Personalización vs clusterización: La RGPD y el diseño del Customer Journey

Aunque poco comentado, teniendo en cuenta su trascendencia, el año pasado todo cambió en la aún inmadura industria del Marketing Digital. La nueva Regulación General de Protección de Datos (RGPD) entró en aplicación y los profesionales del Marketing que creían tener información suficiente de sus clientes y sus prospectos, tienen que rehacer gran parte del trabajo de años, si es que aún no lo han hecho.

Las plataformas digitales y sociales ya brindaban una forma de recolectar data points, pero la RGPD reconfigura el tablero de juego, con un nuevo mapa de interconexiones entre las plataformas digitales, sus usuarios, y sus terceros conectados a ellos.

Bajo este nuevo contexto, ¿qué pueden hacer las marcas para conocer mejor a sus potenciales clientes?. La RGPD nos obliga a todos a anonimizar los datos personales y, más que una amenaza, es una oportunidad de profesionalizar el Marketing Digital.

La pregunta del millón es si haciendo anónimos los datos personales obtenemos el mismo valor o no. Dependerá del caso de uso que necesitemos trabajar. En un contexto publicitario puro de búsqueda de la conversión, el impacto de la RGPD es frontal, pero en un contexto de experiencia de cliente omnicanal no lo es tanto.

Si lo que buscas es satisfacer a tus prospectos y clientes y brindarles una experiencia inolvidable en cada touchpoint de tu marca, la RGPD nos obliga a poner foco en las necesidades e intereses de los usuarios desde lo macro a lo concreto, pasando por un serie secuencial de procedimientos de opt-in, que añaden transparencia y confianza a la relación entre marca y consumidor.

De la personalización a la segmentación y la clusterización

Y es que la pregunta fundamental “¿conoces bien a tu cliente?”, quedó refundada a partir del año pasado por “¿conoces bien a tu segmento de cliente?”. La segmentación es una herramienta fundamental del Marketing estratégico, pero sobre la cual pesa el estigma de inexactitud y falta de completitud, basada durante décadas en técnicas de research tradicional, como focus groups, encuestas a puerta fría, y un largo etcétera.

Todas ellas con un enorme sesgo derivado de la subjetividad de cada individuo alcanzado, de cómo están configuradas las preguntas o cómo el encuestador las realiza. En definitiva, del contexto espacio-temporal del momento en el que se irrumpe en la vida de un consumidor o potencial consumidor de tu marca.

El éxito de una marca y sus productos asociados depende de su capacidad de segmentar el mercado de forma efectiva y eficiente. Una de las técnicas más utilizadas hoy día en el Marketing Digital es el de “clusterizar” los comentarios en redes sociales de usuarios reales, los cuales aunque no privados de sesgo, aportan mayor confiabilidad que los datos derivados del research tradicional, dado que los primeros pertenecen a un contexto natural de grupo o comunidad, no invadido por parte de ningún tercero.

Por medio de los comentarios de usuarios, podemos categorizar y clasificar cómo se generan determinadas comunidades en torno a un tópico de conversación o interés particular, configurando así un universo de categorías asociadas entre sí, todas ellas relacionadas a individuos reales dentro de esa comunidad.

Si en el proceso de anonimización logramos inferir y correlacionar rangos demográficos, de edad y género, entonces ya tenemos audiencias segmentadas por patrones de expresión, que nos deja saber cómo piensan, cómo sienten y cómo actúan los consumidores enfrentados a determinadas experiencias a lo largo de todo el customer journey de un producto o una marca.

IA para interpretar textos

El proceso de anonimización se puede realizar con una operación sencilla mediante cualquiera de las tecnologías y lenguajes asociados al data science. El verdadero reto tecnológico es el del “text mining” y “text parsing”, ambos términos dentro del campo de la lingüística computacional, cuyo último objeto es el santo grial de un análisis semántico confiable, eficiente, y escalable.

Dicho campo ha sido desarrollado durante décadas por compañías como IBM, Microsoft, y más recientemente por Google, Apple y Amazon, unos con más éxito que otros. La tecnología emergente hoy día que ataca este reto es el Natural Language Processing y Natural Language Understanding, NLP y NLU respectivamente. Ambas basadas en tecnologías de Inteligencia Artificial como Machine Learning y Deep Learning, las cuales no están del todo maduras, aunque cada vez más cerca.

Más allá de la tecnología en sí, es necesario contar con la capacidad de aplicar un criterio robusto de clasificación de texto. Es decir, mediante las tecnologías mencionadas podemos ayudarnos para identificar, extraer y almacenar aquellas estructuras mínimas de texto que contienen significado, pero hay que definir qué taxonomía semántica vamos a utilizar, y sobre todo qué criterio usar para aplicar una u otra categoría significante a cada partícula de texto.

Hoy en día se aplican taxonomías de muy diversos tipos, desde de industria y producto, hasta de personalidad y emociones humanas. Y es que a cualquier elemento de expresión humana se le pueden aplicar un amplio rango de filtros interpretativos del significado. Una vez se tiene bien definida la taxonomía y el criterio de clasificación, hay que entrenar al sistema de Machine o Deep Learning, lo cual es un proceso doloroso, que en realidad nunca acaba de refinarse del todo, pero que sin duda es mejor que cualquier análisis manual.

Aunque como decía anteriormente estas técnicas no están privadas de sesgo (en el proceso de definición del criterio de clasificación, por ejemplo), este es menor que el existente en técnicas tradicionales si se aplican con rigor las técnicas de muestreo estadístico.

Además, hoy día se usan conceptos como el research triangular para ir refinando las muestras, elaborando secuencias de hipótesis bien fundadas y validadas, que ayudan a obtener resultados mucho más exactos.

Si estas técnicas se trabajan estratégicamente a lo largo del Customer Journey, representan una herramienta excelente para conocer mejor a tus consumidores, atraer otros, o diseñar mejores productos y servicios para tu marca.