Analítica web
Reflexiones desde el mercado español de Analítica Web

Cuando el Customer Experience Optimization mató lo digital

Se lee en 4 minutos

Probablemente os ha sucedido también a vosotros: ¿no estáis cansados de leer posts en blogs, LinkedIN, feed de perfiles sociales… sobre consejos para triunfar con vuestras estrategias DIGITALES? Digo que estaréis cansados porque como consumidores lo digital ha dejado de ser el futuro que viene para ser el new normal, especialmente si por digital entendemos la interacción mediante dispositivos móviles o poco convencionales (smartphones, tablets, kioscos, IoT, etc.). Si para nosotros como consumidores es lo habitual, ¿por qué resulta tan frustrante la experiencia multicanal con una empresa?

Las expectativas y el sentido común hacen que percibamos una empresa únicamente, independientemente del canal escogido para interactuar con la misma, ¿por qué, entonces, la experiencia que tengo en la web es diferente a la que me ofrece el call center y muy diferente a la que percibo en tienda?, ¿por qué desde mi app la compañía sabe quién soy y me ofrece servicios personalizados, y cuando hablo por teléfono con la misma compañía soy un cliente anónimo? Según una reciente publicación de Adobe y Forrester (os podéis descargar el paper aquí), el 64% de los retailers dice estar satisfecho con su estrategia de personalización, mientras que el 20% de los clientes afirma que esa personalización que recibe no es la adecuada y que, además, es demasiado intrusiva. En este escenario es cada vez más importante destinar esfuerzos a una estrategia de optimización de experiencia de clientes o, lo que es lo mismo, CXO.

La personalización, hoy

Si analizamos la complejidad de las acciones de personalización que queremos realizar, encontramos que hay una relación directa entre el esfuerzo necesario para ponerlas en marcha y los resultados obtenidos: a estrategias más sencillas, más fácil será la configuración de las acciones y, por tanto, los resultados serán pequeños. Observando el siguiente gráfico, encontramos cuatro niveles de personalización:

Fuente: DIVISADERO
Fuente: DIVISADERO
  1. Personalización básica. En el nivel más bajo encontramos acciones ocasionales en las que se suele recurrir a plataformas de personalización para acortar el time to market y evitar pasar por IT. Por ejemplo, un ecommerce quiere comunicar una promoción durante dos semanas a través de un pop-up en la home a todos los usuarios que acceden al site, una vez al día.
  2. Personalización selectiva. Añadimos un nivel básico de inteligencia y segmentamos las acciones en base a audiencias predefinidas por negocio. Por ejemplo, siguiendo el caso anterior, solo ofreceré la promoción a los usuarios nuevos, no clientes, que hayan visto una ficha de producto.
  3. Personalización automatizada. Ocupando la medalla de bronce, la inteligencia y el criterio de selección de audiencias recae en la plataforma de personalización y sus algoritmos. Me estoy refiriendo a los motores de recomendación que tienen las versiones Premium de los principales players de esta disciplina digital, en los que se aplica machine learning a los datos, de forma que solo muestran los descuentos o recomiendan productos a aquellos usuarios que, en función de los datos comportamentales, van a responder mejor a dicha oferta.
  4. Personalización multicanal. En el último e ideal estadio, dejamos de hablar de dato comportamental onsite para ampliar el espectro de análisis, teniendo en cuenta el dato que tenemos del usuario, que se pudo haber generado en otros activos. Es decir, en este nivel, hablamos de aplicar inteligencia al dato corporativo, sin discernir su origen. En este punto, podemos suponer que en el ejemplo se mostraría una promoción genérica a los no clientes y a los clientes top tier que han comprado más de cuatro veces en el último mes en tienda y online con un ticket medio >100€ tendrán, además del descuento, el doble de puntos en el programa de fidelización y unas muestras gratuitas del nuevo producto.

¿Suena bien, verdad? Actualmente, seguimos enfocando las estrategias de personalización con dato sesgado online, quedándonos en un estado de personalización selectiva. Pensemos en una empresa de telecomunicaciones segmentando su publicidad online: si el objetivo es incrementar las ventas del pack de fibra+tv+móvil, a priori sería una buena estrategia impactar a clientes que tengan una tarifa móvil con un mensaje que apele al ahorro que van a hacer mensualmente unificando sus facturas. Sin embargo, detrás de cada cookie a impactar, detrás de cada clientID, tenemos PERSONAS: un millenial que comparte piso y no se plantea asumir este gasto, un adulto en la treintena apasionado de las series al cual le interesaría más resaltar esta ventaja sobre el precio, y una sexagenaria que lo que más valora es la velocidad de la fibra y los minutos de llamada que incluye la tarifa para poder estar conectada con sus seres queridos.

Qué son las user-personas

Hablamos de personas y de clientes. Para poder aspirar a tener una estrategia de personalización multicanal acertada, primero debemos conocer a nuestros clientes para poder dirigirnos a ellos en el momento y en el tono adecuado. Existen otras estrategias diferentes al CXO, como el CRO, centradas en la optimización de procesos, objetivos de negocio, etc., en las que se trabaja sobre los principales estadios del típico funnel de ventas (awareness, consideration, conversion). En este post estamos reflexionando sobre la última etapa: loyalty. Por una parte, aspiracionalmente, desearíamos hablar de clientes fidelizados de forma natural, sin recurrir a tácticas de retención y, por otra parte, no hay que dejar de lado los altos costes de adquisición de nuevos clientes frente al mantenimiento de la cartera.

Los user-personas son una técnica que se utiliza desde los años 90 en marketing y diseño de software y UX. Su premisa es conocer a los usuarios mediante la construcción de historias, describiendo las audiencias como si fueran personajes de ficción. Al darles una identidad, un nombre, una personalidad, nos será mucho más fácil establecer una relación con ellos y contribuir a que la comunicación entre ambos players sea mucho más fluida. Para elaborar esta “ficha” de clientes, os planteamos manejar el siguiente desglose de datos:

Fuente: DIVISADERO
Fuente: DIVISADERO

De forma que, analizando y clusterizando todos estos datos, la definición de audiencias es mucho más acurada y precisa. No es una tarea sencilla pero, ¿de qué sirve almacenar tantísima información acerca de los usuarios y clientes si no es para atravesar los reportes y los cuadros de mando y convertirlos en decisiones?

Como veis, este modelado de audiencias multifuente es mucho más preciso y nos permite establecer un plan de personalización mucho más targetizado, estableciendo no sólo qué mensajes utilizaré para dirigirme a cada categoría de cliente, sino en qué activo y en qué ubicación colocarlos.

Y vosotros, ¿en qué peldaño de personalización os encontráis?

Escribe tu comentario

14 − 1 =

Navegar