El mercado del análisis de datos y de la inteligencia de negocios (BI) es uno de los que más crecen en el mundo, y el e-commerce es uno de los sectores que pueden sacar mejor provecho de sus herramientas.


Hablando en números, los datos de la International Data Corporation (IDC) indicaron que los softwares de Big Data y de análisis empresarial incrementarán sus ingresos de USD 122 mil millones, en 2015, a más de USD 187 mil millones en 2019. En 5 años, su crecimiento sería de más de un 50%.


Siendo un poco más específicos y hablando sobre las herramientas de análisis predictivo, la expectativa es que sus ingresos, en todo el mundo, den un salto de USD 415 millones en 2014 a USD 1,1 mil millones en 2019, lo que representaría una CAGR del 22%. Además, se estima que el número de organizaciones que utilizan algún tipo de análisis predictivo subirá de un 10% al 35% en el mismo período. Los datos son de Gartner y han sido divulgados en un artículo de Forbes.


Todo este crecimiento se debe a varias razones claras, como un volumen cada vez mayor de datos disponibles, el creciente interés en utilizarlos para generar negocio y la disponibilidad de ordenadores cada vez más rápidos y de softwares de uso más fácil para procesar esta inmensa cantidad de datos.


De tal manera que, si ahora es más fácil recoger, procesar y analizar estos datos, los minoristas tienen más oportunidades de aprovecharlos para gestionar mejor los diversos frentes de su negocio, como el marketing, el stock y, principalmente, la toma de decisiones.


Antes de que profundicemos en estos puntos, vamos a entender mejor cómo funcionan los análisis predictivos.


¿Cómo funciona el análisis predictivo?


Este tipo de análisis se basa en datos históricos y en algoritmos estadísticos para prever escenarios futuros con el menor margen de error posible.


Este es un proceso que también utiliza machine learning para descubrir patrones, crear reglas y combinar datos de diferentes fuentes y series temporales para hacer una mejor evaluación de lo que puede pasar en el futuro.


En la práctica, los análisis predictivos son capaces de indicar tendencias, prever comportamientos, proyectar resultados de los indicadores de negocio y apoyar la toma de decisiones.


El Big Data como base para los análisis predictivos


No obstante, para hacer que el futuro pueda ser más previsible, los análisis predictivos necesitan una gran cantidad y una alta calidad de datos, algo que se hizo posible gracias al Big Data. Antes de esto, el mayor desafío era tanto el poder recoger tal cantidad de datos como el tener la capacidad técnica para procesarlos (no había hardwares y softwares para esto).


A partir del momento en que se pudo tratar, procesar y cruzar con el Big Data una inmensa cantidad de datos, estructurados o no, los análisis predictivos pasaron a ser más eficientes.


Actualmente, existen fuentes de información de sobra para ser organizadas y utilizadas por las empresas para optimizar tanto la gestión como la operatividad de sus negocios.


Esto ayudó, por ejemplo, a mejorar los servicios bancarios y de tarjetas de crédito, y la gestión de crédito para sus usuarios con base en sus series históricas y en sus comportamientos de compras.


Incorporando esto a la realidad de las tiendas virtuales, se pueden utilizar los análisis predictivos para prever los ingresos anuales, así como segmentar un público clave para una campaña de marketing o direccionar productos en sistemas de recomendación, entre otras muchas posibilidades.


¿Cómo se pueden aplicar los análisis predictivos a la gestión de e-commerces?


Previsión de los indicadores de negocio


Proyectar un aumento o una caída en los ingresos, facturación, ventas o ticket promedio puede ser una tarea más precisa cuando se hace con base en los análisis predictivos.


Aquí, el principal enfoque es la combinación de las series históricas del indicador (como la facturación, por ejemplo) con los factores internos y externos que puedan influenciar en el resultado previsto.


Entre estos factores, podemos mencionar los resultados financieros y fiscales del gobierno (oscilación del PIB, de la tasa de intereses, de la inflación y de otros impuestos), los datos financieros y del comportamiento de la competencia directa e indirecta, las informaciones sobre los proyectos internos de la empresa, los datos de los consumidores, etc.


Como existe una serie de variables que muchas veces son imprevisibles, es común que el gestor de e-commerce tenga más de un escenario (el ideal y los condicionales) a su disposición para ser analizados.


De hecho, el mayor desafío para los analistas y científicos de datos es el de descubrir cuáles son estas posibles interferencias que la tienda no puede controlar. Cuanto más aspectos como estos sean detectados, menores serán los riesgos que los directores de e-commerce tendrán que gestionar.


Segmentación de las campañas de marketing


En cuanto a las acciones de marketing, los análisis predictivos pueden indicar el camino para la elaboración de anuncios más personalizados.


Para esto, el enfoque utilizado es el de la segmentación de clientes, es decir, se recogen las informaciones de los consumidores en una base de datos propia, que se cruzan con parámetros definidos por el equipo de marketing para crear campañas más personalizadas.


Y no nos referimos a las segmentaciones sencillas y que se pueden hacer manualmente, como la separación por sexo, ubicación o edad. La idea es detectar y aprovechar los modelos de comportamiento para prever los contenidos o productos más propensos a ser consumidos por un público objetivo específico.


Por ejemplo, con el apoyo del Big Data y del análisis predictivo, es posible que un e-commerce de moda cree una campaña de publicaciones patrocinadas en Facebook para anunciar vestidos para mujeres que hayan publicado, en los últimos 3 meses, que serán madrinas de boda. Existen datos para esto, solo se necesita recogerlos, procesarlos y utilizarlos para el propósito correcto.


Un caso interesante para analizar e inspirarse es el de Macy’s, que aumentó sus ventas online entre un 8% y un 12% tres meses después de incorporar un sistema que proporciona análisis predictivos. Este minorista aplicó modelos predictivos para segmentar mejor sus campañas de marketing por correo electrónico.


Personalización en sistemas de recomendación


El uso de los análisis predictivos en los sistemas de recomendación y personalización, es uno de los instrumentos más desarrollados y conocidos en el sector..


Su enfoque se centra en indicar los contenidos y las ofertas más propensas a ser consumidas por el público que visita la página web de la tienda.


Para esto, los sistemas de recomendación utilizan los análisis predictivos para combinar las series históricas de compras de los clientes con el comportamiento y el perfil de estos compradores.


A partir de esta base, se hacen diversas asociaciones, tales como:



  • Preferencias entre clientes parecidos: los consumidores de una tienda de libros online de entre 18 y 25 años que consumen libros de historia y filosofía pueden crear un modelo de comportamiento de compra para el mismo libro. Así, siempre que un consumidor se encuadre en este perfil, el sistema podría indicar estas obras seleccionadas;

  • Referencia por precio: el cliente que tiene un gasto de ticket promedio de 150 dólares puede ser más propenso a comprar los productos recomendados en este rango de precio;

  • Combinación entre productos complementariosel cliente que compra una nevera y un horno en un corto espacio de tiempo puede estar amueblando su casa y, por tanto, puede interesarse por otros electrodomésticos como microondas, conjunto de ollas, cubiertos, etc.


Es importante reseñar que el gran desafío de los análisis predictivos, en este caso, es el de descubrir modelos no obvios entre los perfiles y comportamientos de los clientes. Son arquetipos que una persona no podría identificar manualmente, como por ejemplo asociar la compra de un zumo de naranja con calcetines deportivos para mujeres que corren, van al gimnasio todas las mañanas y necesitan una fuente de vitaminas para reponer sus energías.


Gestión de stocks


El mayor desafío en la gestión de inventarios es el de encontrar la cantidad mínima y necesaria de productos para suplir las demandas de los clientes en un determinado período.


Para evitar tanto el exceso como la falta de artículos, un trabajo analítico sobre los datos relacionados con el comportamiento de los consumidores y con las series históricas de ventas puede hacer que este proceso sea más exacto.


Por ejemplo, del mismo modo que un modelo de comportamiento de compra de un grupo de clientes puede determinar las ofertas recomendadas en la página web de la tienda, se puede aplicar dicho modelo para prever qué productos y cuántas unidades deberían estar disponibles en el inventario.


Este enfoque también puede utilizar los datos del historial y de la proyección de ventas de un producto para determinar la cantidad aproximada ideal a almacenar.


Fijación de precios de los productos


Cuando se habla en automatización de la fijación de precios de los productos, muchos comerciantes optan por análisis y soluciones más reactivas, como los test A/B o los cambios basados en los precios de la competencia.


No obstante, también es posible usar los análisis predictivos para fijar los precios de acuerdo con su serie histórica, con la previsión de ventas o con el comportamiento de los clientes (cómo el público suele comprar y cuál es su gasto medio).


De hecho, esta es una ecuación complicada, porque por más que el proceso manual sea más propenso a errores, la automatización también puede perjudicar los márgenes del comerciante, en el caso de que no sea continuamente supervisada.


Auxilio en la toma de decisiones


Una de las principales funciones de los análisis predictivos es la de dar un apoyo en el acierto en la toma de decisiones de una empresa.


En el e-commerce, los comerciantes pueden utilizar los datos proyectados en un análisis para identificar, por ejemplo, los productos que serán más vendidos en una promoción, cómo segmentar al público en una campaña de marketing o el diseño ideal de la página web de la tienda a partir del comportamiento de navegación del público.


Sin embargo, es importante incidir que dichos análisis no son sólo predictivos, sino también reactivos, dado que una conclusión presentada tras un análisis puede cambiar o confirmar un deseo de acción que, muchas veces, ya llega sesgada antes incluso de ser evaluada por un científico de datos.


Por cierto, este es uno de los problemas de implementación del análisis predictivo que se comentará en el próximo apartado.


¿Cuáles son los desafíos para una buena aplicación de los análisis predictivos?


El crecimiento de los ingresos de las empresas de BI, indicado en el inicio del texto, y el análisis predictivo muestran que la adopción de herramientas de este tipo está muy de moda. Actualmente, la aceptación de las grandes empresas que dispongan de estos sistemas es mayor, y muchas reconocen incluso que el análisis predictivo genera una mayor inteligencia de negocio y, consecuentemente, aumenta la eficiencia de su gestión.


Por otro lado, muchas empresas afirman que usan los análisis predictivos únicamente para poner en valor sus marcas, pero que no utilizan dichas herramientas o no sacan partido de ellas del modo correcto.


En cuanto a la mano de obra especializada, ya no es un gran desafío. Como la demanda de soluciones de análisis predictivo creció en los últimos años, existen profesionales cada vez más cualificados en el mercado para trabajar con la recogida y el análisis de datos.


Una de las barreras puede ser la definición de los datos a recoger. Muchas veces, el e-commerce no sabe cuáles son las informaciones que debe obtener (faltan objetivos para los análisis), lo que puede conllevar a la falta o al exceso de datos para reunir, procesar y analizar, generando una pérdida de tiempo y de dinero.


Además, muchas empresas no tienen la estructura (hardwares y softwares) adecuada para organizar y estructurar una gran cantidad de datos. Cuando esto sucede, se recomienda la contratación/externalización de suites completas de análisis predictivos, como SAS o Azure.


Otro problema es la falta de integración entre quien analiza los datos y quien toma las decisiones con base en los análisis. Esta situación hace que se produzcan opiniones sin fundamentar, algo que quizás sea la principal barrera para una gestión basada en los datos.


Si un director de e-commerce, aunque disponga de proyecciones reales y precisas, se sigue basando en su “feeling”, intuición o experiencia para tomar decisiones, el uso de las herramientas de análisis predictivo pasa a tener poco sentido.


Conclusión


Prever el futuro es algo que pasó a tener una mayor exactitud con la evolución de los sistemas de análisis predictivo.


En un e-commerce, esto puede representar una enorme ventaja competitiva y una mayor inteligencia de gestión, dado que se pueden perfeccionar diversos procesos del negocio, como la segmentación de las acciones de marketing, la gestión del inventario o la fijación de precios de las ofertas.


Pero es importante comentar que el comerciante no tiene por qué aplicar los análisis predictivos en todos los frentes de la tienda virtual. Aquí, una postura racional es importante no solo para dejar las opiniones a un lado, sino también para saber qué sectores tendrían un mejor impacto debido a los análisis.