Modelos de segmentación de clientes

Índice de contenidos

Os ponemos en situación: “Como empresa dedicada al ecommerce, empiezas a notar un incremento del 10% en el ratio de deserción de tus clientes y no tienes diseñado un buen método de fidelización”.

¡Manos a la obra! Es el momento de diseñar un buen sistema de segmentación de los clientes de tu CRM que te permita emprender acciones que repercutan favorablemente en su retención. Pero, ¿por dónde se debe empezar?, ¿A qué audiencias target se debe atacar con determinadas campañas?

clientes

Es por ello por lo que resaltamos en negrita la importancia de montar modelos estadísticos de segmentación de audiencias, y en Metriplica te ayudamos a ver la luz al final del túnel (y si tu negocio marcha viento en popa, también te podemos ayudar a que continues mejor).

Para llevar a cabo todo este proceso es imprescindible analizar con profundidad las siguientes dos dimensiones: el espacio y el tiempo.

  • Estudiar el espacio es directamente proporcional a estudiar la masa de clientes y sus movimientos.
  • Analizar el tiempo transcurrido entre cada conversión y la cantidad de estas que se producen en el marco temporal es esencial para estudiar modelos de supervivencia de cada cliente. Y si además haces seguimiento de toda su actividad online, ¡genial!
segmentación
Recursos extraídos de flaticon.com

Como primer punto de partida comenzaríamos con un análisis RFM (de las siglas en inglés: Recency, Frequency, Monetary) del CRM:

  • Recencia: días transcurridos (o meses, dependiendo del producto ofertado para cada negocio) desde que el cliente realizó la última transacción. El conocimiento de esta variable nos permitirá inferir el estado transaccional de cada usuario.
  • Frecuencia: número de transacciones realizadas en el período.
  • Monetary: ticket medio de cada cliente.

Los diferentes clusters de clientes, homogéneos entre sí, los formaremos en función del valor adoptado en cada una de estas tres variables.

segmentación
Recursos extraídos de flaticon.com

En segundo lugar, el protagonista de este escenario sería el remarketing.

  • ¿Qué producto es más probable que compre a posteriori una determinada audiencia del segmento X?
  • ¿Cross selling de productos a usuarios con comportamientos parecidos en el site?
  • ¿Podemos predecir el margen de tiempo que tenemos como respuesta para anticiparnos a la compra?
  • ¿Lograremos que el cliente responda positivamente al cross selling de productos?

Aquí entran en juego varias metodologías: Clustering, Basket Market Analysis y Modelos de Supervivencia.

✔    Segmentación RFM + Behaviour en las sesiones. Considerando este último punto, lograremos identificar usuarios todavía más afines.

✔    Afinaremos el cross-selling de productos con los resultados del Basket Market Analysis. Así, a todos los clientes de un determinado cluster que compraron el producto X, les ofreceríamos el producto Y que el resto de clientes de ese cluster acabaron comprando.

✔    Con los modelos de supervivencia seremos capaces de identificar cuan próximo está el cliente de volver a actuar, en términos de probabilidad. De esta manera, moveríamos ficha antes que el cliente identificando: en qué cluster se encuentra, qué han comprado el resto de individuos del cluster y hacer de estos productos el cross-selling mediante determinadas campañas.

Por último se encuentra la consecuente retención. Si todas las acciones empleadas en los pasos anteriores se han realizado correctamente, lograremos fidelizar a tus clientes.

¡Conoce las necesidades de tus clientes!

¡Haz que tus inversiones en remarketing dupliquen los beneficios que te aporta el cliente!

Share on facebook
Share on twitter
Share on linkedin
Share on email
2 min
Suscríbete a nuestra newsletter

Los mejores artículos de analítica digital para potenciar tu negocio.

2 comentarios en “Modelos de segmentación de clientes”

    1. Hola Gustavo.

      Existen diversas técnicas/algoritmos de clustering que se pueden adaptar a las necesidades de tu estudio. Si quieres segmentar en base a métricas únicamente, puedes empezar por un análisis jerárquico seguido por un kmeans. Si trabajas además con dimensiones para tu clustering, podrías pensar en utilizar la disimilaridad de Grower. Nosotros utilizamos R, y en estos libros que te adjunto hay información suficiente sobre cómo llevar a cabo estos análisis:

      – R for Marketing Research and Analytics. Elea McDonnell Feit, Chris Chapman
      – Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning. Alboukadel Kassambara

      Para segmentaciones en base a la recencia, la frecuencia y el ticket medio de cada cliente podrías hacer un RFM analysis. Puedes encontrar información a partir de la página 323 del libro Database Marketing: Analyzing and Managing Customers.

      Por último, para los análisis de supervivencia se podría pensar en los conocidos como Hazard models/Churn Analysis.

      Espero que sirva de ayuda.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Entradas relacionadas

Guía básica de ungit, herramienta de control de versiones en datalab

Ungit es la herramienta de control de versiones de código abierto que viene directamente integrada en DataLab, de Google Cloud Platform. En este post encontrarás una guía básica de cómo utilizar ungit y los conceptos clave sobre control de versiones. Si quieres saber más sobre Datalab te recomendamos que veas nuestro post: ¿Qué es google

Guía básica para crear una propiedad Google Analytics 4

Google Analytics 4 (GA4) es la nueva generación de Google Analytics, antes conocida como Google Analytics App+Web. El lanzamiento de GA4 comporta la llegada de nuevos informes y capacidades que dan más potencia a tu herramienta de analítica. Para empezar a familiarizarte con ella, te explicamos paso a paso cómo crear una propiedad GA4 y

Todo lo que necesitas saber sobre el lanzamiento de GTM server-side

Hasta ahora, las soluciones de tag managers como GTM se basaban en inyectar una librería y procesar toda la información en el navegador, ejecutando las solicitudes de seguimiento directamente desde el lado del cliente (navegador) a servidores de terceros. Con la llegada del nuevo contenedor de GTM server-side se agrega una capa adicional de administración

BigQuery Omni: nueva herramienta multi-cloud de GCP para el análisis de datos

Lanzamiento BigQuery Omni BigQuery Omni de Google Cloud es una nueva solución multi-cloud de análisis de datos, impulsada por Anthos, la plataforma de Google que integra aplicaciones híbridas y multi-cloud.  Omni permite a los usuarios ejecutar BigQuery para analizar datos de las nubes de Amazon AWS y Microsoft Azure.  El coste de mover datos entre

Ir arriba

Esta web utiliza ‘cookies’ de terceros. Al clicar aceptar está aceptando el uso que realizamos de las cookies. Para más información puede consultar nuestra Política de cookies