PathMBA Vault

Márketing

Por qué la analítica de marketing no ha estado a la altura de sus promesas

por Carl F. Mela, Christine Moorman

Por qué la analítica de marketing no ha estado a la altura de sus promesas

may18_17_896845716

MirageC/Getty Images

Vemos una paradoja en dos tendencias analíticas importantes. Los resultados más recientes de The Encuesta de CMO realizado por la Escuela de Negocios Fuqua de la Universidad de Duke y patrocinado por Deloitte LLP y la Asociación Estadounidense de Marketing, informa que el porcentaje de los presupuestos de marketing que las empresas tienen previsto destinar a la analítica en los próximos tres años aumentará del 5,8% al 17,3%, lo que supone un enorme aumento del 198%. Estos aumentos se esperan a pesar de que los principales vendedores afirman que el efecto de la analítica en el rendimiento de toda la empresa sigue siendo modesto, con una puntuación media de 4,1 en una escala de siete puntos, donde 1 = nada eficaz y 7 = muy eficaz. Y lo que es más importante, este impacto en el rendimiento ha aumentado poco en los últimos cinco años, cuando obtuvo una calificación de 3,8 en la misma escala.

¿Cómo es posible que las empresas no hayan visto ningún aumento en la forma en que la analítica contribuye al rendimiento de la empresa, sino que, aun así, tengan previsto aumentar el gasto de forma tan drástica? Según nuestro trabajo con las empresas miembros del Instituto de Ciencias del Marketing, dos fuerzas que compiten explican esta discrepancia: los datos utilizados en el análisis y el talento de los analistas que los produce. Analizamos cómo cada fuerza ha impedido a las organizaciones aprovechar todo el potencial de la analítica de marketing y ofrecemos recetas específicas para alinear mejor los resultados de la analítica con el aumento del gasto.

El desafío de los datos

Los datos se están haciendo omnipresentes, por lo que, a primera vista, parece que la analítica debería ser capaz de cumplir su promesa de creación de valor. Sin embargo, los datos crecen según sus propias condiciones y, a menudo, este crecimiento se debe a las inversiones en TI, más que a objetivos de marketing coherentes. Como resultado, las bibliotecas de datos suelen parecerse al proverbial armario abarrotado, donde es difícil separar la información de la basura.

Centro Insight

En la mayoría de las empresas, los datos no están integrados. Los datos recopilados por los diferentes sistemas están desarticulados, carecen de variables que coincidan con los datos y utilizan diferentes esquemas de codificación. Por ejemplo, los datos de los dispositivos móviles y los datos de los ordenadores pueden indicar rutas de navegación similares, pero si los datos de los consumidores y los datos de las páginas consultadas no pueden coincidir, es difícil determinar el comportamiento de navegación. Por eso hay que tener en cuenta entender cómo se integrarán y medirán los datos en última instancia antes a recopilar los datos, precisamente porque reducirá el coste de la coincidencia.

Es más, la mayoría de las empresas tienen enormes cantidades de datos, lo que dificulta su procesamiento puntual. Combinar los datos de un gran número de clientes e interacciones implica «traducir» el código, los sistemas y los diccionarios. Una vez cohesionadas, las enormes cantidades de información pueden superar la potencia de procesamiento y los algoritmos. Existen muchos enfoques para escalar la analítica, pero recopilar datos que no se pueden analizar es ineficiente.

La ironía de tener demasiados datos es que a menudo tiene muy pocos información . Cuantos más datos y campos recopilen, menos se superpondrán, lo que creará «huecos» en los datos. Por ejemplo, dos clientes con el mismo nivel de transacciones podrían tener acciones de cartera muy diferentes. Si bien una representa una oportunidad de venta, la otra puede ofrecer pocas ganancias potenciales. Los datos deben diseñarse teniendo en cuenta la imputación, de modo que los vacíos en los datos se puedan llenar según sea necesario para impulsar la estrategia.

Quizás lo peor de todo es que los datos no suelen ser causales. Por ejemplo, si bien es cierto que la publicidad en búsquedas se puede correlacionar con la compra porque los clientes están motivados a comprar, no se deduce que los anuncios generen ventas. Incluso si la empresa no hiciera publicidad, los consumidores se sienten motivados a comprar, entonces, ¿cómo se sabe si los anuncios fueron efectivos? Peor aún, a medida que los datos aumentan, estos problemas se agravan. Sin el enfoque analítico correcto, ninguna cantidad de inversión se traducirá en información.

Las empresas deberían hacer dos cosas para aprovechar el poder de la analítica en sus funciones de marketing. En primer lugar, en lugar de crear datos y luego decidir qué hacer con ellos, las empresas deben decidir qué hacer primero y, después, qué datos necesitan para hacerlo. Esto significa integrar mejor el marketing y la TI y desarrollar sistemas en torno a las necesidades de información del equipo de alta dirección, en lugar de crear una cultura de «capturar datos y rezar».

En segundo lugar, las empresas deberían crear una visión integrada de 360 grados del cliente que tenga en cuenta el comportamiento de cada cliente desde que suena la alarma por la mañana hasta que se va a dormir por la noche. Deberían capturarse todos los posibles puntos de interacción, tanto de comunicación como de compra. Solo entonces las empresas podrán entender completamente a sus clientes mediante la analítica y desarrollar experiencias personalizadas que los deleiten. La encuesta de CMO a la que hemos hecho referencia anteriormente muestra que el desempeño de las empresas en este tipo de integración no ha mejorado en los últimos cinco años, lo que pone a prueba la capacidad de las empresas de responder a las preguntas más importantes sobre sus clientes.

El desafío del analista de datos

La encuesta de CMO también reveló que solo el 1,9% de los líderes de marketing declararon que sus empresas tienen el talento adecuado para aprovechar la analítica de marketing. Los buenos analistas de datos, como los buenos datos, son difíciles de encontrar. Lamentablemente, la valoración general en una escala de siete puntos, en la que 1 es «no tiene el talento adecuado» y 7 es «tiene el talento adecuado», no ha cambiado entre la primera vez que se hizo la pregunta en 2013 (media de 3,4, DE = 1,7) y 2017 (media de 3,7, DE = 1,7).

La brecha entre la promesa y la realidad de la analítica apunta a una desconexión que debe resolverse. Las empresas necesitan alinear mejor su estrategia de datos y el talento de los analistas de datos para aprovechar el potencial que la analítica puede aportar a los directores de marketing. En ausencia de talento, incluso los datos más importantes pueden quedar en barbecho e impedir que una empresa aproveche todo el potencial de los datos. ¿Cuáles son algunas de las características que las empresas deben buscar en los buenos científicos de datos? Deberían:

Defina claramente el problema empresarial_._ Los gerentes que confían en los científicos de datos para saber lo que se puede hacer con los datos suelen encontrar un gran valor en que esa persona ayude a definir el problema. Por ejemplo, un vendedor que acude a un analista de datos para hacerle preguntas sobre cómo impulsar las conversiones puede que no se dé cuenta de que también hay datos en la parte superior del embudo de compras que podrían estar aún más relacionados con el impulso de las ventas a largo plazo. En lugar de aceptar las solicitudes como se indica, los analistas de datos deberían aceptar las solicitudes como debería pregunte, integrando estrechamente el asesoramiento con las necesidades de la empresa. Por ejemplo, una solicitud para evaluar cómo las promociones de marketing afectan a las ventas también debería tener en cuenta el efecto de las promociones en el valor de la marca.


Comprenda cómo los algoritmos y los datos se asignan a los problemas empresariales. Las empresas verán un análisis de datos más eficaz si los equipos tienen claros los objetivos de la empresa, están informados de la estrategia, son sensibles a la estructura organizativa y están expuestos a los clientes. Para entenderlo, los analistas de datos deberían dedicar tiempo físico fuera del análisis de datos, tal vez a visitar a los clientes para que comprendan los requisitos del mercado, asistir a las reuniones de planificación del mercado para apreciar mejor los objetivos de la empresa y ayudar a garantizar que los datos (TI), el análisis de datos y el marketing estén todos alineados.

Comprenda los objetivos de la empresa. El análisis de datos se ve plagado de múltiples solicitudes, como un camarero que atiende a demasiados clientes. Un reconocimiento claro de los objetivos de una empresa permite a los analistas de datos priorizar los proyectos y asignar tiempo a los que son más importantes (los que tienen el valor marginal más alto para la empresa). Las solicitudes deben centralizarse y, a continuación, priorizarse en función de a) si los hallazgos tienen el potencial de cambiar la forma de hacer las cosas y b) las consecuencias económicas de dichos cambios. Varias empresas desarrollan formularios estandarizados para garantizar que las solicitudes se evalúen en pie de igualdad. Una de las ventajas de este proceso es que mitiga la posibilidad de que los clientes de investigación oportunistas acudan a los analistas pidiéndoles que realicen un estudio para respaldar una estrategia preconcebida por motivos políticos, en lugar de decidir entre las estrategias que mejor beneficien a la empresa.

Comunique ideas, no hechos. La teoría de la comunicación nos dice que el transmisor y el receptor de la información deben compartir un dominio común de conocimiento para que la información se transmita. Esto significa que los analistas tienen que entender lo que los directivos de la empresa pueden entender. Los tamaños de letra pequeños, las figuras y ecuaciones complejas, el uso de jerga y el énfasis en el proceso de modelado en lugar de en la información y las explicaciones son errores comunes a la hora de presentar los análisis. ¿Por qué se debe utilizar un modelo complicado para presentar la información cuando bastaría con una simple infografía? Las presentaciones deben organizarse en torno a las ideas, no a los enfoques analíticos. Esta es otra razón por la que es fundamental que los analistas se pongan en contacto externamente con los clientes e internamente con los gerentes a través de su trabajo. Además, en lugar de informar de una «estimación de parámetros», un analista debería comunicar cómo los resultados apuntan a acciones estratégicas tangibles. Esto requiere que los analistas estructuren sus análisis en un marco de decisiones que ayude a los directivos a evaluar los mejores y peores escenarios posibles.

Desarrolle un instinto para asignar la variación de los datos a las cuestiones empresariales. Eso significa dos cosas. En primer lugar, los analistas necesitan una comprensión exhaustiva de todos los factores relevantes (por ejemplo, los factores ambientales y de marketing) y los resultados (por ejemplo, las métricas del embudo de compras). Por ejemplo, para determinar el efecto de la publicidad en las ventas, hay que reconocer que los cambios simultáneos en el diseño del producto pueden afectar a las ventas, no sea que se atribuya erróneamente el efecto de los cambios en los productos a la publicidad que los anuncia. En segundo lugar, los analistas deben tener un medio para garantizar que los impulsores conduzcan a resultados en lugar de que los resultados conduzcan a los impulsores. Una vez más, esto requiere que el analista comprenda la naturaleza de los mercados que se analizan. En cuanto a esto último, ningún modelo complicado que pretenda controlar la información que falta podrá compensar por completo la falta de variación causal. Los gustos impulsan las ventas y las ventas impulsan los me gusta. Sin embargo, separar las dos cosas significa tener algún factor que pueda manipular de forma independiente uno y no el otro.


Identifique la mejor herramienta para el problema. Por el lado de la analítica, no hace falta decir que se necesitan años de formación y práctica. No se puede tocar un instrumento sin aprenderlo y lo mismo ocurre con los analistas. Lo más importante es saber qué herramienta, de las muchas disponibles, es la mejor para cada problema. A un nivel muy detallado, los métodos experimentales son especialmente expertos en evaluar la causalidad; el aprendizaje automático supervisado sobresale en la predicción, donde el aprendizaje automático no supervisado puede descomponer los estímulos no numéricos en etiquetas o atributos para analizarlos más a fondo. La economía y la psicología ofrecen una visión profunda de la naturaleza del comportamiento de los consumidores, y las estadísticas pueden ayudarnos a sobresalir en las inferencias. Un buen conocimiento del marketing fundamenta todas estas herramientas y disciplinas en el contexto empresarial necesarias para ofrecer consejos eficaces.


Supere los límites de las habilidades. Algunos analistas de marketing se destacan en matemáticas y programación, y otros se destacan en encuadrar los problemas, desarrollar explicaciones y conectar con las implicaciones empresariales. Un conjunto mucho más pequeño sobresale en ambos. Las empresas necesitan agrupar estas variadas habilidades en una sola persona mediante la formación y la acumulación de diferentes tipos de experiencias o, lo que es más probable, formar un equipo que sea lo suficientemente fácil con las técnicas como para que puedan interactuar de forma productiva, garantizando que haya algún mecanismo que adapte el enfoque (y al analista) al problema. Esta combinación requiere talento sénior, con una perspectiva amplia para alinear los recursos analíticos y los problemas empresariales.

A la luz del crecimiento exponencial de la información sobre clientes, competidores y mercados, las empresas se enfrentan a una oportunidad sin precedentes de deleitar a sus clientes ofreciendo los productos y servicios correctos a las personas adecuadas en el momento adecuado y en el formato, la ubicación, los dispositivos y los canales correctos. Sin embargo, aprovechar ese potencial requiere un enfoque proactivo y estratégico de la analítica de marketing. Las empresas tienen que invertir en la combinación adecuada de datos, sistemas y personas para conseguir estos beneficios.