5 formas de usar la ciencia de datos en marketing

Introducción a la ciencia de datos en marketing

¿Alguna vez has comprado en una tienda online y, desde entonces, te han seguido anuncios de productos similares cada vez que navegas por la web? Eso es ciencia de datos aplicada al marketing.

La mayor parte de los datos del mundo se ha generado solo en los dos últimos años, y las empresas pueden recopilar y almacenar datos de clientes a una escala inédita. Cada vez que un usuario interactúa con la web de una organización, su página de redes sociales o su TPV, se crean nuevos puntos de datos.

Estos datos se utilizan para comprender el comportamiento del usuario y enviarle anuncios a medida, recomendaciones de productos personalizadas y promociones especiales.

La mayoría interactuamos con aplicaciones de ciencia de datos de marketing a diario y tomamos decisiones influidos por ellas sin darnos cuenta. 

En este artículo, veremos 5 formas de usar la ciencia de datos en marketing. Después, exploraremos un proyecto personal que puedes añadir a tu porfolio de ciencia de datos para cada caso de uso. Por último, hablaremos de por qué merece la pena especializarse en marketing data science y cómo conseguir un trabajo en este campo.

5 casos de uso de la ciencia de datos en marketing

1. Sistemas de recomendación

Empresas como Netflix, Spotify y Amazon usan sistemas de recomendación para sugerir contenido personalizado en función de cómo interactúas con la plataforma.

Por ejemplo, si ves una película en Netflix y le das una valoración positiva, la próxima vez que abras la app te propondrá títulos del mismo género, temática o con el mismo reparto. 

Este es un ejemplo sencillo de cómo convivimos con motores de recomendación en el día a día.

Los sistemas de recomendación se vuelven más potentes con el tiempo a medida que los usuarios interactúan con ellos. 

Si acabas de llegar a Spotify, tus primeras sugerencias serán genéricas. La app recomendará una gama amplia de géneros populares porque el algoritmo aún no tiene datos suficientes para conocer tus gustos.

Conforme pases más tiempo en la plataforma, el motor de recomendación aprenderá lo que te gusta y lo que no, y afinará las sugerencias a tu gusto. Incluso puede predecir qué tipo de música te apetecerá según la estación o la hora del día.

Tipos de sistemas de recomendación

De forma general, los sistemas de recomendación se dividen en dos tipos: basados en contenido y basados en filtrado colaborativo.

1. Sistemas de recomendación basados en contenido:

Imagen del autor

Los sistemas basados en contenido generan sugerencias únicamente a partir de las características del propio producto. 

Por ejemplo, si has disfrutado con las novelas de la saga Percy Jackson, es probable que te recomienden Heroes of Olympus, del mismo autor y de género similar.

La desventaja es que difícilmente te sugerirán libros distintos a lo que ya has leído. Si te gusta Percy Jackson, te recomendarán sobre todo aventuras y fantasía, aunque quizá también te encantarían un ensayo o un thriller.

Este inconveniente puede mitigarse con un sistema de recomendación basado en filtrado colaborativo, que explicaremos más adelante.

Idea de proyecto: sistema basado en contenido

Si estás empezando y no tienes experiencia creando sistemas de recomendación, el Kaggle Movie Dataset es un gran punto de partida. Incluye metadatos de 45.000 películas: pósters, fechas de estreno, géneros e ingresos.

Puedes seguir el tutorial Recommender Systems in Python de Datacamp para crear un recomendador basado en contenido usando los datos de las películas.

Si quieres más guía para construir un recomendador de películas, apúntate a una sesión práctica en directo en Datacamp. Es un taller guiado por un experto que te enseñará a crear sistemas de recomendación en R en 1,5 horas, con oportunidad de resolver dudas en el momento.

2. Sistemas de recomendación basados en filtrado colaborativo

Los modelos de filtrado colaborativo generan sugerencias a partir del comportamiento histórico de los usuarios. A su vez pueden ser de tipo usuario-usuario o ítem-ítem.

Como su nombre indica, el filtrado colaborativo basado en usuarios agrupa clientes con comportamientos similares. 

Después, el algoritmo recomienda productos en función de las preferencias compartidas de estos segmentos, como se muestra a continuación:

Imagen del autor

Por su parte, el filtrado colaborativo basado en ítems agrupa productos similares entre sí según las preferencias de los usuarios, como ves en esta imagen:

Imagen del autor

Para profundizar en los distintos tipos de sistemas de recomendación y cómo implementarlos, haz el curso Build Recommendation Engines in Python de Datacamp.

Idea de proyecto: filtrado colaborativo

Puedes crear un recomendador basado en filtrado colaborativo con el dataset Book Recommender System Dataset de Kaggle. Contiene solo tres variables: ID de usuario, ISBN del libro y valoración del usuario.

Este tutorial de sistemas de recomendación te ayudará a empezar si no dominas aún el filtrado colaborativo.

2. Análisis de sentimiento

Imagen de KDNuggets

El análisis de sentimiento, también llamado minería de opiniones, consiste en identificar la emoción subyacente de un texto y es otra aplicación muy extendida de la ciencia de datos en marketing. 

Aquí tienes un ejemplo de cómo el análisis de sentimiento aporta valor a las organizaciones:

Un banco de Sudáfrica estaba experimentando tasas de abandono de clientes superiores a lo habitual. Muchos usuarios se iban con la competencia y dejaban de operar con ellos. El banco intentó identificar el problema con análisis de sentimiento.

Recopilaron más de 2 millones de puntos de datos en redes sociales para analizar qué se decía de la marca y entrenaron un modelo de sentimiento con esa información.

El análisis reveló que la mayoría de comentarios negativos provenían de usuarios descontentos porque había pocos cajeros en la hora de la comida, lo que generaba largas colas.

El banco corrigió la situación reforzando el personal en horas punta, y el abandono disminuyó.

Este ejemplo muestra lo útil que puede ser el análisis de sentimiento para mejorar la oferta y adelantarse a la competencia. Otras aplicaciones incluyen el análisis de producto, la investigación de mercado y la minería de reseñas de usuarios.

Para aprender más sobre modelos de análisis de sentimiento y cómo crearlos desde cero, haz el curso Sentiment Analysis in Python en Datacamp.

Idea de proyecto: análisis de sentimiento

Puedes empezar creando un modelo de análisis de sentimiento de reseñas de cine con un conjunto de datos que viene en la librería NLTK. NLTK es un paquete de Python con un amplio conjunto de algoritmos de procesamiento del lenguaje natural. 

En este proyecto usarás un dataset de reseñas de películas incluido en la librería, que puedes importar con una sola línea de código. Después, construye un algoritmo que clasifique las reseñas en sentimientos positivos y negativos.

Sigue el tutorial Python Sentiment Analysis en Datacamp si necesitas orientación para arrancar.

3. Predicción de churn (abandono de clientes)

Imagen de DeepNote

El churn se produce cuando un usuario deja de contratar los servicios o rompe su relación con una empresa. Si tienes Netflix y cancelas la suscripción, has hecho churn.

Para las empresas es más caro reemplazar a un cliente que se va que retener a uno existente. Por eso muchas organizaciones contratan data scientists para identificar a los usuarios con riesgo de abandono y poder evitarlo.

Ejemplo de cómo un modelo de predicción de churn ayuda a retener clientes:

Estás suscrito a un proveedor de Internet y últimamente tu conexión va lenta. Has puesto varias reclamaciones y contactado con soporte, pero el problema persiste. Has reiniciado el router y reconectado múltiples veces.

Finalmente decides cambiarte a la competencia por la mala experiencia.

El equipo de ciencia de datos del ISP recopila datos de comportamiento, actividad en la red e incidencias. Al consolidarlo todo, detectan que tienes un alto riesgo de churn.

Alertan de inmediato a los equipos de marketing y producto de que probablemente dejes de ser cliente.

Marketing se pone en contacto contigo con promociones personalizadas, planes de WiFi con descuento e incluso te ofrece mejorar tu plan gratis. Tras el cambio, la conexión mejora y tu experiencia es mucho mejor. Decides seguir con ellos en lugar de migrar a la competencia.

Este ejemplo muestra cómo los modelos de churn ayudan a retener a los usuarios existentes. Aportan valor directo al negocio y son habituales en plataformas de suscripción como Netflix y Spotify, cuyo ingreso depende de las renovaciones.

Idea de proyecto: predicción de churn

Puedes usar el dataset Telecom Customer Churn de DataCamp para crear tu primer proyecto de predicción de abandono. 

Incluye información de usuarios de una teleco iraní: edad, uso, antigüedad, reclamaciones, etc. Úsalo para predecir si un cliente tiene probabilidad de darse de baja.

Si no sabes por dónde empezar, sigue el tutorial Customer Churn Rate Prediction para construir el modelo. También puedes hacer el curso Predicting Customer Churn in Python.

4. Segmentación de clientes

Imagen de Madlytics

La segmentación de clientes consiste en dividir a los usuarios en subgrupos con rasgos compartidos. Cada segmento recibe promociones y ofertas distintas según su comportamiento.

Ejemplo de cómo la segmentación aporta valor al negocio:

Una empresa de e-commerce construye un modelo de segmentación para enviar promociones personalizadas. 

Si un usuario navega mucho pero solo compra con descuento, se clasifica como "cazador de promociones". A este segmento se le envía un email cada vez que hay rebajas, ya que es cuando más compra.

En cambio, hay usuarios que buscan artículos concretos y están dispuestos a pagar por calidad. A este grupo se le impacta de forma distinta y se le muestran productos de gama alta relacionados con sus intereses previos.

Así, quienes tienen mayor poder adquisitivo ven productos más caros alineados con sus gustos, lo que incentiva el gasto. Y quienes priorizan el precio reciben ofertas más asequibles en periodos promocionales.

Es un ejemplo sencillo, pero ilustra cómo la segmentación ayuda a maximizar el beneficio por usuario. 

Una de las aplicaciones más comunes es crear grupos de anuncios para campañas de marketing.

Facebook, por ejemplo, recopila datos demográficos y de comportamiento y permite ejecutar anuncios dirigidos a audiencias personalizadas. Se puede segmentar por ubicación, edad, género, marcas preferidas o afinidades. 

La segmentación de clientes suele lograrse con modelos no supervisados como el clustering K-Means. 

Si quieres aprender más sobre segmentación y cómo construir algoritmos como K-Means, haz nuestro curso Customer Segmentation in Python.

Idea de proyecto: segmentación de clientes

Puedes usar el E-Commerce Dataset de Datacamp para crear un proyecto de segmentación en tu porfolio.  

Este dataset recoge pedidos realizados en una plataforma de e-commerce con sede en el Reino Unido. 

Incluye datos de compra como artículos pedidos, precio y fecha de factura; con ello podrás segmentar usuarios según su actividad en la plataforma.

5. Análisis de cesta de la compra

Imagen de Analytics Vidhya

El análisis de cesta de la compra, o minería de asociaciones, sirve para analizar qué artículos se compran juntos con frecuencia. Para ello se procesan compras históricas y se detectan combinaciones de productos que aparecen a menudo en la misma transacción.

Con estos hallazgos, los comercios pueden mejorar el diseño de la tienda y fomentar compras más amplias en un solo ticket.

Por ejemplo, quien compra leche de fórmula suele llevar también pañales, por lo que se colocan cerca para facilitar la compra. 

Aun así, los patrones no siempre son tan evidentes. Según la región, la cultura y la demografía, hay artículos que se compran juntos sin pertenecer a la misma categoría. Muchas correlaciones se escapan al ojo humano, por lo que se recurre a técnicas como el análisis de cesta.

Ejemplo de cómo el análisis de cesta descubre asociaciones que pasarían inadvertidas:

El caso más citado es el de la "cerveza y pañales". Una cadena de supermercados del Medio Oeste de EE. UU. usó data mining para identificar artículos que se compraban juntos.

El análisis mostró que los viernes por la tarde se compraban cerveza y pañales a la vez. Puede parecer casualidad, pero este podría ser el motivo:

Un padre joven pasa por el súper un viernes para comprar cervezas tras una semana dura. Su pareja lo sabe y le pide que coja también pañales para el bebé. Esto se convierte en hábito y muchos padres que trabajan terminan comprando cerveza y pañales los viernes antes de volver a casa.

Tras descubrirlo, la tienda colocó ambos productos en el mismo pasillo y las ventas subieron de inmediato.

La historia se reportó a mediados de los 90 y su veracidad se ha cuestionado con los años. Sea real o no, ilustra el poder de la estadística para destapar correlaciones que se nos escapan.

El análisis de cesta no se limita a tiendas físicas. Las plataformas de e-commerce también muestran productos muy relacionados en la misma página para que no se te escapen. 

Si buscas unos vaqueros negros online, por ejemplo, quizá veas zapatos a juego al final de la página, animándote a comprar un conjunto y no solo una prenda. De nuevo, esto aumenta directamente las ventas porque los clientes compran más de lo previsto.

Para aprender más sobre el análisis de cesta y cómo aplicarlo con técnicas de machine learning, haz el itinerario Market Basket Analysis in Python. Si prefieres R, tienes el curso Market Basket Analysis in R. 

Idea de proyecto: análisis de cesta

Para empezar, puedes usar el mismo E-Commerce Dataset mencionado en la sección de segmentación. Ten en cuenta que es una versión recortada del dataset disponible en el UCI Machine Learning Repository y solo contiene 2.500 filas. Descarga el conjunto completo si quieres más datos.

Como explicamos antes, el E-Commerce Dataset incluye datos transaccionales como números de factura y productos comprados. Con esta información puedes identificar artículos que se adquieren juntos en la misma compra.

Para guiarte en la implementación, sigue el tutorial Market Basket Analysis in R. Si prefieres Python, tienes el curso Market Basket Analysis in Python.

Ciencia de datos en marketing: próximos pasos

¿Por qué deberías plantearte ser marketing data scientist?

La ciencia de datos tiene multitud de aplicaciones en marketing, muchas de las cuales hemos visto arriba. Estos casos aportan valor directo al mejorar ventas, resolver puntos de dolor y fomentar el consumo.

Antes, cuando no había tantos datos de clientes, muchos de estos trabajos los hacían los propios especialistas en marketing. El análisis de sentimiento y la investigación de mercado se basaban en encuestas. Se enviaban anuncios segmentados según la intuición sobre el comportamiento del cliente, más que en datos.

Hoy, con el enorme crecimiento de los datos que recopilan las empresas, el marketing se ha vuelto cada vez más basado en datos. 

Sin embargo, no basta con contratar data scientists para casos de marketing.

Aunque los data scientists manejan datasets complejos, construyen modelos predictivos precisos y realizan análisis estadístico, estas habilidades por sí solas no bastan para extraer insights valiosos. A menudo les falta conocimiento del dominio de marketing y les cuesta relacionar los datos con problemas de negocio.

Por su parte, los expertos en marketing entienden al cliente, saben formular problemas y orientar decisiones, pero no siempre tienen la base técnica para trabajar con grandes volúmenes de datos.

Un data scientist especializado en marketing combina lo mejor de ambos mundos, algo muy valioso para las organizaciones. Puede tender puentes entre la ciencia de datos y el marketing y tomar decisiones basadas en datos que impulsen la rentabilidad.

Cómo convertirse en marketing data scientist

Para dedicarte a la ciencia de datos aplicada al marketing, necesitas una base técnica y analítica sólida, conocimiento del dominio y buenas soft skills:

1. Habilidades técnicas

• SQL para extraer, limpiar y manipular datos en bases de datos. Aprende lo básico con el curso Introduction to SQL.
• Estadística y técnicas de machine learning supervisado y no supervisado. Revisa los fundamentos de estadística.
• Conocimiento de al menos un lenguaje de programación (R, Python, Java, etc.). Si no programas, sigue el itinerario de Python Programming de Datacamp o su alternativa en R.
• Capacidad para realizar pruebas A/B. 
• Visualización de datos y creación de dashboards con herramientas como Tableau, Power BI y Excel.
• Entender cómo se ejecutan y optimizan campañas en plataformas como Facebook y Google Display Network.
• Diseño de experimentos y modelos de atribución.

Ten en cuenta que los requisitos varían según la empresa y el equipo. Por ejemplo, un equipo centrado en recomendaciones no optimiza anuncios ni trabaja en atribución.

Si te falta conocimiento de marketing y quieres aprender a hacer A/B testing, visualizar métricas y analizar conversiones, haz el curso Introduction to Pandas for Marketing en Datacamp.

2. Habilidades blandas

• Comunicación clara y eficaz.
• Capacidad para traducir conceptos técnicos complejos a la dirección y facilitar la toma de decisiones.
• Capacidad para proponer soluciones basadas en datos a problemas de negocio.

Para ver con más claridad qué buscan las empresas en este perfil, aquí tienes los requisitos de Uber para el puesto:

Si aún no tienes experiencia en marketing data science, la mejor forma de demostrar tu potencial es crear proyectos que resuelvan problemas reales. 

En este artículo hemos propuesto proyectos relevantes para cada aplicación. Incluye algunos en tu CV para mostrar a los recruiters que sabes generar impacto con técnicas de ciencia de datos.

Y si quieres cubrir lagunas y aprender a aplicar ciencia de datos al marketing, haz el curso Machine Learning for Marketing in Python de Datacamp o su equivalente en R.