Modelos de segmentación de clientes

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!

Mario Martínez

Mario Martínez

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.

Dejar un comentario

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

Entradas relacionadas

Análisis de cohortes con Adobe Analytics

El análisis de cohortes consiste en realizar un análisis del comportamiento de un segmento determinado de usuarios que tienen una característica en común durante un periodo de tiempo.

3 minutos

Dificultad

BigQuery Parameters Integration con Data Studio

El conector de Data Studio con BigQuery nos permite desde conectar con una vista específica o una tabla almacenada hasta custom queries que se ejecutan en realtime. Esta última conexión cada vez está más demandada, pues muchos de los cálculos requieren de procesamiento on the fly. Los parámetros juegan un papel fundamental en este tipo de consultas.

2 minutos

Dificultad

¿Qué es y cómo funciona Gigya?

Gigya es un servicio que sirve para gestionar las identidades de los usuarios en tu sitio web. Este CIAM (Customer Identity and Access Managment) trabaja como un RaaS (Registration-as-a-Service) que nos permite guardar información valiosa como el userID.

2 minutos

Dificultad

Aproximación al CLV

El CLV o LTV es una métrica que representa el beneficio económico que obtiene una empresa de un usuario a lo largo del ciclo de relación entre ambos. En este artículo veremos diferentes versiones de esta métrica y cómo calcularlas.

4 minutos

Dificultad

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