La cuarta y última entrega en esta serie nos trae un tipo de modelo que parecería parte del conjunto básico con el que todo nace, pero que normalmente terminamos sustituyendo con mitos y leyendas del negocio. Un modelo de propensión busca a los clientes con mayor predisposición a cierta actividad buscando hacer que los esfuerzos de venta sean más eficientes.
¿A qué me refiero con que es sustituido por mitos del negocio? En toda empresa existe el empleado experto en el producto y, aparentemente, en el cliente que puede describir, en términos de variables de una base de datos, a la persona que está interesada en cierto producto. Normalmente, ese empleado se equivoca.
El sentido común funciona muy bien en pequeña escala y carencia de información, pero cuando se tiene la información y un volumen relevante enfrente, hay que ir a los datos.
El modelo de propensión es un objeto tal que determina qué tan probable es que una persona haga una actividad basado de sus características y las de otras personas. Es el concepto que Facebook nos ha traído con sus look-alike, con la diferencia de que en este caso simplemente se pide parecido y cuando hablamos de propensión se busca parecido en las características distintivas de las personas que hacen la actividad que estamos estudiando.
Es decir, en Facebook pedimos a las personas altas y de ojos claros que les gusta InformaBTL como descripción, en propensión pedimos esas características porque son las que hacen distinta la probabilidad de que alguien visite este artículo.
Claramente, la ejecución de este modelo es: busca a los más propensos a comprar esto que quiero vender y ofrécelo. Cosa que funciona muy bien, pero podemos aprender más.
Lo primero es romper, o validar, mitos empresariales. Encontrar realmente el perfil de los clientes que hacen una actividad de interés nos permite mejorar el producto para esa población o ajustarlo para la población que nos interesa alcanzar. Esto suele ser políticamente incómodo, pero sin duda vale la pena hacerlo.
Otro punto de valor es estimar de mucho mejor forma el éxito esperado de un esfuerzo BTL. Ya no estamos usando indicadores de mercado ni nada similar. Estimamos la probabilidad de que los clientes lo tomen, hicimos la audiencia y sabemos cuántas reacciones esperar y cuánto valen. Nos podemos dar una buena idea de ROI antes de lanzar, controlar mejor el riesgo y optimizar el uso de la inversión.
En el proceso de construcción del modelo es posible conocer las características distintivas de los clientes propensos a una actividad. Esto es algo que se puede replicar en cualquier plataforma, aunque no sea personalizada, para buscar hablarle a las personas indicadas, con aplicación directa a las pautas en medios digitales.
Y un punto más, también vamos a saber que tan relevante es lo que estamos estudiando para la población para la que se supone va dirigido. Algo que comúnmente se hace cuando hay un desajuste claro es buscar a qué actividades sí son propensos y hacer una especie de estudio inverso en que tratamos de entender las características de la actividad para la persona y no de la persona para la actividad.
A lo largo de la serie pudimos ver que hay conocimiento que dejamos sobre la mesa el ver el modelado analítico como un paso más de nuestra estrategia BTL. Acérquense con esos científicos de datos que los ayudan a hacer los modelos y pídanles que les muestren los resultados intermedios. Ustedes van a aprender más y quizá ayuden a esa persona de analítica a mejorar algún modelo.
¿Tú sabes qué esperas cuando lanzas una campaña? ¿Las diriges con conocimiento y soporte o permites que la tradición oral indique a quién se le ofrece qué? ¿Cuáles son esas características que distinguen a tus clientes y a las actividades que les atraen?
