Sistemas de recomendación, rentabilizando la venta cruzada

personalizacion_cliente_producto

Es más caro captar nuevos clientes que crecer con los actuales. Es el mantra por excelencia del marketing de clientes, todos lo hemos entonado. Bien, y ahora, ¿cómo se hace para crecer con los clientes actuales?

Con los mejores clientes -los más rentables, o con mayor cuota de cliente- lo tenemos claro: que sigan, que no nos dejen. Para ello, que nos sean fieles o al menos tenerlos retenidos -que no es lo mismo-, usamos estrategias y programas de fidelización.  Pero ¿cómo podemos crecer con los clientes de medio o bajo valor?

Recomendador de producto y venta cruzada

Sin ser la única, la estrategia de venta cruzada es una de las más rápidas y rentables para crecer con los clientes existentes: con un cliente captado, que conoce la marca, presuntamente satisfecho -sin cliente satisfecho, no sigas leyendo- conseguir que amplíe el abanico de necesidades que satisface con nosotros parece un objetivo asequible. Es un recurso de venta acreditado,  y diría que de moda en los últimos tiempos. Hay analistas que apuntan al sistema de recomendación como responsable de hasta el 35% de los ingresos de Amazon. Nada mal.

Pero, ¿qué producto debería interesar a cada cliente? El motor de recomendación sería el mecanismo lógico que selecciona el producto ideal para este cliente, en este momento y estadio de relación. Y quien dice producto, dice servicio, contenido -posts, vídeos-…

Empezando por lo más sencillo, podríamos construir un sistema de recomendación basado únicamente en la co-ocurrencia de productos, en forma de matriz de co-ocurrencias o reglas de decisión. Se definen como: los clientes (o transacciones) con el producto A y el B, en un X% también tienen producto C. Es decir, a todo aquel que tenga ya A y B, le ofreceremos C. Sería la aplicación más directa y sencilla de la llamada inteligencia colaborativa. Café para todos.

matriz_coocurrencia_producto

Es útil para clientes nuevos, pero tiene menos sentido con clientes con histórico, dado que el cliente que lleva un tiempo con nosotros y compra A y B, pero no C, aunque desde nuestro punto de vista sea una excepción a la regla, ¿por qué habría de dejar de serlo? Quizá sea un tipo de cliente diferente. Por ejemplo, si C = pañales, ¿debemos ofertarlo siempre que aparezca A y B? Lo ideal sería segmentar en clientes con niños pequeños por un lado, resto por otro. Pues precisamente, por aquí de lo que hablamos es de identificar tipos de clientes. Es decir, de segmentación.

Sistema de recomendación y segmentación de clientes

Preparaos pues, para bajar a la trinchera del análisis producto a producto. El cuerpo a cuerpo del análisis de clientes :-). Estamos de acuerdo en que, en lugar de ofrecer C a todo aquél que compra A y B, podríamos explotar lo que sabemos de los clientes, y lanzar unas hipótesis. Supongamos otro caso, una segmentación conceptualmente muy simple: en un entorno B2B, donde los clientes son restauradores, retailers, distribuidores…Para cada tipo de cliente, tenemos 3 estadios, en cuanto a cuota de cliente:

  • clientes fieles, “completos”: estimamos que el 100% de su gasto en la categoría es con nuestra marca -gracias a nuestras habilidades para calcular demanda potencial y cuota de cliente-
  • clientes “incompletos”: todo el resto de clientes reales
  • clientes potenciales

sistema_recomendacion_segmentacion_clientes

Posteriormente, para cada uno de los tipos de cliente (artesano…), y ya dentro de los clientes incompletos, clasificamos por su demanda potencial (muy simplificado, alta vs baja), de manera que los clientes se distribuyen entre 12 posibles estados:

venta_cruzada_recomendador_segmentacion

En este caso la estrategia sería:

Objetivo: convertir a clientes no completos en clientes completos, Top.

Metodología: generar modelos de reglas relevantes -por ejemplo, algoritmo apriori-, que se materializan en: si compra A y compra B el 60% compra C. Y aquí viene lo interesante:ofrecemos C a aquellos clientes incompletos que compran A y B, no C, del mismo tipo -artesanos y sus subtipos- y potencial -alto vs bajo- para que se asemejen a los clientes “completos”. Estamos asumiendo, de manera estadística, una relación (A,B) -> C cuya esencia no analizamos, pero asumimos que, al ser del mismo tipo de cliente pero diferente nivel de relación, este producto C debe ser atractivo.

La lógica de negocio subyacente es: si estos clientes tienen una misma actividad, producen los mismos productos, y similar demanda potencial -> deberían necesitar las mismas materias primas -> deberían obtenerlos de la competencia.

A partir de aquí, es posible construir el motor de recomendación, que:

  • analiza los mejores clientes -> genera las reglas
  • aplica las reglas a los clientes No Top

Y aplicar este motor de recomendación, personalizado por cliente, en los diferentes canales de comercialización:

  • online: genera recomendaciones en diferentes momentos, puntos de contacto
  • offline, fuerza de venta: herramienta para los comerciales, que diseñan su oferta, sus reuniones con clientes en función de los productos recomendados para el cliente
  • offline, televenta: orientación muy útil, dado el escaso conocimiento de cliente en este canal

La imagen muestra una aplicación sencilla en la que cada comercial puede consultar los productos recomendados para el cliente al que visitará, decidiendo las que mejor se aplican -a partir de su conocimiento del cliente, muy valioso-.

reglas_recomendador_comerciales_ejemplo

Como hemos comentado, usamos en este ejemplo el algoritmo apriori para generar las reglas de de decisión. Los indicadores de calidad de toda regla son:

  • soporte del cuerpo: % de casos -en este caso clientes, podrían ser transacciones- que cumplen los antecedentes: A Y B
  • soporte de la regla: % de casos que cumplen antecedentes y consecuente: A Y B Y C
  • soporte del consecuente: % de casos en que se da el consecuente, para total del set de datos
  • confianza de la regla: % de casos en que se da el consecuente, dados los antecedentes
  • elevación: ratio entre confianza de la regla / soporte del consecuente -> medida de mejora en la probabilidad de que se dé el consecuente (C)

Este tipo de estrategia acostumbra a dar muy buenos resultados, al devolvernos una recomendación personalizada por cliente -según su tipo, potencial de demanda y consumo histórico real- pero, recuerda, se basa en una buena segmentación previa.

Motor de recomendación, personalización y marketing de contexto

Marketing de contexto sería una evolución del marketing relacional, que supera a éste en su búsqueda de la combinación ideal de persona – mensaje – momento – canal. Es decir, incrementa la capacidad de personalización de la oferta. Un motor de recomendación se integra a la perfección en este paradigma, al proponer la oferta óptima para cada:

  • cliente, en función de que sus sociodemográficos, enriquecimiento de datos
  • punto de contacto o canal: web en PC, web en móvil, app móvil, email, SMS
  • momento: ¿está el cliente comprando, o solo informándose, recopilando información?
  • estadio de relación: ¿está en los primeros estadios del embudo de conversión? Si es cliente, ¿ha repetido? ¿antigüedad? ¿relación con la marca?

La personalización no solo incrementa la rentabilidad para la empresa, también es preferida por los clientes: 86% de clientes — y 96% de retailers — declararon que la personalización de oferta tuvo alguna influencia en su decisión de compra, según un reciente estudio de Infosys sobre retail.

marketing-personalizacion-oferta

Next best action y motor de recomendación

Un recomendador es de gran utilidad cuando la incógnita es ésta, qué podemos proponer a continuación al cliente. Típicamente, tras cerrar una venta, o al abandonar la zona de e-commerce en web, pero también aplicable al retail -un cliente que abandona la tienda-. Siempre recordando que esta next best action no siempre es una next best offer, es decir, no necesariamente el próximo paso es un oferta de producto.

Está íntimamente relacionado con el conceptos como experiencia de cliente, estadio de vida, ciclo de vida de cliente, y el análisis del tipo de relación actual con el cliente, típicamente online. Si sabemos exactamente en qué punto está la relación y de dónde viene, podemos proponer una vía por la que seguir.

También se integra con el marketing de eventos, donde identificamos eventos que son clave para el cliente:

  • cambio vital relevante: matrimonio, nacimiento de hijos, nuevo trabajo, hipoteca…
  • cambios del entorno y mercado: precios, tecnologías…
  • por supuesto, las propias interacciones con la marca

Recomendación sistemática, el caso Amazon

Amazon lleva personalización y recomendación en las venas. Cuando la fundó, Jeff Bezos imaginaba una macrolibrería con más referencias que ninguna otra, pero capaz de recomendar libros al lector como haría su librero de confianza. Desde entonces, la personalización ha sido consustancial a Amazon, y se diría que le ha ido bien.

Cualquier usuario de Amazon está expuesto, al menos, a una de estas recomendaciones, cada una de ellas basada en uno o varios puntos de información -nuestro historial de compra, visualizaciones, lista de deseos, origen de tráfico, relaciones funcionales entre productos, cestas de compra frecuentes en otros clientes, peculiaridades regionales…-

  1. Recomendado para ti, o Amazon.es de Guillermo (en mi caso): nada más entrar, una selección de selecciones, solo para ti.
  2. Frecuentemente comprados juntos
  3. Los clientes que compraron este producto también compraron…
  4. ¿Qué otros productos compran los clientes tras ver este producto?
  5. Productos patrocinados relacionados con este artículo: el adwords de Amazon, crea tus anuncios, segmenta, paga por clicks, optimiza… otra oportunidad de ganar dinero para Jeff, siempre con cuidado de no matar la gallina de los huevos de oro, esto es, la recomendación relevante.
  6. Recomendados inspirados por tu historial de navegación
  7. Recomendados basados en tus compras
  8. Hay una nueva versión de este producto
  9. Y, por supuesto, recomendación offsite, principalmente vía email, donde trabajan a fondo también la recomendación

recomendacion_personalizacion_amazon_ejemplo

¿Demasiado? A mí me lo parece, subjetivamente. El temor de dejar de mostrar EL ARTÍCULO que se vendería lleva a esta batería de ofertas en la que acabo por no ver nada. Como usuario, me habitúo, identifico las ofertas y dirijo mi atención de manera selectiva “fuera” de ellas. En mi humilde opinión Amazon debería refinar su personalización, por ejemplo seleccionando, para cada cliente – producto – estadio de relación, el recomendador y el producto (de los listados anteriormente) con mayor probabilidad de conversión, para mostrarlo.Pero no todos ellos.

Sería aún más relevante, limpio de “ruido”, y ésta es, precisamente, una guerra por la relevancia de la oferta para ganar la atención del usuario.

 

Sistemas de recomendación, rentabilizando la venta cruzada was last modified: junio 8th, 2018 by Guillermo Córdoba
The following two tabs change content below.

Guillermo Córdoba

Licenciado en sociología, llevo más de 15 años en esto de la inteligencia de clientes. Me interesa la integración de visiones, disciplinas y técnicas orientadas a un mejor conocimiento de cada consumidor. Creo en el trabajo en red y multidisciplinar, como solución a los nuevos retos que la relación con el cliente plantea. A tu disposición, si puedo ayudarte.

4 thoughts on “Sistemas de recomendación, rentabilizando la venta cruzada

  1. Muy bien artículo Guillermo. Gracias!!

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.