Cómo el Data Science está transformando la industria del Ecommerce

 

Según el siguiente estudio de SalesForce, los usuarios de tiendas de comercio electrónico son 4.5 veces más susceptibles de terminar un proceso de compra tras haber hecho clic en un producto recomendado. Otro estudio de Bariliance revela que las recomendaciones de productos constituyen cerca del 31% de todos los ingresos de la industria del Ecommerce a nivel mundial.

Sin embargo, las recomendaciones personalizadas de productos en sitios de referencia como Amazon e eBay son sólo una de las muchas formas en que las tecnologías de Data Science y Machine learning están transformando la experiencia del cliente de Ecommerce.

Más allá de las recomendaciones de producto, la ciencia de datos está impactando la industria del Ecommerce de muchas otras maneras, entre las que destacan atención al cliente, reputación digital y marketing.

Este post resume el impacto que está teniendo el Data Science sobre distintas áreas del mundo del Ecommerce.

 

Venta cruzada de productos

 

Cuando pensamos en las recomendaciones de productos, a menudo nos imaginamos que los Ecommerce sencillamente nos presentan productos relacionados entre ellos (como por ejemplo es el caso de la pasta de dientes para quiénes acaban de comprar un cepillo de dientes).

En realidad, empresas como Amazon, eBay y Zalando utilizan potentes algorítmos de Big Data que se basan en datos demográficos y de comportamiento de millones de usuarios, para determinar la probabilidad de que un cliente que ha comprado un producto A compre otro producto B.

Un ejemplo sencillo para entender la importancia de este tipo de algoritmos a la hora de recomendar productos, consiste en mirar el caso de clientes que han comprado guantes de invierno. Imaginemos que nuestro único criterio sea el tipo de producto (en este caso, complementos que abrigan del frío), y que no tenemos en cuenta otros datos como las estaciones del año. En tal caso, es probable que nuestra tienda de Ecommerce termine haciendo sugerencias poco afortunadas, por ejemplo recomendando una bufanda en julio a un cliente que compró guantes en enero.

Obviamente se trata aquí de un ejemplo muy simple para entender la importancia de contextualizar el proceso de venta a la hora de hacer recomendaciones cruzadas. En realidad, sitios como Amazon y eBay analizan un conjunto de parámetros extremadamente variados y complejos (conocido como Big Data) para lograr una experiencia óptima de recomendación de productos.

 

Publicidad Digital

 

El Data Science también tiene un papel de suma relevancia a la hora de plantear inversiones de Publicidad Digital.

Las empresas de Ecommerce suelen invertir presupuestos considerables en publicidad de tipo Retargeting, que consiste en volver a impactar a los usuarios que visitaron nuestro sitio web, sirviéndoles anuncios en Facebook y en páginas afiliadas de Google.

Cuanta más información tengamos acerca de nuestros usuarios, mejor podremos invertir nuestro dinero en campañas de Retargeting.

Un ejemplo de cómo las empresas utilizan datos del comportamiento de sus usuarios para optimizar sus campañas publicitarias se puede ver en el análisis del uso de una página de Ecommerce. Los algoritmos de Machine Learning permiten detectar patrones de comportamiento en los usuarios más susceptibles de comprar nuestros productos. Una vez detectados estos patrones o touch points, tenemos la posibilidad de dirigir nuestra inversión de Retargeting hacia aquellos usuarios cuya forma de interactuar con nuestra web indica un mayor potencial de conversión.

El Valor de Vida del Cliente (Customer Lifetime Value o CLV) es otro indicador que podemos utilizar para orientar nuestras inversiones de Retargeting. Ese valor se puede guardar en la forma de Cookies que se actualizan a cada compra que hace un cliente, y de esta manera podemos volver a impactar a nuestros clientes más fieles a través de Facebook, Google GDN y RTB/Programmatic.

 

Valoraciones de usuarios

 

Las tiendas de Ecommerce suelen tener sus propios canales de valoraciones de clientes como Ekomi, Trustpilot u Opiniones Verificadas, a los que se suman otros canales como Facebook y Google Reviews. El resultado a menudo es imposible de medir y difícil de gestionar, debido al volumen excesivo de datos que generan estas miles de opiniones de usuarios en distintas páginas.

Con Data Science, podemos automatizar la medición de todo lo que se habla acerca de nuestra marca y nuestros productos, categorizando cada opinión según criterios de sentimiento positivo y negativo. Eso nos permite conseguir una visión global del sentimiento de nuestros clientes, así como detectar los defectos y virtudes de cada producto. Es más, un científico de datos será capaz de replicar este análisis para los productos de la competencia, para ayudarnos a entender si la gente habla mejor o peor de nuestros productos con respeto a los de nuestros competidores.

 

Atención al cliente y pre-venta

 

La ciencia de datos también permite mejorar la atención al cliente y la resolución de preguntas en la fase de pre-venta. Un buen ejemplo de Data Science al servicio del proceso de compra, es el sistema de Amazon que propone al usuario respuestas extraidas de la experiencia de compradores previos. Si quiero conocer algún detalle que no aparece en la descripción de un producto, puedo preguntarlo antes de terminar la compra, y los algoritmos de Amazon consiguen relacionar mi pregunta a respuestas de otros usuarios.

 

 

¿Buscas contratar perfiles de Ecommerce para tu empresa?

Envíanos un mensaje a través de nuestro formulario a continuación para descubrir cómo podemos ayudarte... 

 

 

    PayPerTalent 2017-2020 Todos derechos reservados | info@paypertalent.com | Tel: +34 910 71 34 19 | Aviso Legal

    Paseo de la Castellana 40, 28046 Madrid, España