Data Driven: Qué es y cómo implementarlo en un proyecto hotelero

Para situarnos, en las empresas el “data-driven” implica que se toman decisiones estratégicas basadas en la interpretación y el análisi de datos. Es decir, se trata de ver la manera cómo se estructuran y organizan los datos con el fin de aplicarlos al negocio y mejorar sus estrategias.

Hace unas semanas, Barceló Hotel Group recibió el premio a la Mejor Estrategia de Experiencia Cliente 2017 otorgado por DEC, Asociación para el Desarrollo de la Experiencia de Cliente. Todos los que hemos participado en el diseño e implementación de dicha estrategia, con marcado protagonismo de un modelo data driven, nos sentimos muy orgullosos por el reconocimiento a la labor desarrollada.

La estrategia de experiencia cliente comprende muchas áreas. Aquí os pongo como ejemplo dos de los más importantes:

• Marketing corporativo, a través de la creación de marca con experiencias diferenciales y productos especializados.
• Guest Experience, a través de la medición de la satisfacción y la estandarización de las operaciones.

Son múltiples las “best practices” en estas áreas y, sin duda, darían para varios posts. En este caso, me gustaría compartir con vosotros la visión del proceso genérico de definición de estrategia con foco en el área de Digital & Data y los proyectos data driven que desarrollaremos más adelante.

En su mayor parte, el sector hotelero hasta finales de los años 90 estaba centrado en tener la mejor localización y el mejor producto. La comercialización en su mayoría estaba concentrada en operadores offline, como touroperadores.

La irrupción de Internet y su adopción por el cliente ha impulsado con fuerza la e-distribution, es decir, OTAS como Booking o Expedia, así como ha hecho aumentar la tipología de competidores (Airbnb) y habilita a los consumidores compartir experiencias (positivas y negativas) influyendo en otros consumidores.

El reto al que se enfrenta el sector hotelero a nivel mundial se puede resumir en dos frases:

• Impulsar la satisfacción cliente a través de su conocimiento, de manera que incremente la repetición en la cadena e influya en otros consumidores gracias a una experiencia positiva.
• Impulsar la venta directa a fin de mejorar márgenes y evitar una concentración excesiva de determinados intermediarios.

La forma de afrontar este reto dentro de la industria pasa por una estrategia que, teniendo a la tecnología no como fin sino como vector, una al cliente y a la cadena. El objetivo es que la información que nos aportan los clientes se transforme en una personalización del servicio y en una mejora de la experiencia.

De la Era Digital a la Era AI: el Proyecto Data Driven 

Hace no mucho escuché a un ponente en un evento comentar que la tan mencionada “era digital” se está convirtiendo para algunos sectores en un must have y que solo apoyándonos en unos cimientos sólidos digitales podríamos entrar en la Era de la Inteligencia Artificial.

¿Cómo se relaciona la era digital con la era AI? La evolución digital genera un caudal exponencial de datos en tiempo real que necesitan ser taxonomizados (explicados, relacionados, clasificados y almacenados) con Big Data y explotados a través de la AI.

Este proyecto en el Sector Hotelero es del tipo data driven y transforma la forma en la empresa en sí misma. Es un proyecto de empresa donde, bajo un paraguas y guía digital, colaboran múltiples departamentos como Marketing corporativo, IT, eCommerce, Guest Experience y Operaciones, entre otros..

Es un proyecto complejo, que difícilmente se puede replicar entre empresas incluso de un mismo sector. Cada uno de ellos es diferente, pero al menos comparten las grandes fases. De hecho, el proyecto data driven podemos dividirlo en 4 grandes fases:

Fase 0. Definición del Modelo de Relación Cliente (MRC) 

• ¿Qué significa MRC? Un modelo de relación es un conjunto de pautas y políticas definidas con claridad y replicables, de forma obligatoria, para dirigir la manera en la que realizamos intercambios con la otra parte. Hemos de entender que existen tres partes a tener en cuenta:

• Lo que somos

• Lo que es el cliente

• El modelo que va a guiar la relación y los intercambios con el cliente. Se trata de la fijación de los precios, ofertas, cobertura o tecnología.

• El modelo relación no es único y debe adaptarse a las múltiples variantes. El MRC de un hotel urbano es diferente a un hotel vacacional, así como el de una marca de hoteles de lujo difiere de otras marcas.
• Mapa de Customer Journeys (CJs). Bajo la guía del MRC se definen los customer journeys, es decir, se definen todas las etapas y subetapas de la interacción del cliente con la cadena: desde que empieza a pensar en viajar y la reserva hasta que vuelve a su casa y comparte su viaje/estancia.

• Casos de uso. Pasos del customer journey donde la necesidad, ya sea de negocio o de satisfacción cliente, requiere de ayuda/intervención tecnológica.
• Los Outputs de esta fase serían:
  • Definir el/los MRC y el mapa de customer journeys.
  • Definir experiencias únicas a lo largo del modelo (por ejemplo, destinado a runners).
  • Listar los principales casos de uso (por ejemplo, oferta personalizada).

Fase 1. Definición del Ecosistema Digital (ECD) 

• ¿Qué significa ECD? Ecosistema, por definición, hace referencia a múltiples entes que interactúan entre sí en un espacio común. En este caso, los entes son los sistemas que soportan cada una de las políticas del MRC y cada uno de los pasos del CJs.
• Para cada paso, desde el “awareness” hasta el “advocacy” o, mejor dicho, desde que el cliente sueña con viajar hasta que comparte su viaje, es necesario definir qué sistemas colaboran en la interacción.

• Reordenamiento del dato. La base de trabajo debe ser que el control y la propiedad del dato generado debe ser de la empresa. Parece algo baladí, pero no falta siempre quien no quiere compartir datos. Por ejemplo, a nivel interno, departamentos “silo” y, a nivel externo, agencias que no comparten “contigo” los datos de compra de medios “para ti”.
• Otros de los retos:
  • Alineamiento de propiedades digitales
  • Adecuación de sistemas legacy
  • Reingeniería de procesos internos a nivel empresa
• Los outputs de esta fase serían:

• Identificación de todos los sistemas que soportan el MRC/CJs.

• • Adecuar los sistemas para que compartan sus datos, si es posible, en tiempo real.

Fase 2. Ordenamiento e Ingesta del Dato (Big Data) 

• La palabra mágica en esta fase es TAXONOMÍA (TX). Una correcta TX evita que el alud de datos en tiempo real que genera el ecosistema digital nos ahogue y muramos de indigestión de datos.
• ¿Qué significa TX? Por definición, una TX son los principios, métodos y fines de la clasificación para la ordenación jerarquizada y sistemática de grupos de entes. Los entes en este caso son los datos. La taxonomía debe identificar, analizar, clasificar y relacionar cada dato. Y, para cada dato, se define fuente, seguridad de acceso, velocidad de refresco y demás parámetros.

• Output:

• • Construcción de una taxonomía ÚNICA del dato de negocio. De esta manera, evitamos problemas muy comunes en las empresas como son las “interpretaciones”.
  • Generar conectores de cada elemento del ecosistema digital, de manera que se vuelque el dato a data lake en crudo (raw).
  • Una vez tenemos el dato crudo, implementamos algoritmos AI de duplicación y normalización en tiempo real. Cada dato dependiendo del momento en el que se generó o la fuente tiene unas características que debemos identificar, limpiar y corregir así nos aseguramos de que el dato sea de calidad.

Fase 3. Activación del dato (Inteligencia Artificial) 

• • La palabra mágica en esta fase es Inteligencia Artificial (AI). Antes de continuar, permitámonos hacer un resumen de lo que hemos conseguido en fases anteriores: tenemos definido un MRC que aclara la relación con cliente, unos CJs que definen los pasos y los Casos de uso. Tenemos un montón de sistemas que soportan la interacción con el cliente y que generan gigas de datos por segundo, datos cambian en tiempo real y se almacenan de manera ordenada y limpia. Y, ¿ahora qué?
  • Ahora es tiempo de los Científicos de Datos (Data Scientist, DS). Su misión es analizar, interpretar los datos a través de modelos y traducir los hallazgos a la empresa para que ésta haga uso de ellas y adapte sus productos y servicios, creando de esta manera nuevas oportunidades de negocio.
  • En nuestro caso, deben generar modelos algorítmicos de AI llamados ASSETS que resuelvan en primer lugar los casos de uso. No olvidemos nunca que los modelos aprenden y mejoran: cuantos más datos y más iteraciones, hagan más ajustada y certera será la respuesta.
  • Ejemplo Caso de Uso Venta: imaginemos a un cliente que está al principio del funnel de compra de un site. Queremos incrementar las posibilidades de conversión presentándole “la mejor oferta posible para ese cliente en ese momento”. Para ello, la AI nos puede ayudar a través de los Assets de:
    • Valor cliente
    • Predicción de abandono
    • Predicción de intención de compra.

Con estos tres valores podemos seleccionar la mejor oferta existente o, directamente, crear una oferta personalizada.

• Veamos como ejemplo gráfico el asset de Predicción de conversión que nos avisa de que el comportamiento de un cliente en el site podría terminar en conversión baja (imaginemos, un cliente que ha usado el buscador del site 5 veces seguidas). Si lo sabemos, podemos activar interruptores en tiempo real que le muevan a una parte del árbol de mayor conversión.

El viaje data driven es duro y exige transformación, pero las empresas que lo completen con éxito habrán entrado en la era de AI. Esta nueva era permite diferenciarnos de nuestra competencia aportándonos múltiples ventajas competitivas.

Por ejemplo: al personalizar la oferta y tener disponible lo que el cliente desea en cada momento, aumenta de la satisfacción y, por tanto, aumenta la conversión. Esto implica que la estrategia de compra de medios hipersegmentada optimizará la inversión en compra de medios y todo lo que conlleva.

Debemos olvidarnos de los tiempos en los cuales la segmentación se hacía en batch con estrategia de RFM, sobre datos escasos y actualizados de aquella manera, para movernos a segmentación continua en tiempo real con miles de variables almacenadas en Big Data y analizadas con AI.

En el próximo ejemplo podéis ver cómo, según avanza el cliente en el Customer Journey e interacciona con las propiedades digitales externas, internas, medios y demás actores, vamos recogiendo datos (eje horizontal) y cómo se cargan en Big Data y se analizan mediante AI para actualizar los datos principales de segmentación (eje vertical).

Las principales conclusiones que se extraen de los proyectos data driven y el camino hacia la Era AI que hemos analizado, son:

• Lo que vivimos hoy en día no lo describe ni la palabra “cambio” ni la palabra “transformación”, la palabra que mejor lo define es “Revolución”.
• Estar bien posicionado en la Era Digital empieza a ser un must have y empezamos a entrar en la Era de la Inteligencia Artificial.
• La apuesta por la innovación debe ser continua para poder completar la “Revolución a la Era AI”.

El Big Data continúa explorando las posibilidades que nos ofrece Internet y todos sus recursos. Si quieres especializarte en este ámbito lleno de oportunidades, fórmate con el Programa Superior en Big Data