La segmentación de la base de datos de clientes aumenta las oportunidades de innovación.
© MJV Technology & Innovation
70%
Los resultados:
AI-Driven Intelligence
Segmentación automatizada de CRM para una líder fintech
of consumers expect companies to take an active stance on social, environmental, and political issues
According to a survey by "Social Sprout"
Design-Driven Data Science
Un unicornio fintech latinoamericano hizo crecer su base de usuarios alrededor de un 400% en un solo año gracias a una propuesta de valor clara y una experiencia de usuario/cliente fluida.
Pero este crecimiento acelerado trajo consigo algunas preguntas: ¿quiénes eran estos nuevos clientes y cómo atenderlos?
Para responder a estas preguntas, el equipo de MJV utilizó técnicas de ciencia de datos para escalar estadísticamente y validar los hallazgos del proceso de investigación y descubrimiento dentro de la base de datos CRM.
Industria: Finanzas | Cliente: Una de las mayores fintech de Latinoamérica
Industria: Finance
Cliente: One of the biggest fintechs in Latin America
El Reto
• Segmentación de la población bancarizada local en función de sus principales necesidades insatisfechas.
• Automatización del proceso de identificación de segmentos en la base de datos de clientes.
• Y el descubrimiento de oportunidades de innovación en el mercado de gama alta.
El Reto
Estudios de mercado y perfiles de clientes
Cuando se trabaja con grandes conjuntos de datos, MJV cree que es necesario un enfoque cualitativo, especialmente cuando los datos representan a personas vivas y que respiran, una mezcla que nos gusta llamar Design-Driven Data Science (ciencia de datos basada en el diseño).
Nuestra solución consistió en utilizar la investigación de mercado junto con entrevistas cualitativas a usuarios para generar los perfiles de clientes y los puntos de referencia necesarios para la segmentación de CRM, manteniendo al equipo y las entregas adheridos a las realidades, necesidades y dolores de los usuarios.
Nuestra Solución
Implementing a profitable strategy in a different market
A High-Fidelity O2O Prototype
Nuestra Solución
Cuando se trabaja con grandes conjuntos de datos, MJV cree que es necesario un enfoque cualitativo, especialmente cuando los datos representan a personas vivas y que respiran, una mezcla que nos gusta llamar Design-Driven Data Science (ciencia de datos basada en el diseño).
Nuestra solución consistió en utilizar la investigación de mercado junto con entrevistas cualitativas a usuarios para generar los perfiles de clientes y los puntos de referencia necesarios para la segmentación de CRM, manteniendo al equipo y las entregas adheridos a las realidades, necesidades y dolores de los usuarios.
Fly or Die:
Validating a New Revenue Model Through Testing-as-a-Service
A solution is only as good as what you can prove, and MJV did this through a testing-as-a-service framework.
While our client ran the stores (both digital & physical), we took it upon ourselves to craft, test, and validate the strategy to determine if it should be implemented nationwide.
Estudio de Caso
Cómo lo conseguimos:
El proceso
Investigación etnográfica con clientes y no clientes para determinar los factores determinantes del comportamiento y las necesidades.
Clientes
01
Puntos de referencia (benchmarks), estudios de mercado y referencias de otras marcas/empresas.
Mercado
02
Análisis y generación de hipótesis, automatización de la visualización de perfiles en la base de datos.
Data Science
03
Utilización de la estrategia del océano azul para replantear la entrega de valor a un segmento prioritario.
Oportunidades de innovación
05
Investigación con muestreo estratificado y un alto nivel de fiabilidad.
Investigación cuantitativa
04
Todas las fases del proyecto tuvieron resultados importantes que contribuyeron a la entrega final. A continuación figura una lista de lo que entregamos a nuestro cliente al final del proyecto.
Resultados
127
Funciones creadas que proporcionan información sobre los perfiles de los clientes y su comportamiento financiero.
En este proyecto, técnicas como la ciencia de datos, el aprendizaje automático y el análisis de conglomerados fueron cruciales para confirmar y escalar estadísticamente los conocimientos obtenidos en la fase de investigación dentro de la base de datos CRM, además de automatizar el proceso de clasificación.
Eche un vistazo a algunas de las entregas respaldadas por nuestra metodología Design-Driven Data Science:
13
Diferentes contextos de uso del producto.
117
Filtros variables generados a través de la segmentación conductual CRM.
51
Oportunidades de innovación identificadas en los perfiles de la nueva base de clientes, según nuestras conclusiones sobre sus necesidades.
Investigar en su propia base de clientes para comprenderlos mejor y segmentarlos puede ser una tarea desalentadora (especialmente cuando su base de usuarios crece de repente aparentemente de la noche a la mañana), pero no tiene por qué hacerlo solo.
Si desea automatizar la segmentación de sus clientes, descubrir nuevos océanos azules o explorar oportunidades de innovación en su sector, póngase en contacto con uno de nuestros consultores.
Nuestras conclusiones:
Reflexiones finales
Contenidos relacionados
Segmentación cualitativa
Dos hipótesis de segmentación de la población bancarizada basadas en la investigación cualitativa.
Impulsores de la segmentación
Definición de factores relevantes para diferenciar el comportamiento de los clientes bancarios.
Market Deck
Investigación e información de fuentes secundarias con datos del mercado financiero, población bancarizada y puntos de referencia de benchmarks.
Segmentación de la población bancaria
Creación de factores y método de categorización de macro y micromotores, extrayendo 8 segmentos financieros y 20 microsegmentos en función de sus variables de interés, a partir de un modelo de muestreo estratificado y complejo.
Puntuación cuantitativa de la base de clientes
Creación de un lead scoring que relacione los perfiles de los clientes con los productos financieros, en función de la propensión a la compra.
Identificación, segmentación y automatización de la puntuación
Desarrollo de un proceso/código racionalizado, automatizado, más eficaz y documentado para las iteraciones de segmentación y puntuación de base.
El amplio alcance dio lugar a cinco frentes de trabajo diferentes. Para basar cada uno de nuestros frentes de trabajo, decidimos fundamentar los segmentos individuales del proceso con metodologías específicas.
Los cinco frentes de trabajo fueron: