Mailing y Big Data

El uso del mailing como herramienta de marketing está ampliamente extendido en el mundo empresarial.  No obstante, su uso actualmente se asemeja más al bulk mail que al email marketing.  La diferencia fundamental entre el bulk mail y el email marketing es el valor que aporta al lector el mail recibido.  El email marketing debe ser una herramienta de comunicación que nos permita hacer llegar nuestro mensaje a nuestro público objetivo, los tiempos de mailings masivos sin diferenciación han pasado a mejor vida.

Las herramientas para la generación de mailings como Hubspot, nos permiten conocer la interacción de nuestros usuarios con los mails enviados y de esta manera poder valorar la efectividad de nuestras misivas o el interés que suscitan entre los suscriptores.

Conocer aquellas campañas, mailings que más interés suscitan a nuestros usuarios nos coloca en una posición de ventaja, permitiendo impactar selectivamente a los mismos.

Existen numerosos métodos y técnicas para la caracterización de nuestros clientes,  las más habituales se enmarcan dentro de las encuestas.  La caracterización a través de encuestas, suele tener como principal problema que los encuestados mienten, sin embargo caracterizar a nuestros usuarios en base a su comportamiento real o interacción, genera una imagen mucho más fiel de nuestros clientes de lo que podría pensarse.  

Para que un mailing sea efectivo debemos segmentar el público al que se dirige el mismo, en base al interés mostrado en las comunicaciones previas, de manera que el contenido de las mismas capte la atención del público objetivo.  No tendría sentido por ejemplo enviar en un mailing, información sobre asuntos relacionados con embarazos y fertilidad a personas jubiladas.  El mail impactaría con menor fuerza a este colectivo que a un segmento de personas en edad fértil.

Una vez definidas y enviadas las campañas, las respuestas a nuestro mailing similar a la siguiente:

De entre toda la información que podemos extraer de Hubspot, la relativa a Eventy Type es la relevante en el caso que nos ocupa.  Al ejecutar un mailing, Hubspot registra qué ha sucedido con cada mail enviado a cada usuario (Dropped, Sent, Suppressed, Delivered, …).  Será en base a esta interacción de los receptores con el mailing ejecutado, lo que nos permitirá afinar futuras comunicaciones filtrando contenido irrelevante para el usuario.

Como apuntábamos al inicio del artículo, lo primero será segmentar nuestro mailing.  En este sentido y para los datos ejemplo, hemos obtenido una segmentación de 4 grupos.

Ésto nos indica que deberíamos dividir nuestro mailing en 4 grupos o generar 4 diferentes tipos de campañas, cada una de ellas con contenido específico para cada grupo.  Se deberán analizar, por tanto, las características que definen a cada grupo con el fin de detectar las diferencias entre ellos (edad entre grupos, nivel de renta, sexo, …) y focalizar los esfuerzos de comunicación.

A través de la información que nos ofrece Hubspot, podemos por ejemplo, conocer el tipo de dispositivo utilizado y por tanto su canal de comunicación preferente o el tipo de usuario que recibe el mailing.  Para los datos utilizados en este artículo, la opción tablet tiene poca implantación, siendo Ordenadores y Móviles, los principales canales utilizados.  Este primer análisis nos permite focalizar esfuerzos.  El siguiente paso sería conocer el nivel de interacciones de nuestro mailing, poca interacción indicará poco interés por parte de nuestros lectores en la información enviada.  Los grupos 1 y 2 tienen una interacción similar con nuestros mailings, el grupo 4 interactúa de mucho, mientras que el tercer grupo sería el menos activo (por lo que deberíamos buscar canales de comunicación alternativos con él).

Podríamos terminar nuestro análisis aquí, pero deberíamos aprovechar la potencia que nos brinda el Big Data para generar, a través de la información recogida por Hubspot, un recomendador con el que generar campañas exitosas de mailing y focalizar en nuestros mailings, los intereses mostrados por nuestros clientes en las campañas previas.  Este recomendador, nos devolvería las campañas, artículos, productos, … que con mayor podrían impactar al lector del mailing.

Los mails personalizados generan un mayor porcentaje de conversiones (entre un 15 y 25%, pudiendo llegar al 50%), así como mayores aperturas (alrededor del 30%) y tasas de click (más del 50%).

Los recomendadores pueden utilizar diferentes algoritmos en función del “tipo de relación” (recomendación) que busquemos como:

• Jerarquía de productos: Si compraste equipación deportiva, podrías estar interesado quizás en zapatillas de deporte.
• Relaciones basadas en atributos de producto, servicio, …:  Si has adquirido equipación técnica para escalada, serían de tu interés complementos de escalada.
• Filtrado basado en el contenido:   Busca localizar productos, servicios, … clasificables bajo una misma categoría.  Si se ha mostrado interés por una campaña relativa a productos financieros, se le recomendarán productos de esa misma categoría.
• Filtrado colaborativo: Usuarios que adquirieron el mismo portátil que tú, también compraron un determinado periférico, por tanto te recomendamos el mismo periférico.

Normalmente los motores de recomendación combinan diferentes “tipos de relaciones” en un modelo híbrido para poder promocionar productos / servicios / campañas, … complementarios, alternativos, de tendencia o mayor venta o de temporada (por ejemplo).

Los resultados que nos devolvería el recomendador serían del tipo, usuario y elementos a recomendar:

En base a esta recomendación podemos generar el mailing personalizado con mayor probabilidad de conversión, apertura, …  Los sistemas de recomendación han cambiado la forma en que consumimos nuevos contenidos, servicios, productos, … (Amazon y Netflix son claros ejemplos) aportando una eficiencia excepcional a las conversiones.  Además actúan como asistentes personales que estimulan al usuario a seguir descubriendo elementos.  Se basan en el conocimiento del comportamiento pasado y para ello es necesario disponer de datos históricos relevantes y la respuesta de nuestros clientes a las campañas, boletines, newsletters previos.  

Consulta nuestro blog para acceder a otro contenido relacionado con casos reales en los que, como agencia especializada en Big Data, hemos implantado sistemas de recomendación para la toma de decisiones data-driven.

Germán Alonso

Data Scientist en Smartup