Findasense, la consultora de Customer Experience, que ya hace más de 4 años desembarcó en Latinoamérica, inaugura un hub a nivel regional para trabajar los datos: un cluster de integración de conocimientos donde converge un equipo altamente especializado en data science, economía del comportamiento, diseñadores de servicios, ingenieros de datos, entre otros.

Su principal objetivo es analizar con más detalle la personalidad y el comportamiento del consumidor a través de la data, con la finalidad de asesorar mejor a las compañías en sus estrategias de marketing. Contará con el apoyo de profesionales de España, Argentina, Colombia y Costa Rica.

“Hoy las compañías manejan una gran cantidad de datos que no están aprovechando, o explotan de manera muy dispersa por sus distintas unidades de negocio. Sin embargo, en la era del big data, es fundamental aprovechar la información proveniente del cliente, las ventas, los procesos y la logística de una manera eficiente, estratégica e integrada. Esto solo puede lograrse con una metodología que trabaje estos datos a través de herramientas que nos permitan visualizar, analizar y predecir el comportamiento del consumidor, siempre orientados a los objetivos de negocios de una compañía”, comenta Tiffany Soto, Service Design de Findasense.   

Además, hoy podemos, y debemos, hacerlo de manera automatizada, ya que tenemos la información en real time. Hoy necesitamos entender al consumidor de una manera más dinámica, sincrónica y personalizada. De esta manera, a través de los distintos proyectos, nos enfocamos en el comportamiento del consumidor, para abordarlo desde diversas perspectivas. Para esto hemos desarrollado nuestra propia metodología, agrega.

La metodología del Behavioral & Data Hub se basa en tres ejes de trabajo:

1. Una estrategia de captación y automatización datos.

En este eje o fase de trabajo identificamos las fuentes de datos de los clientes, que pueden venir de diversas plataformas, como canales sociales, data transaccional o data del CRM. Primero identificamos las fuentes de los datos que necesitamos según nuestro objetivo de negocio y las automatizamos en un sistema capaz de integrarlos, ordenarlos y darles visibilidad.

Esto implica un reto de estructuración, debido a la naturaleza diversa y heterogénea de los datos. Es decir, los datos no sólo son métricas o números, son también textos, imagen (fotos, gifs, video), audios que también contienen valores y cualidades que deben ordenarse y medirse. Básicamente, en esta fase, centralizamos la data proveniente de diversas fuentes hacia un sentido de negocio.

2. Ciencia de datos aplicada al negocio.

Una vez que integramos toda esta información de manera estratégica, empezamos a analizar el histórico, el rastro digital de estos usuarios y su conexión con comportamientos de compra, para empezar a diseñar modelos matemáticos que nos ayuden a predecir el comportamiento de una manera más rigurosa. Esto no es un simple análisis estadístico o un promedio, sino que es un segundo nivel, la siguiente fase evolutiva en cuanto a análisis de datos, y consiste en la aplicación de algoritmos o modelos matemáticos de alto nivel que nos permiten predecir un comportamiento.

Aquí se identifican y clusterizan diferentes rasgos como la personalidad, los gustos y las preferencias, creando grupos muy segmentados en base a las características que hemos identificado. Esto ayuda a las marcas a conocer y entender mucho mejor a sus consumidores, diseñar estrategias más personalizadas y segmentadas, así como predecir la performance de futuras campañas, en base a los históricos de resultados. Antes, estos estudios eran largos y costosos, pero con la automatización podemos desarrollarlos casi en real time, con una actualización muy sincrónica de los cambios del consumidor.

3. Una metodología de investigación a la medida.

En este nivel hacemos un abordaje mucho más específico de la data, diseñando una metodología de investigación para cada reto de negocio, haciendo uso de diferentes técnicas de investigación digital, que se cruzan con todo el procesamiento de la data que hemos desarrollado. Aquí la principal herramienta de trabajo es la creación de un customer journey, como base y técnica para entender cómo es un consumidor en cada una de las etapas de análisis que nos hemos planteado. Por ejemplo, un cliente nos plantea que el segmento de consumidores jóvenes está dejando de adquirir un producto y queremos saber por qué.

Este es un reto de consideración en el flujo de marketing, y lo que haremos es activar las herramientas de investigación que hemos creado para esta etapa del Journey. Finalmente, cerramos esta etapa con técnicas de la economía del comportamiento, que utiliza diversas disciplinas como la psicología, la neurociencia, la sociología o la etnografía para comprender las verdaderas necesidades y motivaciones profundas de las personas, esas que los datos no pueden determinar o, en cierta forma, ocultan. Así, ya estamos preparados, no solo para conocer, sino incidir sobre el consumidor, según los objetivos que nos planteamos, siempre dentro de lineamientos éticos que vigilen que esto representará un beneficio para el consumidor.

De esta manera, primero analizamos el comportamiento del usuario a través de su journey y luego buscamos reducir ese “gap” entre lo que es y lo que debería ser, con técnicas cualitativas, cimentadas sobre un sólido estudio de la data.