Problema
Nuestro cliente, el departamento de marketing de una empresa de consumo masivo tiene una reducción sustancial de su presupuesto para el próximo periodo (-13% en comparación con año anterior), dadas las circunstancias de la economía y el mercado.
La reducción de presupuesto implicó una priorización primero de actividades, y luego una distribución de las actividades a grupos de clientes que se definían con base en las características tradicionales como tipo de canal, tamaño del cliente, entre otras.
Definimos en conjunto con el cliente dos posibles problemas: (1) la priorización de actividades no se estaba haciendo estrictamente con lo que se evidenció que genera más valor, (2) los grupos de clientes eran muy grandes y no estaban construidos para esas actividades en específico. La consecuencia de ambos puntos es que se podía gastar bastante dinero sin estar seguros de la efectividad.
Solución
La estrategia de solución basada en Marketing Analytics buscó resolver los dos problemas al mismo tiempo:
- Evaluar las iniciativas en términos de efectividad y rentabilidad, y así poder priorizar primero las actividades, antes de dirigirlas a los grupos de clientes más indicados.
- Crear grupos target de clientes a los cuales dirigir las iniciativas que respondan más al comportamiento de esos clientes, y no a las características estáticas básicas.
Construcción de valor
A través de técnicas de proyección de ventas business as usual con base en el comportamiento histórico de las ventas para las iniciativas que se aplicaron en todos los clientes, o correlación de espejo-activados para las iniciativas que fueron segmentadas, logramos detectar cuáles iniciativas generaron un efecto en el volumen, y cuáles no. En segunda instancia calculamos el valor de las actividades asignando todos los gastos variables a la actividad y contrastamos contra el ingreso generado por esas iniciativas.
Segmentación de clientes
Una vez definida la priorización de actividades en función del valor que pueden generar, se construyó una segmentación basada en variables tanto micro de los propios clientes (tamaño, ejecución de película de éxito, posición competitiva, tipo de canal, y presentaciones y categorías más relevantes), así como variables propias del entorno (densidad poblacional, nivel socioeconómico, patrón de actividad de la comunidad, variables climáticas, entre otras). Con esto creamos un modelo de clustering para agrupar a los clientes en función de cuáles son los competidores más relevantes. Obtuvimos una segmentación de clientes que se distinguían de manera relevante considerando todas esas variables al mismo tiempo. Estos grupos claramente indicaban por el tipo de combinación de variables qué tipo de actividades serían más efectivas y cuáles no. De esta forma ganamos eficiencia en la utilización de los recursos de marketing.
