BIG DATA & RETAIL: ANÁLISIS PREDICTIVO

BIG DATA & RETAIL: ANÁLISIS PREDICTIVO

El análisis predictivo de los consumidores basado en el Big Data que maneja una empresa permite al sector Retail anticiparse a las futuras ventas.

Este análisis ayudaría a prever gastos de transporte y almacenaje, así como contratación de personal para posibles picos. Sin embargo, en estas líneas nos vamos a centrar en los consumidores, sus gustos y compras.

Partamos de una base: no es posible predecir el futuro. Ni el mejor de los analistas podría saber a principios del 2020 lo que iba a pasar con el comportamiento de los consumidores en abril, durante el confinamiento.

 

“El análisis predictivo de los consumidores basado en el Big Data permite anticiparse y fomentar las futuras ventas”

 

Lo que sí es posible es entender el pasado, analizar el presente y, de este modo, hacer un pronóstico con un alto grado confianza. Y, lo que también es posible, es perfilar el futuro. Efectivamente, el Big Data no solo analiza los datos pasados y pronostica el futuro: este propio pronóstico supone crear una realidad. Lo que en Ciencias Sociales se conoce como “la profecía autocumplida”: “si una situación es definida como real, esa situación tiene efectos reales”.

 

Con lo que siguiendo esta máxima, el análisis Big data, no solo pronosticaría las futuras ventas; también las fomentaría.

 

¿QUÉ HACE EL BIG DATA POR EL RETAIL?

Al igual que en otros sectores, desde una perspectiva muy básica, gracias al Big Data pueden hacerse las siguientes operaciones:

 

  • Toma de decisiones: la gran base de datos obtenida por el análisis de las variables ayuda a las empresas de moda a definir qué vender, cuándo y a quién.

 

  • Pronosticar el comportamiento de los clientes: además de conocer lo que opinan sobre determinados productos, pueden calcular mejor los precios de venta de los productos.

 

Partiendo de estas dos operaciones básicas, las preguntas que se pueden resolver se multiplican. Por ejemplo, para el caso del eccomerce, es posible saber cuánto tiempo van a estar los consumidores en su web, qué recorrido van a hacer y en qué momento van a abandonar la página. Por lo que las empresas del Retail podrían redefinir sus estrategias de retención de clientes, incrementando las visitas y las ventas.

 

Además, mediante el análisis de las tendencias de los consumidores, es posible realizar ofertas personalizadas a diferentes clientes. Al igual que comentábamos en otro artículo (link), el trato personalizado es algo necesario para las marcas de lujo: ningún cliente quiere recibir ofertas sobre productos que no le interesan y todavía menos los consumidores de artículos de lujo. Los cuales podrían entenderlo como una falta de cortesía y atención por parte de la empresa.

 

Por lo tanto, parece que ya no estamos hablando solo de conseguir más ventas y más clientes; lo que está en juego es perder clientes actuales. Mientras una empresa de moda o un centro comercial no atiende a sus clientes (enviándole ofertas que no le interesan o información sobre productos que no casan con sus gustos), otras empresas invierten y se preocupan en entender cómo son sus clientes, qué es lo que quieren y cuándo lo quieren. Según “Access Development”, aquellos consumidores que han tenido una mala experiencia en una web tienen un 88% menos de probabilidades de volver.

 

Por último, ya no es solo que gracias al Big data el sector Retail ofrezca al consumidor lo que busca. Es que gracias al análisis predictivo es posible anticiparse a las necesidades y deseos del consumidor antes de que él mismo lo sepa. Por ejemplo, si disponemos del histórico de compras, podríamos calcular cada cuánto compra una corbata o un pañuelo, con lo que podríamos ofrecérselo antes de que volviera a buscar. Demostrando nuestra cercanía hacia el cliente mediante un trato personalizado y fomentado su fidelidad.

 

¿CÓMO OPERAN LAS VARIABLES DE BIG DATA?

El gran trabajo que realizan los informáticos permite a cualquier usuario usar de una manera amigable muchos de los software dedicados al análisis de datos. Con un simple arrastre de diferentes variables, los responsables de las empresas de moda pueden visualizar de manera sencilla los resultados que desean.

 

Gracias a estos cuadros de mando, pueden relacionar, por ejemplo, mapas geográficos y número de ventas; o el histórico de los picos de ventas y los productos más vendidos.

 

Lo más importante para estas líneas es el tratamiento a la vez individualizado y colectivo de los consumidores que ofrece el Big Data.

 

  • Cada usuario es puntuado en base a diferentes variables: por ejemplo ¿Cuál es la renta per capita en su código postal? ¿Qué edad tiene? ¿Es hombre o mujer? ¿Está casado y/o tiene hijos?

 

  • Los usuarios son segmentados: ¿Existe algún patrón que pueda unificar a diferentes usuarios? ¿En base a qué variables puedo juntar a personas que en principio parecen diferentes?

 

Una vez que ya conocemos la importancia de la segmentación para ofrecer a un determinado consumidor ciertos productos a través de lo que otros usuarios desean, podemos plantear otra cuestión vital.

 

“Cada usuario recibe una puntuación y es segmentado junto con otros usuarios similares”

 

Los lectores con más criterio ya habrán comenzado a hacer sus cuentas. Y, sobre todo, a encontrarse con los primeros retos: ¿Y qué pasa con aquellos consumidores que por comodidad utilizan el código postal de su centro de trabajo? ¿Y qué pasa si segmentamos de manera incorrecta a un consumidor y le mandamos ofertas que no son de su interés, o peor, que están muy lejos de su alcance?

 

CONSULTORÍA, CIENCIAS SOCIALES Y BIG DATA

Puede decirse que las empresas analizan el Big data del que disponen y toman decisiones, mientras que las empresas potentes (como por ejemplo Amazon) utilizan esos mismos datos para investigar y plantear nuevas preguntas. En otras palabras, son capaces de duplicar el rendimiento de los mismos datos.

 

 

En un primer nivel está saber qué hacen los consumidores y en un segundo nivel saber por qué. Si hacemos las preguntas correctas obtendremos buenos datos que nos ayudarán a responder el qué; y si tenemos un buen equipo, con esos mismos datos, podremos hacer preguntas que apunten al por qué.

 

Es precisamente ahí donde reside la verdadera oportunidad de negocio, en responder el por qué: ¿Por qué ha entrado este consumidor en nuestra web? ¿Por qué ha comparado determinados productos? ¿Por qué ha comprado concretamente ése? ¿Por qué no lo ha comprado? ¿Por qué se ha salido de nuestra web? ¿Por qué es un consumidor fiel? ¿Por qué si lo era ha dejado de serlo?. Por qué.

 

Hoy en día, disponer de datos es relativamente sencillo. Lo difícil es tomar buenas decisiones con estos datos y, sobre todo, ser capaz de formular nuevas preguntas que ayuden los Directivos de las empresas de moda a responder cuestiones cuyas preguntas todavía no se habían ni planteado.

 

Tal y como la matemática y Profesora de la Universidad de Columbia Cathy O’neil explica, los modelos matemáticos no dejan de reflejar las ideologías y los sesgos de aquellas personas que las diseñan. Lo cual, puede acarrear nefastas consecuencias humanas para las personas que analizamos y malos resultados económicos para las empresas que utilizan Big Data. Es decir, hoy en día, para cualquier empresa.

 

Por ello, para tratar de eliminar estas discriminaciones y minimizar los riesgos económicos, es bastante común que junto con un matemático que diseñe los algoritmos y un informático que diseñe el programa haya alguien especializado en Ciencias Sociales. Algo que el antropólogo y Profesor de UCLA Jeffrey Brantingham representa a la perfección por ser un de los creadores de PredPol (https://www.predpol.com)

 

En conclusión, las humanidades digitales son más que necesarias si queremos realizar buenos análisis y, por consiguiente, obtener beneficios además de dar un trato humano y personalizado a nuestros consumidores. Las buenas respuestas que ayudan a entender cómo y por qué, solo se obtienen mediante buenas preguntas y profundas reflexiones sintetizadas en preguntas cortas. Algo que además de con un buen algoritmo matemático y un buen programa informático se consigue mediante un buen marco conceptual sociológico.