Tesis de Maestría de Gestión de Servicios Tecnológicos y de

Telecomunicaciones

Tendencia en la transformación digital para Retailers:

Omnicanalidad soportada por Big Data Analytics para mejorar la

experiencia del cliente durante su recorrido

Análisis de Adopción en Argentina

Autor: Ing. Katia Torres

DNI: 94484956
Tutor: Phd. Daniel Yankelevich

Buenos Aires, Argentina

Setiembre 2017
Contenido

1. Introducción 5
1.1 Resumen 5
1.2 Justificativa: Importancia y Contribución del Tema 6
1.3 Estado del Arte o Estado actual del debate 7
1.4 Situación Problemática 16
1.5 Hipótesis y Preguntas de Investigación 20
1.6 Objetivos 21
1.7 Metodología 22
2. Transformación Digital: Big Data Analytics y Omnicanalidad 25
2.1 Transformación Digital 25
2.1.1 Aspectos Generales 25
2.1.2 Impacto en la Industria de Retail 29
2.1.3 Medios sociales y el nuevo consumidor: Prosumer 31
2.2 Experiencia del Cliente 34
2.2.2 Customer Journey: Generación de experiencias y puntos de contacto 36
2.2.3 Tendencia de la Transformación Digital: Omnicanalidad 40
2.3 Big Data Analytics 42
2.3.1 Una aplicación de CRM no es suficiente 42
2.3.2 Evolución del datawarehouse: Big Data 43
2.3.2.1 Data warehouse 43
2.3.2.2 Big data 45
2.3.3 Evolución de BI: Analytics 51
2.3.3.1 Inteligencia de Negocios 51
2.3.3.2 Analytics 53
2.3.3.3 Advanced Analytics 55
2.3.3.4 Predictive Analytics con Data Mining 56
2.3.3.5 Analítica Cognitiva- IBM Watson Analytics 59
2.3.4 Tendencia de la Transformación Digital: Big Data Analytics 60
2.4 Big Data Analytics durante el Customer Journey para una Experiencia
Omnicanal 61
2.4.1 Big Data Analytics en la industria de Retail y e-Commerce 61

2
 2.4.2 Big Data Analytics para Marketing 63
2.4.3 Casos de Uso 66
2.4.3.1 Caso de Uso: Perfil del cliente 360º 66
2.4.3.2 Caso de uso: Segmentación 67
2.4.3.3 Caso de Uso: Perfiles predictivos 68
2.4.3.4 Caso de Uso: Tracking de clientes 68
2.4.3.5 Caso de uso: Captación de clientes más rentables 68
2.4.3.6 Caso de Uso: Ofertas relevantes y Optimización de campañas 69
2.4.3.7 Caso de Uso: Retención y Churn de Clientes 72
2.4.3.8 Caso de uso: Market basket analysis 74
2.4.3.9 Caso de uso: Cross- Sell o Up- Sell 74
2.4.3.10 Caso de Uso: Experiencia del cliente en cada punto de contacto 75
2.4.3.11 Caso de uso: Análisis de sentimientos en medios sociales 75
2.5 Camino en la Omnicanalidad: Estrategias mixtas y Puntos de Contactos
Innovadores 76
2.5.1 Redes Sociales y Social Commerce: Burberry 77
2.5.2 Click & Collect: Falabella, Carrefour, Corte Inglés, Starbucks 78
2.5.3 Asistente de compras : Guess y Burberry 81
2.5.4 Social Selling: Top Shelf, Curalate 83
2.5.5 Personalización de la oferta en tienda física a través del móvil: Kohl´s: 84
2.5.6 Scan & Shop: Mango 84
2.5.8 Pantallas y Probadores inteligentes en tiendas: Rebecca Minkoff,
Jogotech, Topshop 86
2.5.9 Supermercados virtuales y Compras desde el Hogar previo a IOT: Tesco,
Sorli Discau, Carrefour 87
3. Análisis del Entorno para la aplicación de Big Data Analytics 90
4. Caso: Amazon 99
4.1 Motor de Recomendaciones 102
4.2 Amazon Dash 103
4.3 Amazon Echo y Alexa 104
4.4 Amazon Go 107
4.5 Amazon Fresh y Whole Foods 108
5. Omnicanalidad en el Mercado Argentino 111
5.1 Análisis GAP: Necesidades vs Situación Actual en Argentina 111
5.1.1 Entrevista Al Mundo.com 114

3
 5.1.2 Entrevista a Garbarino 118
5.1.3 Entrevista Grupo Clarín 120
5.1.4 Entrevista Fravega 123
5.1.5 Entrevista Newsan 124
5.1.6 Entrevista Mercado Libre 126
5.2 Recomendaciones para la adopción de Big Data Analytics para mejorar la
experiencia del cliente omnicanal 128
Bibliografía 140

4
1. Introducción

1.1 Resumen
Hoy para las empresas la mejor manera de destacar es ofrecer una
experiencia de cliente única. Ello empieza con la compresión profunda de los
consumidores, y convirtiendo ese conocimiento en acción.
Las empresas se ven expuestas a diversos cambios del mercado, entre
ellos los impulsados por los consumidores. Este gran cambio que se vive
actualmente está siendo conocido como Transformación Digital.
Con la digitalización no basta con conocer a los clientes en cada canal
en el que el cliente actúa de forma separada, sino que se necesita tener el
conocimiento del cliente durante todo su recorrido, el cual pasa generalmente
por múltiples canales durante todo su ciclo de vida. Esto quiere decir obtener
información integrada de todo el recorrido del consumidor mientras él interactúa
con la organización y lograr así insights relevantes del consumidor mediante
big data analytics para satisfacer las preferencias y necesidades específicas de
los consumidores.
La industria elegida es Retail, una de las industrias más impactadas por
la revolución digital. En esta industria se tiene representativas organizaciones
que,en muchos casos nacieron offline mediante la tienda física y que están
migrando al canal digital o adquiriendo un nuevo canal mediante la creación de
su tienda online. Y por otro lado se tiene a los negocios E-commerce, negocios
que nacieron online y que en ciertos casos también evalúan agregar un nuevo
canal offline mediante una tienda física, justamente para poder brindar una
experiencia integrada y completa al consumidor durante todo su recorrido.
Los consumidores están expuestos a nuevas experiencias, las cuales
han transformado también sus necesidades. Los clientes son cada vez más
exigentes, más informados, hiperconectados y demandan respuestas a sus
necesidades de forma inmediata o en el momento exacto en el cual esas
respuestas les sean útiles y oportunas.
Por tanto, descubrir insights que permitan a las empresas anticiparse y
responder satisfactoriamente la demanda de los consumidores para entregarles

5
experiencias únicas mediante una eficiente gestión de la experiencia omnicanal
del cliente, será la ventaja competitiva en un mercado de gran competencia.
En este sentido Big Data Analytics centrado en el cliente, apoya la
mejora de la experiencia del cliente omnicanal, permitiendo a las
organizaciones determinar los medios óptimos para mejorar la vinculación del
cliente (customer engagement), su valor de vida (lifetime value) y su
satisfacción; y tomar medidas para realizar mejoras centradas en el cliente. Por
otro lado, de acuerdo con el nivel de Analytics que la empresa quiera adoptar,
puede incluir: analítica predictiva (predictive analytics), analítica social (social
analytics), inteligencia de negocios (business intelligence), y gestión de
decisiones (decision management); facultando así a las compañías a mejorar la
experiencia del cliente y maximizar los resultados empresariales, siendo
proactivas en lugar de reactivas.
Palabras Claves: Transformación Digital, Innovación, Experiencia del Cliente,
Customer Journey, Omnicanalidad, Big Data Analytics, Retail

1.2 Justificativa: Importancia y Contribución del Tema

Organizaciones capaces de gestionar la experiencia de los clientes
podrán obtener diversas recompensas, pero para ello existen diversos desafíos
a superar debido a la proliferación de canales y puntos de contacto con los
cuales el cliente interactúa. Entonces conocer todo el recorrido que el cliente
realiza mediante esos canales y puntos de contacto, principalmente en los
momentos críticos en los cuales el cliente interactúa con la organización y sus
ofertas, requiere un exhaustivo análisis de datos usando Big Data Analytics.
Considerando que las estructuras de gestión se encuentran alineadas a
iniciativas centradas en el cliente que permitan mejorar sus experiencias, lo
siguiente a realizar justamente es obtener insights de los clientes mediante Big
Data Analytics que además impulsa a las empresas a establecer métricas/ KPIs
adecuados que coloquen énfasis en medir la experiencia del cliente durante
todo su recorrido y ciclo de vida. De esta forma los esfuerzos de mejora que
realicen las organizaciones para brindar experiencias positivas y únicas a los

6
clientes podrán ser evaluadas y mejoradas en un proceso de retroalimentación
desde los insights de los clientes a los resultados obtenidos.
Por otro lado, tanto experiencia del cliente como big data analytics
continúan siendo importantes tópicos de investigación y se busca integrarlos en
esta tesis mediante una estrategia de omnicanalidad debido al impacto de la
transformación digital. La actual relevancia de estos temas para las
organizaciones comienza con las altas expectativas de los clientes,
expectativas que van en aumento, expuestos hoy en día a cambios disruptivos
y nuevas formas de relacionarse dadas también por organizaciones que
ingresaron al mercado con modelos de negocios innovadores. Los clientes
esperan cada vez más productos y servicios personalizados de alto valor que
satisfagan sus necesidades durante el recorrido que ellos hacen mientras
interactúan con la organización. En este sentido y para ello Big Data Analytics
es clave para lograr mejorar esas experiencias, dado que permite obtener
insights de los clientes que impacten positivamente esas experiencias, y en
consecuencia brindar ofertas relevantes, aumentar la base de clientes, retener
los clientes más rentables e incrementar la satisfacción y lealtad. Cuanto más
profunda es la comprensión de los consumidores, más precisas serán las
predicciones de sus futuros comportamientos cuando interactúen con la
organización, y la empresa podrá actuar en consecuencia.

1.3 Estado del Arte o Estado actual del debate

La industria de Retail, es una de las principales industrias afectadas por
el proceso de transformación digital, y se considera como unas de las
tendencias de esta transformación para este sector a los 2 temas que se van a
integrar en la tesis: Omnicanalidad y Big Data Analytics (Fundación Orange,
2016).
La omnicanalidad es un enfoque que busca integrar toda la operación de
Retail para entregar una respuesta sin fisuras en la experiencia del consumidor
(LCP Consulting, 2013). Pero, como Rigby et al. (2012, p 13) explica, esto
también es difícil y disruptivo. Rigby et al. (2012) sugiere que las empresas de

7
Retail exitosas serán aquellas que "encuentren la manera de deleitar a los
compradores tanto en tiendas como online".
Una de las principales interrogantes es cómo la tecnología afecta a la
experiencia del cliente en la industria de Retail (Verhoef et al, 2009) . Además,
donde la tecnología habilita una experiencia sin fisuras para el cliente también
proporciona datos útiles acerca de las necesidades del cliente y para la
optimización de las operaciones, que se pueden gestionar mediante Big Data
Analytics. (Cho y Fiorito, 2010).
Omnicanalidad trata de cultivar una relación simbiótica entre los canales
digitales y físicos para que trabajen juntos lado a lado, apoyándose unos a
otros. (Aubrey y Judge, 2012). Hardgrave (2012) sugiere que los clientes deben
tener una experiencia consistente y sin problemas o fisuras si ellos están
comprando en una tienda, en un móvil, o en un ordenador, y que las líneas
entre los distintos modos para comprar se están disuadiendo (Brynjolfsson et
al, 2013). Según Levitt (2013), en el enfoque Omnicanal el cliente tiene con la
marca una experiencia integral y centrada en el cliente, a diferencia del
enfoque basado en el canal.
Esta transformación digital justamente está siendo impulsada
principalmente por el cambio en los consumidores, innovaciones en Retail
están cambiando sus expectativas de compra (Rigby et al, 2012), ellos se
encuentran mucho más informados y conectados. Los consumidores
omnicanal de hoy usan varios canales diferentes, puntos de contacto y
múltiples plataformas, herramientas y redes digitales, ya sea en casa, en el
trabajo, mientras que pasan de un canal a otro con facilidad, utilizando
cualquier dispositivo que les es conveniente (Frazer y Stiehler de 2014 , Levitt,
2013).
Los clientes se preocupan más de conseguir la mejor oferta en lugar de
si la compra va a ser realizada en una tienda física o por alguna plataforma de
e-commerce, ellos ven poca diferencia entre los mismos, pero exigen una
experiencia superior y consistente en cualquier canal con el cual interactúen.
La tienda física no es más el paso clave en el camino de compra de los
consumidores, hoy en día las innovaciones tecnológicas en el comercio

8
minorista han hecho que la tienda no sea lo único y esencial, y debe generarse
un mayor valor para la misma.
Las empresas de Retail deben ofrecer una experiencia de compra sin
fisuras con una estrategia mixta que permita ir más allá de la dualidad del on y
off, reforzando su imagen o modelo de negocio de forma integral en todos los
canales. Por ejemplo, permitir que un cliente pueda: devolver un artículo
comprado online en una tienda física, realizar una compra online y retirar el
producto en la tienda física más cercana, ir a la página de la tienda para saber
si hay stock de determinado producto en la tienda física más cercana, recibir
experiencias exclusivas en la tienda física y comprar online con ofertas
personalizadas, entre otros.
Nordstrom, un conocido retail americano, ha integrado tecnología
asistencial que permite a los asistentes de ventas chequear a los clientes
desde cualquier lugar de la tienda, esto simplifica la compra y elimina las filas.
(O’Donnell, 2012). Los clientes de Nordstrom también tienen una opción de
‘click-and-collect’ para ordenar online y recoger en tienda (Anderson et al.,
2012).
La marca francesa de cosméticos Sephora ha diseñado una estrategia
usando tecnología touch point, ejm: Scentsa Fragrance Finder, Skincare IQ
touchscreen kiosk y Beauty Studio iPads para proveer acceso fácil a la
información del producto mediante el escaneo del código QR. También tienen
herramientas para compartir contenido en medios sociales y un aplicativo móvil
que permite que los consumidores escaneen productos, busquen información
de productos, rastreen su historial de compra y accedan a revisiones de
clientes para ayudar a los consumidores con la toma de sus decisiones (Trout,
2014).
Adidas es otro ejemplo, cuya tecnología utilizada en tienda ofrece a los
consumidores una experiencia inmersiva que pone las zapatillas de Adidas en
sus manos, listas para ser compradas (Aubrey y Judge, 2012). Una pared
virtual enorme despliega el catálogo entero de productos en un catálogo 3D, en
el que se puede acercar y rotar productos, y acceder a revisiones de clientes.
Cuando un cliente elige un producto, un vendedor revisa la disponibilidad en

9
una tablet, de esta forma el cliente puede pagar inmediatamente o pedir el
producto para envio (Burdett, 2013; Bodhani, 2012).
Como se conoce entonces, cada vez más se disuelve la línea entre los
distintos canales, que para el cliente son sólo un medio más para obtener el
producto de su elección al mejor precio y momento oportuno. De esta manera
es importante ser lo más útil posible a los clientes, tanto en términos de
aumentar su capacidad de hacer la compra correcta dada contextos y
necesidades individuales, así como mejorar su capacidad de obtener el
máximo valor de los productos después de la compra, finalmente creando
verdaderas experiencias memorables y atractivas durante todo el trayecto de
los consumidores a través de los distintos canales y durante todo su ciclo de
vida.
El mercado y la tecnología son las fuerzas externas que están
impactando a las organizaciones.
Aubrey y Judge (2012) afirman que la tecnología innovadora permite al
mercado de minoristas optimizar la disponibilidad del producto, aumentar la
participación de los consumidores, mejorar la interacción con la marca,
construir una imagen de marca y mejorar la experiencia del cliente. Pantano y
Di Pietro (2012) afirman que la integración de la tecnología puede mejorar la
experiencia de compra del cliente.
Davis (2014) dice: "No es simplemente una cuestión de la fijación con
los enlaces rotos en el recorrido del cliente, se trata de entender las
necesidades de los clientes y sus motivaciones, y diseñar una experiencia que
mejor se adapte a esa necesidad".
Klaus y Maklan (2013) definen la experiencia del cliente como
"evaluación cognitiva y afectiva del cliente de todos los encuentros directos e
indirectos con la empresa en relación con su comportamiento de compra".
Dholakia et al. (2010) consideran que las compras en los entornos comerciales
es un aspecto fundamental del comportamiento de los consumidores y es
influenciado por procesos psicológicos complejos y variados. Por lo tanto, es
esencial para las empresas de Retail explotar los puntos fuertes de la tienda
física para "crear una emotiva experiencia sensorial que profundice la conexión

10
del consumidor con los elementos físicos del producto" (Aubrey y Judge, 2012).
Bauer et al. (2006) resalta que aspectos hedónicos como el disfrute en las
tiendas, dominadas por la tecnología, son vitales para la satisfacción del
cliente.
Los CEOs mantienen como prioridad a los clientes dentro de todos los
stakeholders de la compañía debido al impacto que ellos producen en los
negocios (IBM, 2013), así conocer el comportamiento de estos consumidores
es también prioritario y cada vez más complicado por todo lo que involucra sus
preferencias y proceso de compra (PWC, 2016). Integrar mercado y tecnología
para tal fin es posible dentro del alcance de Big Data Analytics para Marketing.
Para ello nuevos roles también están siendo creados dentro de la organización,
porque se requiere profesionales que puedan integrar marketing y TI, de modo
que puedan hacer frente a la tecnología (por ejemplo, big data analytics) y
obtener el mayor beneficio en marketing (por ejemplo, gestión de la experiencia
del cliente omnicanal)
Desde el punto de vista de marketing y para buscar generar valor en la
gestión de esta área de negocios, se ha analizado los retos que enfrenta la
organización desde el punto de vista de los CMOs. De este modo, se ha
considerado un estudio realizado por IBM (2013) y que se actualiza cada 2
años, siendo el último en el 2015, para analizar los 3 retos más importantes y
que se mantienen hasta la actualidad:

o Explosión de datos
Big Data Analytics permite gestionar este incremento en el volumen de los
datos. Este exponencial aumento se ha impulsado por los canales digitales, y
ello genera diversos retos para las organizaciones y cambios en sus modelos
de negocios. Así, hoy en día el sector de retail cuenta con grandes volúmenes
de datos (big data) de los clientes como una nueva fuente de valor para su
análisis y su gestión analítica (analytics). De forma que no perderse y
aprovechar la gestión de estos datos, implica saber obtener información
relevante de los mismos, lo cual está siendo una de las mayores
preocupaciones de los CMOs (IBM, 2013)

11
o Redes sociales
Las redes sociales como parte de los medios digitales también son una fuente
importante y de crecimiento de los datos, así mediante el manejo del
alcance(reach) y de la viralidad permiten que los datos lleguen a más usuarios
y que ellos tengan mayor interacción con estos datos. Por tanto, su eficiente
gestión y monitoramiento como parte de Big Data Analytics permitirá que las
empresas obtengan información de valor.

o Proliferación de canales y dispositivos

La proliferación de canales y dispositivos brindan al usuario mayor cantidad de
canales para interactuar, a la vez que para las empresas significa mayor
cantidad de datos para gestionar y también más y más canales para gestionar
una experiencia integrada y consistente en todos ellos para los clientes. Por
otro lado, también origina pensar en nuevas estrategias de negocio para
aprovechar al máximo los beneficios de esta proliferación, como es el caso de
la omnicanalidad.

Por otro lado, y congruentemente con los retos mencionados para

Marketing, en el mismo informe realizado por IBM (2013), las principales
oportunidades de mejora se encuentran dentro de la gestión de la experiencia
del cliente, convirtiéndonos en científicos de la experiencia del cliente antes,
durante y después de la compra, logrando atraer a potenciales clientes, y
satisfacer y fidelizar a los existentes. Considerando esto, analizamos las
principales fuentes para conocer a las personas, las cuales se especifican en la
siguiente figura:

12
 Figura 1: Fuentes para influir en las decisiones estratégicas vs % CMOs que
las utilizan. Fuente: IBM, 2011-2015

Al analizar la figura 1 se observa que a pesar que la analitica del cliente

(customer analytics) es la principal fuente para conocer a las personas dentro
de las fuentes que influyen en las decisiones estratégicas, también se observa
que no se aprovecha mucho el canal online (comunicaciones online y blogs),
registrado el mismo en las dos últimas posiciones de las fuentes para conocer
a las personas. Concluyendo de esta manera que, no se logra complementar
eficientemente la analítica de clientes (customer analytics) con fuentes online.
Por tanto, Big Data Analytics justamente debe y considera las fuentes onlines
que incorporan datos no estructurados provenientes de comunicaciones online,
blogs, etc; y de esta manera busca obtener un mayor conocimiento de las
personas (que pueden ser clientes o no clientes) para conseguir ofrecer valor a
clientes exigentes. Así logra aprovechar al máximo los datos generados desde
diversas fuentes (big data) y con la analítica de datos sobre esa gran cantidad
de datos (big data analytics) utilizar analítica avanzada para beneficiarse de

13
todo el potencial de la fuente de información digital, logrando identificar
preferencias, patrones y establecer tendencias.
Por otra parte, mejorar la experiencia del cliente también involucra
fomentar relaciones duraderas con ellos. Y para ello no basta con conocer a los
clientes o personas para obtener segmentación y ventas, también hay que
generar presencia, estimular el interés y crear conjuntos de clientes. Así se
puede actuar en base a lo aprendido durante todo el ciclo de vida del cliente y
hacerlo antes que la competencia. De esta forma, Big Data Analytics siempre
debe estar orientado al negocio y de la mano de estrategias que se focalicen
en la relación con los clientes, no sólo en la transacción. El informe de IBM
(2013) muestra cómo el foco se ha mantenido en la transacción:

Figura 2: Utilización de datos del cliente vs % CMOs que hacen ese uso.
Fuente: IBM

Focalizarse en las relaciones con los clientes implica crear nuevos tipos
de relaciones que también permitan, en un ciclo continuo de mejora, generar
nuevos datos obtenidos de estas relaciones y revelar mediante Big Data
Analytics oportunidades ocultas. En este camino, el objetivo principal de la
integración de elementos digitales en las tiendas es permitir una mejor relación
con los consumidores, no sólo ' bombardear los sentidos ' (Srini y Rajesh ,
2010). Hay que conectarse continuamente con los clientes, hoy en día en el
mundo online se habla del “always on” de la marca, que significa estar siempre
presente en los medios digitales. De esta forma las marcas logran participar
con sus clientes en todas las fases de su ciclo de vida y también obtener
información relevante en todo ese ciclo, creando comunidades online y offline
para reforzar su marca. Se necesita tomar medidas que mejoren los puntos de

14
contacto con los clientes y la fidelidad de éstos, logrando la organización
relacionarse y atraerlos con una satisfactoria experiencia del cliente. Para
reforzar esos vínculos con el cliente hay que empezar desde adentro hacia
afuera, es decir desde la organización, por medio de la generación de una gran
identidad corporativa que sea visible en todos los puntos de contacto con el
cliente. En el caso de Marketing, se tiene que realizar como mínimo cinco
cambios clave, como se muestra en la figura 3, destacando que el alcance de
esta tesis compete sólo: “La ampliación de las capacidades de recogida de
datos, análisis e información” que se pretende plasmar mediante Big Data
Analytics (IBM, 2013)

Figura 3: Cambios clave en la función de marketing. Fuente: IBM

Por otro lado, relacionarse y atraer a los clientes no se limita a

comunicarse con ellos. También incluye ayudarles a disfrutar de los productos
y servicios que han adquirido y a colaborar con ellos para crear conjuntamente
nuevos productos y servicios, es decir no sólo importa la experiencia de
compra.
Finalmente, no basta con aplicar diversos puntos de mejoras, se debe
lograr capturar valor y medir los resultados de los esfuerzos para, continuar con
el proceso de mejora en un ciclo de retroalimentación con los resultados
obtenidos. Por ello de toda la data obtenida (big data) mediante analítica
(analytics) hay que obtener información relevante que genere valor a la
organización, saber interpretarla, tomar decisiones estratégicas que maximicen
el valor potencial de esa información, y finalmente medir los resultados
obtenidos.

15
 Hoy en día, los CMOs deben utilizar de la forma más inteligente posible
sus presupuestos para obtener el mayor beneficio de sus iniciativas, por ello es
importante complementar iniciativas offline y online, de acuerdo con los
objetivos. Actualmente, los beneficios del marketing se miden principalmente
por 7 métricas como muestra la figura 4, y observamos que conseguir medir la
experiencia del cliente es una de las principales métricas para cuantificar el
éxito en marketing:

Figura 4: Las siete medidas más importantes para cuantificar el éxito del
marketing. Fuente: IBM

Por tanto, como se ha visto hasta ahora, el estado del arte demuestra
que todos los temas que venimos estudiando y analizando son sumamente
importantes y de gran impacto a las decisiones estratégicas. Puntualmente en
esta tesis se busca estudiar cómo la experiencia del cliente debe ser
contextualizada adecuadamente con el impacto de la transformación digital
mediante la omnicanalidad y la aplicación de Big Data Analytics para obtener
una mejora en la misma. Todo ello, porque actualmente los éxitos aplicados a
Marketing están surgiendo de la aplicación de la analítica y la tecnología, en
lugar de una gran campaña creativa de una agencia de publicidad. (McKinsey,
2012). El problema ahora no está en la gran cantidad de datos que existen,
sino en saber obtener utilidad de ellos. (Rowles, 2014)

1.4 Situación Problemática

Los desafíos actuales de las empresas no son muy diferentes a los del
pasado, esto significa: convertir a los prospectos en clientes, y retener y

16
aumentar los ingresos de los clientes existentes, sin embargo, este desafío es
mayor en momentos actuales debido a grandes cambios.
El tema de estudio surge a partir del análisis del problema: cambios en
los clientes y nuevos medios para ellos interactuar. Para la industria de Retail,
los clientes tienen una predilección por los temas de cercanía, bajos precios,
atención rápida, personalización, etc; es decir desean la mejor experiencia
posible, y no sólo en un canal, sino que en todos los canales. Así que, para
muchos Retailers, es una prioridad conseguir integrar sus distintos canales de
venta, a pesar de que es muy variable el ritmo de adopción que cada empresa
está manejando para estrategias de integración camino a la omnicanalidad.
Los consumidores no sólo exigen más también se encuentran
conectados a través de múltiples canales y puntos de contactos, haciendo cada
vez más difícil que las empresas logren brindar una experiencia única y
consistente, originándose también reclamos de los clientes por las malas
experiencias. Por tanto, se necesitan tomar medidas que mejoren la
experiencia de los clientes durante todo su recorrido a través de los diferentes
canales y durante todo el ciclo de vida del cliente.
Los clientes como personas recuerdan las emociones, cómo los han
hecho sentir (si les gustó el producto, si los atendieron bien, etc) y no tanto la
parte objetiva. Para lograr una experiencia positiva no es suficiente con ofrecer
un producto que satisfaga sus necesidades, cómo ha sido la experiencia en
todos los puntos de contacto son cruciales para que los clientes evalúen la
relación comercial que tienen con la organización cada vez que se contactan.
Es decir, son todos los momentos de verdad del cliente que harán a su
experiencia total. Por tanto, la problemática radica en saber entender realmente
al cliente, empatizar con él y obtener su percepción de la experiencia; sin
olvidarse del contexto desafiante que trae consigo el canal online donde los
clientes pueden viralizar rápidamente sus malas experiencias generando una
mala reputación para la marca.
El mayor riesgo de una mala experiencia de cliente es que el cliente
abandone o no retorne a la organización, y con el impacto del canal online
también es posible que sus potenciales clientes no logren ser clientes de la

17
organización debido a las malas referencias. La empresa no sólo tendrá una
alta pérdida al no poder retener a sus clientes, también perderá al no poder
atraer a nuevos clientes. No hay que olvidar que es más caro obtener nuevos
clientes que retener a los clientes existentes, entonces se debe invertir lo
necesario para optimizar la experiencia del cliente, sin perder de vista las
métricas que permitan medir el éxito de nuevas iniciativas.
Muchas empresas y CMOs aún siguen poniendo más atención en la
transacción que en la relación con el cliente, significando esto una oportunidad
frente a la competencia mediante el liderazgo de iniciativas de analítica
orientadas al cliente y que mejoran la experiencia del consumidor y logran una
profunda vinculación con el mismo. Tradicionalmente se usan los datos de los
clientes, principalmente para segmentar y vender, no para generar presencia,
estimular el interés y crear comunidades de clientes online y offline para
reforzar la marca; perdiendo la oportunidad de aprender de las demás fases del
ciclo de vida del cliente. Y estas fases son cada vez más importantes ya que
los clientes se conectan con las marcas de formas totalmente nuevas, aún una
vez se ha realizado la transacción suelen entrar en una relación abierta con la
marca. Por tanto, hay que conectarse continuamente con los clientes, en el
mundo online se habla del “always on” de la marca, que significa estar siempre
presente en los medios digitales, de esta forma se logra participar con los
clientes en todas las fases de su ciclo de vida y también obtener información
relevante en todo ese ciclo, apostando a satisfacerlos antes, durante y después
de la venta en todos los canales en que interactúan.
Una verdadera personalización de la experiencia del cliente en todos los
momentos del conocido “customer journey” puede ser posible mediante el uso
de inteligencia obtenida con big data y analytics, por ejemplo: motores de
personalización y predicción, e incluso complementada con tecnología
multidispositivo para generar estrategias mixtas on y off, hasta obtener mayor
valor de distintas plataformas de marketing digital. En este sentido, es muy alto
el aporte de Big Data Analytics, ya que va a permitir obtener un mayor
conocimiento de los consumidores para poder realizar acciones estratégicas
que mejoren sus experiencias de forma personalizadas.

18
 Sin embargo, de acuerdo con una encuesta de Capgemini y como se
muestra en la figura, resulta problemático tanto el planteamiento de los casos
de uso de Big Data Analytics como la evaluación de los resultados logrados
con estas iniciativas. El setenta y cuatro por ciento de las organizaciones no
tiene criterios bien definidos para identificar, calificar y seleccionar casos de
uso de Big Data. El sesenta y siete por ciento de las empresas no tenían KPIs
claramente definidos para evaluar las iniciativas. Haciendo que esta falta de
enfoque sistemático afecte las tasas de éxito.

Figura 5: % de Iniciativas exitosas. Fuente: Big Data Survey, Capgemini,

2014

Por otro lado, la gestión eficiente de la experiencia del cliente implica

aspectos de talento humano, de cultura y tecnológicos. Desde el punto de vista
tecnológico que es el alcance de esta tesis, algunas de las situaciones
problemáticas que también pueden existir son:
- Falta de aplicaciones implementadas en la empresa, que permitan
obtener un conocimiento profundo del cliente.
- Falta de aplicaciones implementadas en la empresa, que permitan
gestionar la información del cliente, originada de los datos que dejan en
todas sus interacciones en el canal offline y online.

19
 - Pocas aplicaciones que puedan integrarse con facilidad a los sistemas
existentes de la organización, sin afectar el ROI.
- Pocas aplicaciones que pueden integrarse con facilidad para manejar
una vista 360 grados del cliente.
- Barreras de implementación de aplicaciones.
- Deficiencias de la infraestructura de TI y sistemas, que pueden resultar
inflexible o contar con malos equipos, que no permite tomar las ventajas
de aplicaciones de big data analytics.

La velocidad de los cambios y la velocidad a la cual se les necesita

hacer frente o resolver estos problemas, también resulta por sí mismo una
situación problemática. El ritmo actual de los cambios se ha acelerado, lo que
obliga a las empresas a hacer grandes esfuerzos para adaptarse a un entorno
en constante transformación.

1.5 Hipótesis y Preguntas de Investigación

Hipótesis: Big Data Analytics permite mejorar la experiencia omnicanal del

cliente y Amazon es un caso modelo de ello, sin embargo, el nivel de adopción
en Argentina se encuentra en etapa inicial.

Preguntas de Investigación:
P1. ¿De qué manera Big Data Analytics puede mejorar la experiencia
omnicanal del cliente?
P2. ¿Por qué las empresas que gestionan exitosamente la experiencia
omnicanal del cliente aplican técnicas de Big Data Analytics?
P3. ¿Cuál es el nivel de adopción en Argentina de Big Data Analytics para
mejorar la experiencia omnicanal del cliente?

20
1.6 Objetivos
Como objetivo general se desea corroborar que Big Data Analytics
permite mejorar la experiencia omnicanal del cliente y establecer el grado de
adopción en Argentina. Usando diferentes instrumentos y recursos que además
permitan un entendimiento práctico de lo que concierne al canal on, off y
conceptos relacionados. Finalmente, identificando y analizando mediante el
estudio del caso Amazon aquellas buenas prácticas e innovaciones
tecnológicas que permitan ser una referencia o guía estratégica orientada a
directivos del sector de Retail para la aplicación de Big Data Analytics en
iniciativas de diseño y gestión de experiencias omnicanal, o para aquellos
retailers, empresas y organizaciones que han comenzado o tienen pensado
iniciar su proceso de transformación digital.

Como objetivos específicos, tenemos los siguientes:

- En el capítulo 1, el cual es de introducción, se espera aclarar en qué
consiste esta investigación e introducir al lector a lo largo de la misma,
definiendo el resumen, la importancia y contribución del tema, el estado
actual del debate, la situación problemática, las preguntas de
investigación, los objetivos y la metodología de investigación.
- En el capítulo 2, se espera describir eficientemente los principales
conceptos mediante una línea congruente de temas para que el lector
comprenda a cabalidad los diferentes puntos relacionados a Experiencia
del Cliente y Analytics, así como las nuevas tendencias que surgen en un
contexto de digitalización: Omnicanalidad y Big Data Analytics
respectivamente. También ejemplificar la integración de todos estos
tópicos mediante conocidos casos de uso de negocio para la aplicar big
data analytics para mejorar la experiencia omnicanal del cliente.
- En el capítulo 3, se realiza un análisis previo al caso de estudio para
conocer mejor los impactos externos, de industria, así como desafíos,
oportunidades, fortalezas y debilidades que puede atravesar una
determinada empresa para conseguir resultados exitosos en la aplicación
de Big Data Analytics en el camino de la omnicanalidad.

21
- En el capítulo 4, con el conocimiento previo adquirido por el lector en el
capítulo 2, se busca analizar un caso de estudio emblemático como es
Amazon, el Retail número 1 del mundo, además de uno de los negocios
data-driven líder en el mundo, pasando a ser un caso modelo en la
aplicación de Big Data Analytics para mejorar la experiencia del cliente
omnicanal en la industria de Retail.
- En el capítulo 5, se analiza la situación del mercado argentino en materia
de adopción de estas mejores prácticas para mejorar la experiencia del
cliente mediante Big Data Analytics. Además de plantear
recomendaciones para su aplicación exitosa.
- En el capítulo 6, se plantean las conclusiones y posibles líneas de
investigación.

1.7 Metodología
La investigación llevada a cabo será del tipo exploratoria y descriptiva.
Se realizará una revisión y análisis exhaustivo de una muestra bibliográfica
importante sobre experiencia del cliente tomando en cuenta el alcance de la
investigación que hace foco en el aspecto tecnológico de la experiencia del
cliente y considerando los impactos digitales como son la omnicanalidad y big
data analytics. Experiencia del cliente y big data analytics no son áreas
nuevas, pero no existe una cantidad suficiente de publicaciones académicas y
libros acerca del tema en específico integrando ambos conceptos. Por este
motivo se complementará el análisis con publicaciones de organismos
internacionales y consultoras reconocidas a nivel mundial. Evaluándose el
tema de tesis mediante el análisis de Amazon como estudio de caso.
El paradigma de investigación será por un lado cualitativo y se
instrumentará mediante entrevistas con especialistas del sector; y por otro lado
cuantitativo en base a fuentes secundarias como son estadísticas de
reconocidas fuentes como: Gartner, Forrester, IDC, entre otros. Además, se
complementará con entrevistas o conferencias disponibles de referentes

22
internacionales de omnicanalidad, experiencia del cliente, customer journey y
big data analytics.
Las actividades involucradas hasta acá se podrían resumir y categorizar
de la siguiente manera:
- Revisión y Análisis Bibliográfico: se ha realizado una revisión de literatura
correspondiente al tema de desarrollo. EEUU es uno de los grandes
ejemplos en la aplicación de Big Data Analytics, donde rápidamente se
empezaron a ver los avances positivos, como es el caso de empresas
íconos como Google y Amazon. Cada vez más países en vías de desarrollo
están implementando sistemas tecnológicos para iniciativas de Big Data
Analytics.
- Entrevistas con especialistas de retailers del mercado argentino.
- Información obtenida debido a la participación en especializaciones, cursos,
y foros focalizados en las problemáticas de experiencia del cliente y en la
aplicación de técnicas de Big Data Analytics. Así como entrevistas y
conferencias disponibles.
- Análisis de estudios de casos: Caso Amazon

Respecto al análisis de estudios de caso ha sido elegido tomando en

cuenta la ventaja que presenta un estudio de casos: permitiendo aproximarse a
situaciones de la vida real y comprobar ideas en relación directa con el
fenómeno a medida que se desarrolla en la práctica. Ahora bien, como
comentaba Flyvbjerg (2004) no significa que el estudio de casos sea siempre
apropiado o relevante como método de investigación, o que las grandes
muestras aleatorias carezcan de valor. Sino que la elección del método debe
depender claramente del problema que se estudie y sus circunstancias. En
este sentido, se ha considerado que para el estudio de la experiencia del
cliente impactada por la digitalización y evidenciándose ese impacto en la
expectativa de omnicanalidad en la industria de Retail, se hace importante el
estudio de casos.
El estudio de casos según Eckstein (1975) y contraviniendo el
conocimiento convencional en este campo, considera que, los mismos son

23
mejores para comprobar hipótesis que para producirlas, como se cree
mayormente. Justamente los estudios de casos, afirma Eckstein (1975: 80):
“son valiosos en todas las fases del proceso de la construcción de teoría, pero
sobre todo en la fase de construcción teórica donde las teorías candidatas se
someten a prueba y donde normalmente se les atribuye un valor menor. En
contraposición, las muestras aleatorias que acentúan la representatividad
raramente podrán producir este tipo de conocimiento; por tanto, es más
apropiado seleccionar algún caso por su validez.
Por otro lado, para optar por la elección de un caso se ha tomado en
cuenta que el conocimiento cuantitativo no sustituye al conocimiento cualitativo
de sentido común. Ambos conocimientos tienen sus debilidades, el
conocimiento cuantitativo establecido mediantes reglas independientes del
contexto darán al estudiante sólo el nivel de principiante, por lo cual se necesita
del cualitativo para alcanzar niveles superiores de expertise; y el conocimiento
cualitativo a través de la observación natural no es objetivo, presenta sesgo y
hasta llega a no ser fiable en algunos casos pero es lo que se tiene como única
ruta hacia el conocimiento por muy confusa, falible y sesgada que sea.
(Eckstein, 1975: 179, 191). Por tanto, en esta investigación en particular, se
busca reducir cualquier sesgo mediante la triangulación que se da a partir de
las entrevistas que se van a realizar en importantes retailers argentinos, como
de los datos estadísticos que puedan soportar alguna afirmación, de ser el
caso.
Respecto a la generalización y reafirmando el asunto del contexto
Flyvbjerg (2004) comenta que no se pueden encontrar teorías predictivas ni
universales en el estudio de los asuntos humanos. Por lo tanto, el conocimiento
concreto dependiente del contexto es más valioso que la vana búsqueda de
teorías predictivas y de teorías universales. De esta manera, hablar de
experiencia omnicanal del cliente lleva a establecer esta afirmación y a pensar
que el análisis de estudios de caso es el más adecuado.
El caso Amazon va a permitir la generalización porque además de ser un
caso de éxito en el tema de esta investigación, también es un caso modelo o
más probable para el tema abordado, involucrando destacadas prácticas

24
internacionales. Eckstein afirma que se puede generalizar a partir de un solo
caso, dependiendo del caso del que se trate y de cómo haya sido elegido. Esto
es aplicable tanto a las ciencias naturales como al estudio de los asuntos
humanos. El único consejo general es que para encontrar casos críticos es
buena idea buscar los casos “más probables” o los “menos probables”, es
decir, casos que tienen muchas probabilidades bien de confirmar claramente, o
bien de falsear irrefutablemente las proposiciones y las hipótesis. (Flyvbjerg,
2004).
Casas de estudio como la Universidad de Harvard también reafirman
esta metodología de investigación. En Harvard, la enseñanza y la investigación
en las escuelas profesionales están moldeadas en gran medida a partir de la
idea de que el conocimiento de casos es central para el aprendizaje humano
(Christensen y Hansen, eds., 1987; Cragg, 1940). Flyvbjerg (2004) comparte
que en Harvard se propugnaba: “Olvida el conocimiento convencional, sigue
adelante y haga estudio de casos”

2. Transformación Digital: Big Data Analytics y

Omnicanalidad

2.1 Transformación Digital

2.1.1 Aspectos Generales

Ejecutivos, de acuerdo con la figura 5, están de acuerdo en
señalar 3 tendencias claves en los negocios que surgen de las tecnologías
digitales, y que las consideran prioridades estratégicas ofensivas para las
empresas: big data y analytics, marketing digital y las herramientas sociales, y
por último las nuevas plataformas de distribución como el cloud computing y la
movilidad.

25
 Figura 5: Prioridad de las tendencias digitales sobre la estrategia de las
compañías. Fuente: McKinsey, Abril 2012.

Como se observa en el gráfico, más del 50% de los ejecutivos

encuestados consideran a cada una de las tres tendencias digitales citadas
como prioridad corporativa. Sin embargo, para cuestión de este estudio, es
importante recalcar que el 40% de los ejecutivos encuestados piensan que las
empresas consideran a Big data y Analytics como una de las 2 prioridades de
una unidad de negocio o lo consideran como una de las 10 prioridades de la
compañía.

En lo que respecta a Big Data Analytics y de acuerdo con la figura

a continuación, para conseguir su mayor valor el foco debe estar en lograr
obtener Insights del cliente, es decir alinear Big Data Analytics a una estrategia
orientada al cliente principalmente, como es el caso de la gestión de la
experiencia del cliente omnicanal.

26
 Figura 6: Las áreas funcionales en que las empresas centran y deben
centrar el uso de Big Data y Analytics para mejorar la performance general.
Fuente: McKinsey, Abril 2012.

Todas estas tendencias de negocios digitales involucran grandes

desafíos, entre los principales se tienen los basados en aspectos
organizacionales y la tecnología de la empresa, como se observa en la figura a
seguir:

27
 Figura 7: Desafíos más importantes de cara al cumplimiento de las
prioridades de negocio digitales. Fuente: McKinsey, Abril 2012.

La incertidumbre en los últimos años debido a la migración digital

está abriendo el camino para un enfoque más claro; para identificar, escoger y
ejecutar los modelos de negocios, estructuras organizacionales y habilidades
para aprovechar las nuevas conductas de los clientes y lograr aumentar el valor
futuro. Con el aumento de los niveles de comodidad con lo digital, la falta de
claridad relacionada a opciones estratégicas se está aclarando y aunque queda
mucho por hacer se están entendiendo mejor las oportunidades y los retos en
este sentido. De acuerdo a lo establecido por diversas encuestas del sector,
para el caso puntual de la aplicación de big data analytics, la tasa de éxitos
generalmente ronda el 15%.
Actualmente los medios de comunicación más utilizados son los
medios digitales, las personas le dedican más tiempo que a los medios
tradicionales como los periódicos, la radio y la televisión. La comunicación
digital implica también interacción y colaboración entre todas las personas que
hacen uso de un medio digital y que se encuentran interconectados en la red.
Esta sistematización de la información en la red ha generado avances
sobresalientes como la producción de hipertextos y de nuevos conocimientos.
Sin duda, la tecnología digital ha introducido diversos cambios en
el mundo, las comunicaciones cada vez son más digitales, más móviles y más
anchas. Más móviles, porque el crecimiento de las líneas de telefonía móvil
sigue en aumento, las ventas globales de tabletas y de dispositivos móviles
inteligentes continúan creciendo; y más anchas porque la capacidad de las
redes también aumenta de manera exponencial para permitir intercambios de
información más rápidos, completos y en formatos simultáneos.
Todos estos cambios están llevando a una nueva era comparada
con la pasada revolución industrial y denominada actualmente revolución o
transformación digital, habiendo éstos digitalizado la economía mundial,
transformando modelos de negocios fuertemente y permitiendo la creación de
nuevos modelos de negocios, ocurriendo una de las transformaciones
28
económicas y sociales más importantes de la historia. Así de cara al
consumidor, existen más canales y más datos que las empresas tienen que
gestionar para lograr diseñar y administrar una experiencia del cliente positiva y
homogénea en todos esos puntos de contacto. En este sentido el acceso a la
información acerca del consumidor que se desprende de todos los canales y
los canales digitales debe ser gestionada con una estrategia de omnicanalidad
para obtener a partir de la información relevante un real valor para la gestión de
la experiencia omnicanal del cliente.

2.1.2 Impacto en la Industria de Retail

Como se ha mencionado, los consumidores son cada vez más
exigentes, y acostumbrados a usar nuevas tecnologías digitales, y por tanto
ellos esperan que las empresas se encuentren de la misma forma
familiarizadas y presentes en esos canales donde interactúan. Con el caso de
Retail no hay excepción, y esta industria es una de las más impactadas,
teniendo más demandas de los clientes que esperan tener los productos donde
lo deseen, en el momento que lo deseen y al precio más conveniente para
ellos. Sin embargo, estas nuevas demandas también pueden ser vistas como
nuevas oportunidades para los retailers, de forma que busquen innovación para
obtener nuevas maneras y más innovadoras o emocionantes de llegar a los
clientes. La Industria no puede pensar que sólo vende productos, hoy día debe
vender experiencias, vender una positiva experiencia en todo el proceso de
adquirir esos productos.
Actualmente no se puede ser un poco digitales, hay que
realmente involucrar las nuevas tecnologías a los procesos de negocio. Desde
el punto de vista tecnológico, el impacto para los retailers se define como la
necesidad y la velocidad de incorporar nuevas tecnologías que pueden ser
categorizadas en los siguientes ejes: cloud, social, mobile e IoT (Fundación
Orange, 2016)
Muchos retailers siguen luchando con la existencia de
omnicanalidad, tratando de determinar el equilibrio perfecto de la presencia
física y el enfoque digital. No es un problema nuevo, pero continuará
29
evolucionando de manera desafiante y emocionante a medida que la
transformación digital continúa desarrollándose. Se prevé que las ventas
mundiales del sector retail (incluyendo compras en tiendas y compras en
internet) superen los 19,5 billones (millones de millones) de euros. De ese total,
el comercio electrónico supondrá el 7,4%. Las previsiones para 2019 indican el
crecimiento de la cuota de mercado del comercio electrónico hasta el 12,8%.

Figura 8: Total ventas online en Retail 2014-2019.

Fuente: Worlwide retail ecommerce sales: eMarketer ́s updated estimates and
forecast through 2019, eMarketer, 2015

30
 2.1.3 Medios sociales y el nuevo consumidor: Prosumer
Las tecnologías de la información y la comunicación(TIC), y la
internet tienen características específicas que impactan en la vida diaria de las
personas de una sociedad. Internet ha permitido la creación de los distintos
medios sociales, los cuales son vistos como plataformas generativas (Zittrain,
2006), diseñados para permitir la más alta variedad de usos posibles.
Levin (2004) mantiene que la internet provee espacios virtuales,
los cuales facilitan nuevos patrones sociales: espacios sociales a múltiple
escala, el acceso a diálogos, y la formación de grupos. Por otro lado, la
reducción de las distancias físicas y temporales, hacen posible que las
personas interactúen con otros localizados en diferentes espacios físicos y
temporales (Anderson & Rainie, 2010; Kanuka & Anderson, 1998; Schroeder,
2011).
El hecho de que las tecnologías digitales pueden ser de dos vías
permite la ilusión de interacción social cara a cara, lo que facilita la expansión
de las redes sociales y afecta a las prácticas sociales. Por lo tanto, las
diferentes estructuras sociales, basadas en las tecnologías digitales tales como
la Internet, afectan a las propiedades de las estructuras en sí mismas, y
proporcionan un menú cada vez mayor de los medios y formas para las
personas interactuar socialmente de diferentes maneras. A diferencia de las
interacciones que son cara a cara, la interacción en las estructuras sociales
creadas en internet permite a las personas no sólo elegir la estructura social
(donde no hay presencia física), sino también la forma de interacción digital que
eventualmente puede reemplazar la interacción cara a cara (Turkle, 2011).
La conexión a una red de personas que se comunican a través de
máquinas, definida por Allen (2010) como la conectividad social, se diferencia
de la interacción cara a cara, porque las tecnologías digitales multiplican las
oportunidades para la interacción social. Las estructuras digitales tienen cada
una funciones y propiedades adaptadas a la motivación del usuario para
interactuar con su red social, entonces al ser los usuarios que procuran por
determinado contenido e interacción en determinadas redes sociales online, se
hace más propensa la vinculación de los usuarios que en un medio tradicional.

31
 La combinación de estas características de las TICs significa que
cualquier ciudadano puede, en su tiempo de ocio, reunirse, interactuar, e
inclusive producir y realizar contenido en colaboración con otros usuarios
online. (Cole & Griffiths, 2007; Ducheneaut, Yee, Nickell, & Moore, 2006;
Schroeder, 2011). La generación de contenidos impulsa la interacción social,
aprovechando las tecnologías digitales.
Hoy son cada vez más las personas involucradas en la
producción de la información en la red y a su vez son consumidores de la
misma, creando así un abanico de información en todos los sentidos. Es lo que
algunos investigadores llaman de prosumers (Tapscott, 1996; Toffler, 1985),
pues no sólo se convierten en consumidores de medios interactivos, sino que
llegan a participar incluso en la producción de contenidos. La sociabilidad en
las redes sociales en línea depende del contenido, y por tanto los prosumers
que son los que la producen son los que impulsan la sociabilidad en estas
redes sociales, y permiten generar una mayor vinculación con el resto de los
usuarios. Consecuentemente, esto ha cambiado el esquema del mercado y
además ha achatado la antigua pirámide, ya que hoy en día cualquier persona
puede tener su propio periódico en forma de un blog y hasta su propio canal de
televisión mediante plataformas de distribución de videos como youtube,
disponible en forma gratuita 24/7.
Prosumer no es un término nuevo, existe alrededor de 10 años,
está formado por la fusión de las palabras en inglés producer (productor) y
consumer (consumidor). McLuhan & Nevit (1972) sugirieron que con la
tecnología electrónica el consumidor podría llegar a ser un productor al mismo
tiempo. Los prosumers son personas que producen algunos de los productos y
servicios que entran en su propio consumo. Todos estos servicios se pueden
comprar y, de hecho, la mayoría de las personas hoy en día realiza la compra
de estos bienes y servicios; siendo ésta la esencia de un consumidor. La
esencia de ser un prosumer, por otro lado, es preferir la producción de bienes y
servicios por uno mismo, tomando en cuenta que ser un prosumer da la
posibilidad a los consumidores de ser productores mediante la personalización

32
de nuevos productos. Lo nuevo que ha traído consigo el término de prosumers
se debe al impacto de las redes sociales, blogs, etc. en diversos consumidores
haciendo que diferentes usuarios sean canales de comunicación por sí mismos
porque no sólo consumen contenido de diarios, de revistas, de la televisión,
del cine, de blogs, etc. sino que también lo producen.
Los clientes han cambiado de mano de las nuevas tecnologías,
pasando de un estado pasivo a uno activo, han dejado de ser meros receptores
de información o consumidores sedentarios de los medios tradicionales y han
adoptado un papel activo frente a una oferta completa y heterogénea de
contenidos que él mismo puede seleccionar según sus necesidades, e incluso
producir haciéndolos prosumers. En esta nueva era digital el prosumer se
convierte en el nuevo defensor del consumidor, encabezando boicots desde las
redes sociales como detractores cuando detectan engaños o falsedades en
algún producto o siendo prescriptores y aliados de las marcas para contagiar
optimismo y buenas vibraciones a los clientes potenciales cuando el producto
es fiable y de calidad. El resto de consumidores toman los comentarios de los
prosumers con confianza, haciendo que este tipo de comunicación sea más
influyente que la publicidad tradicional (Christodoulides, 2012).
Un prosumer entonces produce contenido en diversos canales
como youtube, facebook, twitter o en los mismos blogs, generando
constantemente valiosa información sobre un producto o servicio. Toda esta
nueva información generada y que crece exponencialmente a cada día, debe
ser gestionada mediante Big Data Analytics para conseguir extraer valor y
permitir acompañar a las empresas el cambio radical de los clientes, y por tanto
las relaciones con ellos, así como también la exposición y la percepción de las
experiencias de estos consumidores.
Desde la perspectiva de Marketing, no sólo representan los
prosumers un papel importante en la reputación on-line de la marca sino
también en la vinculación de los consumidores con la marca, porque permiten
conectar y comunicarse con los consumidores debido a que ellos impulsan
mayor interactividad social mediante mayor generación de contenido. Así la
generación de contenido por otro usuario tiene importantes implicancias

33
prácticas para Marketing. Los CMOs hasta pueden llegar a usar estas fuentes
digitales para obtener ideas para vincular a los consumidores. reduciendo los
costos de comunicación comparado a canales tradicionales. (Krishnamurthy &
Dou, 2008) y aplicando estrategias de marketing para canales digitales
(marketing digital).

2.2 Experiencia del Cliente

En la actualidad, los clientes buscan experiencias, pero crecen los
desafíos para las empresas poder crear y gestionar una excelente experiencia.
Con la explosión digital, el customer journey tiene muchas posibilidades a
través de los pasos de los clientes por diferentes canales. Siendo estos
recorridos marcados por la experiencia dejada a los clientes en cada punto de
contacto y por los datos del comportamiento de los clientes. Es así que el
customer journey guía la integración y análisis de los tópicos de la tesis
(experiencia del cliente omnicanal y big data analytics), así como sirve de
marco conceptual para los procesos y técnicas que se comentan a lo largo de
la misma.

2.2.1 Desde el CRM a la Gestión de la Experiencia del Cliente

Como se sabe, la Gestión de la relación con el cliente, conocido

por sus siglas en inglés (Customer Relationship Management, CRM), no es un

sistema o alguna aplicación para gestionar la información del cliente. De

acuerdo con la literatura revisada, es una estrategia corporativa centrada en la

forma en que se administra la relación con los clientes, a través de los distintos

procesos y puntos de contacto (marketing, ventas y servicio) con el objetivo

final de incrementar las ventas a través de la generación de oportunidades de

negocio. Aunque si bien es cierto existen aplicaciones que automatizan parte

34
del proceso y se denominan CRM, porque son aplicaciones utilizadas para

apoyar el cumplimiento de esta estrategia, no hay que confundirse.

Por otro lado, la Gestión de la Experiencia del cliente (Customer

Experience Management, CEM) se refiere a la forma en la que observamos,
medimos y buscamos optimizar las vivencias y emociones (experiencia) de
nuestros clientes que han tenido en todos los momentos de verdad con la
marca y la organización, a través de los distintos puntos de contacto, con el
objeto de crear relaciones a largo plazo para de esta forma generar mayores
oportunidades de negocio.
Se identifica que ambos conceptos son complementarios, si bien
la relación con el cliente es más funcional y la experiencia del cliente es más
subjetiva, ambos deben gestionarse en todo el ciclo de vida del cliente. La
gestión de la experiencia del cliente no solo se limita a los momentos de verdad
en los puntos de contacto, al basarse en sentimientos también está sujeta a
todos los estímulos que reciba el cliente de parte de la marca, por ejemplo:
obtener ofertas personalizadas, conocer que la organización tiene
responsabilidad social y ambiental, etc. Por otro lado, la gestión de la relación
con el cliente, se verá reflejada sólo en los puntos de contacto con los cuales el
cliente se relacione, pero será en estos puntos de contacto donde la
organización obtenga la información necesaria de cuál ha sido la experiencia
de los clientes, para conocerla, interpretarla y mejorarla. Es obvio que son
estrategias estrechamente relacionadas y podríamos pensar en la conocida
frase: ¿cuál fue primero? ¿El huevo o la gallina? Lo que está claro es que la
palabra final la tiene la experiencia del cliente, es decir, la parte subjetiva
siempre ganará a la objetiva.
Si pensamos en el canal online, involucra mayores desafíos, los
puntos de contacto crecen y hoy en día el cliente se relaciona con la marca
mediante redes sociales, blogs, tweets, etc.; por tanto, este canal también debe
ser gestionado. Están surgiendo aplicaciones denominadas social CRM que
buscan apoyar la estrategia de CRM en los medios digitales, es decir la gestión
de la relación con el cliente en el canal online, principalmente en redes sociales
donde las personas interactúan constantemente.
35
 Hoy día sin duda el canal online impacta en la relación con el
cliente porque las personas interactúan en cualquier lugar y en cualquier
momento, existen personas que se convierten en influenciadores positivos o
negativos en la relación, la relación es vista y juzgada por muchas más
personas, etc.; lo que finalmente importa es que la relación deje una
experiencia positiva en el cliente y todos los potenciales clientes. Por otro lado,
el canal online también impacta a la experiencia del cliente mediante el
contenido, el lenguaje, los comentarios positivos y/o negativos; es decir, los
clientes reciben muchos estímulos antes, durante y después de su propia
experiencia. En el medio online, las experiencias son transparentes y podría
decirse que pasan a ser conjuntas, propagándose las mismas a mucha
velocidad.
Más allá de las correctas, confusas o malas definiciones que la
organización utilice para denominar a su estrategia con los clientes, se debe
tener claro el alcance que está abordando la compañía de todo lo que hasta
ahora se ha comentado y el objetivo que persigue. Actualmente es importante
que la relación con los clientes, no solo se centre en las transacciones, sobre
todo tiene que estar centrada en las relaciones con ellos. De esta manera la
información relevante de los clientes, obtenida a partir de todos los canales en
los cuales los clientes interactúan (offline y online) y gestionada mediante Big
Data Analytics no sólo debe utilizarse para segmentar y vender, también para
generar interés, ayudar a los clientes a disfrutar mejor de sus productos y
servicios, y diversos aspectos subjetivos de la relación con el cliente que hacen
a la experiencia del mismo. La organización debe relacionarse con los clientes
durante todo su ciclo de vida, a la par de optimizar la experiencia del cliente
para que las relaciones construidas perduren, se atraigan nuevos clientes y se
aumente el valor de compra de los clientes.

2.2.2 Customer Journey: Generación de experiencias y puntos de

contacto
El customer journey representa el recorrido del cliente por los
diferentes canales y a través de diferentes etapas mientras dura el ciclo de vida
36
del cliente con la organización, de forma exitosa logra que el cliente pase del
conocimiento, a la vinculación y finalmente a la compra (Forrester, 2017). Estas
etapas en el recorrido del cliente o customer journey se pueden categorizar
como Fase Anterior a La Compra, La Compra, y Fase Posterior a la Compra.
Para Google también existe otra fase llamada Momento Zero de la Verdad que
se ubica inmediatamente antes de la compra.

Figura 9: Ejemplo de etapas del recorrido del cliente y posibles puntos de

contacto. Fuente: Internet

En cada una de estas etapas del recorrido del cliente, el cliente

interactúa con diversos puntos de contactos y mediante diversos medios, por lo
cual se logra gestionar eficientemente la experiencia del cliente considerando
este mapa del customer journey y tomando en cuenta que va existir para el
cliente una experiencia pre compra, experiencia de compra y experiencia post
compra y las 3 deben ser consistentes y positivas. Por otro lado también se
tiene a la experiencia de comunicación presente en cualquier etapa del
recorrido del cliente y en cualquier parte de su ciclo de vida, la cual está afecta
principalmente por el enfoque de marketing que se quiera usar push o pull, y
por los diversos tipos de puntos de contacto con los cuales los clientes pueden
37
interactuar que pueden ser clasificados en medios de pago, medios propios, y
medios ganados.
Las etapas del recorrido del cliente y las experiencias en cada una
de ellas mediante diversos puntos de contacto, en la práctica empiezan con
potenciales clientes atraídos por alguna experiencia de comunicación que van
a buscar a la marca. En ese momento comenzarán a investigar las diferentes
opciones disponibles en el mercado y cuál de todas les puede satisfacer su
necesidad. Tras esto vendrá la elección de producto o servicio y, con suerte, la
compra. Durante este recorrido es cuando la empresa tiene la oportunidad de
hacer tangible su promesa de marca mediante la experiencia brindada. Si la
experiencia es buena conducirá a la satisfacción del cliente y esta por su vez
promoverá la lealtad (Shankar et al. 2003); sugiriendo que si la experiencia es
memorable obtendrá un cliente leal fan del producto y servicio, que además
llegue a ser un real influenciador para potenciales consumidores mediante sus
recomendaciones (Keiningham et al. 2007b)
Como plantean los investigadores Phil Klaus y Stan Maklan
(2016) la experiencia del cliente impacta positivamente a la satisfacción del
cliente, e impacta positivamente también a la lealtad de forma superior a la que
lo haría sólo la satisfacción. Así considerando lo que algunos investigadores
señalan: que la satisfacción del cliente es deseable pero no es suficiente para
modificar comportamientos como es el caso de impactar a intenciones de
permanecer leales (McDougall & Levesque, 2000), la experiencia si impacta y
se relaciona tanto con la satisfacción como con la lealtad de forma
independiente (Phil Klaus y Stan Maklan, 2016).
Los diferentes momentos por el que atraviesa el cliente durante su
recorrido van a definir aquellos llamados de momentos de verdad que hoy en
día se tratan de micro momentos de verdad, es decir que pasan con mayor
velocidad. Todo esto afecto por a los cambios tanto en los consumidores
(consumidores más exigentes e hiperconectados), y los medios (todo más
digital) permitiendo a los consumidores una valorización más rápida acerca de
un potencial producto o servicio que influye en la decisión de de compra o no
compra.

38
 Cada organización debe definir el mapa de puntos de contacto
que mejor se adapte a su realidad y a sus clientes. Para identificar
correctamente estos puntos de contacto, expertos sugieren que antes
debemos:
-Conocer bien el ciclo de vida de nuestros clientes y disponer de una estrategia
con objetivos claros en cada fase: qué queremos que nuestros clientes hagan,
sientan y piensen en los momentos importantes.
-Establecer objetivos y métricas precisas para las interacciones, eventos o
situaciones que se produzcan o, de lo contrario, no nos van a servir de mucho.

En la figura 10, a continuación, se muestra un ejemplo del armado de un mapa

de customer journey:

Figura 10: Mapa de Customer Journey de Rail Europe. Fuente: Internet,

adaptivepath.org

Recolectar datos y accionarlos en estrategias sorprendentes que

mejoren la experiencia del cliente a lo largo de este Customer Journey es lo
que marcará la diferencia, y ello es soportado mediante técnicas de big data y
39
analytics porque provee a las empresas de procesos, métodos avanzados y
tecnologías para tal fin. La experiencia ofrecida al cliente necesita trabajarse
continuamente, detectar los posibles errores o las diferencias entre la
experiencia que se desea entregar y la realmente dada o incluso descubrir el
mejor canal de comunicación con el cliente para cada momento del recorrido; y
ello sólo se puede lograr mediante la medición y análisis para obtener insights
accionables y relevantes. De forma que cada una de las interacciones del
cliente puedan generar una experiencia positiva que vaya componiendo una
relación cada vez más fuerte entre el cliente y la marca, el cliente estará cada
vez más vinculado.

2.2.3 Tendencia de la Transformación Digital: Omnicanalidad

Los canales con los cuales los clientes interactúan han ido
evolucionando, pasando desde un único medio offline como era el caso de la
tienda, hasta un nuevo medio online con el e-commerce como canal principal
involucrando diferentes nuevos puntos de contactos online para el cliente. El e-
commerce también se convirtió en un modelo de negocio digital por sí mismo
existiendo empresas que no contaban con tienda física, sin embargo, estos
diferentes canales operaban de manera independiente, proporcionando en
cada punto de contacto con el cliente diferentes percepciones acerca de la
marca y diferentes experiencias al cliente, los cuales eran gestionados por
cada canal de manera separada también. Posteriormente mediante el enfoque
de cross-channel se buscó integrar de forma consistente los canales para
conseguir dar una única visión al cliente de la marca, y también tener una única
visión del cliente para todos los canales, aunque cada canal se mantenía
funcionando de forma independiente. Debido a ello, hoy en día se busca optar
por un enfoque llamando de omnicanalidad en la cual se mantiene una visión
unificada y consistente de la empresa para el cliente buscando brindarles una
misma experiencia a lo largo de todo su recorrido, y también se mantiene una
visión unificada del cliente en todos los canales con los cuales interactúa,
añadiendo que estos canales trabajan de forma complementaria entre si, no de

40
forma independiente, buscando así aprovechar lo mejor de cada canal para ser
potenciado en otro, tanto a nivel de datos, como de procesos y experiencia.

A continuación se presenta una figura para ilustrar esta evolución:

Figura 11: Evolución de la multicanalidad a la omnicanalidad. Fuente:

“UPS Pulse of the Online Shopper” estudio conducido por comScore, United
States

Por otro lado, hoy en día toman más relevancia diversos otros
canales o puntos de contacto en el trayecto del cliente debido al impacto de la
digitalización y como respuesta al cambio en los consumidores. Es el caso del
medio móvil, dando surgimiento a la existencia del m-commerce.
Consumidores hiperconectados demandantes de una experiencia homogénea
y consistente a través de todos los canales, hace que las empresas caminen en
dirección a establecer estrategias integradas como un mix de los canales off y
on. Dicha experiencia demandada solo se asegura mediante una integración de
los diferentes sistemas: catálogos, stocks, precios, pagos, logística,
comunicación, atención al cliente; brindando al cliente autonomía y flexibilidad,
y una coherente y homogénea desde el punto de vista del producto, de la
atención y de la propia imagen de marca.
41
2.3 Big Data Analytics
A partir de los siguientes conceptos, lo que tiene que quedar claro es
que cualquiera que sea la etiqueta para definir las técnicas del análisis de
datos, algunas más abarcativas y otras más específicas, las organizaciones
han empezado a entender y explorar cómo procesar y analizar una gran
cantidad de información mediante nuevas maneras. Lo importante es entender
el objetivo y el alcance que persigue con esto cada organización; y la solución
de negocio o aplicación que se utilizará para automatizar ese proceso. Para lo
cual, analizar y entender, al momento de su elección, las funcionalidades,
ventajas y desventajas de las soluciones de proveedores en el mercado es
clave para elegir la que mejor se adapte a las necesidades de cada
organización. Esas soluciones se suelen llamar de diferentes maneras y
existen soluciones más comerciales y aptas para un tipo de mercado
específico. Así vamos a hacer un recorrido por la evolución de los conceptos y
técnicas que envuelven los mismos.

2.3.1 Una aplicación de CRM no es suficiente

Para construir relaciones con los clientes se han manejado
iniciativas de CRM, de hecho, muchas empresas en todos los sectores han
implementado estrategias de CRM. Sin embargo, no logran generar los
retornos esperados y ofrecer un valor significativo. Esto es en parte debido a la
dificultad de impulsar cambios a través de las culturas y procesos establecidos
en la organización. Por otro lado, los sistemas de CRM se basan en análisis
históricos que ofrecen sólo una visión en retrospectiva de las relaciones con el
cliente y ofrecen poco soporte a las decisiones que afectan el futuro.
Decisiones que surgen de un análisis profundo del cliente, de modo que se
puede conocer las necesidades cambiantes del cliente con una perspectiva de
futuro, permitiendo anticiparse a cambios en las preferencias, actitudes y
acciones de los clientes. Debido a eso, comúnmente los sistemas de CRM han
estado enfocados en la operación, y si bien tienen la base necesaria para
42
establecer mejores relaciones con los clientes, no hacen mucho por mejorar la
capacidad de las organizaciones para maximizar el valor de vida del cliente.
De lo señalado, ahora analytics se considera esencial para el
éxito de esfuerzos de CRM, y no sólo como una mejora para los mismos. Por
eso, hoy en día están surgiendo sistemas de CRM más evolucionados, CRM
analíticos, que aplican continuamente tecnologías de análisis predictivo y
permiten desplegar los resultados en toda la empresa, De acuerdo con lo
especificado, se muestra a continuación la evolución en las capacidades para
un sistema de CRM, llegando hasta el CRM analítico. Este mediante tecnología
predictiva aumenta el valor de negocio de la información del CRM.
- Reporting & OLAP proveen información acerca de las interacciones
pasadas del cliente.
- Data Mining & la personalización en real-time pueden guiar interacciones
futuras.

Figura 12: Evolución de CRM. Fuente: IBM Intranet

2.3.2 Evolución del datawarehouse: Big Data

2.3.2.1 Data warehouse

Un repositorio de datos o datawarehouse es una
colección de datos integrados, no volátil y variable en el tiempo, que ayuda a la
43
toma de decisiones y que reúne a la información más allá de la información
transaccional y operacional. Se almacena en una base de datos diseñada con
diferente nivel de agregación de los datos para favorecer el análisis y la
divulgación eficiente de la información (por ejemplo, para el procesamiento
analítico en línea OLAP). Lo que es claro que el data warehouse almacena
datos estructurados para la consulta y el análisis.

➔ Elementos de Datawarehouse:
- Metadatos
Uno de los componentes más importantes de la arquitectura de un
repositorio de datos son los metadatos. Se define comúnmente como
"datos acerca de los datos", en el sentido de que se trata de datos que
describen cuál es la estructura de los datos que se van a almacenar y
cómo se relacionan.
El metadato documenta, entre otras cosas, qué tablas existen en una
base de datos, qué columnas posee cada una de las tablas y qué tipo de
datos se pueden almacenar. Los datos son de interés para el usuario
final, el metadato es de interés para los programas que tienen que
manejar estos datos. Sin embargo, el rol que cumple el metadato en un
entorno de almacén de datos es muy diferente al rol que cumple en los
ambientes operacionales. En el ámbito de los data warehouse el
metadato juega un papel fundamental, debe contener toda la
información concerniente a: tablas, columnas de tablas, relaciones entre
tablas, jerarquías y dimensiones de datos, entidades y relaciones.

- Funciones ETL
Los procesos de extracción, transformación y carga (ETL) son
importantes ya que son la forma en que los datos se guardan en un
almacén de datos (o en cualquier base de datos). Implican las siguientes
operaciones:
✓ Extracción. Acción de obtener la información deseada a partir de los
datos almacenados en fuentes externas.

44
 ✓ Transformación. Cualquier operación realizada sobre los datos para
que puedan ser cargados en el data warehouse o se puedan migrar
de éste a otra base de datos.
✓ Carga. Consiste en almacenar los datos en la base de datos final, por
ejemplo, el almacén de datos objetivo normal.

- Middleware
Middleware es un término genérico que se utiliza para referirse a todo
tipo de software de conectividad que ofrece servicios u operaciones que
hacen posible el funcionamiento de aplicaciones distribuidas sobre
plataformas heterogéneas. Estos servicios funcionan como una capa de
abstracción de software distribuida, que se sitúa entre las capas de
aplicaciones y las capas inferiores (sistema operativo y red). El
middleware puede verse como una capa API, que sirve como base a los
programadores para que puedan desarrollar aplicaciones que trabajen
en diferentes entornos sin preocuparse de los protocolos de red y
comunicaciones en que se ejecutarán. De esta manera se ofrece una
mejor relación costo/rendimiento que permite el desarrollo de
aplicaciones más complejas, en menos tiempo.
La función del middleware en el contexto de los data warehouse es la de
asegurar la conectividad entre todos los componentes de la arquitectura
de un almacén de datos.

2.3.2.2 Big data

Actualmente Big data se escucha en todos lados pero no
siempre es un concepto utilizado correctamente, a veces se usa para
referirse a cosas distintas como datos masivos, analítica de social
media, capacidades de gestión de data de siguiente generación, data en
tiempo real, etc; si bien big data sí involucra o se relaciona con tales
conceptos. Por ello es importante referirse a una encuesta realizada por
IBM a mitad del 2012 donde se concluye que los profesionales
mayormente piensan que el término Big Data se refiere a un mayor
45
 alcance de información con nuevas clases de data, con nuevos análisis,
e información en tiempo real; aunque los conceptos específicos para
información en tiempo real es Computación en Memoria, y para análisis
es Analytics; pero sin duda de acuerdo a la solución diseñada por la
organización estos conceptos se complementan. También se puede
observar que a pesar que puede ser fácil pensar que Big data significa
datos de los medios sociales, sólo un 7% de profesionales lo cree.

Figura 13: Opiniones sobre significado de Big data. Fuente: IBM, 2012.

Big data se refiere específicamente a los grandes

volúmenes de datos, pero se sabe que el manejo de grandes datos se ha
originado hace años. Justamente es más común para ciertos sectores que
llegan a obtener miles de millones de registros detallados de la interacción con
sus clientes. Entonces, ¿qué hace diferente a lo que hoy se conoce como big
data? Hasta acá podemos intuir que los conceptos actuales pueden involucrar
actividades que se han venido realizando desde hace años, pero como todo lo
que avanza a la par de la tecnología, esas actividades han evolucionado hacia
nuevos enfoques, técnicas y herramientas. Por tanto, como indica la diversa
literatura, las tendencias tecnológicas que hacen a big data diferente son las
siguientes:
46
- Digitalización de prácticamente "todo" ahora crea nuevos tipos de datos de
gran tamaño y en tiempo real a través de una amplia gama de industrias.
Mucho de esto son datos no estándar, por ejemplo, streaming,
geoespaciales o datos generados por sensores que no encajan
perfectamente en almacenes tradicionales, estructurados y relacionales.
- Tecnologías y técnicas de analíticas avanzadas permiten a las
organizaciones extraer insights de los datos con niveles anteriormente
inalcanzables de sofisticación, velocidad y precisión.

Big data se caracteriza por datos masivos en volumen,

variedad y velocidad, y además es importante considerar la veracidad de los
datos; como muestra la siguiente figura:

Figura 14: Dimensiones de Big Data. Fuente:IBM

- Volumen: Cantidad de datos. Tal vez la característica más asociada con big
data, por eso que generalmente se hace referencia a grandes volúmenes de
datos, el volumen se refiere a cantidades masivas de datos que las
organizaciones están tratando de aprovechar para mejorar la toma de
decisiones en toda la empresa. Los volúmenes de datos continúan
aumentando a un ritmo sin precedentes. Sin embargo, lo que constituye
verdaderamente un "alto" volumen varía según la industria, e incluso
geografía, y es más pequeño que los petabytes y zetabytes que a menudo
se hace referencia. Muchas personas consideran entre un terabyte y un
petabyte para pensar en grandes volúmenes de datos. Sin embargo, de
47
 acuerdo con lo que se viene comentando, se está de acuerdo que todo lo
que es considerado "alto volumen" hoy va a ser aún más alto mañana.

- Variedad: Diferentes tipos de datos y fuentes de datos. La variedad

concierne a la gestión de la complejidad de los múltiples tipos de datos,
incluyendo datos estructurados, semi-estructurados y no estructurados. Las
organizaciones tienen la necesidad de integrar y analizar los datos desde un
conjunto de fuentes de información tradicionales y no tradicionales, desde
dentro y fuera de la empresa. Con la explosión de sensores, dispositivos
inteligentes y tecnologías de colaboración social, los datos se han generado
en innumerables formas, incluyendo: texto, datos de la web, tweets, datos de
los sensores, audio, video, archivos de registro y más.

- Velocidad: Datos en movimiento. La velocidad a la que se crea los datos, son

procesados y analizados, continúa en aceleración. Contribuir a una velocidad
más alta es la naturaleza de la creación de datos en tiempo real, así como la
necesidad de incorporar el flujo de datos en los procesos de negocio y toma
de decisiones. La velocidad impacta a la latencia, que quiere decir el tiempo
de retraso entre la creación o captura de los datos, y cuando están
accesibles. Hoy en día, los datos se están generando continuamente a un
ritmo insostenible por sistemas tradicionales para capturar, almacenar y
analizar. Si se piensa en procesos sensible al tiempo, tales como la
detección del fraude en tiempo real, o marketing “instantáneo” multicanal,
ciertos tipos de datos deben ser analizados en tiempo real para ser de valor
para el negocio.

- Veracidad: Incertidumbre de datos. La veracidad se refiere al nivel de

fiabilidad asociado con ciertos tipos de datos. La lucha por la alta calidad de
los datos es un requisito importante y el desafío de big data, pero incluso los
mejores métodos de limpieza de datos no pueden eliminar la imprevisibilidad
inherente de algunos datos, como el clima, la economía, el futuro, y en el
caso de este estudio: el sentimiento y la veracidad de los seres humanos, o

48
 las decisiones de compra futura real de un cliente. Sin embargo, a pesar de
la incertidumbre los datos aún contienen información valiosa; por lo cual hay
que gestionar la incertidumbre mediante la creación de un contexto alrededor
de los datos o el uso de matemáticas avanzadas. Los ejecutivos tendrán que
acercarse a la incertidumbre de manera diferente, ellos tendrán que
reconocerla, aceptarla y determinar cómo utilizarla para su propio beneficio.
La única certeza sobre la incertidumbre es que no es probable que
desaparezca.

Hasta aquí se puede entender a big data como una

combinación de esas características que crean una oportunidad para que las
organizaciones obtengan ventaja competitiva en el mercado digitalizado de
hoy. Esto permite a las empresas transformar las formas en que interactúan
con y sirven a sus clientes y permite a las organizaciones, incluso industrias
enteras, transformarse. Como se mencionó, no todas las organizaciones
tendrán el mismo enfoque hacia la construcción de sus capacidades de big
data. Pero todas las industrias tienen la oportunidad de utilizar nuevas
tecnologías de big data y analytics para mejorar la toma de decisiones y
performance.
Lo que funciona para diversas otras tecnologías,
también resulta lo más efectivo para soluciones de big data, que es partir de las
necesidades del negocio, y luego adaptar la infraestructura, las fuentes de
datos y la analítica (analytics) para soportar la oportunidad de negocio. Por
tanto, lo más recomendable es una progresión natural de los datos, fuentes,
tecnologías y habilidades necesarias para crear una ventaja competitiva en un
mercado en plena disrupción digital. Según un estudio de IBM, la mayoría de
empresas se encuentran en etapas tempranas de big data. Sin embargo, y de
acuerdo con la literatura analizada, hay grandes líderes que han avanzado y
continúan avanzando en implementaciones de big data, logrando que esto sea
justamente una de sus grandes ventajas competitivas.

49
 Figura 14: Nivel de actividad de Big data en las organizaciones. Fuente:
IBM

Actualmente y para reafirmar los diversos aciertos y

aportes que se está logrando con esta investigación, los principales objetivos
que persiguen las empresas en cuanto a Big data se basan en resultados
centrados en el cliente.

Figura 15: Principales objetivos organizacionales a partir de Big Data.

Fuente: IBM

Los objetivos centrados en el cliente surgen porque las

organizaciones se han comprometido a mejorar la experiencia del cliente y

50
comprender mejor las preferencias y comportamiento de los consumidores. El
“empowered consumer" de hoy, es una de las mayores prioridades en las
organizaciones, que es lo que se ha venido identificando a lo largo de este
estudio. Las empresas ven claramente que los datos masivos (big data)
mejoran la capacidad de entender y predecir comportamientos de los clientes
(analytics); y al hacerlo, mejoran la experiencia del cliente. A través de esta
comprensión más profunda, las organizaciones de todo tipo están encontrando
nuevas maneras de relacionarse con actuales y potenciales clientes.

2.3.3 Evolución de BI: Analytics

2.3.3.1 Inteligencia de Negocios

Inteligencia de Negocios fue uno de los primeros
términos para referirse a la creación de conocimiento mediante el análisis de
datos existentes en una organización. Siendo un conjunto de estrategias y
herramientas enfocadas en la administración y creación de tal conocimiento. En
este contexto, era importante diferenciar claramente entre:

- Datos, como se sabe los datos referencian a cualquier data de forma

general. Ejm: 10000.
- Información, sin embargo, es el dato contextualizado. Ejm: Las ventas del
mes de junio fueron 10000.
- Conocimiento, es el aprendizaje obtenido del análisis de la información, que
orientará las acciones o estrategias a realizar para cumplir con los objetivos
de la empresa. Ejm: Las ventas del mes de junio fueron 10000, siendo este
el mes más bajo en ventas.

➔ Elementos de las herramientas de inteligencia de negocio:

- Repositorio de datos back-end (data warehouse) que almacena los
datos extraídos de las distintas fuentes de datos de la empresa y que
han sido obtenidos de los distintos procesos. Estos datos mediante las
herramientas y técnicas de ETL (extraer, transformar y cargar) se

51
 extraen, se depuran y preparan (homogenización de los datos), y
finalmente se cargan al data warehouse.
- Aplicativo de información front-end que permite que los datos sean
visualizados y analizados.

➔ Características:
El conjunto de metodologías y herramientas de inteligencia de negocios,
tienen en común las siguientes características:
✓ Accesibilidad a la información. Los datos son la fuente principal de este
concepto. Lo primero que deben garantizar este tipo de herramientas y
técnicas será el acceso de los usuarios a los datos con independencia
de la procedencia de éstos.
✓ Apoyo en la toma de decisiones. Se busca ir más allá en la presentación
de la información, de manera que los usuarios tengan acceso a
herramientas de análisis que les permitan seleccionar y manipular sólo
aquellos datos que les interesen.
✓ Orientación al usuario final. Se busca independencia entre los
conocimientos técnicos de los usuarios y su capacidad para utilizar estas
herramientas.

➔ Niveles de BI:
De acuerdo a su nivel de complejidad se pueden clasificar las soluciones
de Business Intelligence en:
✓ Informes:
- Informes predefinidos
- Informes a la medida
- Consultas (Query) / Cubos OLAP (On-Line Analytic Processing).
- Alertas
✓ Análisis:
- Análisis estadístico
- Pronósticos (“Forecasting”)
- Modelado predictivo o Minería de datos (Data Mining)

52
 - Optimización
- Minería de Procesos

Finalmente es importante destacar que el término de

business intelligence involucró por mucho tiempo sólo lo referido a la
descripción, no predicción, de información. Por eso hoy en día existe el término
de analytics o advanced analytics para referirse a los niveles de análisis que
mediante técnicas avanzadas se enfocan en lograr predecir el futuro.

2.3.3.2 Analytics
Analytics es el descubrimiento y la comunicación de
patrones significativos en los datos, por otro lado, favorece la visualización de
datos para comunicar conocimiento. Su foco es la predicción, además de la
descripción de información.

➔ Niveles de Analytics:
De acuerdo a su nivel de complejidad se pueden clasificar las soluciones de
Analytics en los 8 niveles mostrados a continuación. Lo que cabe aclarar, es
que del nivel 1 al 4 es lo que comúnmente se denomina Business Intelligence
como hemos visto anteriormente. Sin embargo con la evolución de las
tecnologías, Business Intelligence como término genérico también aborda estos
8 niveles, pero Analytics es el nuevo término para hacer referencia y énfasis
en las capacidades del 5 al 8 que se conocen como Advanced Analytics .
Como se ha venido mencionando, todo depende del uso comercial que se haga
de los términos, tanto por las empresas como por proveedores de soluciones,
que también por una cuestión de marketing buscan diferenciarse de sus
competidores resaltando de esta forma las capacidades que abordan. Lo que
hay que tener claro es el abordaje que se da en cada empresa.

53
 Figura 16: Niveles de BI Analytics. Fuente: SAS Intranet

➔ Beneficios:
Realizar analítica de datos puede ayudar a los negocios a:
✓ Aumentar, retener y satisfacer a los clientes (esto es el alcance de la tesis)
✓ Transformar los procesos financieros.
✓ Incrementar la eficiencia operacional.
✓ Gestionar los riesgos, el fraude y la conformidad reguladora.
54
 2.3.3.3 Advanced Analytics
Advanced Analytics consiste en la examinación
autónoma o semiautónoma de datos o contenido utilizando técnicas y
herramientas sofisticadas, por lo general más allá de los del BI tradicional, por
lo cual como veníamos comentando está referido a los niveles más avanzados
de Analytics (niveles del 5 al 8 de la figura 16 de la anterior sección). De esta
forma AA busca obtener insights más profundos, hacer predicciones o generar
recomendaciones.
Hoy en día Advanced Analytics es parte de la agenda de muchas
empresas, al permitir explotar el Big Data de estas organizaciones. Dos
grandes ejemplos son Amazon y Google, empresas que cuentan con grandes
capacidades de explotación de datos, y han sabido crear nuevos y potentes
modelos de negocios a partir de ello.
A diferencia de la analítica tradicional o lo antes denominado business
intelligence es que las técnicas tradicionales permitían entregar un análisis
retrospectivo, en cambio la analítica avanzada se centra análisis predictivos
que van mejorando en base a la experiencia. Y así se distingue de otras
técnicas de inteligencia de negocios. Este proceso de optimización es un acto
de aprendizaje, ya que para tener éxito se debe realizar generalizaciones a
partir de los datos en forma de tendencias y representaciones matemáticas, y
estas generalizaciones deben llevarse a cabo cuando se aplica a los próximos
ejemplos que no se ven. Derivar un modelo predictivo robusto a partir de datos
de la organización es el acto mismo de aprender de la experiencia.

➔ Tipos de Advanced Analytics:

De forma congruente con la literatura e investigadores, podemos agrupar
diversas técnicas de advanced analytics dentro de diferentes tipos
conceptuales de analítica avanzada:
- Predictive Analytics
- Text Analytics
- Machine Learning
55
 - Data Mining
- Video analytics
- Speech analytics
- Link analysis
- Stream mining
- Geospatial analytics, etc

Posteriormente vamos a mostrar mediante algunos casos de negocios

como en la práctica algunos de estos tipos de analítica avanzada son
utilizados, con el objetivo de omnicanalidad. Debido a ello, no son todos estos
tipos de analítica avanzada que van a observarse a lo largo de la tesis, porque
no forma parte del alcance de acuerdo con las hipótesis planteadas. Todos
estos casos no pueden desarrollarse en una tesis.

2.3.3.4 Predictive Analytics con Data Mining

Las organizaciones comúnmente pueden aplicar analítica a los
datos empresariales, para describir, predecir y mejorar el rendimiento del
negocio. Hoy en día, se obtiene una gran ventaja competitiva logrando una
efectiva analítica predictiva (predictive analytics), como parte de lo que se
conoce como analítica avanzada o advanced analytics. De esta manera las
organizaciones pasan desde la información descriptiva a obtener conoci
miento predictivo, para lo cual las recomendaciones desprendidas del
análisis pueden permitir que la compañía se anticipe a potenciales hechos del
futuro. La idea es responder a los eventos a la medida que se desarrollan, con
la certeza de poder adaptarse a los constantes cambios.

Predictive Analytics crea modelos matemáticos sofisticados que

son usados como base para las predicciones. Estos modelos son alimentados
por muchos registros de data que podrían tener las características de big data.
En el caso de los datos de los consumidores, predictive analytics puede
determinar el mejor curso de acción para un cliente individual, en vez de

56
suponer o inferir la reacción de un cliente a una oferta de marketing, de
producto o servicio; permitiendo predecir la respuesta con precisión.

Adelantarse de alguna manera al futuro, permitirá saber cuál será

la experiencia del cliente antes de que la interacción se produzca en la
realidad, y anticiparse a ello, brindando la mejor experiencia al cliente de acuerdo con las prefer
de ventas cruzadas, cuáles van a preferir determinado canal o punto de
interacción, etc.

Las organizaciones que pueden automatizar y optimizar las

decisiones por análisis predictivo tienen una ventaja significativa sobre los
competidores que no lo logran. Esto no es sorprendente si tenemos en cuenta
que, según algunas estimaciones, muchos de los mensajes de marketing son
ignorados por los consumidores o simplemente pasan desapercibidos. Sin
embargo, cuando se utiliza el análisis predictivo, se puede orientar estos
mensajes de marketing a los clientes, con más posibilidades de respuestas.
Las tasas de conversión aumentan considerablemente, mientras que el costo
de marketing disminuirá también dramáticamente. La inversión en marketing
logrará brindar ofertas significativas.
Una de las principales técnicas y una de las más usadas para
Advanced Analytics es Data Mining. Data Mining es un proceso de
descubrimiento e interpretación de patrones, con frecuencia en un gran
conjunto de datos, para resolver problemas de negocio. Por tanto, el foco es
obtener un conjunto de datos representativos para ese problema en cuestión.
Las estadísticas y gran parte de la tecnología de minería de datos para el
análisis predictivo han existido durante décadas, siendo “el reino” de los
estadísticos y matemáticos; sin embargo, era difícil obtener la potencia de
cálculo necesaria para interpretar datos que han ido cambiado a lo largo del
tiempo, además que la salida de los modelos era difícil de entender.

Por otro lado, las organizaciones no entendían su utilidad para

diversas áreas de la compañía, si aún hoy en día recién empiezan a tomar en
cuenta su utilidad para proporcionar ventaja competitiva. En ello, también ha
ayudado que las técnicas, el software y el hardware, para apoyar su

57
implementación, se encuentran más disponible. Actualmente son varios los
proveedores que brindan soluciones de negocio basadas en analítica avanzada
y predictiva, además de facilitar la visualización de datos.

➔ Proceso:
Data Mining involucra un proceso cíclico que requiere constante
retroalimentación. Este proceso está formado de la siguiente manera:

- Entendimiento del negocio: Lo primero es definir cuál es el objetivo o

problema del negocio a resolver.

- Entendimiento de la data: Entender cuáles son los datos relacionados al

problema y/o los principales KPIs.

- Preparación de los datos: Optar por la gestión del big data. Evaluar la
calidad, integración, gobernanza, etc referido a los datos.

- Modelamiento: En este paso el modelamiento es realizado en base a datos

históricos, donde se tienen variables dependientes y la variable
independiente que será el resultado para cada una de las muestras de la
base de datos. Los datos que se toman para el modelamiento son todas las
muestras que tengan un resultado ya conocido para la combinación de
variables relevantes. La idea es que a partir de esta data se obtenga un
modelo con el menor margen de error posible, que se ajuste a estos
resultados conocidos.

- Evaluación: En este paso posterior al modelamiento se pone a prueba el

modelo obtenido sobre las muestras donde también se conoce el resultado.
De esta forma se compara los resultados que se obtienen del modelo frente
a los resultados ya conocidos para estas muestras. Logrando así determinar

58
 el margen de error del modelo, y lograr saber qué tan bien está realizando la
predicción de los resultados.

- Implementación: En este paso el modelo se pone en puesta en marcha, y

son nuevos conjuntos de datos que se procesan en base al modelo
obtenido, y se obtiene los resultados predictivos para cada muestra de estos
datos.

2.3.3.5 Analítica Cognitiva- IBM Watson Analytics

No es un nuevo nivel de analytics, pero sin embargo requiere
mención especial por el foco específico que toma este nuevo término y
herramienta liderada por IBM. Watson Analytics ofrece los beneficios de la
analítica avanzada o advanced analytics sin la complejidad generalmente
incorporada.

Se trata de un servicio de descubrimiento de smart data disponible

on cloud, que permite guiar la exploración de datos, automatizar la analítica
predictiva o predictive analytics, y habilitar dashboards sin esfuerzo y creación
infográfica.

Por lo cual se observa que IBM Watson pretende ir un paso más

allá, inclusive de las técnicas de analítica avanzada manejadas hasta ahora, y
usando nuevas tecnologías disponibles de cara a la transformación digital.

Uno de los principales retos que se tenía en las técnicas de

analítica avanzada era conseguir generalizar adecuadamente a partir de textos
donde se requería de estas habilidades cognitivas que puedan interpretar
ironía, bromas, etc. en dichos textos. Actualmente IBM Watson representa la
única plataforma en el mercado proveída de habilidades cognitivas. Como se
observa en el cuadrante mágico publicado por Gartner 2016, IBM ha crecido en
el sector de liderazgo de las herramientas de analítica avanzada.

59
Figura 17: Cuadrante Mágico para Plataformas de Advanced Analytics 2017 vs
2016. Fuente: Gartner, Febrero 2017

2.3.4 Tendencia de la Transformación Digital: Big Data Analytics

Big Data Analytics es un término que se usa para hacer referencia al
análisis del big data, centrándose ese análisis a técnicas de advanced analytics
y predictive analytics más adecuadas para obtener insights de un gran volumen
de datos. Hoy en día este sería el término más adecuado para referirse al
análisis de datos si es que usa para la gestión de los datos el enfoque de big
data como antes hemos descrito, usando datos tanto estructurados como
desestructurados. Datos desestructurados que crecen exponencialmente a
diario con el impacto de la digitalización, y habiendo impactado de esa manera
el análisis de datos. Cada evolución individualmente ha sido descrita en las
secciones anteriores.

60
2.4 Big Data Analytics durante el Customer Journey para una
Experiencia Omnicanal

2.4.1 Big Data Analytics en la industria de Retail y e-Commerce

Big Data Analytics en busca de la mejora de la experiencia del cliente
permite a las organizaciones del sector encontrar oportunidades de crecimiento
más rentables, tomar la mejor acción de marketing y buscar maximizar el
impacto a través de todo su negocio.
Para encontrar las oportunidades de crecimiento más rentables, hay que
obtener información relevante en los datos de los clientes en todos los canales
en los cuales interactúan. Por lo cual, un profundo conocimiento de los
consumidores podrá apoyar a las organizaciones a guiar mejor su oferta y a
realizar la mejor acción para lograr aumentar, satisfacer y retener a los clientes,
mientras mejoran sus experiencias. Hay mucha información en el medio online
donde mayormente los clientes interactúan y exponen sus sentimientos
mediante medios de comunicación social a millones de otros consumidores, y
si exponen descontento hasta pueden animar a otros consumidores a dejar su
marca. Por otro lado, hay que garantizar la experiencia del cliente de forma
consistente tanto en el marketing, ventas, como en el servicio en todos los
canales, y compartir los resultados con todas las unidades de negocio.
De la integración multicanal, es decir de la combinación de datos de
comportamiento de los clientes en línea con datos de los clientes de otros
canales offline se obtiene una visión completa de los clientes y una mejor
comprensión del comportamiento de los clientes, que se traduce en ofertas y
campañas más exitosas, asegurando que la mejor oferta se haga al cliente en
el momento adecuado.
Específicamente para el caso de las agencias de medios, brindar ofertas
relevantes, también involucra eliminar los residuos de ofertas redundantes e
ineficaces con un sistema de comunicaciones de marketing que garantice que
no se comunica muy poco ni demasiado a ningún cliente. Hoy en día los
consumidores no escuchan, no confían, son “cínicos” y se encuentran
totalmente habilitados por la tecnología, por lo cual el problema de la falta de
comunicación efectiva con los clientes es real.
61
 Capacidades de clustering y segmentación de gran alcance, junto con
herramientas automatizadas de planificación de campaña, permiten crear
experiencias de usuario personalizadas, consistentes, anticipando y
capitalizando las necesidades del cliente. En las campañas se pueden
pronosticar los resultados de un sinfín de escenarios simplemente por ajustes
de precios o la colocación de inventario de anuncios. Combinando los datos en
línea y los datos de otros canales se puede obtener una reorientación hacia los
clientes que hayan demostrado un interés en su producto o servicio, pero aún
no han hecho la compra.
Todo se orienta a tener una visión centrada en el cliente que apoyada en
la analítica permite utilizar todo lo que se sabe acerca de un cliente para
generar un perfil de cliente completo basado en los datos del canal online y
offline; perfil obtenido de la transformación de las interacciones online de los
clientes en conocimiento más la integración de este conocimiento con
conocimiento del cliente en el canal offline.

Figura 18: Vista del cliente 360 grados. Fuente: Youtube,

Intense Technologies Limited, 2015

Las organizaciones pueden preguntarse ¿están las ofertas y servicios

bien alineados con las necesidades de sus clientes? El objetivo es entregar
62
ofertas personalizadas mediante todos los canales a los clientes que han
interactuado con la organización, es decir, comunicaciones personalizadas más
relevantes y específicas, logrando así una mayor satisfacción del cliente.
También pueden preguntarse ¿Qué clientes tienen más probabilidades de
retornar, y que los va a convencer de realizarlo? El objetivo es construir
relaciones sólidas con los clientes más rentables, aumentando el nivel de
confianza entre la organización y los clientes.
Big data analytics permitirá a las empresas de retail y a los e-commerce
mejorar la experiencia del cliente respetando las preferencias del cliente,
utilizando el canal preferido de cada cliente, y/u ofreciendo el producto, servicio
o información que el cliente desea recibir y cuando quieren recibirlo. Así se
pueden explotar nuevas oportunidades y reducir el churn aplicando soluciones
que permiten contar con información a tiempo y precisa.

2.4.2 Big Data Analytics para Marketing

De forma general se presenta en la figura un panorama de cuáles son los
casos de uso de negocio más representativos para Analytics, categorizados en
analítica avanzada y analítica estándar. Esto permite de forma práctica y
pensando en la realidad de las empresas entender para cuál fin se requiere
una analítica avanzada, y para cuál otro se puede usar una analítica estándar.
Se quiere volver a destacar que la “riqueza” de la data y el rigor del
modelamiento matemático distinguen a la analítica avanzada (advanced
analytics) basada en predictive analytics de la inteligencia de negocios
tradicional o analítica estándar.

63
 Figura 19: Casos de uso para la aplicación de Analytics para Marketing.
Fuente: Internet

Como se observa en la imagen anterior, los casos de uso para Marketing

requieren de una analítica avanzada, tal es el caso de los casos de uso para
mejorar la experiencia del cliente.
Analítica avanzada focada en el cliente permitir convertir los datos de los
clientes en conocimiento basado en sus comportamientos, y comprende
técnicas como gestión de la información, segmentación, modelado predictivo y
visualización de datos. Así Data Mining (minería de datos) se utiliza en dos
categorías para tal fin: modelos predictivos que utilizan las interacciones
previas de clientes para predecir eventos futuros y técnicas de segmentación

64
que se utilizan para colocar a los clientes con atributos y comportamientos
similares en grupos distintos.
Big Data Analytics resulta crítico para conocer a los clientes en un
contexto donde los clientes son cada vez más exigentes, tienen el control y se
encuentran más conectados que nunca. Los clientes tienen acceso a la
información en cualquier lugar y en cualquier momento, lo que hace cada vez
más importante predecir cómo los clientes se van a comportar en la interacción
con una determinada organización, para que se pueda actuar en consecuencia.
Predecir el futuro, es decir el comportamiento futuro del cliente no es tan
místico como puede parecer. Se puede utilizar las interacciones previas de
clientes para predecir la probabilidad de eventos futuros y desarrollar un perfil.
Posteriormente se puede utilizar este perfil de cliente para planificar las
actividades de marketing, incluyendo las ofertas hasta la comunicación
permitiendo no saturar al cliente con el excesivo contacto como sucede muchas
veces con las telcos.
Mediante el análisis de una mezcla de datos estructurados y no
estructurados del comportamiento de los consumidores, los tomadores de
decisiones pueden tener un panorama más claro sobre ellos. Estos
conocimientos pueden traducirse directamente en la mejora de la experiencia
del cliente, mejoras en los procesos y los beneficios empresariales. Por
ejemplo, el análisis de una mezcla de datos estructurados y no estructurados
con analítica avanzada puede revelar los canales con los que los clientes
prefieren interactuar con las empresas, y cuando ellos prefieren interactuar,
basado en factores tales como las circunstancias que rodean la interacción y la
hora del día.
Por tanto, en la siguiente sección se va a revisar los principales casos de
uso de big data analytics para iniciativas orientadas al cliente.

65
2.4.3 Casos de Uso

2.4.3.1 Caso de Uso: Perfil del cliente 360º

Perfiles predictivos precisos y detallados son la base esencial de
cualquier estrategia de clientes. Las herramientas analíticas permiten crear
segmentos de clientes, y a continuación crear perfiles de predicción de cada
segmento para poder entender mejor a los clientes. Estos perfiles, cuando se
despliegan en toda la empresa, permiten a toda la organización centrarse en
las actividades que tienen más probabilidades de generar la mayor rentabilidad.
Los perfiles del cliente que buscan mostrar una visión holística del
cliente, toman en cuenta historia personal, historia de compra, actividad social,
eventos en redes, datos de mercado y actividad del canal, etc.
Sin embargo, para obtener un perfil completo del cliente (visión de
360° grados) existen diversas dificultades en la obtención de la información.
Los datos relevantes se encuentran dispersos entre distintas bases de datos de
las distintas interacciones de los clientes incluidos aquellos de medios sociales,
centro de contacto, transacciones, y medios en línea; en diferentes
departamentos; utilizando diferentes formatos y convenciones de nombres, por
lo cual todos los datos deben pasar por un proceso de agregación (big data),
limpiado y sincronizado.
El siguiente reto es derivar significado útil a partir de los datos de
manera de lograr decisiones empresariales óptimas y oportunas. Para ello hay
que tomar en cuenta que el enfoque histórico de los datos para inteligencia de
negocios y aplicaciones analíticas no proporcionará más de lo que se está
acostumbrado en el análisis de clientes y que la competencia también tiene,
porque la mayoría de las organizaciones están utilizando algún tipo de analítica
de clientes, neutralizando así la ventaja competitiva. Por tanto, como se ha
mencionado es importante ir más allá del análisis "estándar" mediante técnicas
avanzadas de analytics como data mining para descubrir en la data patrones
ocultos un conocimiento profundo y competitivo de los clientes en todos los
canales en los que interactúa.

66
2.4.3.2 Caso de uso: Segmentación
Permite realizar la segmentación de clientes en grupos pequeños
basados en los perfiles de los clientes que fueron creados en base a conductas
reales y patrones no identificados con facilidad. Se toma como base la
información de tales clientes extraídos de los sistemas operativos y la
información obtenida de los estudios de mercado. Estos dos enfoques se
complementan entre sí, lo que permite obtener un perfil de cliente más preciso,
en lugar de agruparlos de acuerdo con nociones preconcebidas o suposiciones
de lo que hace que los clientes sean similares entre sí. Así no sólo mirar
agregados / promedio de los datos que esconden importantes hechos acerca
de clientes individuales.
Los criterios de segmentación de clientes pueden ser diversos en
término de valor, comportamiento, e incluso por actitud; por ejemplo: lo que
gastan con la empresa, el patrón de pago que tienen, la duración de la relación,
etc.; pudiendo dividir segmentos de clientes en subsegmentos llegando incluso
a la relación uno a uno, en la que se entiende cada preferencia y necesidad de
la persona. Al entender los productos y servicios que los clientes son más
propensos a comprar, la empresa puede concentrarse en esfuerzos de
marketing adecuados que mejoren la experiencia del cliente por ofertas
relevantes y así lograr maximizar la respuesta y maximizar la inversión en
marketing.
Las diferentes opciones de segmentación, se detallan a continuación:
- Segmentación por valor, ayuda a comprender quiénes son los clientes más
valiosos.
- Segmentación por comportamiento, ayuda a saber cuáles son los productos
o servicios que con mayor probabilidad compre el cliente, así la empresa
puede utilizar el presupuesto de marketing con mayor eficacia.
- Segmentación por la actitud, añade otra dimensión a la comprensión del
cliente. Una de las mejores maneras de entender las actitudes de los
clientes es mediante una encuesta de investigación.

67
- Segmentación de datos demográficos y otros suplementarios, no aporte
ningún valor diferenciado por sí solo pero si brinda información adicional
que se puede utilizar en predecir el comportamiento del cliente.

2.4.3.3 Caso de Uso: Perfiles predictivos

Resulta de gran valor comprender qué productos o servicios los
clientes en cada segmento son propensos a adquirir. Agregando este elemento
predictivo hace que la relación con el cliente sea más productiva mejorando su
experiencia y generando clientes más rentables.
La aplicación de técnicas de minería de datos a los datos históricos
de ventas muestra quién compró qué. Al combinar esta información con otros
datos a clientes del mismo segmento se puede predecir quién comprará qué y
también hacer otro tipo de predicciones, como cuáles segmentos de clientes se
convertirán en más valiosos y los que tendrán menos valor, y en qué medidas.

2.4.3.4 Caso de Uso: Tracking de clientes

Revela cómo los clientes se mueven entre los diferentes
segmentos en el tiempo (es decir, la segmentación dinámica), como contexto
del ciclo de vida del cliente, en lugar de simplemente determinar en qué
segmentos de clientes se encuentran ahora sin tener en cuenta cómo llegaron
allí.
El modelado de segmentación predictiva muestra qué
características están vinculadas a la migración entre los segmentos de valor del
cliente. Agregar este tipo de inteligencia predictiva a la estrategia de
crecimiento de los clientes, permite planificar de manera realista el crecimiento
para cada segmento.

2.4.3.5 Caso de uso: Captación de clientes más rentables

La adquisición de clientes es costosa, pero necesaria. Sin
embargo, si no se optimiza este proceso para ahorrar costos y aumentar la

68
rentabilidad se puede pagar un precio demasiado alto para atraer a los clientes
o por adquirir a los clientes incorrectos Teniendo un impacto negativo y
significativo en las ganancias. Por ejemplo, atrayendo clientes que son
propensos a abandonar o churn, u atrayendo a otros clientes que pueden ser
leales, pero cuestan mucho atenderlos y son sólo marginalmente rentables.
Entonces las herramientas de análisis predictivo permiten a la organización
minimizar costos por dirigir esfuerzos hacia las personas con más
probabilidades de responder, además de centrarse en los tipos de clientes con
mayor probabilidad de convertirse en clientes rentables.
Crear una estrategia de captación de clientes basada en
predicciones, permite determinar qué tipo de clientes la empresa desea atraer.
Posteriormente se debe crear una estrategia de atracción que incluya planes
separados para cada segmento de clientes. Se pueden centrar esfuerzos en
atraer a los clientes que se ajustan al perfil de clientes más rentables, pero
también los clientes menos rentables pueden tener mayores posibilidades de
crecimiento en el largo plazo o costar menos en atraerlos, de forma que
dirigirse a esos segmentos puede ser una opción atractiva cuando los
presupuestos de marketing son muy ajustados.

2.4.3.6 Caso de Uso: Ofertas relevantes y Optimización de campañas

Mediante la analítica predictiva se puede obtener modelos que

logren predecir la respuesta frente a una oferta u campaña. De esta manera las
estrategias para atraer clientes se pueden mejorar sabiendo que acciones de
marketing son las que van a generar una mayor respuesta. Esto resulta
beneficioso para la empresa de 2 formas en general:
- Alcanzar los resultados que desea, evitando los altos costos asociados con
esfuerzos de marketing improductivos.
- Obtener mayores beneficios para el dinero que se invierte. Siendo uno de
ellos la mejora de la experiencia del cliente durante el proceso de captación,
debido a que recibe programas más relevantes con mayor probabilidad de
respuesta por parte del mismo.

69
 Adicionalmente, los estudios de mercado pueden complementar las
técnicas de analytics. Un estudio de mercado puede ser utilizado para mejorar
la captación de clientes, tanto antes como después de las campañas. De
antemano, las encuestas a prospectos pueden aclarar razones para la compra
de productos o servicios, lo que permite afinar ofertas de la campaña. Es
importante preguntar sistemáticamente a los clientes qué es lo que ellos
quieren. Estudiando a los clientes y obteniendo un mejor conocimiento de sus
necesidades, y por qué ellos compran a determinada empresa, permite a una
organización en particular mejorar su estrategia de crecimiento de clientes y
maximizar el valor de vida del cliente.
Con el valor de la personalización, este conocimiento permitirá
enviar ofertas basadas en los comportamientos de cada consumidor en
particular, en lugar de enviar grandes cantidades de promociones, muchas
veces sin sentido.
Usando la analítica predictiva, el minorista aprovecha los datos de
comportamiento, como los productos vistos, los canales de ventas utilizados, el
momento de la tienda y las visitas al sitio, las ofertas utilizadas, etc. La
empresa de esta manera utiliza los datos para analizar los productos que cada
cliente puede comprar y los canales que prefiere utilizar. El minorista también
sabe qué clientes prefieren el envío gratuito y que clientes prefieren los
descuentos. Debido a esto, la empresa es capaz de elaborar ofertas relevantes
y orientadas y, como resultado, maximizar las conversiones (Radial, 2016)
Posteriormente, mediante una encuesta a los prospectos que
convirtieron y a los que no lo hicieron se puede aprender lo que funcionó y lo
que hay que cambiar, para ganar negocios con ellos en el futuro. La
inteligencia predictiva también puede ser usada para mejorar la tasa de
conversión para los mejores prospectos.
Hoy en día que los clientes están más conectados, existen
sistemas de gestión de campañas que pueden generar más campañas de lo
que antes era posible. Sin embargo, esto no asegura la efectividad de la
campaña. De hecho, la generación de más campañas, sin mejorar la
focalización, puede realmente contribuir a que los clientes y potenciales

70
clientes se pierdan en los mensajes de la compañía. Por el contrario, una
campaña de marketing muy dirigida da a los clientes ofertas relevantes
mejorando su experiencia; y da a la organización una oportunidad para
aumentar la rentabilidad por centrarse únicamente en los potenciales clientes
de alta de generación de ingresos futuros y los clientes consolidados. Por eso
con el análisis predictivo no se trata de elegir a los mejores clientes para cada
campaña, si no a la mejor campaña para cada cliente, respondiendo a cuatro
preguntas de negocio fundamentales:
- ¿A quién debemos contactar?
- ¿Qué debemos ofrecer?
- ¿Cuándo se debe hacer la oferta?
- ¿Cómo debemos hacer la oferta?

Figura 20: Etapas de campaña de marketing eficaces. Fuente: IBM

Cuando se sabe cómo llegar al cliente adecuado con la oferta

adecuada en el momento adecuado, y a través del canal adecuado, la
organización tiene la llave del verdadero éxito de las campañas de marketing
directo. Y para saber ello hay que conocer profundamente al cliente. Centrarse
en el cliente en lugar de la campaña ha permitido a las empresas reportar un
incremento en las ganancias de entre 25% y 50% (IBM).

71
 2.4.3.7 Caso de Uso: Retención y Churn de Clientes
Los estudios mencionados han demostrado que la adquisición de
clientes puede costar de cinco a doce veces más que la retención, y que la
mejora de la tasa de retención de clientes en sólo un 5% puede aumentar la
rentabilidad de una organización de 25% a 100%. De lo cual se deduce que la
mejora en la retención de clientes obviamente puede tener un gran impacto en
las ganancias.
La retención de clientes es particularmente difícil en la industria que
se está estudiando, también en otras industrias como telecomunicaciones y
servicios financieros en las que los los clientes pueden cambiar de proveedor
con relativa facilidad.
El Churn es el abandono del cliente para ir a otro proveedor de
servicio que se manifiesta como una baja en los ingresos del cliente expresado
como la pérdida recurrente de este ingreso, usualmente como un porcentaje
peor que el periodo anterior. Es importante entender los clientes más
propensos a abandonar a la empresa, y más importante saber por qué. Esto se
puede lograr mediante la aplicación de técnicas de minería de datos para los
datos acerca de los clientes, desarrollando perfiles de clientes más valiosos y
clientes que han desertado previamente. Con esta información se pueden
desarrollar estrategias para mantener a los clientes más valiosos con
probabilidades de abandonar, logrando así mantener a sus mejores clientes.
Estos modelos se pueden enriquecer a través de encuestas de investigación y
satisfacción que agregan información actitudinal.
Las encuestas de satisfacción son muy valiosas para determinar no
sólo si los clientes están satisfechos, también por qué, y descubrir a tiempo
issues que pueden afectar la lealtad futura. De esta manera se pueden tomar
medidas correctivas, incluso a los clientes que no fueron retenidos porque
también tienen un valor potencial para la organización. Al encuestar a estos
clientes que no se pudieron retener, se puede entender mejor lo que hace falta
para mantener a clientes como ellos.

➔ ¿Qué se necesita?
72
 Para aplicar este caso de uso se debe primero haber establecido un
adecuado perfil de cliente de la forma como se ha mencionado en la
sección correspondiente. Esto va a permitir lograr seleccionar
eficientemente a los clientes ya que se cuenta con la mayor información
relacionada de ellos. A partir de los datos del cliente, se pueden construir
modelos predictivos para predecir cuáles de estos clientes están por
abandonar la compañía, y realizar ofertas de retención personalizadas para
lograr mantener a los clientes.

➔ Porqué es importante evitar el Churn:

- Hay un finito universo de clientes.
- Está surgiendo una clase de “churn profesionales”
- Adquirir un nuevo cliente cuesta entre 6 o 7 veces más que retener a
un cliente existente.
- Las empresas que aumentaron las tasas de retención de clientes en
por lo menos un 5% vieron aumentar los beneficios desde un 5% en
adelante.

➔ Cómo realizar una estrategia de Churn

Una estrategia de churn de clientes no puede ser aplicada de la misma manera
a todos los clientes, si no que se debe priorizar los clientes de acuerdo a su
valor de vida, ingresos, beneficios, y costos para la compañía.

Figura 21: Estrategias de Retención vs Beneficio de los Clientes. Fuente:

IBM
73
Para construir un modelo de churn se aplica data mining para descubrir
patrones en la base histórica de clientes que abandonaron la compañía. Esto
permite aplicar el modelo a los clientes que aún se busca retener, derivando así
un score que cuantifican cuál es su posibilidad de dejar la compañía y detecta
razones de insatisfacción.

2.4.3.8 Caso de uso: Market basket analysis

Los clientes suelen comprar productos y servicios en conjunto, o en
ciertas secuencias. Mediante el análisis de las canastas de mercado (market
baskets), los productos y servicios que se compraron al mismo tiempo, se
puede ofrecer a los clientes productos adicionales apropiados en el momento
justo. Entender los productos que los clientes compran juntos puede dar lugar a
mejorar la ubicación de los productos en las tiendas de retail, a una atractiva
"agrupación" de los productos, tanto en marketing directo como en ofertas en
línea, y ofertas más oportunas. Esto no sólo aumenta los ingresos, por lo
general, mejora la satisfacción del cliente y contribuye a maximizar el valor de
vida del cliente.

2.4.3.9 Caso de uso: Cross- Sell o Up- Sell

Mediante la minería de datos en las fuentes de datos se puede
construir perfiles ricos de clientes que permitan revelar oportunidades para
marketing, ventas y servicio al cliente, que pueden haber sido pasadas por alto.
Los sistemas de centros de contacto pueden extraer de los datos información
relevante para impulsar a los agentes a realizar las acciones apropiadas
cuando las oportunidades de cross-sell o up-sell se les presentan durante las
interacciones de apoyo al cliente. De manera que, si los clientes interactúan
con su organización en línea, por teléfono o cara a cara, reciben el tipo de
tratamiento que cumpla sus necesidades actuales y se anticipe a las nuevas.
Esto mejora la experiencia del cliente y aumenta su tendencia a permanecer
leal y realizar compras adicionales, aumentando su valor de vida y los
beneficios de la empresa.

74
2.4.3.10 Caso de Uso: Experiencia del cliente en cada punto de
contacto

Los gurús del management dicen que no se puede gestionar lo que

no se mide. Esto es el caso de la gestión de relaciones con los clientes.
Rentabilizar la gestión de relaciones con clientes requiere medición precisa y
oportuna de los factores que afectan el éxito del cliente, y el resultado final.
Este esfuerzo requiere de una combinación de una perspectiva histórica y de
tecnologías de predicción (predictive analytics) para identificar los clientes
objetivos en la adquisición, up-selling o cross-selling; y análisis históricos, para
monitorear los resultados de las campañas de marketing y programas de
ventas.
Cada porción de datos que provienen de sistemas de CRM con
capacidades predictivas, se convierte en base para conducir futuras
interacciones con los clientes y conseguir rendimientos más altos
implementando los resultados de la analítica predictiva. Por ejemplo, construir
resultados predictivos en los centros de llamadas para que los representantes
de ventas sepan qué productos u ofertas tienen más probabilidades de
adaptarse a una determinada necesidad del cliente, o construir resultados
predictivos en su página web para quea los visitantes se les presente
automáticamente la oferta más probable que resulte en una venta.

2.4.3.11 Caso de uso: Análisis de sentimientos en medios sociales

La analítica focada en los medios sociales (social analytics)
involucra los procesos y tecnologías para integrar, analizar y actuar sobre las
conversaciones online de los sitios de redes sociales como Facebook y Twitter,
sitios de revisión como Priceline y TripAdvisor, blogs influyentes, etc.
Mediante la experiencia en el tema, modelos estadísticos y minería
de datos (data mining) se logra crear poderosas reglas de extracción de
sentimientos de los clientes, que permita mejorar sus experiencias. De esta
manera se obtiene:
75
- Identificar temas importantes y categorías de contenido
- Cómo esos temas y categorías son importantes para los clientes
- Identificar cada concepto y el sentimiento asociado a ese concepto. Con los
comentarios negativos y positivos, la organización puede identificar la
imagen negativa que puede estar obteniendo y esto resulta muy útil para
entender qué elementos de su organización están generando ese
sentimiento y poder actuar en consecuencia.
- Identificar los defensores y amenazas a la reputación corporativa y de
marca. Con la incorporación de estas variables basadas en roles, se puede
mejorar los modelos de segmentación existentes, permitir descubrir la mejor
manera de dirigirse a las personas influyentes y por tanto ofrecer campañas
más relevantes y mejor orientadas porque, al usar estas variables en
relación a las transacciones anteriores las campañas, se puede probar para
mejorar la predicción.
- Cuantificar la interacción entre los medios de comunicación, campañas
tradicionales y la actividad de los medios de comunicación social.
Mediante el análisis de las fuentes de los medios sociales en línea, se puede
entender cómo llegar a los consumidores mediante una mejor orientación de
comportamiento, compra de medios y planificación.
- Establecer una plataforma para la estrategia de CRM social.
- Identificar la necesidad de los consumidores y el sentimiento compartido.
Simular cómo las ideas, productos y servicios se extienden a lo largo de una
comunidad online.

2.5 Camino en la Omnicanalidad: Estrategias mixtas y Puntos

de Contactos Innovadores

Hoy en día la competencia en el sector se incrementa, tanto por los

nuevos modelos de negocios como por los comercios en línea ya existentes.
Así los retailers deben buscar aprovechar la tecnología disponible como una
herramienta para intentar ganar la lucha con los nuevos medios. En el caso de
los que cuentan sólo con tienda física, una alternativa puede ser la
76
incorporación de nuevos canales y puntos de contactos innovadores que
además pasen a ser nuevas fuentes datos que mejore la analítica del cliente, o
el aprovechamiento de las soluciones en la nube que también les permitirá
estar presente online. Para el caso del e-commerce puro de igual manera,
algunos negocios ya se plantean en abrir una tienda física. La estrategia mixta
en la era de disrupción digital llega a ser lo más adecuado, buscando integrar
diferentes canales y soluciones. En general, los retailers están descubriendo
grandes oportunidades para aumentar su rentabilidad, tratando con los clientes
en las propias tiendas y dirigiendo a los mismos, en ocasiones, a compras
electrónicas. Con ello evitan la pérdida de pedidos que sufrirían sin ayuda de la
tecnología móvil. Por tanto un aliado fundamental en esa lucha son las
soluciones de cloud computing, unidas al uso de big data y de analíticas de
datos.

2.5.1 Redes Sociales y Social Commerce: Burberry

Las redes sociales se encuentran ya consolidadas, pero aún muchas
empresas no explotan su uso. Las redes sociales no sólo están ayudando con
publicidad en la web, aumentando la presencia de la marca mediante el
branding en estas redes, sino que también existen redes y buscadores más
destacados en los cuales se pueden incorporar botones de compra que
permitan la compra desde las redes sociales. Esto se conoce como Social
Commerce, una especie de integración entre las redes sociales y el comercio
electrónico ha dado lugar a este concepto. Es un comercio que se apalanca de
la principal característica de las redes sociales: compartir; logrando acercar a
más consumidores al acto de la compra porque facilita las mismas basadas en
los consejos, opiniones y recomendaciones de personas cercanas.
Burberry, una marca de lujo, es considerada como un caso de éxito en la
adopción de estrategias de innovación para extender el alcance de su marca
mediante nuevos canales, originando de esa manera también nuevas fuentes
de datos que permitan obtener información útil de los consumidores mediante
la analítica. También ha realizando una gran laborar al buscar brindar una
77
apariencia de marca consistente y de aspecto semejante en todas sus
plataformas sociales.
La empresa en medio de un duro momento por el que atravesada en
2009, supo reconocer el valor de los medios digitales, manteniéndose al día de
los medios sociales más destacados y aprovechandolos muy bien para generar
nuevas campañas. La empresa había realizados esfuerzos para su presencia
online desde 2006, Inicialmente, la empresa identificó que era crítica su
presencia en estos medios, sin embargo la pregunta era "¿cómo"?
En 2009 la compañía convirtió contenidos generados por los clientes en
su propia plataforma de social media (the Art of the Trench), así garantizó el
pleno control en la apariencia del sitio, para acercarse de una manera más
creativa a la población más joven, mejorando así la experiencia de estos
potenciales clientes. Además de contar con un influenciador en moda que
impulsará aún más esta plataforma. (Business Today, 2013)
El sitio “The Art of the Trench” tuvo 7.5 millones de vistas de 150 países
en el primer año, un verdadero éxito que aumentó las ventas en 50% año tras
año en el e-commerce, ya que desde entonces se ha introducido en Snapchat y
Periscope, ha experimentado con publicidad en vídeo en Instagram y con los
botones de compra de Twitter, ha mejorado su portal móvil, ha mostrado parte
de su colección primavera/verano 2016 en Snapchat antes de presentarla en la
pasarela y publica un vídeo anual por Navidad que genera millones de
visualizaciones.
El objetivo global de esta transformación es acercar a los consumidores
a la marca y mejorar sus experiencias, involucrando a los usuarios mediante la
co-creación. Para implementar todas estas estrategias, Burberry cuenta con un
importante equipo humano especializado en los temas digitales. Burberry
mantuvo la experiencia del cliente en el centro de su estrategia, y brindó una
experiencia única a sus clientes (Rubaba Dowla, 2013)

2.5.2 Click & Collect: Falabella, Carrefour, Corte Inglés, Starbucks

En el camino hacia la omnicanalidad, uno de los canales relevantes es el
móvil, por tanto, el comercio a través de dispositivos móviles llamado de
mCommerce va creciendo de forma exponencial, sin embargo, el móvil no sólo
78
impacta de esta manera a los retailers, sino que también permite impactar las
ventas en otros canales, mismo en las tiendas físicas. Sin olvidar otras
importantes facetas como las posibilidades del marketing móvil, el creciente
protagonismo y diversificación de los pagos móviles y el aumento del uso de
beacons. Para los retailers la movilidad se convierte en una palanca para
incrementar las ventas en todos los canales y para potenciar todas las fases
del proceso de compra.
Profundizando el tema de las tiendas físicas, los grandes retailers se
están transformando digitalmente para convertir estas tiendas en lugares donde
se puedan recoger los productos comprados online, donde probar nuevos
productos, y tener buenas experiencias como consumidores. Mediante las
aplicaciones móviles se está logrando ampliar la experiencia de compra a los
consumidores, limitadas hasta hace no mucho al ámbito web. Consumidores
que cada vez más acceden por redes inalámbricas a la web de las empresas,
según estudios algunos casos superan ya el 50% de las visitas, y el tiempo que
invierten en los canales móviles crece a cifras superiores al 50% anual.
Diversas empresas, están haciendo uso de la tecnología móvil para
diferentes fines, los dispositivos móviles (smartphones, tabletas, etc.) han
pasado de ser enemigos de las tiendas físicas a aliados que les ayudan a
vender más. Algunos estudios señalan que los consumidores que utilizan
dispositivos digitales mientras visitan las tiendas físicas acaban realizando
compras a la marca en un porcentaje un 20% superior al de otros compradores.
A continuación, vamos a revisar algunos casos de organizaciones que avanzan
en iniciativas de Click & Collect.
Falabella busca ir de la mano de la innovación y de las nuevas
tecnologías, por lo cual siempre buscar desarrollar nuevos proyectos en ese
camino. Así es el caso del click & collect, con el cual los clientes pueden
comprar online y recoger en la tienda.
La multinacional ha construido también un data center corporativo en Chile
para almacenar y gestionar todos sus datos en una nube privada. En este
marco tecnológico, Falabella apuesta por la innovación abierta como fórmula
para la búsqueda de nuevos talentos que propongan soluciones a los nuevos

79
retos que trae el mercado. Para ello creó en 2013 un concurso, denominado
“Innovation Day Falabella”, que se orienta a la búsqueda de soluciones
tecnológicas en áreas como el marketing digital, la experiencia de compra de
clientes o la generación creativa por parte de los clientes de listas de productos
favoritos (wishlist). Una de las soluciones ganadoras ha sido Giftapp, aplicación
móvil que ayuda a los clientes a crear listas de regalos y compartirlas con sus
contactos a través de las redes sociales.
Carrefour, uno de los retailers más grandes del mundo, ha rediseñado su
estrategia comercial, poniendo énfasis en el comercio conectado, de forma de
hacer frente a la guerra de precios. Por ello ha situado el foco en la
transformación digital y en el comercio electrónico, con acento en la modalidad
de “Click&Collect”, y presta especial atención a un tipo de cliente que no solo
busca precios bajos, sino que demanda también diferenciación, personalización
y oferta omnicanal. La empresa ya no habla de puntos de venta sino de puntos
de contacto, offline y online, mientras que el cliente ya no accede a los canales,
sino que está siempre en ellos.
El Corte Inglés de acuerdo con informes del sector del retail en España,
también ha puesto en marcha iniciativas mediante aplicaciones móviles para
facilitar a los consumidores el proceso de compra. Cuenta con una aplicación
nueva que destaca principalmente por un diseño que reproduce la cercanía
entre el cliente y los productos (propia de los establecimientos físicos) a través
de la visualización de los pasillos, productos, precios y ofertas, que además
brinda el servicio de Click & Collect permitiendo a los usuarios hacer la compra
por internet y recogerla en cualquiera de los centros comerciales, aunque los
artículos pertenezcan a diferentes departamentos.
Starbucks lanzó a finales de 2014 en algunos establecimientos de
Estados Unidos el servicio Mobile Order & Pay, que permite a los clientes hacer
pedidos mediante dispositivos móviles antes de visitar el establecimiento,
pagarlos y recogerlos en el centro que elijan entre los que están en su entorno,
evitando colas. Para poder utilizar el servicio, los clientes deben aceptar el uso
de sistemas de geolocalización ya que la selección de tiendas se hace a través
del GPS del terminal móvil. Mobile Order & Pay está integrado en las

80
aplicaciones de la compañía, que usan más de 16 millones de personas en
Estados Unidos, y en sus programas de fidelización. Según estimaciones de la
empresa se espera que el servicio extendido en todo el país, que representa
alrededor de 7000 tiendas propias en Estados Unidos, aumente las ventas
entre un 17 y un 22%. Entre las ventajas que aporta destacan la facilidad de
uso y el ahorro de tiempo que supone para los clientes, sobre todo en jornadas
laborales y en establecimientos con mucho volumen de clientes.
Media Markt, que pertenece al grupo alemán Metro y que cuenta con 77
establecimientos en España, está inmersa en un proceso de reforma integral
de las tiendas en el país, enmarcado en su plan de transformación digital
iniciado en 2015 y que concluirá en 2018. Entre los nuevos espacios que
incorporan las tiendas, destaca una zona Stop&Go para recoger de manera
rápida y sin bajar del carro los pedidos realizados en la tienda online. Además
de la entrega en dos horas de las compras realizadas a través de Internet, un
servicio que inicialmente solo está disponible en Madrid y Barcelona.

2.5.3 Asistente de compras : Guess y Burberry

En la medida que la tienda física busca adquirir otro valor mediante la ia
incorporación de medios digitales, se puede considerar a los teléfonos
inteligentes como un asistente de compras personal para las personas que se
encuentran dentro de la tienda y que usan sus móviles para comparar precios,
marcas, tendencias, referencias, etc.
En esta evolución para derribar las barreras entre el offline y el online,
algunas empresas han comenzado a ofrecer en las tiendas estantes digitales
con tabletas para autoservicio de los clientes.
La asistencia a las compras también se puede dar mediante los bots. De
forma general, la conversación empieza con un bot que pregunta al usuario su
sexo y lo que quiere comprar. Después presenta opciones de ropa o productos,
el rango de precios, etc., para finalizar ofreciendo mercancías concretas que el
usuario puede comprar desde el móvil.
Las aplicaciones de chat tienen un elevado número de usuarios activos (más
de 1.400 millones de personas a nivel global) y son uno de los ejes de la
81
transformación actual de Internet. Los bots, pueden aprovechar esta enorme
audiencia. Facebook espera también incorporar tecnologías de machine
learning en los bots, de forma que puedan ir aprendiendo las preferencias de
los usuarios: tipo de productos que les gusta comprar, noticias delo que se
prefiere, etc. Estos datos de comportamiento pueden ser muy valiosos para
redes sociales como Facebook basadas en la publicidad.
Guess, la marca de líneas de ropa a nivel global ha introducido en
algunas de sus tiendas en Estados Unidos tabletas (iPads), que incluyen
múltiples aplicaciones dirigidas tanto a los clientes como a los empleados, para
mejorar la experiencia global de compra y generar ventas adicionales. Con
estas herramientas móviles, el personal de las tiendas puede navegar por las
diferentes colecciones y estilos, seleccionar productos para la compra,
averiguar si están disponibles en la tienda o encargarlos online, etc., lo que
permite la interacción de la marca con los clientes con una alta relación coste-
efectividad. Las tabletas están situadas en expositores móviles, que
constituyen estantes digitales para autoservicio y que pueden ser ubicados
también en los probadores para que los clientes puedan visualizar distintas
opciones, colores y accesorios. Los planes de la compañía incluyen la
ampliación del número de tiendas con tabletas.
Burberry comenzó en 2013 personalizando y mejorando la experiencia
en sus 300 tiendas de todo el mundo, equipando a cada uno de sus
vendedores con un iPad. El objetivo era aumentar la lealtad a la marca y
fidelizar al cliente. Según los análisis de la empresa, el uso de tabletas en las
tiendas ha incrementado las ventas online un 30%, gracias a que los
vendedores ayudan a los clientes, mediante la aplicación One to One, a
encontrar un producto o compra que no está disponible en las tiendas físicas.
Con las tabletas, los vendedores disponen de las herramientas que necesitan
para complementar su trabajo, incluyendo el acceso al historial de compras y a
los hábitos de consumo de los clientes, lo que se ha traducido en un
significativo aumento en las ventas. Según datos de Burberry, los ingresos
globales de la compañía han aumentado un 17% desde que se implantaron los
iPads en las tiendas.

82
2.5.4 Social Selling: Top Shelf, Curalate
TopShelf es un retailer de ropa que centra sus actividades en el campo
del social selling. Para ello utiliza Soldie, una solución que permite al retailer
poner en marcha aplicaciones de comment selling en redes sociales. Cuando
TopShelf pone un producto a la venta, por ejemplo, en Instagram, los clientes
que quieran comprarlo solo tiene que incluir el comentario “sold” y su dirección
de correo electrónico. En ese momento, el retailer genera una factura y la envía
al comprador, para que pueda completar la transacción mediante PayPal o una
tarjeta de crédito. Es decir, Soldie mejora las posibilidades comerciales de
Facebook o Instagram y permite que las empresas vendan directamente a sus
fans y seguidores en estas redes sociales. En el caso de Facebook, las
compañías que venden comparten fotos de sus productos en venta, que los
fans pueden comentar, señalar con un like o volver a compartir. Soldie añade a
este tipo de acciones otra dimensión, que permite que los usuarios puedan
incluir el comentario “sold” para hacer una compra. Esos usuarios solo tienen
que registrarse una vez en la aplicación de Soldie, de la que las empresas
extraen sus datos. En el caso de las empresas, Soldie también aporta una
interface para la gestión de los procesos de facturación, que incluye también
herramientas para el seguimiento de ventas, facturas, inventario, etc. Soldie
cuenta ya con más de 1.500 empresas usuarias y su modelo de negocio se
basa en un pequeño porcentaje de cada transacción con un mínimo mensual,
aunque la compañía está todavía experimentando con su sistema de tari
cación. Los análisis de Soldie muestran un elevado nivel de conversión en
ventas después de que los compradores teclean “sold” y un mayor porcentaje
de compras desde dispositivos móviles.
Curalate, startup estadounidense especializada en marketing visual y
analíticas de datos, ha creado Like2Buy, una plataforma que facilita que los
consumidores compren en Instagram a la vez que los retailers conozcan los
productos y las tendencias que tienen más impacto en los usuarios. La
plataforma sitúa un link en el perfil de la marca en Instagram. Cuando los
usuarios pinchan sobre él son dirigidos a una galería de fotos idéntica a la que
83
se encuentra en la cuenta de la marca en la red social. Allí, ese usuario puede
revisar productos o marcarlos para su revisión posterior, siendo después
redirigido al website del retailer para completar la compra.

2.5.5 Personalización de la oferta en tienda física a través del móvil:

Kohl´s:

Kohl ś , el retailer estadounidense, es uno de los grupos que apuesta con

fuerza por el marketing digital y personalizado. Para ello utiliza el gran volumen
de datos acumulados de sus clientes y, a la vez, está diversificando de forma
importante la variedad de productos disponibles en sus más de 1.100 tiendas.
El retailer ha desarrollado una estrategia que incluye ofertas personalizadas a
los clientes, que les llegan por vía digital a sus teléfonos móviles y que están
adaptadas al registro histórico de sus hábitos y tendencias de compra. Esas
ofertas se generan en tiempo real cuando los clientes pasean por las tiendas y
están relacionadas con la zona en la que se encuentran. En muchas ocasiones
las ofertas se refieren a productos que esos mismos clientes han buscado
online pero no han comprado, tratando de aprovechar el hecho de que los
clientes responden con mayor frecuencia ante una oferta, cuando ésta les llega
en el momento en el que están de compras. La preparación de esa estrategia
de marketing móvil ha supuesto la inversión en tecnología de alrededor de
1.000 millones de dólares (888,8 millones de euros) en tres años. Esa inversión
va a continuar conforme la cadena vaya instalando en las tiendas dispositivos
digitales más avanzados para acelerar su transformación digital.

2.5.6 Scan & Shop: Mango

El sector retail está incorporando rápidamente las últimas innovaciones
para fortalecer su relación con el cliente tanto fuera como dentro de la tienda.
La realidad aumentada llega al retail móvil para mejorar la experiencia de
compra para el cliente.
Mango, uno de los retailers españoles con mayor proyección
internacional, ha añadido a su aplicación móvil una innovadora prestación,
84
basada en tecnologías de realidad aumentada y reconocimiento de imágenes.
Su nombre comercial es el de Scan & Shop y permite escanear las imágenes
de prendas y otros productos de los catálogos, la publicidad en revistas y las
marquesinas publicitarias de la empresa para luego comprarlos a través de la
aplicación o localizarlos en sus tiendas, cubriendo todas las marcas y líneas de
negocio de la compañía. La aplicación móvil de Mango, que fue lanzada a
principios de la década y que ha superado ya la cifra de 1.600.000 descargas,
incluye además prestaciones como el escaneo del código de barras de sus
prendas, la localización de éstas en las tiendas, una cesta de la compra
multidispositivo y la posibilidad de comprar todas las líneas y colecciones en un
mismo pedido. La venta online de la compañía, gracias a su apuesta por una
estrategia omnicanal, supone ya el 9,1% de la facturación total (cifras de 2014),
con un crecimiento interanual del 6,7%.

2.5.7 Carros y Cestas mediante beacons y sensores: Nisa y Carrefour

Beacons y sensores para conocer los movimientos de los clientes en las
tiendas físicas.
Carrefour y el grupo británico de tiendas de conveniencia Nisa han
desarrollado
una experiencia piloto usando beacons con conexión Bluetooth, incorporados a
los carros y cestas de la compra, para seguir los desplazamientos de los
clientes en las tiendas. Para la experiencia se eligieron tres establecimientos de
Carrefour en Madrid y otros tres de Nisa en Londres. Los beacons situados en
los carros y en las cestas operan conjuntamente con sensores ubicados en los
techos de las tiendas, que recogen las señales emitidas y las transmiten aun
servidor en la nube para su análisis. El resultado de todo el proceso es
información sobre los movimientos de los clientes por la tienda, incluyendo el
tiempo total de estancia y su distribución por pasillos. En la experiencia los
datos se han capturado de forma anónima para simplemente conocer sus
movimientos, lo que evita que los clientes tengan que descargarse una
aplicación y cambiar sus hábitos. De cara a futuras actuaciones se podrán
incorporar aplicaciones para permitir la localización de clientes individuales y

85
poder hacer acciones de fidelización, o incluso integrar la tarjeta de cliente en
el sistema.

2.5.8 Pantallas y Probadores inteligentes en tiendas: Rebecca Minkoff,

Jogotech, Topshop

Las tiendas físicas avanzan hacia el mundo online y hacia una mejor
experiencia de cliente gracias a pantallas inteligentes y probadores inteligentes
dotados de espejos virtuales y conectados a los wearables de los empleados.
Rebecca Minkoff, marca de moda y accesorios de lujo, es un ejemplo de
retailer que presta especial atención a la experiencia en la tienda. La empresa
ha abierto su primera tienda interactiva en la que destacan las grandes
pantallas, mediante las cuales los clientes pueden navegar por el catálogo del
retailer sin necesidad de recorrer los pasillos. Además, en la tienda todas las
prendas llevan etiquetas RFID. Así que por otro lado cuenta con probadores
inteligentes, y esas etiquetas avisan a los probadores inteligentes que alguien
entra en ellos. Los probadores incluyen “magic mirrors”, grandes pantallas
táctiles mediante las cuales los clientes pueden modificar la luz para ver cómo
les sienta la ropa en el mundo real, revisar diferentes tamaños y colores,
seleccionar productos para añadirlos al carro de la compra online, etc. Y el
objetivo futuro es permitir, incluso, la posibilidad de hacer la compra desde el
probador.
JogoTech, la empresa española ha instalado en los probadores de varias
tiendas de ropa en Madrid una tecnología que se basa en un espejo con
funciones digitalizadas para mejorar la experiencia de los clientes. El espejo
permite mostrar al cliente los modelos, colores o complementos con los que
puede combinar la ropa que se está probando y solicitarlos a los empleados de
la tienda, que disponen de dispositivos wearables conectados al espejo. Así
pueden pedirles, complementos, tallas o colores sin tener que vestirse y salir a
buscar más ropa. Además, a través del espejo los empleados conversan en
tiempo real con los clientes, para conocer sus necesidades mientras se
encuentran dentro del probador y brindarles asistencia hasta finalizar su

86
compra, lo que aumenta su satisfacción y mejora su experiencia de compra. El
espejo facilita, incluso, el pago directo de la prenda, que luego se recoge en
caja. Desde el punto de vista de la tienda, la tecnología realiza una gestión de
los probadores más eficaz, considerando que se trata de uno de los lugares
más importantes de la tienda a la hora de vender. Por otro lado, los clientes
que usan esta tecnología pueden registrarse en una base de datos para recibir
recomendaciones de compras y ofertas, de acuerdo a las selecciones de
prendas o gustos realizadas en el probador.
Topshop, otro ejemplo europeo de probadores inteligentes es el
desarrollado por la marca británica de moda mediante su Topshop Kinect, una
herramienta de realidad aumentada que permite al usuario probarse diferentes
prendas de ropa sin necesidad de pasar por el probador físico. Este probador
virtual, que ya ha sido presentado en una tienda de Moscú, utiliza el software
del dispositivo Kinect de Microsoft para crear espejos virtuales en los que el
cliente puede contemplarse con diferentes prendas de ropa. Las cámaras
instaladas en los probadores virtuales escanean el cuerpo del cliente para que
la prenda se ajuste a su figura, que luego debe hacer gestos con las manos
para probarse virtualmente las prendas.

2.5.9 Supermercados virtuales y Compras desde el Hogar previo a IOT:

Tesco, Sorli Discau, Carrefour

Los grandes retailers experimentan también con otras tecnologías y

dispositivos móviles para acercarse más al consumidor digital desde cualquier
espacio y lugar. Los supermercados virtuales en espacios públicos o los
escáneres domésticos de Amazon o Carrefour son un ejemplo y facilitan y
mejoran la experiencia de la compra desde otros lugares antes impensables.
La irrupción de nuevas tecnologías como NFC y los códigos QR
permiten realizar compras en otros espacios públicos como estaciones de
metro, marquesinas, aeropuertos o en el hogar.
Tesco, la cadena de supermercados ha sido pionera en la instalación de
supermercado virtual en una estación de metro. Tesco Homeplus Virtual

87
Subway Store ofrece la posibilidad a los viajeros de hacer la compra
directamente con sus teléfonos móviles, leyendo los códigos QR de las
estanterías virtuales instaladas a tal efecto en el metro de Seúl. Al finalizar el
proceso la aplicación completa el pedido y el cliente recibía los productos
directamente en su casa.
Sorli Discau, empresa española que permite comprar en un
supermercado virtual instalado en la estación de trenes de Sarrià. El usuario, a
través de la aplicación del supermercado y por medio de la lectura de códigos
QR disponibles en un espacio de la estación de trenes que han denominado
Sorli Virtual, tiene acceso a más de 400 referencias; tras la compra, los
productos son enviados directamente al domicilio del cliente.
Por otro lados, como paso previo a la incorporación de la IOT, en la que
los electrodomésticos estén conectados, ya comienzan a ponerse en marcha
iniciativas para introducir escáneres para facilitar la compra digital en el hogar.
Carrefour ha lanzado en Bélgica un dispositivo para la compra móvil
desde los hogares, denominado Connected Kitchen. El dispositivo permite al
cliente añadir productos desde casa a su lista de la compra virtual, mediante el
escaneo de códigos de barras, y realiza sugerencias de productos relacionados
con el artículo añadido. Presenta un aspecto físico y unas características
similares a las del Amazon Dash, lanzado por la plataforma online en 2014.
Incorpora un micrófono y un escáner de códigos de barras y se conecta por
WiFi a la cuenta del cliente. Dispone de una memoria capaz de almacenar una
base de datos de 1,3 millones de códigos de barras de productos y permite
escanear cualquier producto de un total de 17.000 referencias online de
Carrefour y enviar el pedido al carro de compra virtual del cliente. Además, el
escáner está habilitado para enviar mensajes de voz y también es capaz de
escanear productos de un competidor. Los clientes podrán revisar sus pedidos
online, modificarlos, recibir o gestionar cupones y otros servicios añadidos, y
luego recoger sus compras en uno de los 50 puntos específicos que la
compañía tiene distribuidos por el país. Con este dispositivo, Carrefour avanza
en el acercamiento al consumidor digital.

88
2.5.10 Ventas por voz y Asistente en el hogar por voz: Mango, Google
Home
Mango invierte en la experiencia de compra, por ejemplo su aplicación
para el Apple Watch permite hacer una búsqueda de prendas mediante
reconocimiento de voz e incorpora la geolocalización de tiendas cercanas a la
ubicación del usuario en cada momento.
Google Home va un paso más allá al permitir que sus usuarios soliciten
información con solo su voz desde sus casas. Este dispositivo que cuenta con
un asistente continúa incorporando capacidades, llamadas por Google de
acciones, que permitan responder a distintas preguntas debido a la inteligencia
dotada al asistente del hogar.
Los asistentes por voz y basados en inteligencia artificial existentes en el
mercado, han mostrado interesantes casos de uso con funcionalidades
asistenciales involucradas con la cocina. Es decir en esfuerzos futuros, estos
asistentes pueden brindar una experiencia de compra completa, mediante la
compra por voz o basada en patrones de compras y consumos de los usuarios.
El medio online que permite hasta la fecha realizar compras desde otro
lugar fuera de la tienda física es el e-commerce, y una de las desventajas del
e=commerce es que al interactuar con él se pierde otros estímulos que pueden
estimular la compra como puede ser la observación de otros productos en otros
carros de compras. Sin embargo con los asistentes inteligentes mixturandose
en varios aspectos del hogar resultan más aptos para aprovechar la
oportunidad de compra en el instante que una necesidad es impulsada por un
estímulo en particular vivenciado en el hogar. En el hogar nos vemos
expuestos a muchos de ellos a través de otros medios como la TV, por
ejemplo: en medio de una película nos podemos antojar de un determinado
producto, o en una reunión de amigos optar por realizar una comida entre todos
y hace falta los ingredientes! .
Tanto Google Home, como Amazon Echo, obtendrán información
personal mientras los utilicemos, alcanzando cada vez mayor inteligencia. Por
ejemplo: Sabrá qué comes, cuánto duran tus comestibles, con cuál frecuencia

89
los compras, e incluso logrará ser proactivo realizando recomendaciones de
alimentos basados en los gustos, salud, comidas de estación, después de
haber aprendido de nuestro comportamiento..

3. Análisis del Entorno para la aplicación de Big Data

Analytics

3.1 Análisis Macro

Esto permitirá analizar el impacto de las fuerzas políticas, económicas,
sociales y tecnológicas (PEST) sobre el objeto de estudio. En este sentido, se
va a analizar el impacto de estas fuerzas en la aplicación de “Big data
Analytics” en las organizaciones, en particular en la industria de Retail.

90
3.1.1 Fuerzas Políticas: Leyes de Protección de Datos
Para poder utilizar los datos de los consumidores para fines
comerciales, el impacto de las leyes de defensa de privacidad del consumidor
es importante. Hay gobiernos que están sumando esfuerzos en este sentido;
sin embargo, en Latinoamérica no hay mayor impacto sobre esto.
En el año 2000, se promulgó la Ley Nº 25.326 de Protección de Datos
Personales en Argentina, con el fin de proteger los datos de carácter personal
que se encontrasen en registros o bancos de datos, de forma que pueda
garantizar la intimidad de las personas y controlar la información que puede
compartirse de las mismas. De esta forma, se establecieron obligaciones
precisas para quienes utilicen bases de datos que contengan información
personal; incluso, para la recolección de datos, se debe pedir consentimiento al
titular e informarle la finalidad para la cual serán utilizados. Además, con el fin
de evitar adulteraciones, pérdida o consulta no autorizada de datos, los
usuarios de estos tienen la obligación de adoptar medidas técnicas que
garanticen su confidencialidad y seguridad.
Internet es un ámbito relativamente nuevo en el que se realizan muchas
actividades que también se realizan en el ámbito off line, y por tanto no existe
motivo alguno para suponer que queda fuera del alcance de la ley o que todo
está permitido. Cualquier creación intelectual que se publique en Internet
cuenta con la misma protección que fuera de ella.

En resumen, los derechos que reconoce la Ley de Protección de Datos

pueden ejercerse en el ámbito de Internet. Lo que dificulta en muchos casos su
ejercicio es el lugar de origen del sitio de Internet al que le proporcionamos
nuestros datos, la dificultad de identificar al titular de una página web, las
distintas legislaciones que existen en el mundo sobre el tema y/o la aceptación
expresa o tácita de las denominadas Políticas de Privacidad de algunos sitios
que incluso en muchos casos están escritas en otro idioma o pretenden aplicar
otras leyes o establecen jurisdicciones extranjeras para ejercer los derechos
(La Nación; Informática Legal).

91
3.1.2 Fuerzas Económicas: Economía Nacional
Hoy en día muchas organizaciones utilizan algún nivel de analytics,
entonces la incorporación de la solución y tecnología adecuada para gestionar
el big data, no pasa por un tema económico, sino por un tema de
diferenciación. Esta diferenciación se da de acuerdo al nivel de analytics a
implementar en la compañía. Como se ha mencionado, el análisis profundo de
clientes en todos los canales donde interactúan, es lo que hoy en día genera
grandes ventajas competitivas en las organizaciones, sobre todo a los “early
adopters” de tecnología innovadora. En el caso de los pequeños comerciantes,
el uso de tecnologías en la nube, le permiten acceder a aplicaciones
innovadoras a un menor costo.

3.1.3 Fuerzas Sociales: Comportamiento del Consumidor

Como se viene comentando, actualmente la exigencia del consumidor es
cada vez mayor, generando mayor complejidad y transformación social, al que
las organizaciones tienen que enfrentarse. El mundo en el que operan es
mucho más volátil, incierto y complejo. La relación entre las personas ha
cambiado radicalmente, hoy interactúan mucho más mediante las redes
sociales y crece el uso de dispositivo móvil. Este nuevo comportamiento
justamente impulsa diversas disrupciones en la industria de Retail, como es el
caso de las mudanzas demográficas, el uso de dispositivos móviles y las redes
sociales (PWC, 2015). De acuerdo con la literatura: ¨para el año 2018 los
Millenials representaran la mitad del consumo global, y se considera que para
el año 2025 sean el 75% de la fuerza de consumo en el mundo. Es la
generación que hoy en día tiene mayor penetración poblacional y que está
cambiando las reglas del juego de las estrategias de mercado, llevándolas a
una era más moderna, digital y dinámica. Es importante tener en cuenta que
para generar mayor conexión y fidelidad con una marca la mejor edad está
entre los 18 y los 34 años”.
Por tanto, una solución de analytics basada en big data, que incorpora
también estas fuentes de datos es imprescindible para que la organización no
se pierda en todas las interacciones de los clientes y volúmenes de datos que

92
generan con ellas; si no que logren el mayor provecho de estas interacciones
logrando complacer las exigencias del consumidor.
3.2 Análisis Micro: Análisis de la Industria mediante las 5 Fuerzas de
Porter
Esto permitirá analizar la industria estudiada mediante el esquema de las
5 fuerzas de Porter, descritas en la siguiente figura:

Figura 22 : Las 5 fuerzas de Porter. Fuente: Michael Porter.

3.2.1 Amenaza de los nuevos competidores

Los nuevos competidores se encuentran en aumento en la industria
de retail, incluso nuevos competidores que traen innovación mediante sus
modelos de negocios. Por tanto al ser alta la amenaza, hay que anticiparse a
esta competencia siendo una organización sólida con clientes satisfechos,
fidelizados y con alto valor, y para ello la analítica es de alto valor estratégico.

93
3.2.2 Amenaza de productos y servicios sustitutos
Al crecer la competencia, los productos y servicios sustitutos en este
sector también van en aumento, el cliente tiene una amplia gama de ofertas
para poder elegir. Entonces hay que contar con información profunda de los
clientes que permita saber qué hará que elijan a su organización y sea
duradero sus ciclos de vidas. De forma intuitiva se sabe que no sólo los
productos son un factor importante, sino toda la experiencia brindada al cliente
que no finaliza con un satisfactorio servicio al cliente. Para estos puntos, como
se ha tratado, la analítica juega un factor diferencial mediante modelos de
segmentación y modelos predictivos de comportamiento del cliente que
entregan lo necesario para entender las preferencias y comportamiento de los
clientes, y aprovechar las oportunidades antes que otro competidor.

3.2.3 Poder de negociación de los proveedores

Consideramos que el poder de los proveedores no es alto, las grandes
cadenas de retail tienen mayor poder que los proveedores.

3.2.4 Poder de negociación de los clientes

El poder de negociación de los clientes es alto porque la cantidad de
oferta con la que cuentan es alta, además del aumento de sus expectativas
referidas tanto a producto como servicio, y la expectativa de contar una
experiencia omnicanal. La analítica otra vez juega un rol diferencial para
brindar ofertas relevantes a los clientes, con una experiencia positiva durante
todo su recorrido y su ciclo de vida.

94
3.3 Análisis Meso:
Esto permitirá instrumentar el análisis macro y micro realizado, mediante
el FODA del objeto de estudio, es decir el FODA posible para una determinada
empresa que va aplicar big data analytics para una iniciativa orientada al cliente
como es mejorar la experiencia omnicanal del cliente.

3.3.1 Fortalezas
- Cultura organizacional que logra gestionar con velocidad los
cambios, orientada al cliente, y que basa sus decisiones en datos;
con un fuerte liderazgo de los ejecutivos de primera línea para
iniciativas de estos tópicos.
- Área cross a la empresa de analítica y área cross a la empresa de
experiencia del cliente.
- Modelos de análisis avanzados probados de forma exitosa y que
ahora necesitan escalabilidad.
- Acceso por parte de las empresas a alguna tecnología de análisis
de datos, por tanto, incluir técnicas avanzadas de analytics sobre
big data puede resultar más amigable.
- Plataformas que facilitan la integración de la tecnología actual
frente a la incorporación de nueva tecnología para manejar big data
analytics.
- Manejo de una estrategia de experiencia del cliente que camine
hacia la omnicanalidad.
- Mejores prácticas de implementaciones exitosas compartidas en
toda la organización.
- Pose de lecciones aprendidas de anteriores aplicaciones de
analítica de cliente en algún nivel.
- Pose de skills de tecnología y analítica en los líderes de las
iniciativas de gestión de la experiencia del cliente, como pueden
ser los CMOs y en los empleados de los puntos de contacto.
- Pose de skills de negocio en los data sciencists y líderes de TI-Big
Data Analytics.

95
 - Manejo del business performance, mediante métricas y KPIs para
la toma de decisiones.
- Pose de experiencias de clientes positivas en los puntos de
contacto offline u online de forma independiente.
3.3.2 Debilidades
- Falta de un área de analítica, los recursos analíticos se encuentran
dispersos y descentralizados funcionando sin una planificación
integrada.
- Poca facilidad para cuantificar resultados.
- Poca habilidad para interpretar información relevante, resultante del
análisis de datos, para poder convertirla en acción de valor para el
negocio.
- Dificultad de especificar el problema a resolver o falta de claridad
de los casos de negocios, y falta de priorización de las iniciativas
analíticas.
- Coordinación ineficaz de iniciativas analíticas y entre los equipos
analíticos.
- Fuentes de datos dispersas.
- Inexistencia de KPIs para gestionar eficientemente la experiencia
del cliente.
- Información desfragmentada del cliente
- Falta de consideración de todos los canales, offline y online donde
el cliente se relaciona con la organización e interactúa con otros
consumidores.
- Falta de comprensión de las ventajas y desventajas de las
tecnologías de analytics existentes en el mercado.
- Inexistencia de algún nivel de analytics en la organización.
- Dificultad para establecer el ROI de las acciones de marketing, en
medios online.
- Dificultad para establecer el ROI en la implementación de nuevas
tecnologías para marketing.

96
 - Falta de presupuesto para iniciativas de big data analytics, o
presupuestos demasiados pequeños para lograr los objetivos.
- Interpretación errónea de datos, el mayor reto no es el volumen de
datos disponibles, sino la interpretación de los mismos y la toma de
decisiones de negocio basadas en la información que
proporcionan.
3.3.3 Oportunidades
- Insights relevantes ocultos en la comunicación de los
consumidores, que suele ser más sincera y espontánea a través de
los canales digitales, como redes sociales, blogs, etc.
- Potencial de las actuales fuerzas convergentes, sociales, móviles,
cloud y big data para la generación de estrategias mixtas en el
camino a la omnicanalidad.
- Partners y proveedores con alto expertise para compartir el riesgo y
skills en una implementación.
- Múltiples ofertas de consultoras para seleccionar la más apropiada.
- Existencia de sólidas soluciones para big data analytics.
- Soluciones en el mercado probadas y con varios casos de éxito.
- Oferta de consultoría no sólo tecnológica sino también estratégica
para big data analytics enfocadas en estrategias para la
optimización de la experiencia del cliente.
- Mayores resultados con la aplicación de analítica comparado con
campañas publicitarias tradicionales, las agencias de medios
también deben aprovechar la analítica para brindar mejores
campañas en medios digitales y no perder a sus empresas clientes
que evalúan si invertir más en campañas publicitarias o en
analítica.

3.3.4 Amenazas

97
- Impacto de la transformación digital en el sector, tendencias y
tecnologías están transformando los negocios. El equilibrio de
poder del mercado está cambiando con la introducción de nuevos
actores cuyos modelos de negocio sustituyen a los hasta ahora
vigentes.
- Escaso talento de big data analytics para dirigir con éxito iniciativas
y conducir estrategias basadas en datos en las cuales se integre
expertise en experiencia del cliente, omnicanalidad, data science, y
digital.
- Niveles crecientes de complejidad, en cómo entendemos y
diseñamos y gestionamos la experiencia para los consumidores, no
sólo a nivel de productos y servicios, sino de todas las dimensiones
de nuestras organizaciones o instituciones.
- Abundancia de datos, en una era de complejidad e incertidumbre
existe un grave riesgo de ‘perder el norte’ desbordados por el
cambio e intoxicados por la sobrecarga de datos.
- Saturación de mercado, los nuevos clientes a atraer son pocos, por
tanto se debe fidelizar a los existentes.
- Creciente número de organizaciones que buscan obtener valor de
big data analytics, por lo cual serán ellas que obtendrán
oportunidades de mercado antes que cualquier otra.
- Complejidad de integración de los sistemas de algunos
proveedores con otros sistemas existentes, esto destruye
frecuentemente el ROI del nuevo sistema.
- A nivel de resumen, en la figura 23 se presenta a continuación los
principales desafíos, de acuerdo con una investigación realizada
por Capgemini:

98
 Figura 23: Desafíos claves para la implementación de Big Data. Fuente: Big
Data Survey, Capgemini , 2014

4. Caso: Amazon

Figura 24: Evolución de Amazon. Fuente: Reuters

El liderazgo de Amazon es evidente, son muy pocas las empresas que han
logrado aprovechar big data analytics eficazmente. Esto ha llevado a la
empresa a revolucionar el sector de Retail (no sólo online) mediante el análisis
99
del recorrido del cliente, siendo uno de los más avanzados del mundo. De
forma general se puede pensar que el secreto de Amazon es el servicio al
cliente, sin embargo, su éxito se basa y va más allá de ello, su innovación
principal es colocar a los datos, además de a los clientes, como el centro de su
cultura corporativa. Es importante en este punto hacer referencia a la encuesta
de Capgemini, en la cual indica la diferencia en el % de éxito de empresas que
cuentan con una unidad de negocio específica para liderar las iniciativas de big
data versus las que no, mostrando que las primeras presentan la mayor tasa de
éxito: 53%

Figura 25: Comparativa de Tasas de éxito. Fuente: Big Data Survey,

Capgemini, 2014

Con un consolidado e-commerce para los clientes B2C también aperturó

en 2015 sus primeras tiendas físicas, para la categoría con la cual inició: libros;
mientras que en la tienda online aumentó sus categorías: libros, música,
muebles, electrodomésticos, comida, ropa, etc. Sin embargo, Amazon no sólo
busca conquistar clientes por diferentes canales, sino también experimenta
diferentes sectores como con su última compra de la cadena de
supermercados Whole Foods. Consideramos que todo ello es parte de su
camino de omnicanalidad y para conseguir brindar al cliente una experiencia
total, con diversas sinergias entre el mundo on y off. Una empresa data driven

100
que cada negocio que lanza se relaciona con algún otro, algo posible de
realizar contando con importantes fuentes de información, haciéndose cada vez
más poderosa. Confirmado en sus diversas iniciativas que al contar con
valiosos insights se puede ir construyendo un negocio encima del otro
sucesivamente, como es el caso de Google y Facebook también. De este
modo, Amazon va construyendo un imperio, una propuesta cada vez más
grande y sólida, para hacerse imprescindible.

Como señala Nacho de Pinedo, consejero delegado de ISDI:

- Hasta ahora, Amazon ha pulverizado la frontera del precio y la de la
rapidez de entrega, y ahora está en la siguiente frontera, la de la
omnicanalidad. Y esta no es solo la capacidad de comprar online o en tienda
física, sino la de mezclar ambos conceptos ya sea en una tienda física en la
que el móvil es la herramienta de compra o en una tienda digital en el que la
última milla se hace a través de una tienda física

- Amazon ha construido un modelo integral de atención al cliente y

desarrollo de una cultura de data para reducir fricción y elevar el consumo
medio por cliente

Amazon tiene toda la experiencia e información para crear diversas

sinergias entre lo on y off, valiéndose de su información recolectada en el
mundo online. Información que le permite trabajar con técnicas de Big Data
Analytics para obtener el mayor valor de la misma. Además de poner al servicio
de los clientes innovadoras tecnologías: Dash, Alexa, Echo. El foco que tiene
Amazon con el cliente hace que sus principales estrategias sea un mix de
iniciativas orientadas al cliente con técnicas de big data analytics, es que la
empresa ha recolectado información por años, como lo realizan varias
compañías, sin embargo, Amazon busca obtener el mayor valor para los
clientes desde esos insights, y se basan en ellos para construir la relación con
sus clientes y la experiencia de los mismos. Desde la perspectiva de los
clientes, uno desea que los datos nos den mayor valor a nivel personal, se trata

101
de: ¿Qué va a hacer la empresa con lo que ha encontrado? vs ¿Cuánto sabe
de mí?, y Amazon entiende bien eso.
Por otro lado, el desarrollo de su propia logística y centros de datos, le ha
permitido a Amazon desarrollar otros negocios B2B: Amazon Logística,
Amazon Web Services, Amazon Pay, Amazon Connect.
Amazon no solo camina en la omnicanalidad basada en big data analytics,
sino que es posible que la reinvente, mediante sus diversas innovaciones. Big
data le permite reunir todo el recorrido de los consumidores durante muchos
años y profundizar en esos datos para ver cuál fue la experiencia y el impacto
de la misma en el recorrido del cliente. Es importante ver los tres puntos:
puntos de contacto en el recorrido, experiencia, e impacto; para conseguir
entender las acciones que permitirán crear un recorrido memorable.

4.1 Motor de Recomendaciones

Amazon ha generado el 29% de las ventas a través de su motor de
recomendaciones que sugiere productos populares a clientes específicos. Para
ello analiza los datos de los clientes procedentes de 152 millones de cuentas,
de esta manera Amazon ha descubierto el verdadero secreto detrás del éxito
de ventas: Big Data. (Rachel Wolfson, 2013)
Amazon utiliza Big Data Analytics para determinar lo que un cliente ha
colocado dentro de su carrito de compras virtual, qué elementos ha visto, y
cuales ha comprado recientemente en el pasado, es decir diversos patrones de
comportamiento. Lo cual le permite mejorar la experiencia de compra de los
clientes que regresan, mostrándoles diversas opciones de productos que ellos
ya han considerado comprar, a pocos segundos después del ingreso de los
clientes en Amazon.com, lo que permite a los consumidores encontrar
exactamente lo que están buscando al entrar en la tienda online.

102
4.2 Amazon Dash
Puede considerarse un asistente de compras desde el hogar, como se vio
anteriormente aprovechando la tecnología se puede crear puntos de contacto
innovadores que en este caso permite a los consumidores contar con nuevas
iniciativas de abastecimiento, además de generar una nueva fuente de datos
para Amazon.
Con Amazon Dash basta con presionar un botón para iniciar el proceso de
compra desde la comodidad del hogar, se trata de botones de plástico
adhesivos que permiten al usuario solicitar productos simplemente pulsándolos.
Esos botones se conectan a través del Wi-Fi del domicilio y se configuran al
recibirlos mediante una aplicación brindada por Amazon. Después de iniciada
la compra, Amazon recibe la petición y envía una alerta a su teléfono móvil
para que se acepte o cancele la orden. A no ser que se elija otra opción, el
botón solo responde a la primera pulsación hasta que la petición haya sido
entregada. En dos días el cliente recibe los productos y no es necesaria
información sobre la tarjeta de crédito porque como se sabe Amazon ya cuenta
con estos datos.
Un paso más adelante de las compras online directamente en la tienda
física pidiendo las mercancías a través de un sistema de pantallas ubicadas
estratégicamente, donde luego el comprador puede recoger sus compras
cómodamente, sin tener que recorrer los pasillos y góndolas.
Cada categoría de producto está relacionada con una sola marca, lo que
hace que pierda interés la comparación de precios antes de la compra, también
es comentado que los precios son muy superiores.
A más largo plazo, Amazon evalúa la puesta en marcha de un servicio de
reposición (Dash Replenishment Service), basado en un sistema cloud
instalado en electrodomésticos como lavadoras, que detecte, por ejemplo,
cuando el detergente está a punto de acabarse y automáticamente haga la
petición de reposicion.

103
4.3 Amazon Echo y Alexa
Alexa es un asistente personal inteligente que tiene la capacidad de
realizar diversas actividades de la vida diaria de una persona. A partir de
noviembre de 2016, Alexa Appstore tenía más de 5.000 funciones
("habilidades") para descargar disponibles para los usuarios a descargar, y
hasta 1.000 funciones en junio de 2016 (wikipedia, 2017)
Alexa es como es nombrado el asistente al momento del consumidor
interactuar con el dispositivo Amazon Echo que es controlado por voz. Este
dispositivo es un cilindro negro o blanco de 20 cm de altura, aproximadamente
del tamaño de dos latas de Coca Cola, que contiene Wi-Fi, dos altavoces, siete
micrófonos y se conecta a la nube. Con un precio actual de $ 179.99, se puede
encontrar en casa a la espera de las solicitudes de las personas en casa.
Amazon Alexa ha anunciado un nuevo amanecer en el software de
reconocimiento de voz, utilizando procesos de aprendizaje de máquina
extremadamente complejos para revolucionar la forma en que llevamos a cabo
las tareas cotidianas. Comenzó con las compras, el clima, la música, y así
sucesivamente, y ahora permite llamadas telefónicas y mensajería.
De acuerdo con lo comunicado por Francois Mairesse, Científico Senior de
Machine Learning, en el Machine Learning Innovation Summit en San
Francisco, Amazon continúa la evolución de los modelos de machine learning
en busca de la perfección. La filosofía, dice Mairesse, es mantenerlo sencillo,
implementar todas las funciones en la nube y asegurar que el dispositivo es
agnóstico de aplicaciones y que las aplicaciones son agnósticas de
dispositivos, por lo que fácilmente pueden agregar más.
De esta manera la inteligencia del asistente, cuando se interactúa con el
dispositivo, está basada en la nube mediante sofisticados algoritmos en línea
que realizan la función que se le está pidiendo. Además, los algoritmos también
rastrean y analizan aspectos de la interacción.
Si bien es cierto el software de reconocimiento de voz despegó por primera
vez en la década de 1990, el principal issue fue que no habían muchos datos
para continuar entrenando el modelo para su correcto funcionamiento.
Problema que ha cambiado en la última década con el impacto de la

104
digitalización, provocando un aumento exponencial de datos que permite
alimentar de más datos a los modelos para entrenar mejor los mismos y lograr
una mayor precisión, que es lo que se requiere en modelos basados en datos.
Además de haber mejorado el poder del procesamiento, caso contrario los
usuarios preferían escribir si se trata de un proceso que tarda más.
El punto de quiebre realmente fue en noviembre de 2014 con la
introducción de la tecnología de campo lejano con el lanzamiento del Amazon
Echo. La cual lleva consigo el desafío de la distancia y que el dispositivo debe
superar logrando distinguir entre la entrada de voz real y los ruidos de fondo.
También necesita hacerlo rápidamente, por lo que se requiere alta precisión y
baja latencia.
El viaje desde la entrada de voz al Echo hasta producir un resultado puede
parecer que sucede rápidamente, pero se basa en un proceso increíblemente
complejo (Innovation Enterprise). Por ejemplo, un usuario podría decir 'Alexa,
¿cuál es el clima en Seattle?'. El primer paso a partir de aquí es el
procesamiento de la señal, que da al dispositivo tantas oportunidades como
sea posible para dar sentido al audio mediante la limpieza de la señal. El
procesamiento de señal es uno de los retos más importantes en el audio de
campo lejano, un mal procesamiento podría conducir a errores y por supuesto
clientes insatisfechos. El objetivo es mejorar la señal, lo que significa ser capaz
de identificar el ruido ambiental como el televisor o lavavajillas y conseguir
minimizarlos. La señal se envía al software de reconocimiento de voz en la
nube, que toma el audio y lo convierte al formato de texto. Esto pasa de un
problema de clasificación binaria a un problema de secuencia a secuencia, los
motores de voz utilizan la síntesis concatenada, donde el audio se corta en
unidades diminutas y la máquina trata de encontrar la secuencia óptima de
partes para maximizar la naturalidad del audio dada la secuencia de palabras.
El espacio de salida aquí es enorme, ya que mira a todas las palabras en el
idioma inglés, y la nube es la única tecnología capaz de escalar de esta
manera. Para convertir el audio en texto, Alexa extraerá ventanas de 10
segundos de audio. A continuación, analizará las características de la voz del
usuario, tales como la frecuencia y el tono para darle valores de la

105
característica. Un decodificador determinará cuál es la secuencia más probable
de las palabras, dadas las características de entrada y el modelo. Esto es
cuando el entendimiento del lenguaje natural (NLU) entra en acción y convierte
el texto en una representación significativa.
Los productos de comando de voz, el análisis y la minería de datos detrás
de ellos, se encuentran en sus comienzos. Pero incluso ahora, es fácil ver los
grandes avances que los separa de los productos tradicionales de consumo.
Los productos del tipo Alexa están diseñados para capturar datos usando la
interactividad de las personas con el producto, para así conseguir analizar
comportamientos. Cada vez que se invoca una habilidad de Alexa, Amazon
aprende mejorando el modelo.
Un factor importante a destacar es que se trata de aproximadamente 5
millones de unidades de altavoces inteligentes de Amazon vendidos en los
últimos dos años, es decir es una cantidad grande de usuarios que interactúan
diariamente con las funcionalidades de Alexa, haciendo que Amazon conozca
cada vez las preferencias e inquietudes de millones de clientes.
Desde la perspectiva de Amazon, los datos recolectados se integran con la
abundancia de datos con la que cuenta Amazon, lo cual le permitiría pulir
modelos existentes, y realizar estrategias integradas a raíz de los insights
obtenidos por este punto de contacto para ser aprovechados en otro punto de
contacto o canal en el que interactúe el usuario, como podría ser el
establecimiento de promociones. Por ejemplo, si alguien pregunta "Alexa,
cuales son las señales del embarazo", el cliente también verá pañales como un
producto sugerido la próxima vez que vaya de compras en Amazon.
Amazon además muestra como con el Echo tiene otro elemento que apoya
la experiencia omnicanal para los usuarios, esforzándose por derribar las
separaciones entre un canal u otro para que los clientes puedan relacionarse
con la empresa de la forma más conveniente para ellos y en el canal de su
elección. Y pensando en esto, la voz es la forma de comunicación más natural
y de alguna forma más cercana, que sin duda mejora la experiencia de los
consumidores.

106
 Los investigadores están trabajando constantemente para mejorar el
software de reconocimiento de voz, particularmente alrededor de la emoción en
la voz de una persona. Otras mejoras harán que Alexa sea cada vez más
capaz de mantener una conversación, recordando lo que una persona ha dicho
previamente, y aplicando ese conocimiento a las interacciones posteriores,
pudiendo hacer al Echo casi mágico y muy eficaz (Sound & Vision, Innovation
Enterprise, 2017)
Una de sus últimas innovaciones es el Echo Show, un dispositivo que
cuenta con una pantalla táctil frontal y con nuevas capacidades para Alexa que
son posibles de ser usadas por el usuario gracias a esta pantalla. Por ejemplo:
si anteriormente se le solicitaba a Alexa un jabón, ella sólo podría reordenar
productos que ya se habían comprado; en cambio con Echo Show el asistente
inteligente mostrará diferentes opciones de jabón en su pantalla.
Amazon también promociona el Echo Show como un centro de hogar ideal
que se puede utilizar para monitorear la actividad dentro y alrededor de la casa.

4.4 Amazon Go
Amazon Go ha sido la primera tienda de conveniencia de Amazon, con
la novedad de ser un punto de venta que no cuenta con líneas de cajas.
La tecnología atrás de ello, llamada por Amazon "Just Walk Out Go” y
basada en IA y sensores, permite detectar cuándo un comprador toma un
artículo del estante y luego sincroniza los datos a través de una aplicación
descargada, eliminando así la necesidad de pasar por una línea de cajas como
tradicionalmente ocurre. Estos datos se pueden obtener a partir de un sistema
de imagen en base a la ubicación del producto, o el peso del producto, etc.
Mientras más variables predictivas o entradas de datos se combinen se puede
generar una mayor puntuación de confianza aumentando la probabilidad de
que el producto identificado coincida con el ítem realmente seleccionado en la
ubicación del inventario. Cuando los clientes salen de la tienda, el sistema
detecta esta salida, agregando los productos a su carrito virtual y cobra de la
cuenta que tiene el cliente en Amazon.

107
 En el caso de que el sistema de gestión de inventario no puede
determinar si el elemento escogido es una botella de ketchup o una botella de
mostaza, el sistema de gestión de inventario puede considerar el historial de
compras pasado y / o qué artículos ya ha escogido en otras ubicaciones de
inventario. Por ejemplo, si el usuario históricamente sólo ha comprado salsa de
tomate, esa información se puede utilizar para confirmar que el usuario
probablemente ha seleccionado ketchup desde la ubicación del inventario.
(Bishop, 2016)

4.5 Amazon Fresh y Whole Foods

Amazon Fresh es una subsidiaria del e-commerce Amazon.com. Un
servicio de entrega de comestibles actualmente disponible en Estados Unidos,
Londres, Tokio y Berlín
Además de ofrecer algunos artículos de supermercado para la venta,
también tiene disponible algunos productos de la tienda principal, la que
conocemos todos, Amazon.com (wikipedia)
Por otro lado, la última adquisición de Amazon ha sido Whole Foods con
alrededor de más de 400 ubicaciones de tiendas, de esta manera también
ingresa al mundo offline con esta cadena de supermercados. ¿Esta adquisición
forma parte de una estrategia omnicanal? En mi opinión, sí. De alguna forma
Amazon ya cuenta con la venta de comestibles en línea y ahora mediante
Whole Foods también se acerca a los consumidores en el mundo offline.
Además, que por la gran experiencia que Amazon tiene como una empresa
que toma decisiones basadas en datos, esta vez no puede haber sido la
excepción. Como señalan algunos, Amazon puede haber detectado que
muchos de sus clientes Prime, que conoce cada vez mejor, presentan
características que se contraponen con las características de los clientes de
Whole Foods, siendo una buena apuesta obtener este canal para ellos, de
forma de también mejorar la experiencia omnicanal de estos clientes. Clientes
que posiblemente son los que compran en Amazon y también en Whole Foods,
además de convertir esas bases de los clientes en otra fuente de datos de los

108
comportamientos de los consumidores, que le permitan a Amazon, en mi
opinión, realizar estrategias mixtas en los distintos canales en los que actúa
para obtener mayores beneficios de estos clientes, mientras mejora sus
experiencias. Además de como vimos anteriormente, con big data analytics
también se espera obtener el mayor valor de los clientes más rentables, y para
Amazon estos pueden ser estos clientes Prime que compran en Whole Foods
con una localización en los barrios más ricos.
Hay múltiples fuerzas en juego que han hecho esta adquisición la más
prominente en el sector minorista, y de acuerdo con Janardhanan “Este
movimiento de Amazon causará una disrupción significativa en el panorama
minorista en todo el mundo. De esta manera, también traerá beneficios con una
experiencia mejorada del cliente, implementaciones tecnológicas innovadoras y
estrategias competitivas de precios a través de la omnicanalidad. El aumento
de la capitalización bursátil de Amazon y la reducción de las cuotas de
mercado de los principales competidores serán un catalizador en la redefinición
de las reglas de trabajo del sector minorista”.
Con las tecnologías disruptivas con las que cuenta Amazon, incluyendo
machine learning, IoT y realidad aumentada, los centros de distribución de
Whole Foods probablemente obtendrán una renovación completa por parte de
Amazon. Con esta combinación de tecnologías y los conocimientos de
Amazon, la experiencia de compra en supermercados puede pasar a un nuevo
nivel. Para los millennials todo esto puede impactar de forma excelente en su
experiencia, mediante la inclusión por ejemplo de la experiencia 3D, 4D,
estantes inteligentes, etc.
Otros entendidos, también hablan sobre la posibilidad de que algunas
tiendas de Whole Foods se conviertan en tiendas Amazon Go habilitadas con
las tecnologías avanzadas como las que venimos mencionando y más.

Como conclusión, Amazon con todas estas nuevas estrategias, nuevos

productos y servicios, se mantiene pionero en la industria de Retail. Ha
introducido innovaciones en e-commerce, novedades como Amazon Dash,
Amazon Alexa, las tiendas Amazon Go y lo último ha sido la adquisición de

109
Whole Foods; mostrando así sus propósitos de consolidarse y continuar
avanzando en la omnicanalidad.
Amazon se orienta a brindar experiencias más transparentes a sus
clientes mediante la sinergia del mundo off y on, a través de sus distintas
tiendas.
Una de las principales fortalezas de Amazon es que es una organización
centrada en el cliente, y basada en datos, es decir de forma objetiva aplica
estrategias que generen grandes beneficios tanto a la empresa como a los
consumidores. Amazon de esta forma confirma como el uso de analítica
avanzada le ha permitido conocer de forma profunda a sus clientes, detectar
patrones ocultos en los datos que la han guiado en estrategias innovadoras,
además de mostrar cómo la velocidad de sus acciones ha sido importante para
el éxito de iniciativas de big data analytics. Esto le ha permitido obtener
grandes resultados, crear nuevos negocios, productos y servicios; logrando
ofrecer una óptima experiencia a los clientes, más personalizada y omnicanal,
basada en el gran conocimiento que tiene del mercado y la comprensión de sus
clientes, que permite satisfacer sus preferencias. Sin el uso de todos estos
datos de diferentes canales y puntos de contacto, además de la analítica que
permita generar modelos y la tecnología para hacerlos escalables y
sustentables, no hubiera logrado estos objetivos.
Amazon dispone hoy de la tecnología y la infraestructura para continuar
trabajando en la mejor forma de adquisición, engagement y experiencia del
cliente. Técnicas avanzadas como machine learning junto con los datos
continuarán ayudando a Amazon a analizar cada vez con mayor precisión los
comportamientos y necesidades de los clientes, para establecer mejores
planes y experiencias personalizadas en todos sus canales de forma
consistente.
Su lanzado asistente inteligente Alexa ha logrado crear una interacción
más humana con los consumidores, aportando a una mejor relación con los
mismos y generando también mejores relaciones con otros canales, buscando
desintegrar las líneas divisorias entre un canal y otro como lo que se busca en
la omnicanalidad. Esta cercanía que logra Alexa, ha hecho frente y superado al

110
que es, según algunas investigaciones, uno de los puntos débiles de los
canales digitales: la falta de cercanía. Esto abre otro camino de aprendizaje y
error para estrategias más potentes en Amazon, de la mano de tecnologías
como IoT, AI, etc. De esta manera el asistente Alexa a través de esta cercanía
como sucede en la tienda física, puede guiar a los clientes en su proceso de
compra mediante múltiples canales integrados perfectamente. La experiencia
de los clientes se ve positivamente impactada mediante la implementación de
características avanzadas, que son posibles después del análisis de datos y
con el uso de las mencionadas tecnologías.

5. Omnicanalidad en el Mercado Argentino

5.1 Análisis GAP: Necesidades vs Situación Actual en

Argentina
Después de conocer las importantes iniciativas de Amazon en la materia
de la investigación, ahora se desea establecer la situación actual en Argentina
referente a Omnicanalidad, mediante las entrevistas realizadas a ejecutivos y
profesionales seniors de destacadas empresas argentinas.
De acuerdo con el artículo publicado en MarketersByAdLatina.com y con
información relevada de TuQuejaSuma.com, se trata en su mayoría de
empresas que se imponen en la atención al cliente en el sector. De forma
general, las marcas líderes en atención al cliente serían Frávega y Al
Mundo.com. El proceso en TuQuejaSuma.com es que por cada comentario
solucionado, las entidades mejoren sus porcentajes de respuesta y su posición
en un ranking que muestra cuáles son las compañías que operan en la
Argentina y más conflictos resuelven.
“Con un promedio de 98% de resolución en más de 400 casos recibidos,
Almundo.com se posiciona como el líder en eficacia. En tanto, la medalla de
111
plata es para Frávega (97%), que también es la que más problemas arregló:
4459. Detrás se ubican Tarjeta Naranja (2086) y Mercado Libre (1895)”
(MarketersByAdLatina.com, 2017). A continuación, el ranking con las empresas
que participan del proceso de entrevistas, resaltadas:

Retail
1- Frávega
2- Musimundo
3- Compumundo
4- Garbarino
5- Falabella

Productos por internet

1- Mercado Libre
2- Avalancha.com
3- Avenida.com
4- Cheeky
5- Hendel

Viajes
1- Almundo.com
2- Iberia Líneas Aéreas
3- Despegar.com
4- Latam
5- Aeroméxico

Después de revisar estas posiciones nos preguntamos si es suficiente

ser líder en atención al cliente? Vamos a analizar: Si Frávega aún teniendo 10
veces más casos resueltos que AlMundo.com no lo supera en tasa, quiere
decir que tiene demasiados reclamos que aún con todo lo que soluciona no
alcanza para ser el líder? cuál es el origen de “infinitos” reclamos? cuál debe

112
ser un buen número de reclamos que puede tener una empresa, a pesar de
todo lo que solucione? alrededor de cientos o de miles? Qué tanto reclaman los
clientes en estas empresas? mientras las empresas se encontraban
solucionando los reclamos, los clientes convencían a potenciales clientes de no
contar con productos o servicios de la compañía? los clientes contaban su mala
experiencia en todas sus redes sociales y viralizaban los motivos de sus
reclamos? En cuántas personas habrá impactado toda esta información?
cuántos clientes que se encontraban a un paso de adquirir aquel producto o
servicio de esa marca, dejaron de hacerlo por esas historias? Solucionar
reclamos es una situación reactiva o proactiva? etc
Después de realizada unas cuentas preguntas, sustentado en lo
estudiado a lo largo de la tesis y considerando que la experiencia del cliente
omnicanal considera todo el recorrido del cliente, podemos responder a la
pregunta inicial: claro que no es suficiente ser líderes en atención al cliente, ni
siquiera se puede considerar que estos líderes son líderes en experiencia del
cliente también. Experiencia como analizado a lo largo de la tesis, abarca
mucho más, abarca eventos antes, durante y después de la compra; y Big data
Analytics permite la reacción proactiva para brindar positivas experiencias a los
consumidores. Por otro lado, algo muy interesante a notar, como también lo
reflejan las entrevistas, es que varios estudios muestran información agregada
que esconde diversos otros problemas que se ven al analizar, justamente los
datos con mayor profundidad. Regresamos al comienzo: necesitamos datos y
necesitamos analizarlos. Sin embargo puede ser un buen comienzo ser líderes
en atención al cliente, si estas empresas lo aprovechan.
Para las entrevistas, se ha considerado a las empresas Retail pero
también a las empresas de la industria de Turismo que en el rol de agencias de
viajes son un canal de comercialización retail-minorista para la venta de
productos o servicios en esta industria, y por tanto nos brindan información
relevante para el tema de estudio. Esa relevancia, para este tema en particular,
también nos las dan las empresas de medios, porque los clientes cambiaron
tanto que muchos clientes son medios de comunicación por sí mismos:
influenciadores, youtubers, etc.

113
 Finalmente como análisis de las entrevistas y a manera de conclusiones,
se plantea la brecha que existe entre las necesidades de Omnicanalidad que
presenta el mercado en medio de la disrupción digital vs la situación actual.

A continuación, se va a describir un resumen de cada entrevista:

5.1.1 Entrevista Al Mundo.com

Entrevistado: Francisco Simone

Rol: Gerente de Desarrollo de Nuevos Negocios.

Área: Nuevos Negocios

Actualmente Francisco pertenece al área de Nuevos Negocios, en la cual es

responsable por detectar oportunidades de mercado y desarrollarlas desde
cero. Estas oportunidades se piensan en el ámbito de los negocios digitales
innovadores. En este contexto, Francisco destaca tres proyectos en particular.

Proyectos:

1.Realidad virtual, como señala en comunicado Juan Pablo Laffose, CEO

Latam de Almundo.com: “esto permite generar la sensación de estar viajando y
caminando por las calles, interactuar con el entorno y con la gente local.
Considerando que hoy buscamos experiencias y que nuestro foco es el
servicio, desarrollamos el proyecto AlmundoVR360 que nos permite vivir
previamente un destino y aumentar nuestras ganas de viajar, apuntando a lo
emocional y a la sensación de estar allí. La realidad virtual nos transporta a
cualquier parte del mundo que queramos, en cuestión de segundos”.

2. Trip planner, una herramienta omnicanal que permite planificar los viajes de
acuerdo a experiencias de viajes específicos y compartir estas experiencias.

3. Un “Uber¨ de agente de viajes. Cualquier persona del mundo se puede

114
 convertir en un agente de viajes.

A continuación, se presenta en forma de resumen la información obtenida de la

entrevista, como también se resalta citas textuales de ejecutivos de
AlMundo.com que complementan ciertas afirmaciones de Francisco. Así a nivel
de su experiencia y en forma de resumen, se detalla lo que Francisco indica:

- La digitalización ha llevado a un cambio en la forma que viajan las personas,

las nuevas generaciones también son una nueva generación de viajeros que
buscan experiencias y personalización.

- La integración entre los distintos canales es fundamental, los canales on y

off se complementan en este sentido, y no se espera que uno reemplace a
otro. Juntamente con la digitalización, lo que también crece es la abundancia
de data para el propio viajero, entonces en el caso de AlMundo.com si se
desea hablar con una persona en la sucursal se cuenta con agentes
experimentados, que brinden la información que precisa el viajero en lugar
de que la persona gaste mucho tiempo buscando información en la web
entre tanta data. Actualmente aproximadamente el 50% de las ventas se da
en sucursales, y toda la plataforma de ventas es omnicanal.

- Uno de los grandes ejes del AlMundo.com es brindar una visión consistente
de la empresa en todos los canales y puntos de contacto con el cliente. De
forma tal, que la experiencia del cliente es uno de los diferenciales de la
empresa. Ese camino es resaltado por Gabriel Lepera, gerente del área de
Proyectos de Almundo.com: “a futuro buscamos la integración de la atención
en sucursales con la del centro de contactos para que el cliente,
independientemente de que esté en una sucursal o interactuando a través
de la web, o a través cualquier otro canal, tenga la sensación de que en todo
momento habla con una única compañía”.

115
- Los resultados de las campañas de marketing son muy difíciles de medir,
cuentan con un impacto indirecto también. La aplicación de big data
analytics para el éxito de iniciativas orientadas al cliente, permiten una mejor
medición y análisis.

- Los desafíos para la aplicación exitosa de Big Data Analytics principalmente

son: muchas bases de datos, muchas fuentes de información, la
consistencia de la data, estandarización, calidad de los datos, y velocidad
para accionar los insights obtenidos. Sin embargo Almundo.com avanza de
la mano de sus principales fortalezas: ideas innovadoras y disruptivas, know
how, visión 360 grados del cliente, muy buena información y equipo con alto
expertise, junto con los recursos financieros disponibles para el desarrollo
propio de nuevas aplicaciones.

- Los desafíos en el camino de la omnicanalidad son: la usabilidad de las

nuevas aplicaciones tanto a nivel del usuario como de los responsables en
cada punto de contacto de interactuar con el cliente como es el caso de los
asesores de destino (vendedores)

- La privacidad de datos se gestiona con empresas partners especialistas en

este asunto, en este sentido se cuenta con tasas muy bajas de fraude.

- Actualmente se mide el retorno de los clientes. Almundo.com busca conocer

con mayor profundidad lo que ocurre con los clientes en los diversos
canales, se analizan también los datos de los consumidores en los medios
digitales. En el caso del punto de ventas esto no ocurría. Francisco Chiari,
director de ventas de almundo.com explica: “La mayor problemática que
teníamos en la red de sucursales era la de no tener visibilidad de qué estaba
ocurriendo en cada punto de ventas. Para responder a la pregunta ¿cómo
andan las sucursales?, sólo disponíamos de un indicador, que era la
facturación generada. No sabíamos cuántos clientes ingresaban en las
sucursales, cuáles eran los tiempos de espera, qué tipo de destino o

116
 producto buscaban esos clientes”, explica Francisco Chiari, director de
Ventas de Almundo.com. La compañía necesitaba disponer de esta
información en tiempo real, para reaccionar rápidamente ante la demanda,
mejorar la experiencia de los clientes, y tomar decisiones de gestión y
operativas a partir de información pertinente. Buscábamos una visión en
tiempo real del flujo de clientes en sucursales.

- Para lograr una experiencia omnicanal lo más importante es la información.

Información que puede ser explotada de forma eficiente y con técnicas
avanzadas para obtener insights relevantes y accionables a la velocidad
necesaria.

- El diseño y gestión de la experiencia del cliente, ha permitido el crecimiento

de la conversión del cliente, así como el aumentó en casi un 100% del NPS
de 40% a 75%

- El nivel de la gestión de la experiencia del cliente busca ser la

omnicanalidad, pero aún se requiere avanzar en el nivel de adopción de big
data analytics para tal fin, que se encuentra en un nivel inicial de
implementación, pero con iniciativas y fortalezas trabajando en sinergia para
desplegar rápidamente este tipo de aplicaciones. Fortalezas que se resumen
en: Mirada 360 grados de la compañía, Cultura orientada al cliente,
Búsqueda por ser un data driven business.

- Como lección aprendida acerca de la gestión de la experiencia omnicanal

del cliente, consideramos que la analítica de datos es lo màs valioso para
cualquier toma de decisión, lo más importante es medir para poder tomar el
camino correcto rápidamente.

Conclusión:

AlMundo.com además de haber reformulado sus diversas sucursales, está

desarrollando diversas iniciativas para mejorar la experiencia del consumidor,

117
antes, durante y después del viaje, tanto en el punto físico como en sus
canales digitales, en el camino hacia la omnicanalidad. Para ello, trabaja en el
análisis de datos para lograr insights accionables a la velocidad que requieren.

5.1.2 Entrevista a Garbarino

Entrevistado: Gustavo Alaya

Rol: Líder de Proyecto / Business Partner

Área: Marketing

Proyecto: Repositorio de datos del cliente.

En una primera etapa, se está trabajando para conseguir tener un repositorio

con toda la data del cliente. Posteriormente, se va a construir diferentes
modelos de cliente en base a esta data, por ejemplo: patrones de clientes,
patrones de compra, etc.

A continuación, se presenta en forma de resumen la información obtenida de la

entrevista. Gustavo indica que:

- Los principales impactos de la transformación digital es la necesidad de

personalización para los clientes, mayor granularidad de la data del cliente, y
data en todos los canales.

- El canal online y offline son complementarios, considerando que lo que

generalmente ocurre es que la búsqueda y análisis del producto se realiza
en la web y para experimentar el producto el consumidor desea ir a la tienda
física. En este sentido, la omnicanalidad también permite darle más
presencia a la marca frente al cliente.

- La omnicanalidad en Garbarino es un plan de largo plazo, debido a que

primero se necesita trabajar en la cultura empresarial, y en un mayor
aprovechamiento de la tecnología. Actualmente se avanza por necesidades
118
 de alguna vertical del negocio, y no existe un área de BI Analytics o de
Experiencia del Cliente horizontal a la empresa.

- Los desafíos que existen en la aplicación de big data analytics en la empresa

como se ha mencionado son: la cultura organizacional. A nivel de las
aplicaciones y modelos, se necesita contar con un rápido desarrollo de
pilotos para demostrar determinado éxito y conseguir crecimiento en ese
sentido, además de aprender de los modelos de datos con velocidad para
sumar know-how para el siguiente modelo.
- El principal desafío para la omnicanalidad en la organización es la
información desintegrada del cliente. Actualmente el nivel de segmentación
que se tiene de los clientes es básico, y no se cuenta con fidelización de
clientes. De igual forma, la experiencia del cliente no está siendo medida,
pero se espera que después de finalizado el proyecto actual se comienza a
medir.

- La privacidad de datos está siendo considerada dentro del proyecto

mencionado, considerando que la granularidad puede exponer la
información a lugares que uno no quiere, por tanto, la seguridad tiene que
ser parte.

- Las principales fortalezas para lograr aplicar exitosamente, a futuro, big data
analytics para mejorar la experiencia del cliente son: un gran equipo de
trabajo del lado del usuario que entienden las necesidades y apoyan, cultura
fuerte de cambio, y tecnología ya que también se trabaja con partners para
determinados fines.

- Para aplicar Big data Analytics en la empresa para la mejora de la

experiencia omnicanal se necesita relevar y contar con casos de uso. Hoy en
día, se está trabajando en etapas más tempranas, como es primero obtener
las fuentes de datos necesarias. Técnicas de cross-up selling se aplica

119
 como parte de una vertical, en este caso para los canales mobile y web,
mediante pequeños modelos que no son basados en tecnología de analytics.

- Los puntos de contacto que han resultado más eficiente son los del canal
online. Aunque tanto en el online como en el offline la satisfacción del cliente
en cuanto a experiencia de compras es muy buena. De acuerdo con las
encuestas del sector se encuentran en el top 2.

- Respecto a la gestión de la experiencia del cliente, existe de cara al cliente

mucha necesidad de ir hacia la omnicanalidad, de cara al negocio existen
muchas oportunidades perdidas para las ventas cruzadas, además de la
necesidad de unir las diferentes verticales e integrar los canales (.com y la
sucursal). Actualmente cada uno trabaja de forma independiente y con su
propia área de marketing, no se usa de forma integrada los datos de los
consumidores en los medios digitales.

- En opinión de Gustavo, en el sector todos se encuentran en nivel de

incubadora en materia de omnicanalidad.

Conclusión:
Garbarino se encuentra en etapas tempranas en el uso de analytics para
iniciativas de marketing o experiencia del cliente, actualmente trabajan en un
proyecto con el cual se espera contar con una visión unificada del cliente, lo
que sería el inicio para futuros modelos de analítica avanzada en base a las
fortalezas con las que cuentan.

5.1.3 Entrevista Grupo Clarín

Entrevistado: Marcos Foglia
Rol: Director de plataformas digitales
Área: Artear
Proyecto Actual: Transformación digital en diferentes áreas.

120
A continuación, se presenta en forma de resumen la información obtenida de la
entrevista. Marcos indica que:

- El impacto de la transformación digital para el grupo Clarín ha sido

principalmente la migración de las audiencias a medios broadcast.

- Actualmente el canal offline continúa siendo importante, no se va a

reemplazar, sin embargo, cambió de magnitud. Nuestros canales de
distribución con los que contamos son líderes tanto en offline como online.

- Estrategias de omnicanalidad se vienen aplicando en diferentes años, con

una inversión bien alta, no sólo para ganar nuevas audiencias sino también
nuevas ventas de los ingresos. Para ello se considera complementario las
campañas de marketing y técnicas de big data analytics en el éxito de
iniciativas destinadas al cliente. Estas técnicas también permiten generar
una mayor efectividad de la pauta, tanto a nivel de efectividad comercial
como efectividad de contenidos.

- Para la aplicación de big data analytics se cuenta con desarrollos propios,

así como con herramientas de terceros, que soportan tácticas de integración
de actividades del usuario y mejoran su engagement. Aunque aún se
encuentra en etapas muy tempranas contar con una visión 360 grados del
cliente.

- Los desafíos que existen en la empresa para la omnicanalidad son: la alta

complejidad para gestionar recursos en el mundo digital, sin embargo, son
una empresa con un buen atractivo para reclutar los mejores talentos y
retenerlos. Se brindan beneficios tanto a las audiencias como a los recursos
internos.

- La principal fortaleza para aplicar exitosamente big data analytics para

mejorar la experiencia del usuario es contar con audiencias masivas las

121
 cuales proporcionan un gran volumen de información. Además, que la
experiencia del cliente se apoya del valor con el que cuenta la marca.

- El nivel de segmentación de los clientes es más avanzado en los canales

digitales. La fuga de clientes también es medida a diario. Aún es difícil cruzar
el mundo on con el off, de forma general es mejor en el mundo on. Y por
tanto los puntos de contacto más eficiente son las redes sociales. Entre los
principales KPIs para medir la experiencia online se tiene: tiempo de
permanencia, páginas vistas, etc.

- Las técnicas de big data analytics necesitan ser gestionadas con velocidad,
probar rápido los modelos y contar con un rápido impacto. Actualmente el
ROI ha mejorado muchísimo con la aplicación de big data analytics para
iniciativas orientada al cliente.

- Para la gestión de la experiencia del cliente se usa el CRM y estrategias de

omnicanalidad, cada una con diferentes niveles de profundidad y de
devolución.

Conclusión:

Artear aprovecha las técnicas de big data analytics para obtener mejores
resultados en iniciativas orientadas al cliente, logrando mejorar mucho el ROI y
la experiencia en los usuarios. En estos últimos años ha aprovechado
estrategias mixtas en el camino de la omnicanalidad, para la cual le hace falta
una visión de 360 grados del cliente, que como afirma Marcos se encuentra en
una etapa temprana aún, pero sin embargo esta estrategia de integración de
canales le ha permitido a la empresa ir avanzando y aprovechar el gran
volumen de datos con el que cuenta para explotarla mediante modelos de big
data analytics y generar valor a la velocidad necesaria.

122
5.1.4 Entrevista Fravega
Nombre: Carlos Fau
Empresa: Fravega
Rol: Arquitecto de TI
Área: Marketing
Proyecto actual: Reemplazo de la herramienta de e-commerce

A continuación, se presenta en forma de resumen la información obtenida de la

entrevista, Carlos indica que:
- Actualmente se busca crecer mucho en online, y a nivel tecnológico usar la
misma tecnología para dotar a las sucursales físicas, y la misma esté
disponible tanto para los clientes como para los asesores.

- La aplicación de una estrategia de omnicanalidad en la empresa es un plan

de mediano plazo, pero existen pequeños proyectos para la implementación
de estrategias orientadas al cliente. Se cuenta con una dirección de
experiencia del cliente, quien dirige las estrategias para todo el negocio.

- Los desafíos que existen en la aplicación de big data analytics en la empresa

son: contar con fuentes de datos maestras, nomenclatura y calidad de datos.

- Los desafíos que existen para la omnicanalidad son: la diferencia entre las
competencias del equipo de las sucursales, los puntos de contacto no
terminan de entender la integración de los clientes vs online, y la cultura
organizacional.

- Existe una cultura interna de seguridad de datos gestionada por el área de

seguridad informática.

- El nivel de segmentación que se usa para los clientes aún es básico por
ejemplo segmentación geográfica, se está trabajando en recolectar los datos
que permitan aplicar técnicas de segmentación más avanzadas.

123
- A nivel del canal online, se está recolectando y analizando ciertos datos, por
ejemplo: donde el cliente abandonó la web.

Conclusión:
Fravega actualmente prioriza el crecimiento del canal online, con la expectativa
de proveer de la misma tecnología posteriormente a las sucursales. La idea de
omnicanalidad se encuentra en el mediano plazo, pero sin duda el avance que
esperan conseguir en el canal online ayudará en la aplicación posterior de
estrategias de convergencia entre el canal online y el offline, en el camino a la
omnicanalidad. Aunque para ello, la existencia de sólidos modelos de analítica
de datos, aún no están presentes, tampoco en el e-commerce.

5.1.5 Entrevista Newsan

Nombre: Solange Saunier
Rol: Gerente de Sistemas
Área: Sistemas

Proyectos:
1. Mejorar todas las herramientas para la venta a retailers, permitiendo
digitalizar la comercialización. Incluso el propio cliente b2b puede darse de alta.

2. Transformación de la post venta del customer care. Este proyecto está

dirigido también a los consumidores finales. Newsan atiende estos
consumidores en la venta mediante el e-commerce b2c o e-commerce privados
generalmente disponibles en los bancos, y en la post venta de garantía.

A continuación, se presenta en forma de resumen la información obtenida de la

entrevista. Solange indica que:

124
- Los impactos de la transformación digital en la industria son: consumidores
más jóvenes, cambio cultural, gestión del cambio interno y externo,
dinamismo y agilidad en los negocios.

- La aplicación de una estrategia de omnicanalidad en la empresa no está

pensada en el corto plazo. Actualmente los pedidos, gestión de reclamos
(aplicación de call center), notas de crédito y cobranzas trabajan en un único
canal.

- Se cuenta con poca información del cliente final. Los resultados son
analizados y medidos por cada área. Existe una demanda de un área de BI
horizontal a todo el negocio, en el pasado sólo ha existido un equipo de BI
dentro de sistemas para implementar la herramienta de reporting qlikview.

- Los desafíos que existen en la aplicación de big data analytics en la empresa

son: desarrollar el área de BI a nivel de negocio, contar con un
datawarehouse corporativo, estandarización de datos. Se está evaluando la
incorporación de Watson para procesos de post ventas.

- La privacidad de datos no es un tema que preocupe, se cuenta con pocas

cosas en la nube y aplicaciones robustas de primer nivel.

- De cara al cliente final, tanto el canal offline como el online deben funcionar
como complementos. De forma general, los consumidores finales optan por
el retiro en tienda de compras realizadas en e-commerce. Newsan también
cuenta con una tienda en mercado libre y algunos clientes b2b de Newsan
pueden llegar a ser sus competidores en este canal.

- El nivel de adopción de Big Data Analytics en la empresa se encuentra en

fase inicial. Como principales fortalezas para aplicar big data analytics para
omnicanalidad se tiene: gente del negocio y de sistemas con mucho

125
 conocimiento en el tema, amplia oferta de herramientas tecnológicas,
adaptados a cambios sin planificación porque se realiza el camino al andar.

Conclusión:
Newsan se encuentra en etapas muy tempranas tanto a nivel de omnicanalidad
como de big data analytics. Estrategias mixtas o de convergencia entre
distintos canales tampoco forma parte de la agenda de Newsan, puesto que
son varios los procesos que sólo cuentan con un canal. Los datos es otro factor
crítico porque no se recolecta los datos necesarios para generar modelos de
valor para la empresa, cada área analiza de forma independiente lo que
considera oportuno en determinado momento, y esto no es compartido a lo
largo de toda la organización. Por lo cual se destaca la importancia de contar
con un área de analítica como unidad de negocio que vele por iniciativas
basadas en datos. Aunque se está desarrollando proyectos que involucra a
medios digitales, como es el caso del e-commerce b2c, aún falta contar con la
base que permita medir el éxito de ésta u otras iniciativas y para ello hace falta
datos. Por otro lado, Newsan cuenta con un factor importante que puede ser
beneficioso en cualquier proceso de transformación como es: fácil adaptación a
los cambios.

5.1.6 Entrevista Mercado Libre

Nombre: Roberto Moldes
Rol: Analytics Manager
Área: Marketplace

A continuación, se presenta en forma de resumen la información obtenida de la

entrevista. Roberto indica que:

- Para el uso de Big Data Analytics en la empresa es importante: la velocidad

en pruebas (con marketing funciona muy bien), y la calidad de los modelos.
En e-commerce los modelos se hacen viejos muy rápidos.

126
- Los diferenciales en la experiencia del cliente son: envíos gratis, mercado
pago, lo cual permite que sean los líderes en marketplace. La experiencia
del cliente a nivel del comprador se mide principalmente por la experiencia
de compra, sin embargo, a nivel del vendedor por el volumen de ventas. Por
tanto, el vendedor se siente satisfecho al vender más, y el comprador al
encontrar lo que desea y a buen precio. Principales competidores:
Garbarino, Fravega, Falabella.

- Los desafíos para la adopción de Big Data Analytics para Omnicanalidad en

la empresa son: la alta dificultad en armar los equipos, volumen de datos
enorme, la preparación y tratamiento de datos (calidad, estandarización).

- Actualmente los datos de los consumidores se analizan muy poco. Nos

encontramos en una etapa de identificación de variables predictivas para
modelos más avanzados de segmentación considerando el valor de cada
tipo de cliente, los más rentables, etc.

Conclusión:
En el caso de Mercado Libre, la gestión de la experiencia del consumidor se
hace más relevante en el rol de los compradores. Sin embargo, aún no se
analiza mucho los datos de los consumidores para contar con modelos
avanzados en base a los datos de los clientes, además de escalables. Uno de
los desafíos es contar con la velocidad necesario para accionar rápidamente
los conocimientos que se pudieran obtener mediante la analítica, debido a que
los modelos se hacen muy viejos con rapidez.

Después de analizadas las distintas entrevistas, se observa que, si bien

en varios casos se tiene en vista las necesidades de los clientes en un entorno
de digitalización o el impacto de la transformación digital, aún no se ha logrado
implementar sólidas estrategias de big data analytics para mejorar la
experiencia de los clientes omnicanal. En Argentina sólo se observa, en su
mayoría, algunos avances dentro de etapas muy tempranas en materia de

127
omnicanalidad y big data analytics. Pensar en un mayor avance a futuro
también requiere superar diversos desafíos internos que presentan varias de
estas empresas, partiendo de los desafíos propios de los datos y de la
estructura organizacional, tanto para temas de experiencia del cliente como de
analítica. Desafíos que lleva consigo un verdadero proceso de transformación
del negocio. Es un largo camino a recorrer a nivel de procesos, personas y
tecnología, pero sin embargo queda claro que es un camino que tarde o
temprano debe iniciarse, los que más temprano inician serán las empresas más
innovadoras. Se sabe que el trabajo con datos requiere un proceso de
entrenamiento, prueba, error, aprendizaje, y evaluación continua, y esto
también requiere tiempo. Los datos necesitan ser recolectados, procesados y
explotados para generar el mayor valor posible, por lo cual es importante
avanzar en esos esfuerzos, con un modelo en particular, con un canal en
particular, pero probar a la velocidad necesaria que ello está generando valor a
la empresa, y posteriormente pensar en escalabilidad mediante mejores
tecnologías. De esta forma, se estima que muchas de las mejores prácticas
aplicadas por Amazon no están presente en el mercado argentino, además de
contar con varias de las debilidades que pueden impedir una aplicación exitosa
de la analítica avanzada de datos para iniciativas orientadas al cliente para
mejorar su experiencia.

5.2 Recomendaciones para la adopción de Big Data Analytics

para mejorar la experiencia del cliente omnicanal

Después de lo expuesto, es importante ahondar con claridad en la

respuesta a la siguiente pregunta ¿cuál es la fórmula o los factores claves de
éxito para big data analytics? De lo estudiado y analizado a lo largo de la tesis,
como también de los insights obtenidos en el estudio de Amazon, uno de los
ejemplos de éxito para este tópico, además de las entrevistas realizadas; se
observa que en iniciativas de análisis de datos se involucran los procesos, la
tecnología, las personas y los datos en sí mismos, y todos deben trabajar en

128
sintonía. En el contexto de revolución digital, vamos a resumir los factores
claves en tres elementos: datos, modelos y transformación.

Los datos involucran el uso de diferentes fuentes de datos de distintos

canales, internos y externos para darle una visión más amplia de lo que está
sucediendo, en este caso con los clientes. Sin embargo, es recomendable
crear valor a partir de los datos internos antes de ampliar las fuentes de datos.

El modelado consiste en utilizar esos datos para obtener modelos

viables que mediante métodos de aprendizaje y prueba ayuden a realizar
mejores predicciones, orientando esos datos al futuro y no sólo viendo la
historia. Modelos que ayuden a optimizar algún proceso en particular, en este
caso la experiencia del cliente.

Por último, la transformación consiste en conseguir una empresa apta

para apoyar y obtener el máximo valor de iniciativas de este tipo. En medio de
la transformación digital que se vive, las empresas necesitan transformarse
para aprovechar de manera repetibles esos insights obtenidos de los modelos
de analytics y lograr beneficios consistentes.

Como señala la investigación de Capgemini Consulting con el Centro de

Negocios Digitales del MIT sobre transformación digital: muy importante es el
liderazgo. Un liderazgo de primera línea que entienda y tenga el poder para
impulsar estas iniciativas y gestionar exitosamente el cambio, con la rapidez y
confianza, no menos importante, en los conocimientos de sus equipos de
analítica avanzada. Los ejecutivos deben contar con habilidades analíticas; y
los científicos de datos contar con la experiencia empresarial, para también
lograr soluciones prácticas que puedan ser rápidamente escalables.

Los negocios exitosos orientados a datos alinean su organización,

procesos, sistemas y capacidades para tomar mejores decisiones de negocio
basadas en los datos y potenciados mediante los conocimientos de sus
equipos de datos y analíticos.

Como se vio anteriormente y como es el Caso de Amazon, contar con un

área de negocio horizontal a toda la empresa que gerencie las iniciativas de

129
datos determina tasas mayores de éxito. En este caso, TI se hace cargo de la
arquitectura de datos y define las políticas y normas para gestionar esos datos.
Con estos factores claves y para lograr mejorar la experiencia del
cliente, buscando estar cada vez más cerca de los consumidores y hasta
obtener los deseados abogados de la marca. La empresa debe centrarse y
sobresalir en las siguientes disciplinas de valor: la relación con el cliente, la
excelencia operativa y el liderazgo de producto. Estas disciplinas no son
enfoques distintos de valor, de hecho, se encuentran causalmente relacionados
entre sí. Las compañías pueden impulsar la relación profunda con el cliente y
como resultado mejorar la excelencia operacional y el liderazgo de producto,
como es el caso de Amazon.
Por tanto, el desarrollo de esta capacidad requiere un enfoque holístico
que tenga inteligencia procesable derivada del análisis de los datos de los
clientes y luego que esta inteligencia se encuentre a disposición para la toma
de decisiones y acciones en la empresa.
No se trata de reemplazar sistemas, sea un CRM, etc, sino de generar
mayor valor, inclusive apoyados en ellos, para lograr integrar información de los
clientes. De esta manera, se logra ampliar esta información y afinar el análisis.
Poner al cliente en el centro de la escena, conocerlo más y estar más
cerca de los mismos, impulsa la adopción de la analítica y permite a la empresa
tener mayores aspiraciones futuras, pudiendo empezar con algo pequeño que
satisfaga en ese momento las necesidades del negocio, ajustándose a las
limitaciones del presupuesto y los recursos. De esta manera se sugiere usar
un enfoque gradual que permita que la organización vaya creciendo en la
adopción de la analítica. Al iniciar con la resolución de problemas
empresariales de alto valor mediante la analítica avanzada se puede demostrar
que la empresa está apta para avanzar e invertir en soluciones de tecnologías
de Big Data y Analytics.
En estos tiempos, la única manera de hacer crecer un negocio es ser
más inteligente y más ágil que cualquier otro. Las compañías que siguen este
camino mediante Big Data y Analytics, estarán mejor posicionadas. Ello
requiere tiempo desde la recolección de datos, que en el caso de Amazon lleva

130
años en ello y contando en la actualidad con millones de datos importantes de
sus clientes, hasta las mejoras necesarias en la empresa para potenciar
iniciativas de este tipo. Entonces empezar cuanto antes es lo mejor.
En este sentido, algunas de las mejores prácticas, más tácticas, que
deben ser tenidas en cuenta, y que basado en el caso Amazon intuimos son
usadas por esta empresa líder, serían:
- Basar la estrategia de clientes en perfiles predictivos:
- Construir segmentos de clientes
- Construir perfiles predictivos por cada segmento de clientes
- Predecir la migración del segmento
- Predecir la mejor manera de ganar a los clientes adecuados
- Optimizar una estrategia de captación de clientes con el
modelado de la respuesta
- Crecer en relaciones preguntando a los clientes qué es lo que ellos
quieren
- Mejorar las tasas de conversión con encuestas a clientes y
prospectos
- Descubrir afinidades de productos
- Utilizar la inteligencia predictiva para conducir las interacciones con los
clientes en cada punto de contacto.
- Implementar sistemas con capacidades poderosas de predicción
- Analizar los datos de los medios sociales
- Usar tecnologías de innovación para escalar modelos que cuenten con
resultados probados.

131
6. Conclusiones y Futuras líneas de investigación

- El estudio y el análisis aquí desarrollado confirma la hipótesis de la tesis.

La aplicación de big data analytics permite optimizar la experiencia del
cliente omnicanal. Tanto la gestión de la experiencia del cliente, como la
gestión de big data analytics, requieren de un área de negocio específica
que gerencie estas iniciativas, de tal manera de potenciar el éxito de las
mismas. Iniciativas que deben ser horizontales a toda la organización,
tanto omnicanalidad como big data analytics se encuentran
estrechamente ligadas para obtener resultados de gran valor para la
organización, y ambas involucran procesos, personas y tecnologías.
Estas experiencias y datos de los consumidores se tejen a lo largo de
todo el recorrido del cliente durante todo su ciclo de vida, por tanto se
propone que el diseño del Customer Journey en medio de la

132
 Transformación Digital, sirva de marco conceptual para el planteamiento
de estrategias de omnicanalidad y de big data analytics para mejorar
experiencias,.

- Omnicanalidad implica desde el lado de los consumidores contar con

una misma percepción de la empresa y experiencia en todos los canales
que interactúan, y desde el punto de vista de las empresas contar con
una visión unificada de cada consumidor. En este sentido, empresas
como Amazon recorren este camino mediante estrategias mixtas y
puntos de contactos innovadores que permitan complementar diferentes
canales, potenciando cada canal en beneficio de otro de una forma
integrada y consistente.

- Empresas líderes en estos tópicos, como Amazon, para lograr

implementar con éxito estrategias mixtas de integración de múltiples
canales, requieren de un conocimiento cada vez más profundo de los
consumidores. Y debido a eso, se ve sumamente útil el uso de técnicas
avanzadas de datos que proporcionen esos insights profundos acerca
de los consumidores.

- Big Data y Analytics puede comenzar gradualmente, pero el uso de

datos es determinante para obtener conocimiento, medir y analizar de
forma objetiva lo que está sucediendo en la empresa, en este caso con
la experiencia de los clientes. Para iniciativas de big data se recomienda
que los esfuerzos iniciales se comprometan con resultados centrados
en el cliente. Se ponga en marcha un plan de big data para toda la
empresa y que se trabaje progresivamente, comenzando con los datos
existentes para lograr resultados a corto plazo, y también se construya
capacidades de analytics basadas en las prioridades del negocio, para
finalmente la empresa contar con un modelo de negocio basado en
resultados mensurables. Hoy en día en plena revolución digital, los
grandes players y negocios más innovadores son data driven business.
133
- El mercado y los clientes han cambiado y las industrias se están
transformando. La transformación digital que se requiere, tiene además
como principales tendencias a la omnicanalidad y a big data, debido a
que ambos enfoques se complementan entre sí. No puede haber una
visión integrada del cliente a través de múltiples canales sin el uso de
analítica del cliente. Estas tendencias claves en los negocios que han
surgido a raíz de las tecnologías digitales, también están siendo
consideradas prioridades estratégicas en las empresas. Big data y
Analytics aún están consideradas como una de las 2 prioridades de una
unidad de negocio, y como una de las 10 prioridades de la compañía.

- Los clientes se han transformado generando también múltiples

recorridos que tradicionalmente no existían porque el cliente no pasaba
por diversos canales en su proceso de compra. Tampoco existían
diversos puntos de contactos como hoy destacan los basados en
inteligencia artificial y habilitados mediante el reconocimiento de voz.
Ahora cada canal aporta a la decisión final del consumidor de adquirir o
no un determinado producto y servicio. Por tanto este recorrido del
cliente debe ser analizado en su totalidad, medido y aprendido, para
mejorar cada vez más su experiencia.

- A nivel de experiencia del cliente, no hay grandes referencias acerca de

cómo medir en un contexto de omnicanalidad esta experiencia del
cliente, por ahora sólo queda utilizar diferentes métricas y KPIs en cada
canal . Cada empresa podrá establecer una medición, de forma creativa
y de valor, que permita ver el panorama completo de todo el customer
journey mediante la integración de estos KPIs. El conocido NPS es una
métrica que no mide todo este recorrido, se centra sólo en la satisfacción
del servicio al cliente. En Argentina aún nos enfocamos mucho en esta
métrica. Phil Klaus y Stan Maklan en su artículo: “Towards a better
measure of customer experience”, profundizan más este aspecto.
134
- Ha sido recurrente considerar como principales impactos de la
transformación digital en las empresas: la necesidad de brindar ofertas
personalizadas, la necesidad de transformar la cultura organizacional, la
cantidad de datos, el cambio en los clientes, los nuevos canales, las
múltiples posibilidades de recorridos de clientes, y la velocidad de
accionar. Sin embargo existen barreras de implementación para
omnicanalidad y big data analytics, entre las principales se puede
mencionar: tradicional cultura organizacional, diferencia de
conocimientos entre el personal en los puntos de contacto y los del
negocio, la falta de certeza sobre el ROI que muchas veces se ve
disminuido por el costo de integración de estas herramientas con las
existentes en la organización.

- Amazon ha logrado colocar la barra alta, mostrando hacia donde el

mundo debe caminar o algunos están caminando en materia de
omnicanalidad y big data analytics. Pero en Argentina se entiende de
cierto modo estas necesidades, pero nos encontramos en etapas
tempranas de desarrollo. Existe alguna que otra empresa en Argentina
llevando el liderazgo en innovación en estos temas, pero es la
excepción, no la media.

- La innovación ha sido el factor clave en Amazon, y aunque muchos

crean que se trata de sólo un excepcional servicio al cliente. Esto es la
consecuencia no la causa. La innovación principal es haber
transformado la empresa en un data driven business, es decir haber
colocado los datos en el centro de su cultura organizacional. Y a partir
de ahí generar negocios escalables.

- La manera que big data y analytics permite mejorar la experiencia

omnicanal es mediante probados casos de uso que han podido aplicar

135
 con éxito algunas empresas, pero además con el impulso de diversas
transformaciones en la empresa y que estratégicamente apoyan la
mejora de esta experiencia. Las métricas deben ser parte de la cultura
corporativa, las cosas no se evalúan o mejoran a menos que se midan.
En Amazon, todo lo que se puede medir se mide, los datos sirven para
analizar, probar y dirigir mejoras continuas. Las métricas permiten definir
nuevos objetivos en vista de los insights obtenidos, y en base a los
objetivos toda la empresa trabaja. Y por último como registrado en
diversas entrevistas, estas iniciativas basadas en datos son totalmente
impulsadas por los más altos ejecutivos en Amazon, empezando por el
CEO, confirmado que no hay iniciativa que avance y resultados que
crezcan y escalen sin el total apoyo de la primera línea de la
organización.

- La objetividad de los datos, permite democratizar la toma de decisiones,

y no sólo dejarla a voluntad subjetiva de un equipo ejecutivo que puede
plantear supuestos que no generen valor. Esto además permite que
todo el equipo pueda participar en las innovaciones mediante el
hallazgo, cuestionamiento y prueba basada en datos, permitiendo
innovar con más agilidad. Se sabe que Bezos, CEO de Amazon tiene la
habilidad de dejar de lado sus opiniones a favor de lo que los datos
demuestren. Puede inicialmente negarse a una idea, pero si se muestra
con datos la oportunidad, él brinda la aprobación y se realizan rápidas
pruebas: “Bezos me dijo que hiciera una prueba en vivo, y de esa simple
decisión encontramos mil millones de dólares. La publicidad de Amazon
ahora representa cerca de $ 1 mil millones anualmente, uno de los
servicios más rentables de Amazon” (David Selinger)

- En un contexto en que los datos están democratizados y son el centro

de la empresa, el talento debe basarse en la capacidad de resolver
problemas, en cómo eligen los datos, validan sus propias ideas y miden
el éxito de las mismas. Esto potenciará la innovación a lo largo de toda
136
 la organización. Principio que aplica Bezos para obtener las mejores
ideas en todo el equipo, brindándoles empoderamiento y haciendo que
todos se enfoquen en hacer realidad grandes ideas.

- De algunos estudios analizados, se ha visto que aún los directivos no se

sienten del todo preparados para afrontar los retos impuestos por el
mercado y la tecnología. Por tanto para llevar a cabo iniciativas que
mejoren la experiencia del cliente mediante la analítica se necesita
además de tecnología, el expertise necesario a nivel gerencial y en sus
equipos de trabajo, buscando integrar también habilidades analíticas,
digitales y financieras.

- Aún hay una brecha entre los datos de los clientes de los canales offline
frente a los datos de los canales online. Aún no son la mayoría de
empresas que complementen los datos de los canales offline y online,
por falta de procesos, herramientas y métricas en sus organizaciones
que permitan acceder a esta información, integrarlas y finalmente contar
con KPIs de evaluación de estos datos no estructurados que generan las
plataformas sociales. Tal es la situación de las empresas en Argentina,
de lo obtenido en entrevistas. Son las empresas más innovadoras y
early adopters que están avanzando en el análisis avanzado de datos y
en materia de omnicanalidad.

- En cualquier iniciativa y tecnología orientada al cliente, importa primero

tener claro el objetivo, estrategia y alcance de lo que se va a realizar,
más allá de los conceptos utilizados. Se ha visto que tanto los conceptos
de negocio (CRM, CEM, etc) como los de tecnología (data warehouse,
big data, inteligencia de negocio, analytics, predictive analytics, etc) han
evolucionado pero se complementan entre sí. Así teniendo claro lo que
se está integrando en la organización, a nivel de negocio y tecnología,
se estará más cerca de cumplir las expectativas y capturar el mayor
valor. Valor que debe ser cuantificado.
137
- Retailers en Argentina, aún no están preparados para los cambios
requeridos, y muchas empresas todavía no han aprovechado
plenamente las capacidades de datos o análisis que poseen
actualmente. La analítica en los retailers Argentinos está en sus inicios
porque no está siendo implementada en los niveles más profundos por
la mayoría de organizaciones, por tanto, en los próximos años su
trascendencia irá en aumento.

- Las aplicaciones buscarán adaptarse a las nuevas tendencias del

mercado y tecnológicas, como lo han hecho actualmente con la
incorporación de nuevas fuentes de datos referidas al canal online.

- Actualmente la irrupción de los datos masivos (big data) como nueva

fuente para el análisis y su gestión analítica (analytics), adiciona la
oportunidad de obtener información relevante desde datos no
estructurados sin perderse en esa abundancia que ha significado la
explosión digital. Pero también presenta implicaciones en las políticas de
privacidad y seguridad de la organización, que deben ser gestionadas.

- La diferencia que pueden hacer las empresas es transformar los retos

actuales en oportunidades apostando por nuevos enfoques, procesos y
tecnologías para las actividades de Marketing. Así las empresas más
proactivas, no sólo se están guiando por los métodos tradicionales de
investigación de mercado o análisis competitivo, que tienen como
desventaja analizar a las personas y/o clientes de forma agregada; sino
también por nuevos enfoques (analytics) apoyados por alta tecnología y
que exploran nuevas fuentes de datos digitales permitiendo un análisis
de clientes más profundo, a través de todos los canales y de forma
personalizada, para descubrir lo que las personas y clientes quieren.

138
 - Para implementar big data analytics para iniciativas orientadas al cliente,
hay que tener en cuenta un enfoque evolutivo para la adopción de sus
técnicas. Tome en cuenta que ciertas herramientas existentes en la
organización también se podrían complementar con capacidades
analíticas como es el caso del CRM analítico o el social CRM por
ejemplo, y a partir de ahí ir avanzando. Lo importante es iniciar y no
quedarse atrás en el cambio, que está transformando y haciendo surgir
modelos de negocios. En general un plan de implementación para este
fin, puede constar de los siguientes pasos: planear, capturar, predecir,
actuar y expandir.

En el futuro, las personas y clientes tendrán más y más formas de

interactuar de la mano del avance tecnológico, nuevos canales y puntos de
contacto innovadores que buscan disuadir las líneas de separación entre los
canales físicos y online, que nadie se esperaba, por ejemplo: Alexa, Google
Home, etc. Capturar conocimiento profundo de los clientes significará un reto
en que sin duda la analítica y las aplicaciones que la soporten serán cruciales
para los procesos y técnicas a aplicar. Por ejemplo Amazon, IBM, Google,
grandes líderes en analítica y analítica digital, comentan con frecuencia sobre
las innovaciones tecnológicas, teniendo como base a la analítica avanzada y
predictiva.
Los temas de investigación futura pueden incorporar estudios acerca de
la influencia que ejerce las nuevas características de los consumidores en sus
comportamientos y el nivel de engagement. El análisis de roles y habilidades
para iniciativas de omnicanalidad y big data analytics, la gestión del cambio,
entre otras.
Debido a que lo referido a la estructura organizativa no es el único
desafío para poner en marcha lo acá estudiado y analizado, también lo es la
tecnología. Otra investigación futura puede ser proponer la infraestructura,
políticas de seguridad y privacidad “estándar” o eficiente para
implementaciones de analytics en sus diferentes niveles de profundidad y/o

139
integración con otros sistemas orientados al cliente. También se puede
estudiar a la analítica (analytics) desde una perspectiva más tecnológica,
profundizando en el impacto de las nuevas formas de distribución cloud
computing, movilidad; y la tecnología in-memory.

Bibliografía

1. ABI Research. Unlocking the Value of Big Data in Enterprises. 2013

2. Allen, M. The experience of connectivity. Journal Information,

Communication & Society, 2010: 13(3), 350–374

3. Almquist, Eric. Three promises and perils of Big Data. 2015.

4. Anderson, J. Q.; and Rainie, L. The Future of Social Relations. The

ANNALS of the American Academy of Political and Social Science, 2010:
204(1), 1–27.

5. Arno, Christian. Worldwide Social Media Usage Trends. Search Engine

Watch, 2012. Disponible en:
http://searchenginewatch.com/article/2167518/Worldwide-Social-Media-
Usage-Trends-in-2012

6. Aubrey, C. and Judge, D. (2012) Re-imagine retail: Why store innovation

is key to a brand's growth in the “new normal” digitally-connected and
transparent world. Journal of Brand Strategy, 2012: 1(1), pp. 31-39.

7. Badgett, M., Moyce, M.S. & Kleinberger, H. Turning Shoppers into

Advocates. Somers, NY: IBM Institute for Business Value, 2007

140
8. Barzelay, Michael. The Single Case Study as Intellectually Ambitious
Inquiry. Journal of Public Administration Research and Theory, 1993: 3
(3): 305-318.

9. Bauer, H; Falk, T. and Hammerschmidt, M. eTransQual: A transaction

process-based approach for capturing service quality in online shopping,
Journal of Business Research, 2006: 59 (7), pp. 866-875.

10. Bcg. What defines big Data success?2017. Disponible en: Bcg.com

11. Bendapudi, N. & Berry, L. Customers’ motivations for maintaining

relationships with service providers. Journal of Retailing, 1997: 73, pp.
15–37.

12. Bennett, DR; El Azhari, J. Omni-channel customer experience: An

investigation into the use of digital technology in physical stores and its
impact on the consumer's decision-making process. XXIV AEDEM
International Conference, 1-2 September, 2015, Londrés.

13. Bishop, T. How ‘Amazon Go’ works: The technology behind the online
retailer’s groundbreaking new grocery store. 2016

14. Bloomberg, J. Amazon's Whole Foods Strategy: It's Not What You Think.
Forbes.com, 2017

15. Bodhani, A. Shops offer the e-tail experience. IEEE Magazine-Journal

Engineering & Technology, 2012: 7 (4), pp. 46-49.

16. Bowden, J.L.-H. The process of customer engagement: a conceptual

framework. Journal of Marketing Theory and Practice, 2009: 17, 1, pp.
63–74.

141
17. Brown, T.J., Barry, T.E., Dacin, P.A. & Gunst, R.F. Spreading the word:
investigating the antecedents of consumers’ positive word-of-mouth
intentions and behaviors in a retailing context. Journal of the Academy of
Marketing Science, 2005: 33, 2, pp. 123–138.

18. Brynjolfsson, E.; Hu, Y. J.; and Rahman, M. S. Competing in the age of
omnichannel retailing. MIT Sloan Management Review, 2013. Disponible
en: http://sloanreview.mit.edu/article/competing-in-the-age-of-
omnichannel-retailing/

19. Bullas, Jeff. The Latest 27 Social Media Facts, Figures and
Statistics.2012. Disponible en: http://www.jeffbullas.com/2012/11/28/the-
latest-27-social-media-facts-figures-and-statistics-for-2012-infographic/

20. Business Today, Dowla, R; Kumar, N. Entrenched in the Digital World.

2013. Disponible en: www.businesstoday.in

21. Capgemini Consulting. Cracking the Data Conundrum: How successful

companies make Big Data operational. 2014.

22. Capgemini Consulting and MIT Center for Digital Business. Digital
transformation: a roadmap for billion-dollar organizations. 2011

23. Cho, H. and Fiorito, S. S. Self-Service Technology in retailing: The Case

of Retail Kiosks. Journal Emerging Issues in Management, 2010: 1, pp.
43-55.

24. Christensen, C. Roland; Hansen, Abby J. Teaching and the Case

Method. Harvard Business School Press, 1987.

142
25. Christodoulides, G., C. Jevons, and J. Bonhomme. Memo to Marketers:
Quantitative Evidence for Change. How User-Generated Content Really
Affects Brands. Journal of Advertising Research, 2012: 52 (1): 53–64.

26. CIO Insight. Data Analytics Allows P&G to Turn on a Dime.

CIOinsight.com, 2013

27. Cole, H.; & Griffiths, M. D. Social interactions in massively multiplayer

online role-playing gamers. Cyberpsychology & Behavior: The Impact of
the Internet, Multimedia and Virtual Reality on Behavior and Society,
2007: 10(4), 575–583.

28. Computer Weekly. “Big Data, big legal trouble?. ComputerWeekly.com,

2013

29. Cragg, Charles I. Because Wisdom Can’t be Told. Harvard Alumni

Bulletin, Harvard Business School, 1940: Reprint 451-005, pp. 1-6.

30. Cronin, J.J., Brady, M.K. & Hult, G.T.M.Assessing the effects of quality,
value and customer satisfaction on consumer behavioral intentions in
service environments. Journal of Retailing, 2000: 76, 2, pp. 193–218.

31. Dabholkar, P., Thorpe, D. & Rentz, J. A measure of service quality for
retail stores: scale development and validation. Journal of the Academy
of Marketing Science, 1996: 24, 1, pp. 3–16.

32. Datanami. Walmart Acquires Predictive Analytics Startup, Inkiru. 2013

33. Daugherty, T., M. Eastin, and L. Bright. Exploring Consumer Motivations

for Creating User- Generated Content. Journal of Interactive Advertising,
2008: 8 (2): 16–25.

143
34. Davis, S. Burberry’s Blurred Lines: The Integrated Customer Experience.
Magazine Forbes, 2014. Disponible en: http://www.forbes.com

35. DeZyre Blog. How Data Science increased AirBnB's valuation to $25.5
bn?. California, 2016. Disponible en: https://www.dezyre.com

36. Dholakia, U. M.; Kahn, B; Reeves, R.; Rindfleisch, A.; Stewart, D. and
Taylor E. Consumer Behavior in a Multichannel, Multimedia Retailing
Environment. Journal of Interactive Marketing, 2010: 24 (2), pp. 86-95.

37. Dijck, J. “You” As In “You Tube”: Defining User Agency In Social Media
Platforms,” in Zvezdan Vukanovic and Paulo Faustino, Managing Media
Economy, Media Content and Technology in the Age of Digital
Convergence, Lisbon: Media XXI, 2011.

38. Ducheneaut, N.; Yee, N.; Nickell, E.; and Moore, R. Alone together?
Exploring the social dynamics of massively multiplayer online games (pp.
407–416). Proceedings of the SIGCHI conference on Human Factors in
computing systems, 2006.

39. Eckstein, Harry. Case Study and Theory in Political Science. Handbook
of Political Science, 1975: vol. 7, pp. 79-137.

40. Etinger, S. A Framework for Social Analytics. Altimeter Group, 2011.

41. eMarketer, Worldwide retail ecommerce sales: eMarketer ́s updated

estimates and forecast through 2019. Disponible en:
http://www.emarketer.com/public_media/docs/eMarketer_eTailWest2016
_Worldwide_ECommerce_Report.pdf

42. EY Digital Analytics. How CMOs meet the omni-channel challenge with
digital analytics. 2013

144
43. EY Digital Analytics. On the road to online personalization. 2015

44. EY Global Media & Entertainment Center. In the decade of the customer,
knowing your customer means owning your data.

45. EY. How to copilot the multichannel journey. 2014.

46. Evans, Nicholas D. Seis passos para a transformação digital de qualquer

empresa. 2017.

47. Fleming, G; Reitsma, R.; Parrish, M;and Jaddou S. The Facebook

Factor: Quantifying The Impact Of A Facebook Fan On Brand
Interactions. Forrester Research, 2009.

48. Flyvbjerg, Bent. Cinco malentendidos acerca de la investigación

mediante los estudios de caso. 2004.

49. Forbes. Marketers Should Use Data To Build Trust With Customers,
Says Report By EY And Forbes Insights. 2015. Disponible en:
www.forbes.com

50. Forbes Insights & EY. The Customer Experience: Priority One for CMOs.
Disponible en: www.forbes.com

51. Frazer, M. and Stiehler, B. E. Omnichannel Retailing: the merging of the

online and off-line environment. Journal The IFBR Institute for Business
& Finance Research-Global Conference on Business & Finance
Proceedings, 2014: Vol. 9, No. 1, p. 655.

145
52. Friedman, T. Cashing in on Customer Insight: Customer analytics can
help companies increase loyalty, profitably grow revenue, and
outmaneuver the competition. Peppers & Rogers Group Corp., 2012

53. Fundación Orange. La transformación digital en el sector Retail. 2016.

54. Garbarino, E. & Johnson, M.S. The different roles of satisfaction, trust,
and commitment in customer relationships. Journal of Marketing, 1999:
63, 2, pp. 70–87.

55. Golder. S., and Huberman, B. Usage patterns of collaborative tagging

systems. Journal Information Science, 2006: 32, 2,198-208.

56. Green, N. On the move: Technology, mobility, and the mediation of

social time and space. Journal The Information Society, 2002: 18(4),
281–292.

57. Gualtieri, M. Big Data Predictive Analytics Solutions. Forrester Research,

2013.

58. Hamutcu, H. Customer Valuation is a Crucial Step for Businesses.

Peppers & Rogers Group Corp., 2011.

59. Hardgrave, B. Omnichannel Retailing. RFID, 2012. Disponible en:

www.rfidjournal.com

60. Harvard Business Review. From Data to Action, sponsored by SAS.

61. HBR, From data to action. Harvard Business Review, 2014

146
62. Honigman, Brian. 100 Fascinating Social Media Statistics and
Figures.2012. Disponible en:http://www.huffingtonpost.com/brian-
honigman/100-fascinating-social-me_b_2185281.html

63. Huffman, C. & Houston, M. Goal-oriented experiences and the

development of knowledge. Journal of Consumer Research, 1993: 20, 2,
pp. 190–207.

64. Hurd, Barry. Social Media Analytics and Big Data ROI. 2012. Disponible
en: http://barryhurd.com/2012/03/social-media-analytics-and-big-data/

65. IAB. I Estudio de Retail Digital: Estrategia Omnicanal del Retail en

España. 2015.

66. IBM. Global C-suite Study. 2013

67. IBM. Integrating social media and advanced analytics for richer customer
insight. 2013.

68. IBM Institute for Business Value. Social Business Analytics: Gaining
business value from social media. 2013

69. IBM Institute for Business Value. Global Chief Marketing Officer Study:
From Stretched to Strengthened.2011.

70. Jacoby, D.; Reiss, S. Vail Resorts Creates Epic Experiences with
Customer Intelligence. SAS Corp., 2013.

71. Janardhanan, S. Online to Omnichannel: Amazon acquisition of Whole

Foods heats up the retail industry. ET Retail.com, 2017.

147
72. Jarvis, C.B., MacKenzie, S.B. & Podsakoff, P.M. A critical review of
construct indicators and measurement model misspecification in
marketing and consumer research. Journal of Consumer Research,
2003: 30, 2, 199–218.

73. Jenkins, H. Convergence Culture: Where Old and New Media Collide.
Cambridge: MIT Press, 2006

74. Johnson, M.; Mozaffar, H.; Campagnolo, G.M; Hyysalo, S.; Pollock , N.
and Williams R. The managed prosumer: evolving knowledge strategies
in the design of information infrastructures. Journal Information,
Communication & Society, 2013: 17:7, 795-813

75. Journal of Organization Design. Big Data and Organization Design. 2014

76. Kanuka, H.; and Anderson, T. Online social interchange, discord, and
knowledge construction. International Journal of E-Learning & Distance
Education, 1998: 13(1), 57–74.

77. Keiningham, T., Cooil, B., Andreassen, T. & Aksoy, L. A longitudinal

examination of Net Promoter and firm revenue growth. Journal of
Marketing, 2007: 71, pp. 39–51.

78. Keiningham, T.L., Cooil, B., Aksoy, L., Andreassen, T.W. & Weiner, J.
The value of different customer satisfaction and loyalty metrics in
predicting customer retention, recommendation and share-of-wallet.
Managing Service Quality, 2007: 17, 4, pp. 361–384.

79. Kiron, D.; Shockley, R.; Kruschwitz, N.; Finch, G. and Dr. Haydock, M.
How companies are achieving competitive advantage through analytics.
IBM Institute for Business Value in collaboration with MIT Sloan
Management Review, 2010.

148
80. Klaus, P. and Maklan S. Towards a better measure of customer
experience. International Journal of Market Research, 2013: 55 (2), pp.
1-19.

81. Klaus, P. & Maklan, S. EXQ: a multiple-scale for assessing service

experience. Journal of Service Management, 2012: 23, 1, pp. 5–33.

82. Krishnamurthy, S. and W. Dou.Advertising with User-Generated Content:

A Framework and Research Agenda. Journal of Interactive Advertising,
2008: 8 (2): 1–4.

83. Krueger, J. Omnichannel Shoppers: An Emerging Retail Reality. 2015

84. Kucera, T.; White, D. Divide and Conquer: Using Predictive Analytics to
Segment, Target and Optimize Marketing. Aberdeen Group Corp., 2012.

85. Levin, A. Book blog [online]. Disponible en:

http://alevin.com/weblog/archives/ 001492.html

86. Levitt, K. The multi-screen path to purchasing. ComScore Corp.,2013.

Disponible en:https://www.comscore.com/Insights/Presentations-and-
Whitepapers/2013/The-MultiScreen-Path-to-Purchasing

87. Lincoln, John E. Facebook Marketing Infographic: 100 Things you Need
to Know. 2013. Disponible en: http://ignitevisibility.com/facebook-
marketing/

88. Maklan, S. & Klaus, P. Customer experience: are we measuring the right
things? International Journal of Market Research, 2011: 53, 6, pp. 771–
792.

149
89. Martilla, J.A. & James, J.C. Importance-performance analysis. Journal of
Marketing, 1977: 41, 1, pp. 77–79.

90. Mascarenhas, O.A., Kesavan, R. & Bernacchi, M. Lasting customer

loyalty: a total customer experience approach. Journal of Consumer
Marketing, 2006: 23, 7, 397–405.

91. Marr, Bernard. Amazon: See How Big Data Can Drive Business
Success. 2014.

92. McKinsey & Company. Putting Big Data and Advanced Analytics to work.
2012.

93. McKinsey Center for Business Technology, Perspectives on Digital

Business. 2012

94. McLuhan M.; Neviit, B. Take today; the executive as dropout. 1972.

95. McDougall, G.H.G. & Levesque, T. (2000) Customer satisfaction with

services: putting perceived value into the equation. Journal of Services
Marketing, 2000: 14, 4/5, pp. 392–410.

96. McVie, G. Is AmazonFresh going to dominate in an omni-channel

grocery world?. Linkedin, 2015

97. Moorman, C. 6 Six Reasons Marketing Budgets Are On The Rise.

Magazine Forbes, 2012. Disponible en: www.forbes.com

98. Negroponte, N. El mundo digital. El futuro que ha llegado. Barcelona:

2000

150
99. Ngo, S.; Parrish, M.; Liu, S.;Glazer L. Defining Social Intelligence.
Forrester Research, 2012.

100. Nielsen. Social Media Report 2012. Disponible en:

http://blog.nielsen.com/nielsenwire/ social/2012

101. Nielsen, 6 tendencias del Retail en América Latina. Dic, 2015

102. Noto, Dennis. Combine IBM Watson with Alexa/Google Home.

2017. Disponible en: www.linkedin.com

103. O’Donnell, J. Line cutting: Mobile checkout headed to a store near

you. Disponible en:
http://usatoday30.usatoday.com/money/industries/retail

104. Owyang, J. How to Organize Your Company for Social

Computing. Forrester Research, 2009.

105. Pantano, E. and Di Pietro, L. Understanding Consumer’s

Acceptance of Technology-Based Innovations in Retailing. Journal of
Technology Management & Innovation, 2012: 7 (4), pp. 1-19.

106. Payne, A., Storbacka, K. & Frow, P. Managing the co-creation of

value. Journal of the Academy of Marketing Science, 2008: 36, 1, pp.
83–96.

107. Puccinelli, M.N., Goodstein, C.R., Grewal, D., Price, R., Raghubir,
P. & Stewart, D. Customer experience management in retailing:
understanding the buying process. Journal of Retailing, 2009: 85, 1, pp.
15–30.

151
108. PWC. X Encuesta Mundial sobre el Coeficiente Digital de las
Empresas. Disponible en: www.pwc.es

109. PWC. CEO Survey: Redefining business sucess in a changing

world. 2016

110. PWC. Total Retail 2015: O varejo e a era da disrupção.

111. Qualman, E. Social Analytics: How to dramatically improve the

capabilities within your organization. IBM Corp., 2012.

112. Radial. The Application of Big Data: 4 Ways to Use Data in Your
Omnichannel Strategy. Radial.com, 2016

113. Ramadan, S. Omnichannel Marketing: The roadmap to create and

implement omnichannel strategy for your business. 2017

114. Rigby, D.; Miller, K.; Chernoff, J. and Tager, S. Omnichannel

retailing: Digital disruption and retailer opportunities. Brain & Company-
Bain Retail Holiday Newsletter, 2012. Disponible en:
http://www.bain.com/Images/BAIN_BRIEF_Retail_holiday_newsletter_%
232_2012-2013NEW.pdf

115. Rowles, D; Digital Branding. London, 2014.

116. Rtslabs.com. How Big Data may have helped Amazon decide to
buy Whole Foods. 2017

117. Selinger, David. Data Driven: What Amazon's Jeff Bezos Taught
Me About Running a Company. 2014.

152
118. Singh, K. 3 Ways Google Home Will Help in Grocery Shopping.
2016. Disponible en: www.linkedin.com

119. Social Wall. Case Study: Is Burberry’s Social Media Use the Best
Amongst Luxury Brands? Disponible en: socialwall.me

120. Schmarzo, B. The New Normal: Big Data Business Model

Disintermediation and Disruption. Ene, 2016. Disponible en:
https://infocus.emc.com/william_schmarzo/the-new-normal-big-data-
business-model-disintermediation-and-disruption/

121. Schroeck, M.; Shockley R.; Dr. Smart, J.; Professor Romero, D.
and Professor Tufano, P. Analytics: How innovative enterprises extract
value from uncertain data. IBM Institute for Business Value, 2012.

122. Schroeder, R. Virtual environments and the changing landscape

of information and communication technologies. In Being there together:
Social interaction in shared virtual environments (pp. 1–10). Oxford:
Oxford Scholarship Online, 2011.

123. Shankar, V., Smith, A.K. & Rangaswamy, A. Customer

satisfaction and loyalty in online and offline environments. International
Journal of Research in Marketing, 2003: 20, 2, pp. 153–175.

124. Sheth, J.N. & Parvatiyar, A. (1995) Relationship marketing in

consumer markets: antecedents and consequences. Journal of the
Academy of Marketing Science, 1995: 23, 4, pp. 255–271.

125. Sopadjieva, E; Dholakia, U; Benjamin, B. A Study of 46,000

Shoppers Shows That Omnichannel Retailing Works. Harvard Business
Review, 2017

153
126. Splio Consulting Blog. Diferencia el ciclo de vida del cliente,
customer journey y contact plan. Mar, 2017. Disponible en:
https://www.splio.com/es/blog-es/

127. Sridharan, S; Frankland D.; Smith A. Must-Have Analytics for Your

Retention Tool Kit. Forrester Research, 2011

128. Sridharan, S.; Vittal S.; Smith A. Navigating The Customer

Lifetime Value Conundrum: A Decision-Making Framework For Lifetime
Value Analysis. Forrester Research, 2011.

129. Srini, R. S. and Rajesh, K. S. Creating the futuristic retail

experience through experiential marketing: Is it possible? An exploratory
study. Journal of Retail & Leisure Property, 2010: 9 (3), pp. 193–199.

130. Srinivasan, S., Anderson, R. & Kishore, P. Customer loyalty in e-

commerce: an exploration of its antecedents and consequences. Journal
of Retailing, 1998: 78, 1, pp. 41–50.

131. Stodder, David. Customer Analytics in the age of social media.

TDWI Research sponsored by SAS, 2012.

132. Tapscott, D. The digital economy: Promise and peril in the age of
networked intelligence. New York, NY: McGraw-Hill, 1996.

133. Tata Consultancy Services. Three keys to winning with Big Data.
2017.

134. Ulanof, Lance. Amazon knows what you want before you buy it.
2014.

154
135. Techcrunch. Publisher Schibsted Nabs Twitter Analytics Manager
To Be Its Head Of Data Science. 2014

136. The Wall Street Journal. Six Challenges of Big Data. 2014

137. Toffler, A. La tercera ola. Espluges: Orbis, 1985

138. Trout, J. 5 Excellent Examples of Omnichannel Retailing Done

Right . 2014.Disponibleen: http://multichannelmerchant.com/must-
reads/5-excellent-examples-omnichannel-retailing-done-right-14052014/

139. Tugby, L. ; May, N. Data: Amazon Fresh at least 17% cheaper

than big four rivals, new study reveals. RetailWeek.com. 2016

140. Turkle, S. Alone together: Why we expect more from technology

and less from each other. New York, 2011

141. Vellmure, B.; Raj W. Leverage Marketing Analytics to Improve

Customer Experience. SAS Corp., 2013.

142. Verhoef, P. C.; Lemon, K. N.; Parasuraman, A.; Roggeveen A.;

Tsiros, M. and Schlesinger, L. A. Customer Experience Creation:
Determinants, Dynamics and Management Strategies. Journal of
Retailing, 2009: 85 (1), pp. 31-41.

143. Yi, Y. & La, S. What influences the relationship between customer
satisfaction and repurchase intention? Investigating the effects of
adjusted expectations and customer loyalty. Psychology and Marketing,
2004: 21, 5, pp. 351–373.

144. Zeithaml, V., Berry, L. & Parasuraman, A. The behavioral

consequences of service quality. Journal of Marketing, 1996: 60, 2, pp.
31–46.
155
145. Zhao, S., & Elesh, D. (2008). Copresence as ‘Being With’. Journal
Information, Communication & Society, 2008: 11(4), 565–583.

146. Zittrain, J. L. The generative internet. Harvard Law Review, 2006:

119 (7), 1974 – 2040

156