A pesar de la incertidumbre y las medidas sanitarias que afectan al aforo de las tiendas, el presente vuelve a ser omnicanal. Según datos recientes de Signifyd, las ventas de e-commerce en Europa cayeron un 54% en la segunda semana de junio coincidiendo con la apertura generalizada del retail físico no esencial, forzosamente cerrado a raíz de la crisis del coronavirus. Eso sí, las compras online aún eran un 35% más altas que las registradas a principios de marzo, en pleno periodo precovid.

Determinar en qué grado y qué recorridos sigue el cliente hasta comprar es el objetivo de la analítica omnicanal u omnichannel analytics, área de importancia estratégica para hacer frente a una realidad volátil y cambiante tanto en el ámbito online como en el offline.

Fuentes de datos en el entorno de la analítica omnicanal

Aplicar técnicas de data science al análisis masivo de datos tiene por objetivo pasar de comprender qué está ocurriendo a diagnosticar por qué ocurrió e inferir qué tendencias se van a convertir en realidad. Esta evolución cuenta con un trasfondo muy complejo, donde ingenieros de datos, desarrolladores, matemáticos y estadísticos (data scientists) unen sus conocimientos para modular y monitorizar el comportamiento de unos usuarios cuyos hábitos de compra nunca han sido tan numerosos y variados como en la actualidad. 

Ya el primer paso, centrado en la analítica descriptiva, resulta complicado de abordar para numerosas empresas. El viaje omnicanal de los usuarios salta entre dispositivos, canales y etapas, diseminando touchpoints entre la web, las tiendas físicas y el móvil. Además, el entorno digital no deja de crecer, algo que dificulta la medición y atribución de conversiones y limita la eficacia de las campañas publicitarias.

Por tanto, a la cada vez más demandada personalización de los canales predeterminados en Google Analytics, se suma la inclusión de otras fuentes de datos ajenas a este ecosistema, pero esenciales para tener una radiografía precisa de toda la estrategia de captación de ventas omnicanal. Estas suelen estar en manos de los distintos sistemas con los que cuenta la empresa como son, por ejemplo, los CRM, los terminales de punto de venta físicos (POS, point of sales systems), otros sistemas que recogen datos en las tiendas (in-store data) e incluso los programas que gestionan y controlan el flujo de mercancías y stock en la cadena de suministro de la empresa (supply chain systems).

Omnichannel analytics: cómo articular el proceso de integración de datos

Conviene contar con una hoja de ruta para aplicar el enfoque omnicanal a los esfuerzos de analítica:

1. Definición de objetivos y selección de fuentes

¿Qué aspecto de la omnichannel analytics es prioritario para la empresa? ¿Qué objetivo se busca conseguir tras aplicar este nuevo enfoque? ¿Quizá optimizar la distribución del presupuesto entre las acciones de paid? ¿O determinar en qué localizaciones potenciar las campañas click-to-brick? Conocerlo será de gran ayuda para identificar qué fuentes de datos utilizar, priorizarlas y, además, definir qué tratamiento posterior habrá que realizar. 

2. Recogida y consolidación de datos

A pesar de la complejidad que subyace al cruce de datos procedentes de diversos sistemas sin apenas relación entre sí, la gran dificultad a la que se enfrentan las empresas es la propia recogida y clasificación de los datos. Los data lakes desempeñan aquí un papel fundamental. En este sentido, la agrupación de información en distintos data sets y la definición de un esquema de etiquetado con metadatos permiten estructurar y simplificar la explotación de información de manera uniformizada.

3. Clasificación y tratamiento de los datos 

Integrar fuentes de datos offline en el modelo de atribución permite diseñar tácticas de marketing más precisas

Para clasificar los datos obtenidos de las distintas fuentes es necesario identificar aquellas acciones que indican un cambio de etapa en el funnel de conversión del usuario. Podemos inferir en qué momento se encuentra a partir de la información que, en el caso de la analítica omnicanal, incluirá eventos online y offline. Por ejemplo, es posible determinar que está interesado en la compra cuando  crece el número de sesiones y de páginas vistas, o cuando se produce la suscripción a la newsletter o la instalación de la app. Pero también hay eventos offline que nos dan pistas, como su localización o si está conectado a la red wifi del centro comercial o de la tienda, entre otros. 

Un punto importante aquí es cómo identificar al usuario correctamente para dejar de recordarle que tiene productos en el carrito del e-commerce cuando ya los ha comprado en la tienda física. Para ello, hay que construir un contexto de omnichannel analytics completo. En este sentido, el uso de un programa de fidelización potente supone una gran ventaja, puesto que permite asignar un ID identificativo a cada cliente, eliminando así las barreras online-offline y reduciendo en gran medida el margen de error.

4. Ajuste de las técnicas de marketing en función del momento en que se encuentra el usuario

La información que proporcionan los modelos de atribución desarrollados desde un punto de vista omnicanal es fundamental para adaptar la estrategia publicitaria y, a partir de los triggers, favorecer el avance del usuario hacia la conversión. Esto también se puede complementar con acciones offline como, por ejemplo, dar instrucciones a los dependientes de la tienda para que animen a los clientes a descargarse la aplicación o a que entren en la web para conseguir cupones de descuento.

Los datos insuficientes o pobremente tratados, incluso si son analizados por los mejores algoritmos de inteligencia artificial, proporcionan conclusiones sesgadas y poco efectivas. Los modelos de atribución avanzados que incluyen información omnicanal son un excelente punto de partida para optimizar la estrategia de marketing y lograr impactar en el usuario con el mensaje perfecto en el momento preciso

Contacta con nosotros

Suscríbete a nuestra Newsletter

Please wait...

¡Gracias por suscribirte!