Convirtiendo big data en smart data geoposicionada y predictiva

Si una cosa es cierta de los seres humanos, es que somos generadores de data, todo el tiempo.

Este es le caso de uno de nuestros clientes; Latín Trading Co, empresa con más de 15 años de trayectoria basada en Panamá, representantes exclusivos de RCA para Centro América y El Caribe.

Esta empresa ofrece una amplia variedad de productos innovadores RCA tales como: Electrodomésticos, Audio, Video, Tabletas y Celulares a pequeñas y medianas empresas y corporaciones alrededor de la región.

A finales del 2019, RCA Guatemala se acercó a Troiatec con el reto de apoyarles con una estrategia de marketing digital enfocada a vender la mayor cantidad de televisores que fuera posible para intentar que al final de 45 días sus distribuidores hicieran un sale in completo.

El proyecto tenía los siguientes retos:

1. RCA carecía de sitio web-commerce por lo que para ejecutar una estrategia digital, por lo menos era necesario contar con una landing page.
2. No tenían una estrategia clara de cómo implementar una estrategia digital y por sobre todo, cómo llegar a los clientes potenciales cuya mayoría son del interior del país con poca o limitada accesibilidad digital, por lo que había que hacer un “data mining perfilativo inicial” para encontrar le perfil de audiencia, geo-posicionarlo y luego establecer su perfil Psico-demográfico que activamente buscaba a inter actuaba con contenido relacionado a la compra de televisores RCA o cualquier otra marca competencia.
3. Contaban con un listado importante y detallado de la ubicación de las tiendas de todos sus distribuidores, las cantidades de unidades que cada una vende y la frecuencia con la que se abastecen, pero no tenían identificado ningún patrón predictivo de inventario ni de capacidad real de venta de unidades, por lo que se requería hacer una “análisis de datos” para encontrar patrones de capacidad de venta de cada tienda para predecir en cuales de ellas había mayor probabilidad de que llegaran más personas a comprar si se les lograba incentivar.
4. La marca tenía mucho tiempo de no trabajar el posicionamiento de marca lo cual podía afectar el valor percibido y price value de la misma, pudiendo provocar una poca deseabildiad de compra aunque fueran productos promocionados.

Partiendo de lo anterior, Troiatec realizó lo siguiente:

1. Un análisis de movilidad digital para encontrar dónde vivían las personas que físicamente habían estado conectados a alguna aplicación celular mientras vivsitaban alguna de las tiendas de sus distribuidores. Partiendo de la movilidad digital, se utilizaron los códigos MAID (Mobile Advertisement ID); los cuales son códigos únicos utilizados por los dispositivos celulares para geposicionar el uso de las aplicaciones. Con dichos códigos, se crearon perfiles de audiencia geoposicionadas (geo-audiencias) segmentadas según género, edad, etapa familiar, intereses y ocupaciones con lo cual se pudo sugerir y definir una serie de campañas digitales hiper-segmentadas y geoposicionadas que gráficamente fueran congruentes con los productos que se deseanban comercializar para cada segmento.
2. Se diseño una estrategia de precios utilizando algunos sesgos cognitivos (Efecto Ancla, efecto de la escacez, efecto de la confirmación social, entre otros) que tenían el objetivo de incrementar la deseabilidad y la necesidad de compra de un televisor.
3. Se utilizó Analyzer para validar la efectividad de los artes para captar la atención y generar ínterés en la marca y los llamados a la acción y se compararon con campañas de otros años y de la competencia para garantizar utilizar solamente artes que tuvieran el desempeño optimo.
4. Se geoposicionó cada una de la tiendas así como todos los bancos -Banrural- ubicados a un radio de influencia de 1.5k a la redonda de cada tienda para que la pauta digital impactara principalmente a las personas del segmento de mercado objetivo que sus MAIDs revelaban que habitualmente circundaban o visitaban las tiendas y/o éstos bancos.
5. Se asignó un mayor presupuesto y frecuencia de pauta a aquellas tiendas cuyo patrón de capacidad de venta el análisis de datos había identificado que podría ser mayor a la media del resto de tiendas.
6. Se diseño e implementó una landing page con botones de redirección para capturar tráfico categorizado por interés de producto y se le incrustaron pixeles analíticos a cada evento lo que facilitó la clusterización de audiencias por tipo de producto promocionado.

Resultados:

1. Se logró hacer un sale out de 30,000 unidades en los 45 días que se definió como reto.
2. Por primera vez en la historia de la marca, las ventas sobre pasaron los récords de venta que tenían en tan poco tiempo.
3. La marca incrementó 3% su posición en el share of voice entre todas las marcas.

Esto nos permite concluir que combinar herramientas de comportamiento humano con análisis de datos geoposicionados e inteligencia artificial para predecir comportamientos permite tener una mayor claridad de la posibilidad que tiene una estrategia de ser efectiva y cumplir con objetivos específicos.