. Aunque aún nos queda algo más que contarte, sigue atento a nuestra próxima entrega, te puede interesar.