La personalización se ha convertido en un aspecto esencial del marketing moderno, ya que los consumidores esperan cada vez más experiencias personalizadas que respondan directamente a sus necesidades y preferencias individuales. Desde las campañas de correo electrónico personalizadas hasta los anuncios segmentados en las redes sociales, las empresas se esfuerzan por aprovechar los datos y la tecnología para crear experiencias de cliente muy relevantes que impulsen la participación y los ingresos.
Hemos visto cómo la personalización se ha implementado con éxito en muchos mercados verticales en los ámbitos B2C y B2B: comercio minorista, atención médica, seguros, telecomunicaciones, fabricación, organizaciones sin fines de lucro y viajes y ocio, por nombrar algunos casos recientes. En este artículo, describiré un modelo de personalización basado en la madurez, desde cero hasta los sistemas de personalización más innovadores. Estos algoritmos se complementan entre sí y proporcionan una hoja de ruta práctica para crear una experiencia personalizada para cada cliente.
Para empezar, una definición de personalización.
Personalización - la acción de diseñar o producir algo para cumplir con los requisitos individuales de alguien
Los requisitos individuales son una función de las necesidades y deseos, preferencias, intenciones y contextos de los clientes a diferentes escalas.
La combinación de todo esto, en un momento determinado, define una experiencia personalizada.
Aquí se presenta un modelo conciso de madurez de personalización centrado en algoritmos. Ayuda a las organizaciones a evaluar las capacidades de sus algoritmos de personalización y a crear una hoja de ruta de mejora. El modelo destaca los diferentes niveles de madurez, que van desde la segmentación básica hasta la personalización de las conversaciones, y ofrece orientación para avanzar en cada etapa.
No cabe duda de que la madurez de la personalización tiene otros aspectos, en particular la mejora de las capacidades de recopilación de datos, la integración de la personalización en todos los puntos de contacto y la facilitación de una cultura que priorice la orientación al cliente en toda la organización.
Segmentación por RFM y similares basada en los comportamientos de compra. Por lo general, las empresas utilizan un número manejable de segmentos para la generación de informes y la visualización; es habitual utilizar el llamado «bloqueo de 9», en el que todos los clientes pertenecen a uno de los 9 segmentos según su frecuencia y frecuencia. Este tipo de segmentación es útil para recompensar a los clientes de alto valor o aumentar los clientes de bajo valor, pero no multiplica la fuerza en las experiencias personalizadas de los clientes.
Enfoque de ciclo de vida para rastrear cohortes de clientes definidas por fecha de compra inicial o registro. La visualización más común son las curvas de crecimiento, en las que puedes evaluar el estado de tu nuevo cliente en comparación con el de los primeros usuarios, etc. Con frecuencia, las cohortes se diferencian según el canal de adquisición o la promoción, y el objetivo es evaluar las estrategias de adquisición y hacer un seguimiento de los costos de adquisición. Este enfoque es útil en el sentido del seguimiento por cohortes utilizando la fecha de adquisición y se puede utilizar para conseguir nuevos clientes; no ofrece una visión global cuando se trata de la personalización.
Estrategia para comprender quiénes son sus clientes mapeando los segmentos clave de clientes en datos demográficos, generalmente a partir de un 3rojo vendedor de fiestas. Estos enfoques personales son útiles a un alto nivel en el caso de que las empresas tengan una base de clientes diversa que desambiguan la ambigüedad en función de la demografía. El éxito obtenido al utilizar datos demográficos de terceros es desigual; hay sectores y situaciones en los que son útiles y otros en los que no aportan ningún valor. El mapeo de personas es útil para crear textos y creatividades relacionados con tus clientes y para identificar a los nuevos clientes a los que perseguir.
La microsegmentación consiste en segmentar con precisión. La microsegmentación puede incluir entre 100 y 1000 segmentos, según el uso. La segmentación RFM detallada es un buen ejemplo. Un enfoque de RFM anidado con 5 niveles de cada RFM tendrá 125 segmentos. La microsegmentación se puede utilizar como modelos simples en los que cada segmento recibe una experiencia única.
Segmentación basada en múltiples criterios. Puede incluir el valor, la participación, la plataforma, el uso del canal, la preferencia de categoría, etc. Puede incluir decenas de atributos de segmentación (dimensiones). La segmentación multidimensional se utiliza para poder analizar los diferentes tipos de clientes y comprender sus comportamientos. También se usa para segmentar y microinformar. Este es un buen comienzo para la personalización, pero a menudo requiere desarrollar y probar manualmente las experiencias para cada microsegmento.
El enfoque del ciclo de vida está diseñado para comprender las necesidades de los clientes en las diferentes etapas de su ciclo de vida. Este enfoque suele seguir un patrón de crecimiento lógico, como la primera compra, la segunda compra, la compra entre categorías, la compra de accesorios, los regalos, etc. El enfoque consiste en identificar los eventos clave del ciclo de vida y supervisar e incentivar el crecimiento de sus clientes a lo largo de estos eventos.
Predicción prospectiva de si cada cliente tomará ciertas medidas. Los equipos de experiencia del cliente pueden utilizar cientos de modelos de propensión, como la predicción de la pérdida de clientes y la propensión a las compras extrasensales. Los modelos pueden incluir muchas funciones propias de los clientes, como el comportamiento de compra y navegación, los datos demográficos, la ubicación, el uso de la plataforma, etc. Los modelos se suelen utilizar para refinar la segmentación de acciones específicas. El grado de cardinalidad depende del número de características que tenga el modelo.
Predecir el valor futuro para los clientes. Estos modelos rara vez se refieren a la vida útil real en el sentido tradicional. La mayoría de los usos prácticos se esperan de 1 a 5 años, según la industria y el caso de uso. Los modelos pueden adoptar muchas formas funcionales, los modelos personalizados suelen basarse en la regresión e incluyen decenas o cientos de funciones para los clientes. En la práctica, una vez que se prevé el LTV para cada cliente, los clientes se segmentan en grupos según los rangos de valores del LTV; luego, la experiencia del cliente se define y se prueba dentro de los segmentos.
Predecir la intención o el propósito del cliente a corto plazo. El modelado de intenciones se utiliza con frecuencia en sectores de servicios en los que los clientes pueden tener varios motivos para interesarse por el producto. Los modelos de intención se centran en las características del comportamiento a corto plazo, como las consultas de búsqueda, la página de destino y el comportamiento de navegación inmediata, etc. La personalización se produce al proporcionar una experiencia única para cada intención.
Estos modelos se utilizan para modelar las transiciones entre segmentos o etapas de la vida. Estos modelos obtienen probabilidades de transición que estiman la probabilidad de que los clientes pasen de su estado actual a un estado nuevo (deseable). Las versiones personalizadas de estos modelos pueden incluir decenas o cientos de funciones personalizadas. Los modelos interpretativos pueden guiar la personalización.
Los modelos de LTV incrementales predicen el cambio en el LTV cuando los clientes toman una medida. Las técnicas de modelado causal econométrico se utilizan con frecuencia para estimar los valores incrementales debido al costo de la experimentación. Estos modelos pueden adaptarse a las necesidades del cliente, de modo que cada cliente, por cada acción, tenga un valor estimado.
Los modelos de elevación son las versiones incrementales de los modelos de propensión. Los modelos de propensión son modelos marginales que predicen la propensión de un cliente a realizar una acción. Los modelos incrementales son modelos condicionales que predicen la propensión de un cliente a tomar una acción si se expone a un incentivo. Los modelos de propensión incremental se utilizan con frecuencia en los estudios de precios para conocer la demanda en función del precio.
Las acciones de alto valor son metodologías para identificar y evaluar el valor de las acciones de los clientes. Esto se puede considerar como algo ortogonal al LTV incremental que hace estimaciones para las acciones en lugar de para los clientes.
Los sistemas de la NBA identifican la siguiente mejor acción para cada cliente. Estos combinan el valor incremental y las tendencias incrementales para clasificar la siguiente acción. En este contexto, las acciones pueden variar considerablemente, por ejemplo, en cuanto a un artículo, un precio, una creatividad, un canal, etc. Estos algoritmos siguen el paradigma de filtro > puntuación > clasificación.
Los recorridos de los clientes son acciones secuenciadas que conducen al resultado deseado. Los recorridos de los clientes pueden ser muy específicos, como un recorrido de compras cruzadas, o a largo plazo, como un recorrido de cliente nuevo para convertirse en un héroe.
Los motores de recomendación recomiendan el siguiente producto a gran escala. Los motores de recomendación vienen en muchas formas. Los motores más sofisticados incluyen todas las compras de los clientes y/o su clasificación y otros datos para hacer recomendaciones.
El aprendizaje en tiempo real se produce cuando se incluyen señales a largo y corto plazo en la toma de decisiones, y los modelos reaccionan al contexto, la intención y las señales históricas. En este enfoque, un motor de recomendaciones puede reaccionar según el lugar en el que se encuentre el cliente en ese momento, el clima o lo que lleve puesto el cliente.
Con el lanzamiento de Generative Large Language Models (GPT-X) y Generative Image Modeling (DALL*E), se pueden generar textos y creatividades personalizados a partir de las indicaciones del comportamiento de los clientes. Las preferencias, el contexto, la intención y otras señales se incluirán en la conversación con el cliente. Los modelos generativos, que incluyen el recuerdo, pueden reaccionar a las señales a corto y largo plazo y a comportamientos desestructurados, como las selfies o el lenguaje natural (como las llamadas de CS o las reseñas de productos).
Los modelos de lenguaje conversacional de gran tamaño incluirán memoria a corto plazo que permitirá mantener conversaciones bidireccionales con los clientes. Estas conversaciones omnicanal incluirán elementos como hacer preguntas, añadir detalles y ejemplos y proponer ideas de manera conversacional oportuna.
En Blend360, nos comprometemos a ayudar a tu empresa a crear una experiencia personalizada para cada cliente. Póngase en contacto con nosotros hoy mismo para saber cómo nuestra experiencia en algoritmos de personalización y estrategias basadas en datos puede mejorar sus esfuerzos de marketing e impulsar una participación significativa de los clientes. No pierda la oportunidad de crear experiencias de cliente muy relevantes y aprovechar todo el potencial de la personalización.
La personalización se ha convertido en un aspecto esencial del marketing moderno, ya que los consumidores esperan cada vez más experiencias personalizadas que respondan directamente a sus necesidades y preferencias individuales. Desde las campañas de correo electrónico personalizadas hasta los anuncios segmentados en las redes sociales, las empresas se esfuerzan por aprovechar los datos y la tecnología para crear experiencias de cliente muy relevantes que impulsen la participación y los ingresos.
Hemos visto cómo la personalización se ha implementado con éxito en muchos mercados verticales en los ámbitos B2C y B2B: comercio minorista, atención médica, seguros, telecomunicaciones, fabricación, organizaciones sin fines de lucro y viajes y ocio, por nombrar algunos casos recientes. En este artículo, describiré un modelo de personalización basado en la madurez, desde cero hasta los sistemas de personalización más innovadores. Estos algoritmos se complementan entre sí y proporcionan una hoja de ruta práctica para crear una experiencia personalizada para cada cliente.
Para empezar, una definición de personalización.
Personalización - la acción de diseñar o producir algo para cumplir con los requisitos individuales de alguien
Los requisitos individuales son una función de las necesidades y deseos, preferencias, intenciones y contextos de los clientes a diferentes escalas.
La combinación de todo esto, en un momento determinado, define una experiencia personalizada.
Aquí se presenta un modelo conciso de madurez de personalización centrado en algoritmos. Ayuda a las organizaciones a evaluar las capacidades de sus algoritmos de personalización y a crear una hoja de ruta de mejora. El modelo destaca los diferentes niveles de madurez, que van desde la segmentación básica hasta la personalización de las conversaciones, y ofrece orientación para avanzar en cada etapa.
No cabe duda de que la madurez de la personalización tiene otros aspectos, en particular la mejora de las capacidades de recopilación de datos, la integración de la personalización en todos los puntos de contacto y la facilitación de una cultura que priorice la orientación al cliente en toda la organización.
Segmentación por RFM y similares basada en los comportamientos de compra. Por lo general, las empresas utilizan un número manejable de segmentos para la generación de informes y la visualización; es habitual utilizar el llamado «bloqueo de 9», en el que todos los clientes pertenecen a uno de los 9 segmentos según su frecuencia y frecuencia. Este tipo de segmentación es útil para recompensar a los clientes de alto valor o aumentar los clientes de bajo valor, pero no multiplica la fuerza en las experiencias personalizadas de los clientes.
Enfoque de ciclo de vida para rastrear cohortes de clientes definidas por fecha de compra inicial o registro. La visualización más común son las curvas de crecimiento, en las que puedes evaluar el estado de tu nuevo cliente en comparación con el de los primeros usuarios, etc. Con frecuencia, las cohortes se diferencian según el canal de adquisición o la promoción, y el objetivo es evaluar las estrategias de adquisición y hacer un seguimiento de los costos de adquisición. Este enfoque es útil en el sentido del seguimiento por cohortes utilizando la fecha de adquisición y se puede utilizar para conseguir nuevos clientes; no ofrece una visión global cuando se trata de la personalización.
Estrategia para comprender quiénes son sus clientes mapeando los segmentos clave de clientes en datos demográficos, generalmente a partir de un 3rojo vendedor de fiestas. Estos enfoques personales son útiles a un alto nivel en el caso de que las empresas tengan una base de clientes diversa que desambiguan la ambigüedad en función de la demografía. El éxito obtenido al utilizar datos demográficos de terceros es desigual; hay sectores y situaciones en los que son útiles y otros en los que no aportan ningún valor. El mapeo de personas es útil para crear textos y creatividades relacionados con tus clientes y para identificar a los nuevos clientes a los que perseguir.
La microsegmentación consiste en segmentar con precisión. La microsegmentación puede incluir entre 100 y 1000 segmentos, según el uso. La segmentación RFM detallada es un buen ejemplo. Un enfoque de RFM anidado con 5 niveles de cada RFM tendrá 125 segmentos. La microsegmentación se puede utilizar como modelos simples en los que cada segmento recibe una experiencia única.
Segmentación basada en múltiples criterios. Puede incluir el valor, la participación, la plataforma, el uso del canal, la preferencia de categoría, etc. Puede incluir decenas de atributos de segmentación (dimensiones). La segmentación multidimensional se utiliza para poder analizar los diferentes tipos de clientes y comprender sus comportamientos. También se usa para segmentar y microinformar. Este es un buen comienzo para la personalización, pero a menudo requiere desarrollar y probar manualmente las experiencias para cada microsegmento.
El enfoque del ciclo de vida está diseñado para comprender las necesidades de los clientes en las diferentes etapas de su ciclo de vida. Este enfoque suele seguir un patrón de crecimiento lógico, como la primera compra, la segunda compra, la compra entre categorías, la compra de accesorios, los regalos, etc. El enfoque consiste en identificar los eventos clave del ciclo de vida y supervisar e incentivar el crecimiento de sus clientes a lo largo de estos eventos.
Predicción prospectiva de si cada cliente tomará ciertas medidas. Los equipos de experiencia del cliente pueden utilizar cientos de modelos de propensión, como la predicción de la pérdida de clientes y la propensión a las compras extrasensales. Los modelos pueden incluir muchas funciones propias de los clientes, como el comportamiento de compra y navegación, los datos demográficos, la ubicación, el uso de la plataforma, etc. Los modelos se suelen utilizar para refinar la segmentación de acciones específicas. El grado de cardinalidad depende del número de características que tenga el modelo.
Predecir el valor futuro para los clientes. Estos modelos rara vez se refieren a la vida útil real en el sentido tradicional. La mayoría de los usos prácticos se esperan de 1 a 5 años, según la industria y el caso de uso. Los modelos pueden adoptar muchas formas funcionales, los modelos personalizados suelen basarse en la regresión e incluyen decenas o cientos de funciones para los clientes. En la práctica, una vez que se prevé el LTV para cada cliente, los clientes se segmentan en grupos según los rangos de valores del LTV; luego, la experiencia del cliente se define y se prueba dentro de los segmentos.
Predecir la intención o el propósito del cliente a corto plazo. El modelado de intenciones se utiliza con frecuencia en sectores de servicios en los que los clientes pueden tener varios motivos para interesarse por el producto. Los modelos de intención se centran en las características del comportamiento a corto plazo, como las consultas de búsqueda, la página de destino y el comportamiento de navegación inmediata, etc. La personalización se produce al proporcionar una experiencia única para cada intención.
Estos modelos se utilizan para modelar las transiciones entre segmentos o etapas de la vida. Estos modelos obtienen probabilidades de transición que estiman la probabilidad de que los clientes pasen de su estado actual a un estado nuevo (deseable). Las versiones personalizadas de estos modelos pueden incluir decenas o cientos de funciones personalizadas. Los modelos interpretativos pueden guiar la personalización.
Los modelos de LTV incrementales predicen el cambio en el LTV cuando los clientes toman una medida. Las técnicas de modelado causal econométrico se utilizan con frecuencia para estimar los valores incrementales debido al costo de la experimentación. Estos modelos pueden adaptarse a las necesidades del cliente, de modo que cada cliente, por cada acción, tenga un valor estimado.
Los modelos de elevación son las versiones incrementales de los modelos de propensión. Los modelos de propensión son modelos marginales que predicen la propensión de un cliente a realizar una acción. Los modelos incrementales son modelos condicionales que predicen la propensión de un cliente a tomar una acción si se expone a un incentivo. Los modelos de propensión incremental se utilizan con frecuencia en los estudios de precios para conocer la demanda en función del precio.
Las acciones de alto valor son metodologías para identificar y evaluar el valor de las acciones de los clientes. Esto se puede considerar como algo ortogonal al LTV incremental que hace estimaciones para las acciones en lugar de para los clientes.
Los sistemas de la NBA identifican la siguiente mejor acción para cada cliente. Estos combinan el valor incremental y las tendencias incrementales para clasificar la siguiente acción. En este contexto, las acciones pueden variar considerablemente, por ejemplo, en cuanto a un artículo, un precio, una creatividad, un canal, etc. Estos algoritmos siguen el paradigma de filtro > puntuación > clasificación.
Los recorridos de los clientes son acciones secuenciadas que conducen al resultado deseado. Los recorridos de los clientes pueden ser muy específicos, como un recorrido de compras cruzadas, o a largo plazo, como un recorrido de cliente nuevo para convertirse en un héroe.
Los motores de recomendación recomiendan el siguiente producto a gran escala. Los motores de recomendación vienen en muchas formas. Los motores más sofisticados incluyen todas las compras de los clientes y/o su clasificación y otros datos para hacer recomendaciones.
El aprendizaje en tiempo real se produce cuando se incluyen señales a largo y corto plazo en la toma de decisiones, y los modelos reaccionan al contexto, la intención y las señales históricas. En este enfoque, un motor de recomendaciones puede reaccionar según el lugar en el que se encuentre el cliente en ese momento, el clima o lo que lleve puesto el cliente.
Con el lanzamiento de Generative Large Language Models (GPT-X) y Generative Image Modeling (DALL*E), se pueden generar textos y creatividades personalizados a partir de las indicaciones del comportamiento de los clientes. Las preferencias, el contexto, la intención y otras señales se incluirán en la conversación con el cliente. Los modelos generativos, que incluyen el recuerdo, pueden reaccionar a las señales a corto y largo plazo y a comportamientos desestructurados, como las selfies o el lenguaje natural (como las llamadas de CS o las reseñas de productos).
Los modelos de lenguaje conversacional de gran tamaño incluirán memoria a corto plazo que permitirá mantener conversaciones bidireccionales con los clientes. Estas conversaciones omnicanal incluirán elementos como hacer preguntas, añadir detalles y ejemplos y proponer ideas de manera conversacional oportuna.
En Blend360, nos comprometemos a ayudar a tu empresa a crear una experiencia personalizada para cada cliente. Póngase en contacto con nosotros hoy mismo para saber cómo nuestra experiencia en algoritmos de personalización y estrategias basadas en datos puede mejorar sus esfuerzos de marketing e impulsar una participación significativa de los clientes. No pierda la oportunidad de crear experiencias de cliente muy relevantes y aprovechar todo el potencial de la personalización.
Lorem ipsum dolor sit amet consectetur. Sit sit vel eu sed proin. Arcu bibendum in mauris urna erat magna volutpat eget. Lectus commodo consectetur egestas quis ut lobortis nunc.
.png)
Lorem ipsum dolor sit amet consectetur. Sit sit vel eu sed proin. Arcu bibendum in mauris urna erat magna volutpat eget. Lectus commodo consectetur egestas quis ut lobortis nunc.
.jpeg)
