«Prueba y aprende» es un viejo adagio del marketing. Prueba algo. Empieza con algo pequeño. Mida. Aprende. Crece. Repite. Es un proceso comprobado que puede dar excelentes resultados. Pero Test and Learn también puede serlo lento y ineficiente en un mundo en el que las empresas intentan adaptarse rápidamente. Ese tiempo de ciclo puede ser una oportunidad perdida. Siempre que sea posible, es mejor «Aprenda y confirme».

El enfoque de aprendizaje y confirmación aprovecha las fuentes de datos y la ciencia de datos alternativas para predecir el éxito en el mercado en ausencia de resultados históricos directos de las pruebas. Utilice el análisis exploratorio para hacer conjeturas fundamentadas que permitan vislumbrar el futuro. Luego, las ideas se confirman en pruebas de mercado en vivo para reforzar el aprendizaje. Este enfoque puede dar a una empresa un impulso en su proceso de mejora continua.

Los beneficios de un enfoque de aprendizaje y confirmación incluyen:

• Ventaja competitiva en cuanto a la velocidad de comercialización
• Reduzca el costo total de los programas al eliminar múltiples pruebas redundantes
• Mejora de la experiencia del cliente o cliente potencial, en puntos de contacto más relevantes

El abastecimiento de datos y la segmentación por aprendizaje automático son ejemplos en los que Learn and Confirm se pueden implementar correctamente:

‍‍

Abastecimiento de datos: selección de fuentes de datos externas adquiridas

‍

La calidad y el alcance de los datos deben seguir evolucionando para alimentar a las empresas. Al evaluar las nuevas fuentes de listas o los anexos de datos, evaluar las muestras de las listas y las estadísticas resumidas puede proporcionar información significativa sobre lo que tiene más probabilidades de generar valor. (Véase el caso práctico: Blend360)

‍

Evaluación de listas verticales

• Evaluación de la huella (¿Está ampliando o mejorando los archivos base existentes?)
• Penetración (¿Qué porcentaje es la cobertura de los clientes frente a los clientes potenciales?)
• Correlación (¿Cómo se correlaciona una muestra de lista vertical con los conocimientos existentes que tiene (rangos de modelos, etc.)? ¿Está obteniendo nuevos clientes potenciales o solo fuentes adicionales para los clientes potenciales existentes?)

·Evaluación de listas compiladas

• Integridad

- ¿Porcentaje de registros que coinciden con su archivo (con qué nivel de confianza)? ¿Amplía su archivo?

- De las variables de interés, ¿qué porcentaje tiene valores válidos?

• Calidad: Usa algunos elementos que tu empresa ya conozca para evaluar la calidad de las listas en general (es decir, si tu empresa tiene buenos datos sobre edad y género, compara la información existente con una muestra de evaluación).
• Diferenciación: ¿Cómo se recopila la lista? ¿Pueden los proveedores de la lista detallar las ventajas en cuanto a velocidad, precisión o cobertura que sean convincentes y que puedan confirmarse?
• Impacto de la función: Compare los modelos creados solo con datos existentes con aquellos que agregan los datos que se están evaluando. ¿Qué tipos de elevadores se esperan?

Segmentación por aprendizaje automático

Lo ideal es que los analistas de marketing tengan campañas históricas que se utilicen para crear modelos de segmentación. Un cambio profundo en el enfoque de modelización puede requerir una prueba de mercado cara a cara. Estas son buenas ideas, pero la duración del ciclo de ventas puede provocar grandes retrasos en el aprendizaje. Aquí hay un par de escenarios en los que el aprendizaje inicial puede darte una ventaja inicial:

1. ¿No tienes un historial de campaña que aprovechar para crear un modelo de respuesta?

En lugar de lanzar una pequeña campaña de sondeo o aprovechar la segmentación básica basada en la intuición, considera la posibilidad de utilizar un modelo de clonación (también conocido como modelo parecido) con los clientes existentes. Un modelo de clonación puede diferenciar entre las personas que se parecen al objetivo y las que no.

• Para las oportunidades de venta cruzada, esto se convierte en un modelo que compara a quienes ya tienen el producto con quienes no lo tienen. El modelo puede identificar las características clave asociadas a los clientes que tienen probabilidades de responder.
• Para la prospección, esto consiste en modelar a quienes ya son sus clientes comparándolos con una muestra de un archivo «universal». ¿Qué atributos hacen que las personas tengan probabilidades de convertirse en tus clientes?

Si bien el modelo de respuesta real o el modelado de elevación son el estándar de referencia, existen varias oportunidades de aprendizaje y pasos que pueden mejorar su progreso mientras se adquiere el historial y el volumen necesarios para crear un modelo de respuesta completo.

‍

2. Historial de campañas existente: mejore los modelos más rápidamente y con más confianza.

Cuando las empresas ya tienen un historial de campañas y están trabajando para mejorar su enfoque, aprovechar las campañas existentes para crear campañas anteriores fuera de plazo (OOT), y también para hacer retrospectivas y validarlas, ofrece una forma más segura de avanzar.

No todos los algoritmos de aprendizaje automático se crean de la misma manera. Cada enfoque tiene diferentes puntos fuertes y débiles. Algunos modelos parecen muy prometedores cuando se fabrican, pero no funcionan bien en el mercado. Una metodología sólida de prueba/entrenamiento ayudará a evitar algunos escollos, pero no todos. Algunos puntos difíciles comunes:

• Creación del archivo de modelado inicial sin sesgos
• Evitar el exceso y la falta de ajuste
• Determine un buen punto de corte para la profundidad de contacto

Si bien incluso los científicos de datos experimentados pueden quedar atrapados en algunas de estas trampas, un enfoque de aprendizaje y confirmación puede ayudar a evitar esperar a que todo el ciclo del mercado detecte estos problemas.

La retroimpresión y la validación fuera de plazo son herramientas clave para garantizar que los nuevos modelos que se están fabricando funcionen bien no solo en la muestra en la que se crearon, sino que cabe esperar razonablemente que funcionen bien en el mercado.

El enfoque de aprendizaje y confirmación se centra en el trabajo analítico inicial y aprovecha fuentes de datos alternativas para predecir el éxito en el mercado en ausencia de resultados históricos directos de las pruebas. El abastecimiento de datos y la segmentación por aprendizaje automático son dos de las muchas áreas que le permitirán hacerse una idea del éxito futuro de sus estrategias. ¿Dónde puede tú ¿seguir adelante con una estrategia de aprendizaje y confirmación en su negocio?

‍