Tras una etapa dominada por el branding y la RSC, el objetivo actual de los retailers está centrado en maximizar el ROI de las acciones de marketing para dar salida al stock acumulado durante los meses de parón, así como para comunicar los nuevos lanzamientos a un consumidor que ha adoptado hábitos de compra nuevos. En el ámbito online, ahora de importancia estratégica, las aplicaciones de data science en e-commerces del sector retail cuentan ya con una dilatada trayectoria tratando de mejorar la eficiencia de las tiendas online, automatizar procesos y pulir la experiencia de usuario para que esta se traduzca en el máximo número de ventas.
Aplicaciones de data science en retail
A pesar de que encuestas como la Big Data and AI Executive Survey 2019 realizada por NewVantage Partners informaban de que tan solo un 30% de empresas en Estados Unidos se consideraba data-driven, la crisis desatada por la pandemia de SARS-CoV-2 ha acelerado la transformación digital. Y es que los retailers que operan en entornos online y ya aplican técnicas de data science cuentan con una ventaja competitiva en tiempos disruptivos. A continuación, repasamos tres de las aplicaciones más destacadas:
1. Gestión de precios con un enfoque basado en datos
Gestionar la política de precios con el respaldo de insights reales en lugar de intuiciones es una herramienta de gran valor para impulsar las ventas en momentos valle y aprovechar los incrementos de demanda durante los picos de actividad. Esto es posible siempre que el retailer sea capaz de unificar sus datos bajo unas características comunes y sin que se excluya ningún canal de venta.
Con esta clasificación inicial, donde los datos se almacenan en data lakes, se procesan y usan para alimentar modelos de machine learning, se podría:
- Personalizar la política de descuentos o precios en función del usuario: el análisis de datos se encarga de detectar patrones comunes e identificar clusters de clientes basados en su comportamiento online previo y en el histórico de intereses y compras. De esta forma, es posible diseñar una estrategia de promociones muy ajustadas a los tipos de usuarios encontrados y, por tanto, con mayor probabilidad de conversión.
- Definir precios por segmentos: en este caso, el catálogo de productos y servicios y el precio se fija teniendo en cuenta segmentos de audiencia más amplios. Por ejemplo, una opción sería tener precios estandarizados para el grueso de los usuarios, pero también integrar otra estrategia con descuentos más agresivos dirigida a aquellos clientes cuyo motor de compra es el puro precio o, por otro lado, incluir ofertas premium con servicios o características especiales para los que buscan un extra de seguridad.
2. Recomendaciones personalizadas de ‘upselling’ y venta cruzada en e-commerce
Uno de los grandes referentes en estas técnicas de data science es Amazon y su avanzado algoritmo para mostrar recomendaciones a los usuarios del marketplace. En este sentido, los modelos de machine learning más asentados están diseñados para:
- Ofrecer una versión mejorada del producto elegido (upselling).
- Recomendar otros productos relacionados con el artículo comprado como, por ejemplo, un balón de fitness con su bomba de aire.
- Sugerir artículos que usuarios similares han adquirido a la vez. Esto es algo muy común en los e-commerce de moda, donde se trata de potenciar la venta de outfits completos.
La ventaja de usar machine learning para gestionar estas recomendaciones es que se gana en eficacia al no necesitar poner en marcha cientos de tests A/B para tomar decisiones: es el propio algoritmo el que determina qué productos enseñar a cada usuario de forma personalizada. Esto se logra sometiendo al modelo a un entrenamiento previo, es decir, es necesario clasificar de antemano los datos y fijar rasgos que relacionen los artículos entre sí. Tras la puesta en marcha, estos algoritmos van afinando la selección de recomendaciones y la optimizan de forma constante. Llegan a ser muy precisos, puesto que se nutren de un histórico de datos cada vez más amplio que les permite analizar a fondo las reacciones de los usuarios ante las sugerencias.
3. Modelos de atribución avanzados con machine learning
La complejidad de los itinerarios de compra de los usuarios en retail ha crecido debido a la implementación de una estrategia omnicanal en la que las fronteras entre las acciones online y offline se diluyen; al incremento del número de plataformas de venta; y a la aparición de nuevos entornos publicitarios como TikTok. En marketing, el análisis del buyer’s journey siempre ha sido objeto de estudio, pero hasta ahora no se había conseguido trazar con un nivel de precisión tan alto. Y los responsables de ello son los modelos de atribución avanzados con machine learning.
Los modelos de atribución que funcionan con machine learning radiografían el comportamiento que tiene el usuario online en todo momento. Para ello, integran los datos recabados de plataformas externas (por ejemplo, los procedentes de las campañas publicitarias en distintos canales) y la información proveniente del propio site. A partir de este escenario tan ajustado a la realidad, es posible controlar la rentabilidad de cada canal, redistribuir presupuestos o evaluar la eficacia de la red de afiliados. Otro punto a favor de este tipo de modelos de atribución es su capacidad para detectar clics fraudulentos.
Data science: una fuente de certezas para los retailers
Tomar las decisiones correctas se ha vuelto crucial para la supervivencia de muchos retailers, que están tratando de abrirse paso en un entorno de consumo profundamente marcado por la incertidumbre. Por esta razón, aquellos retailers que apliquen estas técnicas de data science en sus e-commerces irán un paso por delante de sus competidores al poder enriquecer la experiencia online de sus usuarios y contar con toda la información para reaccionar con flexibilidad y rapidez ante los cambios.
