Perdido en el dato, Perdido en el detalle. ¿ Tiene sentido toda esa información?

Nunca fue más fácil que hoy tener información sobre tu cliente, gracias a la tecnología. Que cosas le gustan, que tiendas online elige, cuánto tiempo pasa en ellas, cuáles son sus comidas preferidas, hasta sus preferencias políticas o por los animales. Sabemos todo de ellos.

Al mismo tiempo las empresas tienen problemas para crear nuevos productos. Hacen varias entrevistas y focus group, muchas veces sin impacto en el producto. Como puede ser posible? Como se puede armar una segmentación de cliente con perfiles útiles?

Empírica y teoría

En la ciencia existe una pareja mágica para avanzar: La empírica y la teoría. La empírica, los datos, no tienen sentido sin una teoría que los expliquen y los pongan en contexto. Al mismo tiempo una teoría sin datos no vale nada.

El progreso se realiza con el intercambio de eso dos mundos.
Entonces: ¿sería posible de aplicar esa pareja poderosa en el mundo del marketing?

Veamos algunos métodos utilizados de segmentación:

Clasificación, Regresión y Estadística

Los datos recolectados están clasificados muchas veces utilizando los modos clásicos: edad, sexo, ingreso, interés, acciones realizadas, última compra, etc. Basándonos en esa clasificación utilizamos métodos estadísticos para encontrar conexiones. Pero, una correlación no necesariamente va a ser una causalidad. Entonces muchas veces, encontramos algo, pero no sabemos si realmente es una relación causal o solamente un accidente de datos.

Buyers Personas

Del otro lado, estamos creando una teoría sobre el cliente. Damos todo el detalle posible para comprender porque el cliente tiene ese comportamiento específico. Este método ayuda a dar sentido a los comportamientos de los clientes y poner los datos en el contexto. Pero como esas personas son muy específicas, muchas veces la pregunta sería: Es el único cliente con estas características o hay más? Y si hay más personas así, cuáles serían las características similares importantes?

Pattern finding

Con el poder de la inteligencia artificial hay métodos de encontrar relaciones dentro de los datos. Pero aquí encontramos el problema de cuál es la razón del Pattern encontrado.

Qué hacemos nosotros:

No tenemos una solución perfecta. Utilizamos un método para crear teorías verificables y de esta manera nos acercamos a la realidad. Para esto nos basamos en las técnicas descritas por Clayton Christensen y Tony Ulwick, denominada Jobs to be Done y a su vez utilizamos la herramienta¨ Canvas de propuesta de valor» .

Normalmente comenzamos a trabajar sobre un grupo de gente que nosotros pensamos que tienen algunas similitudes. Ese grupo puede ser el resultado de un segmentacion de datos existente, o de una idea teórica del cliente. A partir de ese segmento muy generalizado estamos armando un perfil del cliente con el ayuda del VPC: cuales son sus necesidades, alegrías y miedos de las personas adentro ese segmento.

Con eso perfil del cliente tenemos una primer teoría muy general del cliente y de sus motivaciones. Pero como en la ciencia, ahora tenemos que verificar el perfil con la realidad. La verificación se hace con mínimo 3 clientes invitados que nosotros pensamos representan el segmento. Ellos van a llenar su propio perfil en el canvas.

Los resultados pueden ser:

• Nuestro canvas y el segmento elegido no tienen ninguna relación. Las personas que participan del ejercicio tienen motivaciones diferentes y ninguna conexión con el canvas que nosotros hicimos. Entonces tenemos que revisar el segmento y todas nuestras ideas sobre el cliente. Es Frustrante pero termina siendo un gran aprendizaje. Entendemos que nuestro canvas y lo que pensábamos o asumimos no coincide con la realidad.
• Que las tareas, miedos y alegrías de nuestro perfil no coinciden con el de las personas que participan del ejercicio, pero al final descubrimos que entre ellos tienen tareas, miedos y alegrías similares. En consecuencia ahora somos conscientes de qué tareas quiere realizar y cuales son sus verdaderos miedos y alegrías.
• Que algunos miembros del segmento tienen el mismo perfil que nosotros pensábamos. Pero dentro del segmento hay personas con un perfil diferente. Entonces tenemos que preguntarnos: Cuál es la característica más importante para crear nuevos segmentos con un perfil común? El paso natural sería definir nuevos segmentos a partir de diferente perfiles que descubrimos en los participantes y verificarlos.
• Que el segmento y las motivaciones están confirmadas. Tenemos un segmento y perfil coherente. Éxito. Con el segmento y el perfil adentro podemos comenzar a crear prototipos.

Cómo continuar

Depende del resultado tenemos que crear un nuevo perfil o crear un nuevo segmento con similitudes diferentes. Y recomenzar el proceso, verificando los perfiles hasta alcanzar un segmento y perfiles coherentes.
Si tenemos perfiles y segmentos validados podemos comenzar a crear prototipos de productos, servicios o campañas. Los métodos de Design thinking son un gran ayuda en la creación.

Cuidado: El cliente y su motivaciones están cambiando continuamente. Así que tenemos que trabajar y verificar nuestras teorías todo el tiempo para asegurar que nuestros productos y servicios están alineados con los deseos del cliente.
Entonces tenemos que estar listos para poner todos los resultados y teorías en duda, y repetir el proceso continuamente.

Qué pensás de nuestra manera de contextualizar los datos?

Conoces una mejor manera?

Utilizaste alguna vez esta manera de buscar datos?

Contanos asi podemos aprender de tu experiencia!