Rebold, pionera en la aplicación de nuevas técnicas de predictive analytics y modelización para marketing y comunicación

• Rebold consolida para sus clientes el uso de predictive analytics y modelización basada en el consumer decision journey, nuevas técnicas que facilitan el trabajo de los directivos de marketing y comunicación en un entorno cada vez más complejo.
• Estas técnicas se habían utilizado en otros sectores y aplicaciones, como la logística, biología y ecología, y en social science, pero todavía no se habían aplicado de forma masiva al mundo del marketing y la comunicación.
• Estas soluciones están basadas en machine learning, consumer behavioral economics, market dynamics y tecnología. Permiten tomar decisiones apoyadas en datos y estimar resultados esperados, minimizando por tanto el riesgo en la toma de decisiones.
• Sólo el 23% de las compañías están usando activamente predictive analytics, una cifra que no ha aumentado en el último año.

   Madrid, 27 de junio de 2019.- Rebold está consolidando el trabajo para sus clientes a partir de predictive analytics y modelización basada en el consumer decision journey, nuevas técnicas que facilitan la labor de los directivos de marketing y comunicación en un entorno cada vez más complejo. Estas técnicas ofrecen soluciones creadas con matemáticas y tecnología que permiten estimar resultados estimados de ventas, en función de las decisiones de marketing y comunicación, y por tanto, minimizar el riesgo en la toma de decisiones. En la actualidad, sólo el 23% de las compañías usan activamente predictive analytics, según una investigación de Dresner Advisory Services, una cifra que no ha aumentado en el último año. Sin embargo, cuando se les pregunta a esas empresas cuán importante es para su negocio, una gran parte de ellas responde que es crítico, muy importante o importante avanzar en analytics para obtener ventajas competitivas en su industria. En concreto, más del 90% dicen que es muy importante para reporting & dashboarding (seguimiento de la actividad y resultados); más del 70%, para integrar analítica en la operativa (optimización, personalización); y casi el 70% para planificar presupuestos y esfuerzos óptimos y eficaces. “Hoy en día, la tecnología y analytics han evolucionado enormemente para ayudarnos a tomar cada vez más decisiones basadas en datos dentro del marketing, una industria que tradicionalmente se había apoyado en el expertise y el know-how”, explica Patricia Junyent, Country Manager de Rebold Analytics Spain. Existen múltiples técnicas para la planificación estratégica de la comunicación (definir presupuestos óptimos por canal de comunicación, por mensajes, etc.), y entre ellas, aparece la modelización basada en el consumer -based modeling (o basado en agentes), que ha empezado a utilizar de forma pionera Rebold, empresa de marketing y comunicación basada en el análisis de datos. Son técnicas que se habían usado en otros sectores y aplicaciones, como la logística, biología y ecología, y en social science, pero todavía no se había aplicado al mundo del marketing y la comunicación.   Qué es la modelización basada en consumidores (agentes) La modelización basada en agentes (consumer-based modelling) permite simular las dinámicas de mercado: cómo los consumidores toman decisiones y se decantan por una marca u otra en función de las acciones que éstas realizan, y en función de cómo los consumidores interactúan entre ellos. La simulación permite estimar resultados esperados según las acciones que realizamos, y evaluar por tanto el impacto de distintas estrategias. “Este tipo de técnica permite representar la dinámica de mercado y el comportamiento esperado de los consumidores en base a datos de encuestas, inversiones, acciones, ventas y comportamiento de la competencia”, continúa Patricia Junyent. “Con ello, se pueden simular resultados esperados de notoriedad, consideración o venta, según las decisiones que toman las marcas, para decidir invertir en un canal u otro, para lograr objetivos de marca o mejorar eficiencia”. De este modo, por ejemplo, es posible simular qué ventas estimadas tendrá una compañía si incrementa su inversión en search, PR & influencers, a la vez que disminuye los esfuerzos en el punto de venta físico como la prueba de producto. O analizar qué sucede si reduce la inversión en su fuerza comercial o cómo afecta a sus ventas el word of mouth de las nuevas marcas pure digital. Principalmente, estos ejercicios hacen que se pueda cuantificar y minimizar el riesgo en la toma de decisiones de marketing y comunicación para maximizar el retorno de inversión. En particular permiten:

1. Comprender cómo toman los consumidores las decisiones a lo largo del consumer decision journey.
2. Cuantificar el impacto de las decisiones de marketing y comunicación de una empresa en el negocio (awareness, consideración o venta).
3. Simular escenarios y escoger las estrategias de inversión que mejoran la eficacia y eficiencia de las decisiones de marketing y comunicación.

Es decir, responder a los retos que se encuentran los directivos de marketing y comunicación: ¿cómo debo invertir de forma óptima? o ¿qué pasará con las ventas si tomo ciertas decisiones de inversión?   Ventajas de la modelización basada en agentes Estas nuevas técnicas permiten dar buenas respuestas a estas y otras preguntas de una forma más ágil, menos costosa, y adaptable a un entorno de marketing mucho más complejo. En particular:

• Permiten tomar decisiones de forma muy ágil: definir estrategias óptimas de inversión y entender resultados esperados; por ejemplo, para un lanzamiento de producto.
• Optimizar todas las inversiones de una marca y minimizar el riesgo en la toma de decisiones.
• Va más allá de las métricas de ventas. También trabaja con otros KPI de marca (awareness, consideración, intención de compra, etc.).
• Pone en el centro al consumidor y representa la dinámica de mercado. Por ello permite entender no sólo el impacto de las decisiones sino también las causas y el porqué.
• Permite evaluar el impacto de acciones que la marca no haya realizado antes, no se basa sólo acciones de pasado.
• Incorpora el efecto del word of mouth y cómo se relacionan los consumidores entre ellos.
• Integración con otras técnicas como marketing mix modelling y datos de distintas naturalezas y niveles de granularidad.