Guía para profesionales del marketing sobre la creación de audiencias CRM: las ventajas de las soluciones de aprendizaje profundo «plug & play»

¿Alguna vez has dudado del proceso de creación de audiencias CRM de tu equipo? ¿Te has preguntado alguna vez si tus criterios para crear audiencias eran lo suficientemente precisos? ¿O por qué generar tus segmentos resultaba tan largo y tedioso? ¿O tal vez simplemente te has preguntado: en 2021, ¿de verdad no hay una forma mejor de hacerlo?

¿O quizá solo envía boletines masivos, pero está pensando en adoptar pronto un enfoque más específico? Con la decena de cuestiones que acompañan a este proyecto: el tratamiento de sus datos, la creación de audiencias, los recursos internos…

¿O quizá simplemente te apetece descubrir cómo funciona la IA en el ámbito del marketing CRM B2C?

Sean cuales sean las razones, te voy a ayudar. En esta guía ilustrada, te explicaré, paso a paso, los problemas que plantean los métodos tradicionales de creación de audiencias y te mostraré por qué el aprendizaje profundo es la única forma de crear correctamente una audiencia de CRM (¡además de algunas otras aplicaciones prácticas en el ámbito del marketing de CRM!).

Pero, antes de nada, una pequeña advertencia: este artículo es un poco largo.

Breve resumen de los tipos de comunicaciones de CRM

Para empezar, conviene establecer algunas definiciones, ya que las empresas tienden a utilizar términos distintos para los diferentes tipos de comunicaciones de CRM.

Las comunicaciones de CRM suelen clasificarse en una de estas categorías:

• Los mensajes automáticos, o «triggers »: mensajes que se activan automáticamente en respuesta a las acciones de un cliente. Un ejemplo típico: cuando un cliente abandona el carrito.
• Las secuencias, o «journeys »: secuencias automatizadas de mensajes relacionadas con el ciclo de vida del cliente. Ejemplo típico: una serie de mensajes de bienvenida para los nuevos clientes
• Las campañas : Mensajes puntuales que no se envían automáticamente y que pueden ser:
  • enviados a toda tu lista de clientes («batch & blast»)
  • enviados a una parte de su lista de clientes («campañas dirigidas»).

Hoy nos centraremos en estas campañas dirigidas. Representan aproximadamente el 90 % de los mensajes de CRM que envía una marca. Se utilizan para informar sobre nuevas colecciones o productos, promociones, categorías de productos específicas…

Por lo general, los equipos de CRM empiezan enviando campañas masivas a toda su base de clientes. Sin embargo, suelen darse cuenta muy pronto de las limitaciones de este tipo de campañas:

• Las campañas masivas no resultan muy relevantes para muchos, si no para la mayoría, de tus clientes, ya que envías el mismo contenido a todo el mundo; por lo tanto…
• Solo puedes enviar un número limitado de estas campañas a la semana si no quieres saturar a tus clientes con mensajes irrelevantes y provocarles una experiencia negativa.

Por lo tanto, lo más lógico es que pases a realizar campañas específicas, centradas en temas u ofertas concretas que quieras comunicar a un pequeño grupo de tus clientes, especialmente interesados en lo que tienes que ofrecerles.

Para tener éxito, las campañas dirigidas deben ofrecer un contenido muy relevante

¿Por qué los equipos de CRM lanzan campañas dirigidas? Las razones son muchas:

• Las campañas dirigidas serán, en teoría, más pertinentes y, por lo tanto, ofrecerán una mejor experiencia al cliente en cada mensaje…
• … lo que tendrá un impacto positivo en el compromiso, las tasas de conversión y los ingresos…
• … y reducirá la tasa de bajas.
• Las campañas segmentadas también permiten a los equipos dar a conocer un mayor número de ofertas y productos, lo que se traduce en una mayor cobertura de CRM para todo su catálogo de productos u ofertas, con el fin de satisfacer al mismo tiempo a un mayor número de partes interesadas: piensa, por ejemplo, en tus gestores de categoría, que quieren promocionar sus productos en tus boletines informativos, o en las marcas colaboradoras que te piden que promociones vuestra colaboración entre todos tus clientes… Las campañas segmentadas le permitirán así enviar una mayor variedad de mensajes a un número más reducido de clientes. Y si la relevancia global de los mensajes que envía es mayor, podrá enviar más mensajes a cada uno de sus clientes.

Para alcanzar tus objetivos, tus campañas dirigidas deben cumplir un requisito imprescindible: ser lo más pertinentes posible.

Y su éxito se basa en la hipótesis de que tu equipo de CRM será capaz de identificar, para cada campaña específica, el segmento de clientes más interesado en tu campaña.

Pero las audiencias que se crean con los métodos tradicionales rara vez son relevantes

Entonces, ¿cómo se consigue que una campaña sea relevante? Un equipo de CRM debe identificar, para cada campaña dirigida a un público específico, el segmento de clientes que se interesará por el tema o temas de la campaña, que se involucrará y acabará por realizar una conversión.

¿Les parece fácil? Pues se equivocan.

Como profesionales del marketing, todos hemos aprendido a segmentar nuestro mercado y a clasificar a nuestros clientes en categorías bien definidas. Se ha convertido en algo tan habitual que a veces olvidamos que nuestros clientes son personas de carne y hueso, con toda su complejidad, sus deseos, sus caprichos, sus ideas, su espontaneidad… en definitiva, todo lo que los hace humanos.

Quizá los mejores de vosotros no lo olvidéis… pero ¿qué opciones os quedan?

Las herramientas de segmentación tradicionales se basan en supuestos que determinan las audiencias creadas.

En la práctica, esto es lo que ocurre:

Por supuesto, es un poco exagerado. Espero que la campaña de este pequeño cómic consiga, a pesar de todo, generar ventas. Pero seguro que entendéis lo que quiero decir. El enfoque tradicional de la segmentación de campañas, basado en una serie de supuestos, presenta numerosos defectos.

El método incluye supuestos —¡por partida doble!

Los datos propios de tu base de datos CRM son sin duda muy completos. Dispones de muchísima información sobre tus clientes, su comportamiento y tus productos.

Sin embargo, cuando se construyen audiencias con el método descrito anteriormente, se produce una doble simplificación, que suele estar condicionada por tus propios supuestos:

1. Debes decidir qué dimensiones son buenos indicadores del comportamiento de compra. En el ejemplo anterior, Steve decidió que el género, el historial de compras recientes y la ubicación son las dimensiones más importantes. Pero, ¿por qué? ¿Cómo puedes estar seguro de que no sería mejor centrarse en la edad, el nombre o el historial de navegación?
2. Para cada una de estas dimensiones, debes decidir qué valores seleccionar. En el ejemplo anterior: mujer, compra reciente de un vestido, ubicación geográfica. Una vez más, ¿por qué? Quizás la característica más interesante de estos vestidos sea que son sin tirantes. ¿No sería mejor seleccionar a los compradores recientes de tops sin tirantes? Quizás sí, quizás no. ¿Quién sabe?

En lo que respecta a estas dos dimensiones y estos dos valores, tus criterios se basarán en la intuición (en el mejor de los casos) o en tus suposiciones (en el peor de los casos) y, por lo tanto, siempre estarán influidos por tus sesgos personales.

Por lo tanto, ya te puedes imaginar cuál es mi siguiente punto…

El rendimiento no será excepcional

Porque este método no es más que un intento muy aproximado de « predecir » la eficacia de tus campañas:

• Habrá personas que se incluyan en el público objetivo aunque la campaña no les concierna en absoluto.
• Habrá personas que queden excluidas del público objetivo , aunque la campaña hubiera sido totalmente relevante para ellas.
• Este enfoque rara vez es lo suficientemente sofisticado como para tener en cuenta la estacionalidad o el ciclo de vida del producto. Las personas que reservan un nuevo videojuego tienen un perfil muy diferente al de quienes lo compran varios meses después de su lanzamiento para regalarlo en Navidad. ¿Cómo podría un método tradicional de segmentación de audiencia tener esto en cuenta?

Estás segmentando a tus clientes en lugar de fomentar las ventas cruzadas

Lamentablemente, tener en cuenta el historial de compras para predecir las compras futuras encasillará a tus clientes en sus categorías iniciales y perderás la oportunidad de ofrecerles ofertas adicionales, aunque estas pudieran ser relevantes para ellos.

El alcance de tus campañas puede llegar a ser ridículo en poco tiempo

Uno de los riesgos de multiplicar los criterios para refinar tu público es reducir demasiado su tamaño. Es frecuente que los profesionales del marketing se den cuenta de que su público final es demasiado reducido. Entonces se ven obligados a hacer concesiones, añadir nuevos segmentos, eliminar ciertos criterios… para acabar volviendo al punto de partida: un público amplio y mal definido.

No predices la propensión a comprar AHORA

Cuando creas un público objetivo, no basta con predecir su propensión a comprar un producto concreto. En realidad, debes predecir su propensión a comprar en el momento en que se envíe la campaña.

No basta con decir «Steve ha comprado un vestido en los últimos seis meses, así que es probable que Steve compre otro vestido algún día » para incluir a Steve en tu campaña sobre vestidos. A muy largo plazo, es muy probable que esa afirmación se cumpla, pero eso no ayuda mucho a la campaña que tienes que lanzar mañana.

Sería mucho más eficaz poder decir: «Steve tiene muchas ganas de comprarse un vestido esta semana, así que incluyámoslo en la campaña de mañana ».

Espero que ahora todos estemos de acuerdo en cuáles son las limitaciones de los métodos tradicionales para captar audiencia.

Por suerte, hay una solución, y es, por supuesto,la inteligencia artificial.

Más concretamente, el aprendizaje profundo.

El aprendizaje profundo es LA solución para lograr una verdadera relevancia en el CRM, ya que puede predecir con precisión la propensión a comprar ahora

Si lo pensamos bien, tiene bastante sentido:

• Los profesionales del marketing de CRM disponen de una gran cantidad de datos propios, y la inteligencia artificial destaca precisamente por su capacidad para dar sentido a grandes volúmenes de datos.
• El tema al que se dirigen nuestras campañas presenta numerosas similitudes con un caso de uso muy popular del aprendizaje profundo: el reconocimiento de imágenes.

Quizá te preguntes qué tienen en común la creación de una audiencia y el reconocimiento de imágenes. Aquí están:

1. En ambos casos, intentamos responder a una pregunta sencilla… ¿Es esta imagen un gato? ¿Va a reservar Steve un viaje a Tailandia esta semana?
2. En ambos casos, contamos con datos exhaustivos y complejos que nos ayudan a responder a la pregunta:
   1. Las imágenes están compuestas por cientos de miles de píxeles, cada uno de los cuales puede adoptar uno de los 16 777 216 valores de color posibles (en RGB).
   2. Los datos de CRM: entre los atributos de los clientes, los atributos de los productos y el historial de transacciones, fácilmente se superan los cien puntos de datos. Imagínate ahora todas las combinaciones posibles… Si a eso le sumamos el historial de navegación, los datos de apertura de tus campañas, la temporalidad… ¡tus datos de CRM tienen una profundidad increíble!
3. Podríamos plantearnos centrarnos en unos pocos datos para responder a nuestras preguntas…
4. Pero pronto nos daremos cuenta de que, aunque dediquemos mucho tiempo a elaborar una lista de criterios, la tasa de éxito seguirá siendo muy baja.

5. Sin embargo, en ambos casos es posible reunir un gran número de ejemplos en los que ya se ha dado respuesta a la pregunta.

1. En cuanto al reconocimiento de imágenes: existen conjuntos de datos de imágenes que contienen gatos y están etiquetadas como tales, o que no contienen gatos y, por lo tanto, no están etiquetadas.
2. Para predecir el comportamiento de compra en CRM: ¡la combinación de tus datos de clientes, el historial de tus transacciones y las características de tus productos ofrece numerosos ejemplos en los que tu pregunta ya ha encontrado respuesta! «¿Compró Pierre un vestido el 3 de diciembre? «No». ¿El 4 de diciembre? «No». ¿Compró Marie un vestido el 3 de diciembre? «Sí». ¿El 4 de diciembre? «No». ¿Compró Jennifer…?»

Sabemos que el aprendizaje profundo funciona sorprendentemente bien en el reconocimiento de imágenes. Con un conjunto de datos lo suficientemente grande como para entrenar los modelos, la tasa de éxito se acerca al 100 %. En algunas aplicaciones específicas (como, por ejemplo, el diagnóstico por imagen), ¡los modelos de aprendizaje profundo ya son más eficaces que los seres humanos!

El aprendizaje profundo aplicado al reconocimiento de imágenes (y en general) funciona de forma similar al cerebro humano: del mismo modo que un niño aprende a reconocer un gato, no porque aprenda una lista de criterios que le dan sus padres, sino porque estos le muestran pacientemente animales domésticos y le dicen «esto es un gato », «esto es un perro ».

El aprendizaje profundo aplicado al CRM funciona más o menos de la misma manera. El algoritmo basará su aprendizaje en la totalidad de tu base de datos, ese auténtico tesoro de datos propios del que ya hemos hablado, sin descartar ningún punto de datos ni complicarse con reglas arbitrarias. Integrará todos los casos límite, que tus criterios intuitivos nunca habrían podido identificar, y los tendrá en cuenta para ajustar sus predicciones.

El algoritmo de aprendizaje profundo será capaz de detectar datos muy sutiles, como el ciclo de vida de los productos, la estacionalidad, el «estilo » de las personas, su «imprevisibilidad »... sin que ninguna de estas dimensiones figure como tal en su base de datos.

El aprendizaje profundo puede predecir con precisión que María va a comprar un vestido vintage de flores, aunque nunca antes haya comprado un vestido en tu tienda, ni productos«vintage»o«de flores», a decir verdad.

Estimados lectores, atención: no todas las inteligencias artificiales son iguales

Por supuesto, todo lo que acabo de comentar solo se aplica a un algoritmo de aprendizaje profundo bien diseñado. No basta con cargar tablas de datos de CRM en un algoritmo de reconocimiento de imágenes para obtener previsiones sobre las intenciones de compra.

Del mismo modo, todos sabemos que la inteligencia artificial y el aprendizaje profundo son términos muy de moda. Por eso, aquí tienes algunos puntos que conviene tener en cuenta a la hora de plantearte integrar la inteligencia artificial o el aprendizaje profundo en tu estrategia de CRM (!):

• La inteligencia artificial es un término genérico que puede referirse a cualquier tipo de proceso automatizado de toma de decisiones, como los árboles de decisión basados en reglas, algo parecidos a los que os mencionaba antes y de los que hemos comprobado que presentan tantas deficiencias. Es interesante señalar que la inteligencia artificial basada en reglas (lo que se conoce como «sistemas expertos») era la forma dominante de IA en la década de 1980… un periodo que posteriormente culminó en un «invierno de la IA» (la edad oscura de la IA, cuando el entusiasmo por la IA decayó y las inversiones prácticamente cesaron).
• El aprendizaje automático es un campo mucho más avanzado de la IA. Fue la investigación en aprendizaje automático la que revitalizó el campo de la IA tras el segundo «invierno de la IA» de finales de la década de 2000, del que os hablaba hace un momento. Se acabaron las decisiones codificadas de forma rígida y basadas en reglas. En resumen, el aprendizaje automático desarrolla sus propias reglas predictivas a partir de los patrones que observa en los datos que analiza. Como les decía antes, este enfoque es esencial a la hora de tratar datos de CRM y predecir la propensión de un cliente a comprar. Sin embargo, el aprendizaje automático sigue presentando un inconveniente importante: requiere intervención humana para garantizar que los datos estén bien estructurados y categorizados… Y, por supuesto, es difícil asegurarlo en un contexto de CRM.
• El deep learning (aprendizaje profundo) es una práctica aún más potente derivada del aprendizaje automático. El deep learning imita, en esencia, el funcionamiento de nuestro cerebro. Las «redes neuronales artificiales» del aprendizaje profundo pueden aprender a partir de cualquier tipo de datos, con una intervención humana mínima, para obtener resultados excepcionales. ¡Estas redes están diseñadas para poder dar sentido por sí mismas a conjuntos de datos y aprender de forma autónoma a partir de ellos!

¡Bingo! Parece que el aprendizaje profundo es, por tanto, la forma de inteligencia artificial más adecuada para predecir la propensión a la compra.

Quedan algunas cuestiones fundamentales sobre el aprendizaje profundo:

• ¿Qué conjuntos de datos se utilizan?
• ¿Cómo gestionan los algoritmos los datos erróneos o incompletos?
• En un conjunto de datos, ¿a partir de qué datos aprenden los algoritmos? ¿Tienen los datos de hace cinco años el mismo peso que los más recientes? ¿Cómo funciona esto en la práctica?
• ¿Hacia qué objetivo tienden a optimizarse los algoritmos?
• ¿Es la tecnología eficiente en cuanto al uso de los recursos? ¿Permitirá evaluar a su clientela en un día o en un minuto?

Como suele ocurrir, el verdadero valor de un algoritmo reside en su uso y su ejecución. Por eso, muchos modelos de«deep learning»son de acceso libre o se comercializan. Aunque constituyen una base excelente para tus algoritmos, no te servirán de mucho en tu día a día.

Por eso, en general, conviene desconfiar de las aplicaciones de IA, aprendizaje automático o aprendizaje profundo que no se hayan desarrollado para un uso concreto, sino para una gran variedad de casos de uso. ¿Te suenan Einstein y Watson?

No todos los modelos de IA o de aprendizaje profundo son iguales.

¿Cómo se pueden conseguir entonces resultados realmente excepcionales?

Para que el aprendizaje profundo pueda aplicarse con éxito a la creación de audiencias de CRM, debe seguir ciertos principios básicos:

1. Eficacia: los resultados deben ser lo más precisos posible
2. Practicidad: la configuración debe ser lo más sencilla posible

Sin estas dos cualidades, una aplicación nunca se utilizaría.

A continuación se exponen algunos ejemplos de una buena aplicación del aprendizaje profundo al CRM:

• La aplicación debe resolver problemas concretos.
• La aplicación debe adaptarse a los métodos de trabajo de un equipo de CRM.
• La aplicación debe ser fácil de usar para un especialista en marketing de CRM, sin que sea necesario tener conocimientos de ciencia de datos.

Todas estas afirmaciones parecen bastante obvias, ¡y precisamente por eso estas aplicaciones se denominan «soluciones» y no «problemas»! Pero quizá te sorprenda la cantidad de «soluciones » que no cumplen estos tres requisitos.

***

Dicho esto, pasemos a lo importante.

El algoritmo debe poder utilizar todos los datos propios disponibles, independientemente de su estado en un momento dado, aunque no estén ordenados ni centralizados.

• Practicidad: Los datos perfectos no existen. La mayoría de las empresas ya han empezado a buscar su CDP, pero a menudo es un proceso largo… ¿Tienen realmente tiempo para esperar? ¿Y qué se arriesgan a descubrir cuando su CDP esté por fin lista?

Que sus datos aún no están«limpios»: armonizados, ordenados y listos para su uso.

No, los datos«puros»no existen.

Tenemos que aceptarlo y, aun así, conseguir los resultados que se esperan de nosotros. La buena noticia es que es perfectamente factible si el modelo se ha desarrollado teniendo en cuenta esta limitación.

• Eficacia: Los datos son importantes. Los datos son una señal. Incluso los datos desordenados. Deja que el aprendizaje profundo aprenda por sí mismo y descubra qué es lo que importa y qué no es más que ruido. Al fin y al cabo, ese es su trabajo.

El algoritmo no debe necesitar reglas ni criterios para funcionar.

• Eficacia: Estas normas irían en contra del principio mismo del uso de una aplicación de aprendizaje profundo. Equivaldría a reintroducir un sesgo en las predicciones. Recuerden el famoso «invierno de la IA» del que les hablaba antes…
• Practicidad: ¡Elaborar normas lleva tiempo!

El algoritmo no debería iniciarse en frío.

Es bastante evidente, tanto desde el punto de vista de la eficacia como de la practicidad. Los profesionales del marketing quieren obtener resultados desde el primer día de uso; eso es innegociable. Por lo tanto, los modelos de deep learning deben ser capaces de aprender a partir de datos históricos y tener una gran capacidad predictiva desde el principio. (Para saber más, lee el artículo de uno de nuestros científicos de datos; es un poco más técnico que lo que estás leyendo ahora, ¡quedas avisado!).

La estacionalidad, las tendencias y los cambios en el comportamiento de los consumidores deben reflejarse en las predicciones del algoritmo.

Se trata, sobre todo, de una cuestión de eficacia: si estas tendencias y comportamientos no se reflejan en las previsiones, los resultados serán, en el mejor de los casos, mediocres. ¡Los hábitos de compra son muy diferentes durante las fiestas de fin de año y a principios de primavera, por ejemplo!

Para tener más en cuenta la estacionalidad, el modelo debe configurarse de manera que preste especial atención a las compras más recientes de la oferta para la que predice la propensión.

El algoritmo debe optimizarse en función de tu indicador de éxito preferido

Los ingresos, en la mayoría de los casos, más que las tasas de apertura, las tasas de clics, etc.

El algoritmo debe ser capaz de realizar predicciones precisas incluso para aquellos clientes de los que no se dispone de datos recientes.

En una semana cualquiera, es posible que solo el 2 % de tus clientes visite tu sitio web o realice una transacción, lo que genera nuevos datos.

¿Y en tres o seis meses, tal vez consigas llegar al 20 % o al 30 % de ellos?

Pero, ¿qué pasa con todos los demás, la gran mayoría de tus clientes, de los que no dispones de datos recientes? Aun así, le gustaría poder enviarles comunicaciones relevantes. Es posible incluso que estén inactivos, lo que hace que su reactivación sea aún más necesaria. Este es el defecto de muchas soluciones de personalización o de recomendación de productos: funcionan bien para los clientes cuyos datos de intención son muy recientes, pero son absolutamente ineficaces para todos los demás.

Y, como consecuencia de todo lo anterior, el algoritmo debe ser capaz de realizar predicciones en múltiples categorías e ir más allá de una simple extrapolación del historial de compras.

De hecho, son muy pocos los que solo compran vestidos, alfombras o vuelos a Miami. Si Jean ya ha comprado calcetines en vuestra tienda, ¿le vais a enviar únicamente campañas sobre calcetines? Si Marie se ha alojado en vuestro hotel de Burdeos en el pasado, ¿estará condenada a recibir vuestras ofertas de «Fin de semana en Burdeos» para siempre? ¿Y si a Marie no le gusta visitar dos veces el mismo lugar?

***

Como hemos visto juntos, el desarrollo de un modelo de aprendizaje profundo destinado a predecir la propensión a la compra a partir de un conjunto de datos de CRM implica plantearse numerosas cuestiones. Son tantas, a decir verdad, que a una empresa nunca le compensa crear su propio modelo internamente: el nivel de especialización y el tiempo de desarrollo necesarios deberían disuadir a más de uno…

Sin embargo, para un equipo de expertos en ciencia de datos, cuyo único objetivo desde hace años es crear y perfeccionar un modelo de este tipo, ¡es posible! Y estas investigaciones encuentran numerosas aplicaciones prácticas en el ámbito del marketing CRM.

Si el aprendizaje profundo puede predecir la propensión a comprar, ¿cuáles son sus aplicaciones en el mundo real?

Las aplicaciones prácticas de la capacidad de predecir con precisión la propensión a comprar de cada cliente de tu base de datos respecto a un producto u oferta de tu catálogo son infinitas. Estas son algunas de ellas:

​​Creación de audiencia

La primera aplicación práctica es, evidentemente, la captación de audiencia (exacto, ese es el tema de este artículo).

Supongamos que tu algoritmo de aprendizaje profundo puede clasificar a todos tus clientes de mayor a menor probabilidad de comprar un producto determinado. En ese caso, la creación de la audiencia podría reducirse simplemente a:

1. Seleccione el producto o los productos, o las ofertas, que aparecen en su campaña de CRM
2. Selecciona el número de destinatarios que desees O sigue la recomendación del algoritmo (por ejemplo, enviar el mensaje a todos aquellos que tengan una propensión a comprar superior a la media).

Gestión del cansancio de marketing

Los equipos de CRM envían numerosas campañas cada semana, a veces varias al día. Sin embargo, pueden tener una norma según la cual ningún cliente debe recibir más de tres mensajes a la semana, ni más de uno al día.

Pero, ¿qué ocurre si un cliente tiene una gran propensión a comprar todos y cada uno de los productos presentados en las campañas previstas para un mismo día?

El algoritmo podría utilizar la información relativa a la propensión a la compra para asignar a ese cliente a la campaña en la que su propensión a comprar sea mayor, garantizando así la máxima relevancia de tus mensajes y minimizando al mismo tiempo su saturación.

Un CRM multicanal

Si puedes calcular la propensión a comprar de un cliente o un producto, no hay razón para que no puedas calcular la propensión a comprar de un cliente, un producto o un canal.

¡Esto le da una nueva dimensión a todo lo que hemos dicho hasta ahora!

Identificar las fuentes de propensión a la compra aún sin explotar

Quizá haya un pequeño grupo de tus clientes que esté muy interesado en un producto concreto en este momento. No aparecerá en tus indicadores clave, ya que aún no figura entre los «más vendidos »… pero existe una fuerte demanda concentrada en ese pequeño grupo de personas. ¡Es el público ideal para una campaña de CRM específica!

Esta información podría utilizarse, por ejemplo, para crear un mapa de calor de su catálogo de productos, lo que le permitiría visualizar fácilmente todas esas oportunidades.

Planificación del calendario de CRM

¿Es mejor destacar dos productos en la misma campaña o en dos campañas distintas?

La respuesta depende de si las personas interesadas en un producto también lo estarán en el otro.

Adivina cómo se puede obtener esa información…

¿Quieres saber más sobre el tema?

Si has llegado hasta aquí en este artículo, ¡muchas gracias! Espero que hayas aprendido muchas cosas.

Si quieres saber más, no dudes en echar un vistazo a todos nuestros artículos.