La transformación digital es el nuevo extractor de valor de los clientes. Existe un gran potencial sobre el big data que no está siendo cubierto.
Pablo González, Socio de Consultoría de EY en España.
2. 2
Revolución digital SoLoMo
En últimos 6 años> impacto significativo
Se funda
Facebook
Facebook
supera 1b
de usuarios
Apple
lanza al
mercado
App-
store
Sale al
mercado el
priemr
buscador
web por
MOSAIC
El primer
sistema
de
compra
online se
lleva a
cabo por
Pizza Hut
Netscape
se hace
público
Nokia saca
al mercado
el primer
teléfono
con
conexión a
internet
Dot Com
bubble
bursts as
NASDAQ
peaks at
5,048.62
Se acuña el
término
2.0
YouTube
sele al
mercado
Se funda
Foursquare
Facebook
consigue
500m
usuarios
Ipad sale al
mercado
Iphone sale
al mercado
Se funda
Spotify
Twitter
sale al
mercado
Twitter
supera el
millon de
tweets en
¼sec
Se funda
Napster
AOL
compra
Netscape
Napster
taken off-
line by
federal
judge
Business.com
se vende £80k
Se funda
Google
6 1.5 0.32Años en llegar a
los 50m de
usuarios
Google+
1.8 2.8
2012201120102009200820072006200520042003200220011999199819971996 2000199519941993
IntegracióndeInternetanivelmundial
28.7%
20%
4%
2%
15.7%
9.4%
8.6%
2013
39%
30.2%
Salida al
mercado de
Google
Glass
3. 3
217Nuevos usuarios se conectan
desde el móvil cada minuto
1%CISCO estima que a día de
hoy solo hemos llegado al
1% de conectividad
50bnDe ‘’cosas’’ serán
conectadas en 2020
Durante la próxima
década se espera la
“Conectividad de las
cosas” que permitirá
crecer exponencialmente
Cada vez más gente está
conectada y surgen
nuevas vías innovadoras
Cada día que pasa el
número de dispositivos
conectados creando datos
y dispositivos automáticos
Esto es solo el principio
4. Page 4
Perspectivas
Económicas
Durante el próximo ciclo, la economía española permanecerá
estancada, con tasas de paro, implicando un incremento de
presión en los precios
Tendencias
Sociales
Estancamiento de las renta disponible y mayor tiempo dedicado al
trabajo - incremento del tiempo on-line
Cambios
Demográficos
Decisiones de compra en manos de la generación de los 70s y 80s
que se compone de perfiles mas individuales y con altas demandas
de personalización y futuro compradores “millenials”
Desafíos
Sociales
Los consumidores obligarán a las compañías a impulsar la ética y
transparencia corporativa
El contexto macro como acelerador
6. Page 6
… Nuevas necesidades &
expectativas …
Revolución de las
tecnologías digitales
Movilidad
Social Media
Localización
Personalización
Importante y
espontáneo
Tranquilidad
Cultura de
conveniencia
Sensibilidad
precio
Soy móvil
Soy 24/7
Soy global
Soy móvil
Soy 24/7
Lo quiero ya
Lo quiero mejor
Lo quiero
personalizado
Te compararé con la
competencia
Transformación digital modelos de negocio
7. Page 7
Nuevo “journey del consumidor”
42%
Consumidores
europeos realizan
búsquedas móviles en
el punto de venta
Consumidores
a nivel mundial
utilizan los
canales
digitales como
parte de su
proceso de la
compra
78%De la actividad móvil son datos
(no voz)
38%Consumidores a nivel mundial tiene
más de un canal de interacción
61%
8. Page 8 Presentation title
18
El volumen de los datos
digitales crece rápidamente
SoLoMo genera grandes volúmenes de
información en tiempo real
En tan solo 18 meses el
volumen de datos
digitales
será el doble
10. 10
►
La ejecución efectiva de la estrategia de la experiencia del
cliente aumenta las ventas y la lealtad a la marca
►
Aumentar la capacidad de respuesta al cliente para crear
modelos de negocio más ágiles
►
Reduce los esfuerzos de marketing ineficaces
Mejorar experiencia de compra Punto de venta
referencia
Personalización de la experiencia de compra
Experiencia de compra positiva en tiempo real
Identificación de surtido optimo por POS y canal
Acciones de venta sugerida
Incremento ticket canales
Priorización controlar los costes
Proactividad con los gastos emergentes
Mejorar el servicio de atención al cliente
Analizar los productos para proporcionar el mejor
margen en productos
Utilizar la información logística para priorizar y
alinear los esfuerzos de distribución menor coste
Gestión de la demanda
Reducir las ineficiencias en las operaciones
comerciales (distribución, promociones,
comunicación…)
¿Cómo puedo obtener más
de mis socios?
Estableciendo relaciones más
eficientes e integradas
¿Qué hábitos de compra
tiene mi cliente?
Análisis datos para
proporcionarnos una visión única
experiencia del consumidor
¿En qué se está invirtiendo
el dinero?
Enfoque de un objetivo con un
ángulo más amplio
¿Cómo incrementar mi
ticket medio?
Buscando resultados en formas
no tradicionales en lugares no
tradicionales
¿Cómo llegar a mis
clientes?
Extrayendo información a partir de
datos aparentemente irrelevantes
Eficiencia y
Eficacia
Incremento
de ingresos
Gestión de
costes
Incremento
de
rentabildiad
Incremento
productividad
Nadie cuestiona su utilidad….. ¿no?
11. 11
Ejemplo de utilidades por funciones
identificadas para compañía española
Marketing
Optimización de surtidos
Optimización de precios
Optimización de diseño y colocación
Transparencia en las gestiones
Optimización de los inputs
Gestión del almacén
Optimización de la distribución y logística
Gestión de proveedores
Comparación de precios
Análisis de mercados en redes
Venta cruzada
Marketing geolocalizado
Análisis de comportamiento en tiendas
Micro-segmentaciones
Análisis de sentimientos
Mejora de la experiencia multicanal del cliente
Promociones
Operaciones
Cadena de suministro
Nuevos modelos de negocio
Palancas Big dataFunción
12. 12
Nadie cuestiona su utilidad… ¿no?
Operaciones
54%
(Oferta y demanda)
Finanzas
46%
(Gestión de riesgos)
Atención al cliente
26%
(Segmentaciones)
Marketing
47%
(Campañas)
Ventas
37%
(Venta cruzada)
Desarrollo de productos
22%
(Análisis de demanda)
IT Analytics
47%
(Seguridad informática)
Investigación
30%
(Simulaciones)
Logística
18%
(Optimización de inventarios)
13. Page 13
… proyectos de marketing no utiliza un análisis de
datos a la hora de tomar decisiones (según CMOs)63%
(+35%)
(25%-34%)
(15%-24%)
(5%-14%)
(0-4%)
Marketing Mix Modeling mejora una
media del 14% los beneficios…
Las compañías que poseen un mayor control
sobre sus datos son un 5% más productivas, y
un 6% más rentables
6%
6%
8%
6%
7%
19%
13%
11%
Cliente
Retail
IT
Servicios
financieros
Líderes en
Big Data
MIT, Wharton y HBR
14. Page 14 Presentation title
Únicamente utilizan entre 5-10%
de sus datos
¿ Qué pasaría si se duplicaran,
triplicaran o cuatriplicaran?
15. 15
Empresas lideres mercado español ya están
extrayendo el “PETRÓLEO” en tiempo real
Presentation title
Impacto
Reducción Llamadas
15-20%
Reducción
abandonos
10-25bps
10-20%
Venta Cruzada
5-10ppts
5-15%
Costes
captación
Aumento CSAT
Costes de Operaciones de Servicio
Retención y venta cruzada
Experiencia de cliente (CE)
Operadora Telco
‘Retailer’ nacional
Empresa de servicios
16. 16
¿Por qué no estamos avanzando?
0% 10% 20% 30% 40% 50% 60% 70% 80% 90%
Otros
Datos Multimedia Ricos
Datos de ESB o Web Service
Datos de Eventos o Mensajes
Web logs
Datos de Ficheros No estructurados
Datos de Aplicaciones Empaquetadas
Datos XML
Datos Estructurados de DBMS Legacy
Datos de Ficheros Estructurados
Datos Estructurados de RDBMS
Tipos de Datos Fuera de los DW Y Gestores de BBDD Tradicionales
El 53% de las
organizaciones luchan para
analizar datos que NO están
en el DBMS tradicional ni en
el DW
Fuente: Analytics Platforms – Beyond the Traditional
Data Warehouse,
Variedad y velocidad
17. 17
Nuevo paradigma tecnológico
Presentation title
MÉTODO TRADICIONAL MÉTODO A TRAVÉS DE BIG DATA
Analiza pequeños bloques de información Analiza toda la información
Información
analizada
Información
disponible
Se analiza toda
la información
disponible
MÉTODO TRADICIONAL MÉTODO A TRAVÉS DE BIG DATA
Cuidadosa selección de la información
antes de cualquier análisis
Análisis de l ainformación tal cual está. Se irá
eliminando sobre la marcha, cuando así se necesite
Poca cantidad
de información
cuidadosamen
te ordenada
Gran cantidad
de información
’desordenada’
1
18. 18
Genera nuevo reto de negocio
Comenzar con hipótesis y contrastarlo
con la información seleccionada
Explorar toda la información
e identificar correlaciones
Hipótesis Pregunta
InformaciónRespuesta
Información Exploración
CorrelaciónConocimiento
MÉTODO TRADICIONAL MÉTODO A TRAVÉS DE BIG DATAMÉTODO TRADICIONAL MÉTODO A TRAVÉS DE BIG DATAMÉTODO TRADICIONAL MÉTODO A TRAVÉS DE BIG DATA
Análisis de la información una vez que ha sido
procesada y enviada a un data warehouse o data mart
Análisis de la información en tiempo real,
nada más ser generada
Información
Conocimiento
Análisis
Respositorio ConocimientoAnálisisInformación
Presentation title
2
19. 19
Nuevas capacidades funcionales3
Pasado Futuro
¿Qué ha pasado ?
¿Por qué ha pasado ?
Query Report
Data Mining
Análisis
Descriptivo
¿Qué esta pasando?
¿Por qué esté pasando ?
Data Mining en
tiempo real
Análisis
Predictivo
¿Qué es probable que
pase?
Business
intelligence
(Reporting y Dashboard)
Análisis en tiempo
real
Análisis
predictivo
¿Qué puedo hacer?
Análisis
prescriptivo
Análisis
Predictivo
Dificultad
Valor
20. 20
Amazon : Eficiencia de vanguardia y un
modelo de negocio
► Venta Sugerida ► El 35% de las ventas en 2010
fueron procedentes de las
recomendaciones
► Sistemas de servicio al cliente
automatizados
► 90% automatizados vs 44% media
en la competencia
► La mayor satisfacción del cliente en
el sector (puntuación de 86 en el
ACSI)
► Cadena de suministro ► La mejor eficiencia en el sector, lo
que reduce en un 3-4% los COGS
(Cost Of Goods Sold)
► Precios dinámicos ► Cambios de precio en el día para
mantener el 5-20% de liderazgo en
precios sobre la competencia
21. 21
Definir una estrategia de Marketing de clientes, sirviéndose de la
movilidad, incremente la frecuencia de visita y el gasto de los
consumidores
Sector Retail Nacional >250 puntos de
venta
Incremento
de ticket medio
7 %
+10%
frecuencia
a clientes fieles
+ 60%
frecuencia en
clientes
Ocasionales
Motor Analítico
en Real
PuntodeVenta
Salida
Entrada
Identificación
Pago
Compra
• Gelocalización de clientes
• Acciones de captación por proximidad
• Conocimiento a tiempo
real del comportamiento
en el Punto de Venta
• Automatización del
proceso de pago,
redención y emisión de
cupones
• Comunicación directa a bajo coste
• Servicios de valor añadido
• Branding
• Sencillez y usabilidad
• Valor añadido para el
consumidor (ofertas,
mapa de
establecimientos,
juegos, recetarios, …)
22. 22
Big Analytics Tiempo Real (BATIR)
en un mundo “SoLoMizado”
Big Prescriptive
==
Datos en tiempo real
+
Análisis en tiempo real
(datos gráficos)
+
Reacción en tiempo
real
(retroalimentación)
Incremento de ingresos y mejora del margen