Big Data, tres casos de éxito: T- Mobile, Unilever y MoneyBall

Como hemos comentado en anteriores ocasiones, el Big Data es ya hoy en día una gran oportunidad en el ámbito del marketing. Los profesionales del campo deben entender bien su funcionamiento y las ventajas que presenta a la hora de diseñar y ejecutar campañas de marketing.

En esta nueva entrega de nuestro especial os presentamos tres casos de éxito que muestran cómo aplicando estrategias y técnicas del Big Data podemos conseguir alcanzar nuestros objetivos (T-Mobile), importantes ventajas competitivas frente a nuestros rivales (Moneyball) o conocer con mayor precisión el comportamiento y las necesidades de nuestros consumidores (Unilever).

Cómo el Big Data ayudó a T-Mobile a reducir a la mitad el número de portabilidades

T-mobile consiguió reducir a la mitad el número de portabilidades (de 100.000 el primer trimestre de 2011 a 50.000 en el segundo trimestre) gracias a la aplicación de técnicas sobre Big Data. Las operadoras de telefonía móvil e Internet tienen un número impresionante de datos sobre sus clientes: la cantidad de llamadas que realizan, las horas en las que tienen lugar, sus números favoritos, el número de llamadas que se cortan por problemas de cobertura y un larguísimo etcéterca.

Con todos estos datos en la mano y analizando las interacciones de sus clientes en medios sociales, en T-Mobile se propusieron rebajar sustancialmente el número de portabilidades hacia otros competidores en Estados Unidos. Para ello la empresa utilizó tres herramientas básicas: sus propios sistemas de cobro (billing systems), herramientas de monitorización social, además de Splunk y Tableau Software para analizar la información y presentarla de una forma visual.

Combinando toda esta información en T-Mobile descubrieron que las expectativas de portabilidades pueden determinarse a través del análisis de tres factores:

  • Facturas
  • Llamadas que se cortan debido a mala cobertura
  • Conversaciones de los clientes: positivas, negativas o neutrales

Todos estos factores fueron asociados a la influencia o reputación en medios sociales de cada uno de sus clientes, partiendo de la hipótesis de que clientes con un gran número de seguidores o influencia podrán tener un efecto positivo o negativo (según las circunstancias) en otros potenciales clientes de la marca.

La combinación de todos los aspectos mencionados anteriormente llevó a T-Mobile a calcular para cada cliente un ‘Customer Lifetime Value‘, un valor monetario individual según las expectativas de negocio y permanencia. Esta información era transmitida en tiempo real a cada agente de la compañía para presentar a los clientes ofertas personalizadas en función de su valor personal.

De esta forma la empresa pasó de casi 100.000 portabilidades en el primer trimestre de 2011 pasaron a tan sólo 50.000 en el segundo trimestre, una reducción del 50% gracias a un buen aprovechamiento del Big Data y de todos los datos e información que la operadora tiene de sus clientes.

Unilever: del las conversaciones en redes sociales al comportamiento real del los consumidores

Durante el Mobile World Congress de Barcelona, el CMO de Unilever Keith Weed, afirmó que a la hora de integrar el Big Data en las tomas de decisiones de la empresa “la medición de datos y comportamientos es clave para afrontar el proceso”.

Hace unos meses Unilever se planteó el reto de conocer si las conversaciones de los potenciales consumidores en medios sociales difieren mucho de su comportamiento real de compra. Para ello se aprovecharon de software proporcionado por Compete (para medir el ROI), Cymfony (‘social media listening’) y de su propia herramienta de analítica, CybrTrack90, que realiza dos funciones principales: seguir las menciones de sus marcas (o a las categorías de productos en los casos en los que la marca no fuese mencionada expresamente) en medios sociales y también analizar el comportamiento de los usuarios en las búsquedas que éstos realizan en internet.

Lo que los directivos de marketing de Unilever descubrieron es que existen tres actividades diferentes en el proceso de compra: conversaciones, soluciones y compras. Las conversaciones sobre las diversas marcas de comida de Unilever tenían lugar fuera de los comercios y espacios de compra, por lo que la empresa debería encontrar una forma de acercarse a ellos en esos momentos.

Otra conclusión a la que llegaron en la compañía fue que las decisiones de compra de los consumidores están influenciadas por una serie de factores que van más allá del precio o la comunicación, como por ejemplo factores relacionados con la salud, el bienestar o la preparación de las comidas. Por ello desde la empresa se plantearon atacar también estos momentos, con el objetivo de facilitar el consumo a los potenciales compradores y que éstos tuviesen una experiencia más simple y satisfactoria con los alimentos de la marca.

En definitiva, con la combinación de tres herramientas como CybrTrack90, Compete y Cymfony, Unilever fue capaz de comprobar que lo que los consumidores dicen en entornos online difiere, en ocasiones, de la vida real. Y que acercarse a sus consumidores más fieles para simplificar la compra y el consumo pueden ser claves en el futuro de la marca y en el bienestar de sus clientes.

Unilever combinó los resultados provenientes del sistema de ‘social media listening‘ y los datos de clicks en sus diferentes páginas web asociadas para entender el comportamiento de sus potenciales consumidores y adaptar su oferta y comunicación a dichos hábitos en tiempo real, definiendo estrategias diferentes en sus canales según el día y momento de la semana para que los consumidores encontrasen aquello que se ajusta a sus necesidades.

Moneyball: el Big Data aplicado al baseball

Las decisiones en el mundo de los deportes siempre han estado basadas en dos tipos de factores: personales/subjetivos y monetarios. Sin embargo Billy Beane, general manager de los Oakland Athletics de la Major League Baseball estadounidense, decidió poner fin a estas limitaciones.

Billy Beane utilizó una serie de métodos estadísticos propios de los mercados financieros para determinar la valía de sus jugadores y de otros potenciales. El general manager llegó a la conclusión de que en el mundo del baseball se prestaba demasiada atención a una serie de estadísticas y se dejaba de lado otras muchas que tenían un gran valor intrínseco a la hora de seleccionar jugadores, como por ejemplo los porcentajes ‘on-base‘ o ‘slugging‘.

Esta aplicación poco convencional del Big Data en el mundo de los deportes llevó a Billy Beane a sentar cátedra entre sus compatriotas, a crear una nueva escuela de pensamiento en el mundo del deporte y convirtió a Moneyball en un éxito de masas con su adaptación en el cine. Pero los éxitos no se quedaron aquí, ya que el extrovertido directivo de los Oakland A’s llevó a su equipo a competir con otros como los New York Yankees con un presupuesto mucho más ajustado: $45 millones de dólares frente a $125 millones. Una utilización efectiva del Big Data que muestra que con recursos limitados también pueden obtenerse grandes resultados.

Como hemos podido ver con estos tres ejemplos, el Big Data es aplicable en muchos ámbitos relacionados con el marketing, desde el sector de las telecomunicaciones al de la comida, pasando por el deporte profesional. Un análisis exhaustivo de los datos y una adaptación ágil y rápida de la estrategia de comunicación y marketing de las empresas puede ofrecer unos excelentes resultados. ¿Conocéis otros claros casos de éxito en la aplicación del Big Data?

En BlogginZenith | Especial Big Data

Imagen | Devianart

 

En campaña con Zenith
   

Deja un comentario

Tu correo electrónico no se verá en el comentario publicado.

Política de comentarios

Escribe tu comentario para que la comunidad pueda aprovecharlo. Los comentarios que no sean adecuados o se salgan de la temática del blog serán descartados, así como los promocionales, susceptibles de afectar a derechos de terceros, con insultos o de vulnerar las leyes.

Cuando se detecta una infracción de estas normas se podrá editar el comentario o simplemente eliminarlo, pero si la infracción es continuada, se podrá llegar a un bloqueo de la cuenta.

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>