Durante los últimos años, los marketers digitales hemos visto llegar la era del data. Nos encontramos rodeados de un volumen de datos cada vez mayor; el reto ya no está en acceder a ellos, sino en saber descifrarlos y convertirlos en inteligencia de negocio.
La buena noticia es que cada vez contamos con más información y recursos para conseguirlo. De hecho, IAB Spain acaba de publicar su "Libro blanco de data", un informe interesantísimo para entender cómo manejar el marketing digital en la era del big data. En esta guía repasaremos algunas de sus conclusiones sobre tipos de datos, quién es el propietario del data, cuál es el valor real de los datos y cómo podemos utilizarlos.
¿Qué tipos de datos existen?
Aunque hablamos de "data" como categoría amplia, no todos los datos son iguales. Estas son las clasificaciones principales que podemos establecer según el informe de la IAB.
Según su categoría
- Datos estructurados: los datos estructurados son el tipo de información que encontramos habitualmente en las bases de datos, esto es, un archivo tipo texto organizado en filas y columnas. Esta estructura permite filtrar, ordenar y procesar la información fácilmente con las herramientas de tratamiento de datos habituales.
- Datos no estructurados: aquí cabe todo tipo de datos que no responden a la estructura antes mencionada, como los que se generan a través de las redes sociales, los ficheros de imagen, audio y vídeo y un largo etcétera. Dado su formato, no podemos procesarlos con herramientas estándar, así que tenemos que buscar otras soluciones.
Según su procedencia
- Zero party data: los datos que obtenemos directamente de los consumidores a través de estudios y encuestas.
- First party data: los datos recopilados a partir de las interacciones de un usuario con los canales de la empresa, por ejemplo, el centro de atención al cliente, el CRM o el sitio web de la marca.
- Second party data: los datos que proceden de acuerdos de compra y venta con diferentes socios. Dentro de este tipo, podemos distinguir entre los datos de enriquecimiento de first party (para ampliar la data de la que ya disponemos), los obtenidos mediante intercambio y los comprados (a través de marcas que ponen sus cookies a la venta).
- Third party data: los datos procedentes de empresas que se dedican específicamente a la venta de data agregado. En este caso no podemos acceder a la fuente de los datos ni a los tratamientos a los que han sido sometidos.
Según su proceso de recolección
- Datos determinísticos: los que se recolectan a partir de fuentes 100 % verificadas (como los registros de bases de datos) y ofrecen un valor único del individuo.
- Datos declarativos: los facilitados por el propio usuario y por tanto no contrastables.
- Datos inferidos: los que se obtienen asignando un perfil de audiencia a un usuario según sus patrones de navegación.
- Datos modelizados: los que se generan extrapolando a partir de una muestra representativa de audiencia, por ejemplo, los públicos similares de algunas plataformas de social ads.
Según la información que nos aportan
- Datos sociodemográficos: edad, género, profesión, clase social, etc...
- Datos comportamentales: data referido al comportamiento de un usuario, por ejemplo, las páginas que ha visitado o las palabras clave del contenido que ha consumido.
- Datos intenders o de intención: los referidos al interés de un usuario en un bien o servicio determinados.
- Datos geolocalizados: la información referida a los puntos geográficos en los que se encuentran los usuarios.
¿Quién es el propietario del data?
La propiedad de los datos es un tema que resulta controvertido y en el que la legislación ha evolucionado en los últimos años.
El primer punto a clarificar es que el usuario es propietario de sus datos, ya que es él quien los genera. Pero también hay otros actores que interactúan con los datos y que pueden considerar que tienen derechos sobre ellos.
Por un lado, tenemos al publisher, esto es, al actor en cuyo entorno se mueven los datos. Sin él, sería imposible generar la información, ya que no habría un lugar donde crearla.
Por otro, tenemos al anunciante, que hace campañas y permite enriquecer la información generada. A su vez, el anunciante reclama todo el data posible para poder mejorar su producto.
Y por último, tenemos al usuario, cuya información realmente solo vale cuando es agregada, es decir, cuando se combina con la de otros usuarios (por ejemplo, todos los visitantes a un sitio web en concreto).
En la actualidad, no hay un panorama estable en lo que se refiere a la propiedad de los datos. Las nuevas tecnologías de cadena de bloques y hash-graph podrían permitir en un futuro que los usuarios vendan sus datos sin intermediarios, mientras que los publishers defienden que los usuarios ya están recibiendo valor por sus datos en forma de servicios personalizados. Mientras tanto, los anunciantes buscan soluciones para crear sus propios sistemas de extracción de datos y ganar independencia respecto del resto de actores.
¿Cuál es el valor de los datos?
El valor de un dato está determinado por la diferencia entre comprar una audiencia respecto a comprar únicamente un espacio publicitario, y varía en función de diversos factores. Hay que tener en cuenta que estamos todavía ante un sector en evolución y que el valor no depende únicamente del dato en sí, sino de las herramientas con las que contamos para procesarlo y de la capacitación del personal encargado de esta tarea.
En el mundo del marketing digital, tenemos diferentes modelos para comercializar los datos:
- La venta de bases de datos, por ejemplo, direcciones de correo electrónico para campañas de email marketing.
- La compra-venta programática, donde se empiezan a comercializar datos anonimizados. Así, pasamos de los datos personales de los usuarios a data sobre comportamientos, geolocalización, estadísticas y un largo etcétera. A través de plataformas como los DSP y los Ad Exchanges, podemos comprar directamente el segmento de audiencia que más nos interesa.
- Las plataformas de gestión de datos, que permiten a anunciantes y publishers acceder a otras fuentes de datos y llegar a acuerdos de compra y venta de second party data basados en diferentes modelos de precios: coste por mil, coste por cookies transferidas, modelos de tarifas únicas o mensuales...
- Los modelos colaborativos, en los que se produce un intercambio de datos entre empresas que no entran en conflicto entre sí.
Dos aspectos muy importantes a tener en cuenta a la hora de usar o adquirir datos son la calidad y el volumen. Estos son algunos factores que debemos tener en cuenta para determinar la calidad de un dato:
- La transparencia sobre la fuente de la información y el modo en que se ha procesado. Si no conocemos ese dato, es más difícil determinar su fiabilidad y prever el resultado de su uso.
- La persistencia. Las cookies tienen un tiempo de duración limitado y el usuario puede borrarlas. En teoría es posible crear cookies con duración larga (incluso meses), pero según el tipo de información al que se refiera, es posible que pierda valor con el tiempo.
- La obsolescencia (muy relacionada con el punto anterior). En función del tipo de información recogida en la data, la "fecha de caducidad" será más o menos amplia. Por ejemplo, la información sobre intencionalidad de compra pierde valor con el tiempo, ya que es posible que el usuario ya haya adquirido el producto. En cambio, la información sobre características permanentes del usuario, como los datos demográficos, es mucho más perenne.
- La procedencia. El first party data suele tener mayor calidad, ya que conocemos a la perfección su origen y su procesamiento. A cambio, el volumen es menor, ya que se limitan a los datos que podemos recopilar en nuestros propios canales. El second party data también suele tener buena calidad, ya que procede de fuentes conocidas y en teoría de confianza, pero está limitado por nuestra capacidad para alcanzar acuerdos económicos con las empresas que lo producen. Por último, el third party data es el que suscita más dudas sobre su calidad, ya que no conocemos su origen ni el procesamiento al que ha sido sometido. A cambio, podemos acceder a grandes volúmenes de este tipo de big data.
¿Cómo podemos utilizar los datos?
Esta pregunta es el quid de la cuestión en lo que se refiere a gestión de data: cómo utilizar la información de la que disponemos para obtener el máximo valor. Como ya hemos comentado, el procesamiento de big data todavía es un sector en evolución, así que es probable que esto sea solo la punta del iceberg. Estos son los medios principales analizados en el estudio de IAB.
Trazar el customer journey
El customer journey o viaje del cliente es el "mapa" que identifica los pasos por los que pasa un usuario hasta convertirse en cliente. Gracias al uso de data, podemos ver el número de impactos por usuario, la frecuencia de mensajes que ha recibido y las interacciones con la campaña hasta llegar a la conversión final, lo que nos facilita enormemente entender qué está pasando en cada momento.
Dirigir las campañas a la audiencia apropiada
Para ello, necesitaremos llevar a cabo tres fases:
- Recoger datos sobre los usuarios, usando una capa de identidad para identificar a un mismo usuario en distintas bases de datos (por ejemplo, cuando está usando diferentes dispositivos).
- Segmentar a los usuarios en función de los datos disponibles, a fin de crear audiencias que permitan optimizar los mensajes y otras características de las campañas.
- Activar las campañas en diferentes medios usando las audiencias que hemos diseñado.
Adaptar las creatividades
En función de los segmentos que hemos diseñado, podemos identificar a usuarios en diferentes momentos y con diferentes intereses. Esto nos permite crear mensajes altamente personalizados, que se centren en los beneficios que más pueden interesarles y les ofrezcan el nivel de profundidad que necesitan en cada momento del customer journey.
Realizar investigaciones y estudios de mercado
Tradicionalmente, los estudios de mercado dependían exclusivamente de datos declarativos obtenidos a partir de encuestas, pero esta realidad ha cambiado. En el marketing digital de hoy, podemos obtener una gran cantidad de información sobre el comportamiento de los usuarios y los medios digitales que consumen.
Gracias a la combinación de diferentes tipos de datos, hoy podemos realizar estudios con un nivel de precisión mucho mayor para desentrañar los patrones de comportamiento de los consumidores.
Crear modelos
La modelización consiste en aplicar técnicas matemáticas y estadísticas para convertir el big data en información de negocio relevante para la empresa, que pueda responder a preguntas como las siguientes:
- ¿Qué características comunes diferencian a un grupo de personas? (Por ejemplo, los usuarios que compran un producto X y los que no).
- ¿Por qué ha ocurrido este evento en particular? (Por ejemplo, un abandono del carrito o una visita a nuestro sitio).
- ¿Qué probabilidad hay de que ocurra un evento? (Por ejemplo, cuántas conversiones conseguiremos con una inversión X o cómo de probable es que un usuario compre un producto determinado).
- ¿Cómo podemos maximizar la inversión en marketing digital?
Dentro de la modelización tenemos aplicaciones como la atribución digital, la creación de audiencias similares, la propensión a realizar un comportamiento determinado o la optimización de los públicos de destino.
Usar datos en medios offline
En los canales de publicidad tradicionales, los datos se obtenían a través de encuestas personales o por teléfono, el estudio de las audiencias televisivas, los paneles de consumo en el punto de venta o la interacción de los clientes en las empresas.
Ahora, existe la posibilidad de combinar el data offline y online y usarlo indistintamente para ambas audiencias. En el mundo de la publicidad offline, el data tiene un uso especialmente destacado en publicidad exterior. Por ejemplo, podemos saber el perfil de las personas que pasan por una zona, ubicarlas con GPS, saber cuántas veces han pasado por un punto o analizar sus interacciones con el display publicitario.
Otros usos
Aquí entraría una miscelánea de aplicaciones en las que todavía queda mucho por explorar, como la optimización de procesos de negocio, la mejora del rendimiento personal a través de wearables, la aplicación de datos sobre la salud o la creación de ciudades inteligentes.