blog segmentación avanzada

Ejemplo de segmentación con K-means en Bebow

Ante mercados cada vez más competitivos la utilización del BigData Marketing y los algoritmos de clasificación nos pueden ayudar a lograr ventajas competitivas a lo largo del tiempo. Una segmentación avanzada nos ayudará a comprender mucho mejor a nuestros clientes y nuestro negocio.

Existen herramientas de automatización, que junto a los algoritmos de clasificación nos ayudará a conocer mucho mejor a nuestros clientes, adaptar nuestras ofertas a cada tipo de cliente y ofrecer una oferta que se adapte mejor a sus necesidades.

Ahora, con la llegada de algoritmos como K-means y herramientas como Connectif, podremos adaptar de una forma increíblemente eficiente nuestra oferta a nuestros clientes.

Segmentación clásica frente a la segmentación avanzada

La segmentación clásica se ha basado en el estudio y clasificación de la edad, el género, estado civil, ciudad o país, religión, cultura, etc. Ahora, podemos segmentar por su comportamiento en nuestro negocio, un tipo de segmentación avanzada que nos ayudará a entender a nuestros clientes, pero también nos ayudará a aumentar nuestras ventas, y a incrementar el valor que nuestro negocio aporta a nuestros clientes.

Ejemplo de una segmentación avanzada

Para nuestro ejemplo utilizamos el método RFM, aunque se pueden utilizar otras variables, con el método RFM vamos a segmentar a nuestros clientes según los días que han transcurrido desde su última compra (recencia), según la frecuencia de compra (frecuencia), por ejemplo compras mensuales, y por el valor total de las ventas generadas por cada cliente (dinero).

Para el análisis a cada una de estas variables se escalan utilizando quintiles, dividimos a nuestros clientes en 5 grupos en cada una de las variables, quedando dentro de cada variable 5 grupos de clientes. Después estas variables las vamos a normalizar para un mejor entendimiento de los datos. Creamos nuevas variables para poder comparar entre ellas, y clasificamos en función de su quintil.

Análisis cluster con K-Means

Introducimos los datos en el algoritmo K-Means y obtenemos los cluster en función de estas tres variables (recencia, frecuencia, y dinero). Podemos elegir el número de cluster, y para ello existen varias herramientas que nos proponen cuál puede ser el número de clusters ideal, para ello lo podemos ver en otra entrada del blog.

Si vemos que el número ideal de cluster es 6, configuramos K-means para 6 clusters, dibujamos su Box Plot y vemos y analizamos la salida y los clusters que nos ha creado en función de nuestras tres variables.

Variable Frecuencia

Cluster Frequency
Cluster Frequency

En el Box Plot vemos que tenemos que K-means nos ha creado 6 clusters. Lo que podemos obtener de este Box Plot es que tenemos un cluster que compra con muy poca frecuencia. Un cluster, el 2 que únicamente ha comprado una vez, y tres clusters, 3,4,5 que tienen una gran frecuencia de compra.

Vemos como el cluster 5 es el más pequeño de todos, pero su frecuencia de compra es muy alta. El trabajo que tendremos que realizar, y las acciones que vayamos a llevar a cabo serán diferentes para un cluster con muy poca frecuencia de compra, y un cluster con mucha frecuencia de compra. Si somos capaces de adaptar nuestra comunicación a cada uno de estos cluster la efectividad puede ser muy alta.

Por ejemplo, vemos como el cluster 4 tiene una frecuencia media, y es el más grande. Si somos capaces de incrementar la frecuencia de este segmento, podemos tener un gran número de clientes que pasen al cluster 5 de los clientes que con más frecuencia compran. Podemos lanzar una campaña únicamente para este segmento.

Variable Recencia

Cluster Recency
Cluster Recency

El cluster recency nos va a indicar cuánto tiempo hace de la última compra. Como vemos en el Box Plot, los cluster 4 y 5 son los que con más frecuencia compran, por lo que es lógico pensar que si compran con mucha frecuencia no hará mucho tiempo de la última compra.

El cluster 0 vemos que es un cluster que ya nos indicaba que compraba con poca frecuencia, pero vemos que es un cluster que no hace mucho tiempo que ha comprado, es un cliente nuevo que hace poco tiempo que ha comprado.

Pero el dato más llamativo que nos ofrece esta variable es que el segmento 2 son clientes que solo han comprado una vez, y que además, hace ya mucho tiempo que compraron. Estos clientes puede que no hayamos cubierto sus expectativas en la primera compra, no hemos logrado crear confianza en ellos y no han vuelto a comprar.

Una acción que podemos llevar a cabo con estos clientes es enviarles un mail, diciendo que hace mucho que no compran y que les ofrecemos un código descuento. Averiguar qué es lo que ha podido pasar para que solo hayan realizado una compra también puede ser una acción adecuada.

Otro dato importante nos lo da con el cluster 3, vemos que hace ya algún tiempo que no compra, y que como vemos en la variable frecuency, era un cliente que nos compraba con mucha frecuencia. Estamos ante un grupo de clientes que ha dejado de comprar con la misma asiduidad que lo hacía antes, por lo que se debería actuar sobre ellos con todas las herramientas que tenemos a nuestro alcance.

Variable Dinero

Cluster Monetary
Cluster Monetary

En el cluster de dinero vemos como está muy correlacionado con la frecuencia. Pero podemos ver algunas cosas, como, el cluster 3 a pesar de comprar con menos frecuencia que el cluster 5, el dinero que gastan sí está muy cerca. Por lo que estamos ante un cluster que compra con menos frecuencia pero que en términos relativos tiene un gran gasto. Es uno de los segmentos más atractivos de nuestro análisis cluster.

El cluster 5 es nuestro mejor segmento, es el que más tenemos que cuidar y es el segmento que tenemos que evitar a toda costa que se nos vaya algún miembro del cluster. Por ello, crear programas de fidelización solo para este segmento puede ser una buena idea. Podemos ofrecerles ventajas especiales, como asesoramiento personalizado, una mejor atención al cliente, acceso a las novedades antes que a ningún cluster, o descuentos especiales.

Análisis conjunto de las variables de los clusters

El análisis conjunto de los cluster en función de las tres variables nos permitirá tomar decisiones y llevar a cabo acciones basadas en datos. Con estos análisis vamos a poder aprovechar todo el poder de la segmentación para lograr incrementar las ventas a corto, medio y largo plazo.

Comparación Segmentos
Tres variables, cluster 1

Si vemos conjuntamente las tres variables del cluster 1 vemos como estamos ante unos clientes que han gastado moderadamente pero que es un cliente que no compra con frecuencia y que hace mucho que compró. Estamos ante un cliente que no es muy fiel, pero si tiene capacidad de compra, por lo que le podríamos ofrecer ofertas adaptadas a ellos.

Comparación cluster 5
Tres variables cluster 5

Si vemos el cluster 5 es nuestro cliente perfecto. Gasta una gran suma de dinero, con mucha frecuencia y hace muy poco tiempo. Este cluster es el que más debemos cuidar. Deberíamos estudiar y realizar acciones encaminadas a la retención de este tipo de cliente. Programas avanzados de fidelidad. El reto es conseguir colocar muchos más clientes en este segmento.

En Bebow análisis de segmentación cluster avanzados

En Bebow podemos hacer análisis y segmentaciones avanzadas para comprender mejor a nuestros clientes. Una mejor comprensión implica un. mejor servicio y un incremento de nuestras ventas a medio y largo plazo.

Poder ofrecer una oferta que se adapta mejor a nuestros clientes nos hará crecer como empresa.

 

Leave a Comment

Your email address will not be published. Required fields are marked *

Abrir chat

Te has suscrito correctamente al boletín

Se produjo un error al intentar enviar tu solicitud. Inténtalo de nuevo.

Agencia de Marketing Digital will use the information you provide on this form to be in touch with you and to provide updates and marketing.